CN116609859A - 一种气象灾害高分辨率区域模式预报系统及方法 - Google Patents
一种气象灾害高分辨率区域模式预报系统及方法 Download PDFInfo
- Publication number
- CN116609859A CN116609859A CN202310621833.9A CN202310621833A CN116609859A CN 116609859 A CN116609859 A CN 116609859A CN 202310621833 A CN202310621833 A CN 202310621833A CN 116609859 A CN116609859 A CN 116609859A
- Authority
- CN
- China
- Prior art keywords
- data
- mode
- localization
- target
- preset scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004807 localization Effects 0.000 claims abstract description 137
- 238000012545 processing Methods 0.000 claims abstract description 102
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000003908 quality control method Methods 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013277 forecasting method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 59
- 238000002310 reflectometry Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 238000012876 topography Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004379 similarity theory Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 241000132092 Aster Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001915 proofreading effect Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- -1 rainwater Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种气象灾害高分辨率区域模式预报系统及方法,涉及气象灾害预报的技术领域,包括:对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,对多源观测资料进行融合,得到格点融合数据;按照预设周期,对不同的目标观测数据,采用特定的技术方法进行物理量订正、误差估计、质量控制和格式转换处理,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;利用降尺度后的目标数据、目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,利用相应尺度的格点融合数据对气象灾害数值预报结果进行订正,解决了现有气象灾害系统预报准确率较低的技术问题。
Description
技术领域
本发明涉及气象灾害预报的技术领域,尤其是涉及一种气象灾害高分辨率区域模式预报系统及方法。
背景技术
由于数值模式初始场对真实大气的描述能力有限,为了使得数值预报系统获得更多的真实大气准实时信息,需应用资料同化技术向模式提供更精准的大气初始化信息。传统的业务系统资料同化一般为每天2次或者每天4次(6小时一次),主要为了解决短中期的预报问题,而强对流系统具备强烈波动的气象要素信息,以及较小的时间和空间尺度等气象特征,需要为数值预报模式提供更精确的时间分辨率和更高的空间分辨率,继而提高预报准确率,但是现有的气象灾害系统的预报准确率较低。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种气象灾害高分辨率区域模式预报系统及方法,以缓解现有的气象灾害系统的预报准确率较低的技术问题。
第一方面,本发明实施例提供了一种气象灾害高分辨率区域模式预报系统,包括:多源模式数据降尺度子系统,多源数据同化处理子系统和区域模式本地化构建子系统,其中,所述多源模式数据降尺度子系统,用于对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,并对所述多源观测数据进行融合,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;所述多源数据同化处理子系统,按照预设周期,针对不同的目标观测数据,采用特定的技术方法进行物理量订正、误差估计、质量控制和格式转换处理,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;所述区域模式本地化构建子系统,用于利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,并利用不同尺度的格点融合数据对预报结果进行订正,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数。
进一步地,所述多源模式数据降尺度子系统,用于对所述待处理区域的目标数据进行降尺度处理,得到第一预设尺度的目标数据,并对多源观测数据进行融合,得到第一预设尺度的格点融合数据;所述区域模式本地化构建子系统,用于基于所述第一预设尺度对所述待处理区域的地理数据和物理参数进行本地化处理,得到第一预设模式本地化数据;所述区域模式本地化构建子系统,还用于基于所述第一预设尺度的降尺度后的数据和所述第一预设模式本地化数据,运行空间分辨率为第一预设尺度的区域模式,生成第一预设尺度的气象灾害数值预报结果,并利用第一预设尺度的格点融合数据对预报结果进行订正。
进一步地,所述多源模式数据降尺度子系统,用于对所述第一预设尺度的气象灾害数值预报结果进行降尺度处理,并对多源观测数据进行融合处理,分别得到第二预设尺度降尺度后的目标数据和格点融合数据;所述区域模式本地化构建子系统,用于基于所述第二预设尺度和所述第二预设尺度对应的物理参数,得到第二预设尺度的模式本地化数据;所述区域模式本地化构建子系统,还用于利用所述第二预设尺度降尺度后的目标数据和所述第二预设尺度的模式本地化数据,运行空间分辨率为第二预设尺度的区域模式,生成第二预设尺度的气象灾害数值预报结果,并利用第二预设尺度的格点融合数据对预报结果进行订正。
进一步地,所述多源模式数据降尺度子系统,用于对所述第二预设尺度的气象灾害数值预报结果进行降尺度处理,并对多源观测数据进行融合处理,分别得到第三预设尺度降尺度后的目标数据和格点融合数据;所述区域模式本地化构建子系统,用于基于所述第三预设尺度和所述第三预设尺度对应的物理参数,得到第三预设尺度的模式本地化数据;所述区域模式本地化构建子系统,还用于利用所述第三预设尺度降尺度后的目标数据和所述第三预设尺度的模式本地化数据,运行空间分辨率为第三预设尺度的区域模式,生成第三预设尺度的气象灾害数值预报结果,并利用第三预设尺度的格点融合数据对预报结果进行订正。
进一步地,所述观测数据包括:地面观测数据,探空数据,雷达数据和微波辐射计数据。
进一步地,所述多源模式数据降尺度子系统,包括:全球模式数据前处理模块和中尺度区域模式前处理模块,其中,所述全球模式数据前处理模块,用于对所述全球模式气象灾害数值预报结果进行降尺度处理,得到第一预设尺度的气象灾害数值预报模式的驱动场,以及通过预报模式模拟得到第一预设尺度的气象灾害数值预报结果,并对所述多源观测资料进行第一预设尺度融合,得到第一预设尺度的格点融合数据,从而对气象灾害数值预报结果进行订正;所述中尺度区域模式前处理模块,用于对所述第一预设尺度的气象灾害数值预报结果进行逐级降尺度处理,得到第二、第三预设尺度降尺度后的目标数据,以及分别通过预报模式模拟得到相应预设尺度的气象灾害数值预报结果,并对所述多源观测资料分别进行第一、第二预设尺度的融合,得到相应预设尺度的格点融合数据,从而对相应气象灾害数值预报结果进行订正。
进一步地,所述多源数据同化处理子系统,包括:地面观测数据处理模块,雷达数据处理模块,探空数据处理模块,微波辐射计数据处理模块和快速循环同化模块,其中,所述地面观测数据处理模块,用于对所述地面观测数据依次进行时空校对处理,误差估计处理和质控检验处理,得到目标地面观测数据,并将所述目标地面观测数据转换为BUFR格式的地面观测数据;所述雷达数据处理模块,用于对所述雷达数据进行质控检验处理,得到目标雷达数据处理,并将所述目标雷达数据处理转换为BUFR格式的雷达数据;所述探空数据处理模块,用于对所述探空数据依次进行时空校对处理,误差估计处理和质控检验处理,得到目标探空数据处理,并将所述目标探空数据处理转换为BUFR格式的探空数据;所述微波辐射计数据处理模块,用于对所述微波辐射计数据进行质控检验处理,得到目标微波辐射计数据,并将所述目标微波辐射计数据转换为BUFR格式的微波辐射计数据;所述快速循环同化模块,用于按照预设周期对所述BUFR格式的地面观测数据、所述BUFR格式的雷达数据、所述BUFR格式的探空数据和BUFR格式的微波辐射计数据进行循环同化处理,得到所述目标同化分析数据。
进一步地,所述区域模式本地化构建子系统,包括:地理数据本地化模块和物理参数本地化模块,其中,所述地理数据本地化模块,用于对所述地理数据进行本地化处理;所述物理参数本地化模块,用于对所述物理参数进行本地化处理。
第二方面,本发明实施例还提供了一种气象灾害高分辨率区域模式预报方法,包括:对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,并对多源观测数据进行融合,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;按照预设周期,针对不同的目标观测数据,采用特定的技术方法进行物理量订正、误差估计、质量控制和格式转换处理,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,并利用相应尺度的格点融合数据对预报结果进行订正。其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数。
第三方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,提供了一种气象灾害高分辨率区域模式预报系统,包括:多源模式数据降尺度子系统,多源数据同化处理子系统和区域模式本地化构建子系统,所述多源模式数据降尺度子系统,用于对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,同时用于对多源观测资料进行融合处理,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;所述多源数据同化处理子系统,用于按照预设周期,对不同的观测数据进行对应的预处理,得到处理后的观测数据,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;所述区域模式本地化构建子系统,用于利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数,达到了对气象灾害进行准确预报的目的,进而解决了现有的气象灾害系统的预报准确率较低的技术问题,从而实现了提高气象灾害预报准确率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种气象灾害高分辨率区域模式预报系统的示意图;
图2为本发明实施例提供的快速循环同化的示意图;
图3为本发明实施例提供的基于WRF和GSI的分布循环同化的示意图;
图4为本发明实施例提供的一种气象灾害高分辨率区域模式预报方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
根据本发明实施例,提供了一种气象灾害高分辨率区域模式预报系统的实施例,图1是根据本发明实施例的一种气象灾害高分辨率区域模式预报系统的示意图,如图1所示,该气象灾害高分辨率区域模式预报系统包括:多源模式数据降尺度子系统10,多源数据同化处理子系统20和区域模式本地化构建子系统30。
所述多源模式数据降尺度子系统10,用于对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,同时用于对多源观测资料进行融合处理,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;
所述多源数据同化处理子系统20,用于按照预设周期,对不同的观测数据进行对应的预处理,得到处理后的观测数据,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;
所述区域模式本地化构建子系统30,用于利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数。
在本发明实施例中,提供了一种气象灾害高分辨率区域模式预报系统,包括:多源模式数据降尺度子系统,多源数据同化处理子系统和区域模式本地化构建子系统,所述多源模式数据降尺度子系统,用于对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,同时用于对多源观测资料进行融合处理,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;所述多源数据同化处理子系统,用于按照预设周期,对不同的观测数据进行对应的预处理,得到处理后的观测数据,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;所述区域模式本地化构建子系统,用于利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数,达到了对气象灾害进行准确预报的目的,进而解决了现有的气象灾害系统的预报准确率较低的技术问题,从而实现了提高气象灾害预报准确率的技术效果。
在本发明实施例中,所述多源模式数据降尺度子系统,用于对所述待处理区域的目标数据进行降尺度处理,得到第一预设尺度的目标数据,并对多源观测数据进行融合,得到第一预设尺度的格点融合数据;
所述区域模式本地化构建子系统,用于基于所述第一预设尺度对所述待处理区域的地理数据和物理参数进行本地化处理,得到第一预设模式本地化数据;
所述区域模式本地化构建子系统,还用于基于所述第一预设尺度的降尺度后的数据和所述第一预设模式本地化数据,运行空间分辨率为第一预设尺度的区域模式,生成第一预设尺度的气象灾害数值预报结果。
所述多源模式数据降尺度子系统,用于对所述第一预设尺度的气象灾害数值预报结果进行降尺度处理,并对多源观测数据进行融合处理,分别得到第二预设尺度降尺度后的目标数据和格点融合数据;
所述区域模式本地化构建子系统,用于基于所述第二预设尺度和所述第二预设尺度对应的物理参数,得到第二预设尺度的模式本地化数据;
所述区域模式本地化构建子系统,还用于利用所述第二预设尺度的降尺度后的数据和所述第二预设尺度的模式本地化数据,运行空间分辨率为第二预设尺度的区域模式,生成第二预设尺度的气象灾害数值预报结果。
所述多源模式数据降尺度子系统,用于对所述第二预设尺度的气象灾害数值预报结果进行降尺度处理,并对多源观测数据进行融合,分别得到第三预设尺度降尺度后的目标数据和格点融合数据;
所述区域模式本地化构建子系统,用于基于所述第三预设尺度和所述第三预设尺度对应的物理参数,得到第三预设尺度的模式本地化数据;
所述区域模式本地化构建子系统,还用于利用所述第三预设尺度的降尺度后的数据和所述第三预设尺度的模式本地化数据,运行空间分辨率为第三预设尺度的区域模式,生成第三预设尺度的气象灾害数值预报结果。
在本发明实施例中,所述区域模式本地化构建子系统,包括:地理数据本地化模块和物理参数本地化模块。
所述地理数据本地化模块,用于对所述地理数据进行本地化处理;
所述物理参数本地化模块,用于对所述物理参数进行本地化处理。
本模块建设选取多种数字高程模型,采用矢量、栅格等多种数据源,如GTOPO30、实时性更高的SRTM、ASTER全球数字高程模型,进行模拟真实的地形分布。
本模块建设分别在WRF模式中导入上述高精度地形数据进行对比研究,结果表明,GTOPO30地形数据在描述区域内地形起伏变化内存在较大误差,但SRTM3和ASTER数据有一定的修正能力,可在一定程度上改善模式近地面层的模拟效果。完善复杂起伏地形对近地面大气流场和气压场的影响,进而提高目标区域天气气候模式的预报精度。
利用全新的土地利用数据与WRF模式耦合,参照前人的研究结果与目标区域土地覆被特征,统一按照IGBP20种的分类标准即WRF内置土地利用数据分类标准建立其它数据与WRF内置数据之间的分类映射。映射过程主要分为两种情形:①是MODIS2012、GLC2009、GLC2000数据中的土地利用类型与MODIS2001数据中的土地利用类型直接对应,如常绿针叶林、常绿阔叶林、落叶针叶林等;②是MODIS2012、GLC2009、GLC2000数据中的土地利用类型没有与MODIS2001数据中的土地利用类型直接对应,对于没有直接对应的数据类型(主要存在于IGBP与GLC数据的对应中),首先将所有数据统一重采样为30s,然后依照面积占优法,按照混合像元中面积比例最大的类别进行分类。
模式内部参数化方案较其他中尺度模式丰富,考虑的物理过程也更加细致。对于数值模式的研究主要是围绕不同物理参数化方案的选择问题展开的,运用何种参数化方案能够达到最优模拟效果,不同天气形势下参数化方案的选取对模式的模拟能力都有影响,数值模式中引入的物理参数化方案主要包括:(1)微物理过程方案;(2)积云对流方案;(3)边界层方案;
WRF模式中尺度数值天气预报模式,是完全可压大气的非静力模式。模式水平方向采用Arakawa-C网格,垂直方向采用地形追随静压力垂直坐标,WRF-ARW动力框架(dynamicsolver)积分为完全可压、非静力欧拉原始方程组。方程组经变形后变量以通量形式计算以便保证其守恒性,方程组采用笛卡尔坐标空间,同时包括大气中水汽的影响。方程组采用时间分裂积分方案(time-split integration scheme),慢波或低频波(气象意义上的低频波)以3阶Runge-Kutta时间积分方案来积分,高频波则以小时间步长来计算以便保证数值计算的稳定性。水平传播的声波类模态和重力波采用向前向后时间积分方案,而垂直传播的声波模态和弹性震荡则采用垂直隐式积分方案。
由于目前还无法业务运行很高分辨率的全球模式,仍需要嵌套有限区域的数值预报模式,“局部”实现更高分辨率的数值预报和模拟,以提高模式预报和模拟的能力。这就涉及到有限区域侧边界嵌套技术的问题。为了减小计算量而在有限区域中缩小格距,就构成了套网格预报方法。
嵌套网格是指针对计算的大区域取分辨率相对较粗的网格,而对其中最关心的小区域取相对粗网格较细的网格分辨率。这样既可以改善预报质量,又可以使计算量增加不致太大。嵌套网格中的细网格可以是固定的,也可以是随天气系统移动的,嵌套网格中还可以采用多重嵌套网格技术,即在细网格区域中再取一区域具有更细网格分辨率,这样形成多重嵌套网格。
本模块中,采用三层网格双向嵌套方案,网格距依次为9km(即,第一预设尺度)、3km(即,第二预设尺度)和1km(即,第三预设尺度),实现在1km*1km的关键区域采取高分辨率,而其上一级母区域使用粗分辨率提供边界条件,较好地平衡计算时效性和模拟精度的双重要求。
在本发明实施例中,所述多源数据同化处理子系统,包括:地面观测数据处理模块,雷达数据处理模块,探空数据处理模块,微波辐射计数据处理模块和快速循环同化模块。
所述地面观测数据处理模块,用于对所述地面观测数据依次进行时空校对处理,误差估计处理和质控检验处理,得到目标地面观测数据,并将所述目标地面观测数据转换为BUFR格式的地面观测数据;
所述雷达数据处理模块,用于对所述雷达数据进行质控检验处理,得到目标雷达数据处理,并将所述目标雷达数据处理转换为BUFR格式的雷达数据;
所述探空数据处理模块,用于对所述探空数据依次进行时空校对处理,误差估计处理和质控检验处理,得到目标探空数据处理,并将所述目标探空数据处理转换为BUFR格式的探空数据;
所述微波辐射计数据处理模块,用于对所述微波辐射计数据进行质控检验处理,得到目标微波辐射计数据,并将所述目标微波辐射计数据转换为BUFR格式的微波辐射计数据;
所述快速循环同化模块,用于按照预设周期对所述BUFR格式的地面观测数据、所述BUFR格式的雷达数据、所述BUFR格式的探空数据和BUFR格式的微波辐射计数据进行循环同化处理,得到所述目标同化分析数据。
在本发明实施例中,为了能够同化目标区域多源气象观测资料和地面加密观测资料,提供精细的模式预报初值场和大气物理量的诊断产品,采用三维变分同化方法,实现对常规、非常规和地面加密资料的同化分析,提供高水平分辨率的中尺度气象分析场。
多源观测资料预处理及同化数据取舍策略、同化流程实现如下:
(一)地面资料同化
地面常规观测资料需要满足既定的格式要求才能被同化系统接受并同化,为了使得地面观测资料有效进入同化系统中需要对同化系统的观测资料进行预处理,进而实现给同化系统提供满足格式要求的地面观测数据。
由于GSI系统只识别BUFR格式,在将数据放入GSI之前,需要进行数据格式的转换;此外,还需要进行质量控制,需要对背景误差协方差和观测误差协方差进行设定,二者的设定缺一不可,都会对系统模拟效果有很大影响。快速更新循环同化模块利用地面观测资料中的温度、湿度、风、气压共计四个要素,通对同化系统的地面观测资料进行预处理,目的在于给同化系统提供满足格式要求的地面观测数据。
该模块使用FORTRAN或其它合适的编译器进行编译,主要包含以下步骤实现:
(1)读入原始格式的地面观测文件,重新排列组合数据;
(2)读入地面观测资料预处理模块的运行参数;
(3)指定区域和时间窗来确定唯一的观测域,并进行空间和时间上的校对;
(4)把相同地点的地面观测资料和时间窗内的观测加入到各观测站上;
(5)根据预先给定的误差文件估计观测误差;
(6)对将要进入同化系统中的地面观测资料进行各种质量控制检验;
(7)将地面观测资料文件写成同化系统识别的BUFR格式;
(8)地面观测资料预处理后可输出众多诊断文件,详细说明了质量控制方法和误差估计使用。
现有WRF中尺度模式中常用的有两个地面同化方案,Ruggiero地面资料同化方案和郭永润地面资料同化方案。本系统建设采用基于Ruggiero地面资料同化方案进行物理量订正,既可以保证观测资料的充分利用,又能够将复杂地形的因素考虑在内,进而提高地面资料利用的合理性。
Ruggiero地面资料同化方案考虑到模式地形与实际观测站地形高度有一定的差异,将地面观测资料分三类情况分别进行同化:(1)当测站地形高度大于模式最低层高度,则将地面观测资料作为高空资料进入模式;(2)当模式最低层高度的高度高出测站地形的高度超过100米,该站点资料则剔除不用;(3)当模式最低层高度比测站地形高度高,且模式最低层高度高出测站地形的高度小于100m,该站点资料则利用背景场信息将观测资料反演到模式最低层。
Ruggiero地面资料同化方案资料订正主要包括如下内容:
(1)根据相似理论订正风场
根据相似理论计算订正因子,把表层风场转换到40米风场。假定模式地面高度为40米,为自由对流,并假定最低层以下的大气是充分混合的。
把不稳定对流层低层分为三个层次:从表层到hs,混合层从hs到h1,过渡层从h1到h2,通过近地层相似理论将10米风场观测订正到hs的高度,以hs层的风速可代表整个混合层的风速(hs~h1)。我们把层的风场近似看作模式最低层(40米,σ=0.995)的风场,采用相似理论中假设的对数风廓线的方法。由下图可以看出,u40/u10受地面粗糙度的影响要大于Monin-Obukhov长度L。因此,在自由对流的情况下,可以根据地表的海拔高度和粗糙度计算平均风的估计。
计算过程如下:
Richardson数:
上式中,za=hm-ho,(θse)m、(θse)o和hm、ho分别式模式最低σ层和观测面的海拔高度和假相当位温。
其中,
Monin-Obukhov长度:
只考虑自由对流的情况:
当时:
z0<0.2,则
z0<0.2,则
上式中,u40为40米风场(模式最低层),u10为10米风场(观测面),z0为地面粗糙长度。
(2)Ruggiero’s方案订正温度场
利用观测面的位温和由平均廓线递推得出的位温,来订正模式最底层的温度。首先,根据背景场信息算出分别高于模式最底层100hPa、200hPa的两层位温,进而求出大气的位温直减率,之所以选择高于模式表层100hPa、200hPa以上是为了保证所求得位温直减率是在边界层内。再由所得的直减率递推求得观测面上及模式最底层的温度,这与之前的观测温度和背景场模式最底层位温是有细微差别的,而这正是由于观测面和模式面之间的高度差异造成的。递推求出模式最低σ层及观测面高度的位温后得到分析量,模式最低层和观测面高度上的位温偏差,最后把增量加入原背景场模式最低σ层。
计算过程:
首先找出第一个模式最低σ层以上100hPa、200hPa的层次k_100mb、k_200mb(边界层以内),并求出这两层的位温:θ100mb,θ200mb以及观测面的位温θo。
根据k_100mb、k_200mb的位温递减率外推得到模式最底层和观测面的位温:
其中,hm、ho为模式最底层和观测面的海拔高度。
观测面和模式最底层的增量:
dth_obs=(θo)inv-θo;
把增量带回模式最低层:(θm)inv=θm-dth_sfc;
求最底层温度:
(3)由静力平衡方程订正气压场
根据得到/>
其中,Pm是订正的模式最底层气压;hm是模式最底层σkx层的海拔高度;R是理想气体常数;g是重力加速度;Po是观测面的气压;ho是观测面的海拔高度,Tv为海拔高度hm和ho之间的平均虚温,计算公式为Tv=0.5×(Tvm+Tvo)。
模式虚温计算公式为:Tvm=Tm×(1.0+0.608Qm);
其中,Tm和Qm分别为模式最底层σkx的温度和湿度,观测的虚温Tvo根据观测温度和湿度计算,分为三种情况:
1)当To和Qo同时存在时,Tvo=To×(1.0+0.608Qo);
2)仅有To时,Tvo=To;
3)若To和Qo都没有时,Tvo=Tvm。
基于Ruggiero地面资料同化方案的基本框架,充分利用现有的观测资料,一方面考虑不因为模式地形和实际地形高度差异过大(观测面高度大于模式最低层100米以上)而将资料剔除,另一方面考虑到地形、地貌的影响,根据观测地形采用不同的温度、比湿订正计算方法,本系统地面资料同化具体方案设计如下:
(1)若测站地形高度大于模式最低层高度,则将地面观测资料作为高空资料进入模式;
(2)若模式最低层高度比测站地形高度高,该站点资料则利用背景场信息将观测资料反演到模式最低层。风场的反演采用原Ruggiero方案中的近地面层相似理论进行计算。系统主要改变的是温度以及湿度的反演方法,根据相关研究成果,观测面地形高度的差异使用局地温度、比湿递减率的进行温度和比湿进行订正。
模式最底层即观测面的位温:
假相当位温:
稳定度:
其中,hm和ho分别为模式最底层和观测面的海拔高度。根据ho、稳定度分区间将观测温度(t0)和比湿(q0)订正到模式最底层。
(二)探空资料同化
探空观测资料质量稳定、可靠,垂直探测精度高,可以提供大气三维结构的完整描述,因此探空资料一直以来是数值模式预报最基本资料之一,也是数值模式预报效果和其它观测资料可信度检验的标本。研究表明,同化探空观测资料可以改进大气温、湿、风廓线的预报精度,提高对流天气预报的准确率。
探空资料需要满足既定的格式要求才能被同化系统接受并同化,为了使得探空有效进入同化系统中需要对同化系统的探空资料进行预处理,进而实现给同化系统提供满足格式要求的探空数据。
该模块使用FORTRAN编译,主要包含以下步骤实现:
(1)读入原始格式的探空文件,重新排列组合数据;
(2)读入观测资料预处理模块运行参数;
(3)指定区域和时间窗来确定唯一的观测域,并进行空间和时间上的校对;
(4)把相同地点的探空资料和时间窗内的观测加入到各观测站上;
(5)根据预先给定的误差文件估计观测误差;
(6)对将要进入同化系统中的探空资料进行各种质量控制检验,比如使用静力平衡检查气压场和高度场;
(7)将探空资料文件写成同化系统识别的BUFR格式;
(8)探空资料预处理后可输出众多诊断文件,详细说明了质量控制方法和误差估计使用。
(三)雷达资料同化
多普勒天气雷达是一类专门为气象业务观测而设计的天气雷达,其资料具有分布范围较广的特点,对比常规地面观测资料而言有较高的空间与时间分辨率。这很好的弥补了常规资料在时间和空间观测样本不足的缺点,为有效提高更高分辨率的模式预报效果提供了宝贵的同化资料,成为了目前应用最广泛的非常规观测资料之一。雷达资料同化功能能够有效同化多普勒雷达资料探测信息,提高初始场的准确率,为初始场增加中小尺度天气信息。
雷达资料处理功能主要针对研究区域,采用新一代天气雷达三维拼图技术,得到31层标准层雷达反射率资料,资料格式为netCDF格式。GSI系统要求进入同化系统的雷达反射率资料垂直层数为31层,根据雷达仰角的最大探测高度及模式层的高度上限,我们设定每一层的高度分辨为:0.5,0.75,1.0,1.25,1.5,1.75,2.0,2.25,2.5,2.75,3.0,3.5,4.0,4.5,5.0,5.5,6.0,6.5,7.0,7.5,8.0,8.5,9.0,10.0,11.0,12.0,13.0,14.0,15.0,16.0,18.0km;并且每一个观测数据点的X与Y值必须与模式网格点的编号统一。将得到的三维反射率资料插值到模式网格点上,最后修改GSI源代码中关于雷达反射率资料读取的执行代码部分,让GSI可以识别存储文本格式的三维反射率数据资料。
雷达反射率资料格点化就是要把球坐标系下的空间分辨率不均匀的雷达资料插值到统一的笛卡尔坐标系下形成空间分辨率均匀的网格点资料。
综合应用雷达资料和其它观测资料或把多个雷达资料进行拼图处理,首先是把极坐标系下的空间分辨率不均匀的雷达资料插值到统一的笛卡尔坐标系下形成空间分辨率均匀的网格点资料,并且在插值过程中尽可能保留原始体扫资料中原有的反射率结构特征。
(1)利用Fortran读取雷达三维拼图中雷达反射率资料和数值模式初始场中经纬度(雷达范围必须大于初始场覆盖范围)。基于数值模式初始场中任一点的经纬度,查找附近4个点的雷达反射率经纬度,利用权重插值法,将雷达反射率插值到数值模式初始场网格上。
(2)基于bufr.table明表中雷达反射率写入格式,将插值到数值模式初始场中的雷达反射率,转化为bufr格式。
多普勒天气雷达是以多普勒效应为基础,通过相干发射和接收定量估算回波强度和径向速度等信息的雷达系统,能够获取具有常规资料无可比拟的时间和空间的高分辨率,是研究中小尺度强对流天气的主要手段之一。多普勒天气雷达的基本观测量为径向速度和反射率因子,因此对雷达资料同化包括雷达径向风同化和雷达反射率同化。
雷达径向风同化方法:当前数值预报领域雷达径向风同化方法主要有以下两种:第一种是间接同化,即通过各种反演算法得到反演后的风场资料,在处理成与模式匹配的风场以在模式格点上的“超级观测”的形式同化进模式的初始场中。第二种是直接同化,将雷达径向风的风场资料直接插值到模式格点并通过三维变分等同化技术直接同化到数值模式中。
雷达反射率同化方法:反射率回波观测由于可以探测到云体内部,其中包含了大量其他常规资料所不具备的水凝结物态信息,但是该种资料与径向风观测资料或其他观测资料相比,非线性特征比较突出,雷达反射率资料直接同化对初始场的改进效果不大,同时雷达反射率资料反应的是云体的综合反射率状态,在模式中没有可以明确对应的控制变量故而直接同化也缺少着眼点。当前反射率资料同化主要是通过层云或对流云分析技术更新模式初始场中的水凝结物相关变量如QC,QR,QS等的分布情况。
风廓线雷达是利用大气湍流运动造成大气折射指数的不均匀结构对雷达电磁波的散射作用探测大气风场的一种遥感设备。它能够实时提供大气的3维风场信息、垂直气流、大气折射率结构常数等气象要素随高度的分布,是对常规探空观测的有力补充,为数值模式提供的高空风资料量明显增多,能够影响中尺度同化和预报系统的结果,总体上可以改善短期预报水平。风廓线雷达探测提供了功率谱数据、径向数据(谱参数)、产品数据3种数据,数据中包含了水平风、垂直速度和径向速度、回波强度、回波功率。
本模块采用三维变分同化的方法在快速循环同化模式中同化风廓线雷达资料,首先必须要对风廓线雷达资料进行质量控制,主要包括:1.对资料进行修正和补缺,解决因探测条件导致的数据失真;2.针对模式同化的适用性进行资料剔除。由于大气中小尺度微气团的存在,风廓线雷达测得的风场在风向、风速上会出现短周期的瞬时脉动变化。在天气学分析中,这种风场的高频脉动变化无意义,会严重影响观测资料的代表性,如果将原始的包含高频脉动变化的风廓线雷达资料直接应用于资料同化系统,很可能对分析效果起负作用,造成较大的分析误差。因此提取一个时段内的平均信息,从而减小脉动影响,获得相对稳定的有代表性的测量资料。另外,有研究表明:对数值预报资料同化,1h平均采样风产品优于实时采样风产品,因此,本文同化的资料为1h平均采样高度上的产品。针对观测资料进行质量检查是质量控制必须要考虑的,首先针对原始观测资料进行气候极值检查,剔除超出气象值范围的错误风场资料;其次,若某时次观测资料在垂直方向存在缺测值,则该时次观测资料将直接剔除不用;再次,考虑到风廓线雷达在边界层内资料获取率较高,只选取接近模式层高度的垂直层次;最后,将经过上述处理的风廓线雷达资料转成同化系统指定的格式。
该模块使用Python编译,主要通过以下步骤实现:
(1)读入原始格式的风廓线雷达资料文件;
(2)根据数据进行质量控制,包括气候极值检查、数据稀疏化;
(3)基于prepbufr.table明表中风廓线雷达写入格式,将雷达风廓线资料文件写成同化系统识别的BUFR格式。
(四)微波辐射计资料同化
地基微波辐射计受云雨雾影响小,具有无人值守,全天候和全天时工作,一定穿透能力,可获得连续、客观、定量监测的优势,被广泛应用于各个领域;同时,地基微波辐射计还具有测量大气水汽和云液态水垂直积分量及分布的能力;此外,利用多频率微波辐射计测量温度廓线、通过微波辐射计的扫描观测来获得边界层的温度廓线、辐射计的角扫描观测来研究云的结构等,也是地基微波辐射计所具有的强大功能。
本申请中所使用的微波辐射计可每隔2分钟提供从地表到10km大气层共83个垂直层的大气温度、相对湿度、水汽密度垂直廓线等各类气象要素产品,从地面到500m高度数据的垂直分辨率为25m,500-2000m高度数据的垂直分辨率为50m,2000m到10000m的数据垂直分辨率为250m,具有高时空分辨率特点,这些资料是对稀疏的探空网观测的有益补充。特别是湿度观测资料的及时性、准确性及其分布形式是理解和预报中尺度暴雨天气的重要因子之一,在定量降水预报中起到的作用举足轻重,因此高时空分辨率水汽资料的同化应用就显得格外重要。
本模块使用的微波辐射计数据为二级气象产品数据,主要包括温度廓线,水汽密度廓线和相对湿度廓线,以探空数据格式进入同化系统中,该模块使用python编译,主要通过一下步骤实现:
(1)读入原始格式的微波辐射计资料文件;
(2)对数据进行质量控制,包括去除异常值、数据稀疏化等;
(3)基于prepbufr.table表中格式,将微波辐射计资料文件写成同化系统识别的BUFR格式。
(五)快速循环同化系统
GSI(Gridpoint Statistical Interpolation)分析系统弥补了SSI方法上的一些不足,是一种既可以进行区域分析又可以进行全球分析的新一代同化系统。GSI在各类气象模式中应用广泛,通用性良好。GSI有多种同化方法,如三维变分、混合集合变分等。本文基于三维变分同化(3DVAR)进行试验。3DVAR主要是对目标函数极小值的求解,主要通过求解分析场(最小值的解),使得分析场与背景场和观测场二者之间达到最好拟合效果,而此时代价函数的最小的解也就是分析场。代价函数定义如下:
其中,x表示模式格点上的分析变量,xb表示背景场,y0表示观测资料,B表示xb的背景场误差协方差,H是观测算子,E+F表示误差(仪器误差、代表性误差),Jc表示约束项(动力约束等)。
首先,将背景场和观测场输入系统中。其中,背景场可以是全球或区域模式预报的结果,本项目使用的背景场从WRF模式中获得,观测场为放入同化系统的同化数据,需要注意的是,GSI系统只识别BUFR(Binary Universal Form for the Representation ofmeteorological data)格式,在将数据放入GSI之前,需要进行数据格式的转换;此外,还需要进行统计控制(质量控制),需要对背景误差协方差和观测误差协方差进行设定,二者的设定缺一不可,都会对系统模拟效果有很大影响。在GSI同化过程中,还需要进行参数化设置,比如同化的时间窗口设定,不同参数化的设置会得到不同同化结果。在对代价函数求极小值的过程中,主要包括两次外循环,每次外循环又包括多次内迭代(采用非线性共辄算法),迭代次数可以基于数据类型和总量自行在GSI相关模块中设置。在每次循环结束后,预报结果会更新,直到得到最优解,也就是分析场。
云初始化技术是针对实际中不易直接观测的云雾物理量(如水凝物),应用气象卫星、天气雷达、探空及地面观测等多源观测数据,通过物理与经验关系在模式的三维网格点上构造预报方程所需的云雾物理量初始场,获取分析时刻天空中云的量、状、底高和顶高,以及云中水成物等重要信息,并调整模式相关的动力和热力学变量,使初始时刻的云相关信息和特征尽可能与模式的动力与物理过程相匹配或平衡。它是解决临近数值天气预报短临预报问题,提高预报精度的重要手段之一。
采用GSI云分析模块开展直接的云微物理参数化中云水粒子的反演同化,发展多源/多时空特征协同的三维云量分析算法,从而达到有效同化包括雷达、地面自动站、探空、等的云雾观测信息,提供云冰、云水、雨水,以及云量场、云分类、云底高度、云顶高度、云顶温度等宏微观参数的分析产品。
快速更新循环系统在高分辨率数值模式的基础上,采用高频次更新周期的同化分析吸收密集的观测资料,为数值模式提供高质量的初始场来进行精细的数值预报。用前一个时次的预报为背景场,通过资料同化模块不断地吸收最新的观测资料来修正背景场,形成预报初始场进行短期的预报。由于对流系统发展较快,生命史较短,因此有必要使用快速更新循环同化系统以较短的时间间隔地对模式初值进行更新,添加重要的中小尺度信息。
如图2所示,基于GSI同化系统,利用在1小时更新循环系统中使用分步同化方案,将不同尺度的地面气象站、探空、雷达监测信息等观测资料分步进行同化,并且在不同的同化步骤中使用不同的参数组合,从而达到更好的获取对应尺度观测信息的效果,最终得到更精确的模式初值,提高预报准确率。
如图3所示,图3为基于WRF和GSI的分布循环同化流程图。模式从1200UTC(当地时间06时)开始冷启动,初始场是0.25°GFS(Global Forecast System)分析场资料。同化地面自动站、探空、雷达资料等观测资料,得到分析场,将输出作为初始场,进行18小时WRF模式预报,其中第1小时(t=1h)的WRF预报作为下一个小时同化的背景场。在1300UTC和1400UTC重复第二步,都只同化雷达等非常规资料。到1500UTC,重复上面的过程进行两步同化。
在本发明实施例中,降尺度是为了在气象预测和气象变化预估的研究中建立代表大尺度信息变量与小尺度信息变量之间的关系。大尺度变量的变化过程缓慢,它代表一个广大区域的环流特征,如大气涛动、环流型等;而小尺度变量的变化过程较快速,它代表局地的气温、降水等。之所以提出降尺度,是为了解决模式的预测能力无法满足现实预测预估的需要这一问题。虽然,大尺度变量的可预报性较高,但现实中我们需要更多的局地气象要素信息,而模式直接输出的气象要素不能满足精度要求,这就需要把大尺度变量进行降尺度处理,来得到小尺度的要素信息。现实中我们需要更多的局地气象要素信息,而模式直接输出的气象要素不能满足精度要求,这就需要把大尺度变量进行降尺度处理,来得到小尺度的要素信息。
多源气象数据融合的重点是地面站点观测数据与雷达等遥感手段获取的面观测数据,不同分辨率面观测数据之间的时、空匹配技术,以及不同观测之间系统性偏差订正技术,多源观测资料融合分析技术等。
在本发明实施例中,所述多源模式数据降尺度子系统,包括:全球模式数据前处理模块和中尺度区域模式前处理模块。
所述全球模式数据前处理模块,用于对所述全球模式气象灾害数值预报结果进行降尺度处理,得到第一预设尺度的气象灾害数值预报模式的驱动场,以及通过预报模式模拟得到第一预设尺度的气象灾害数值预报结果,并对所述多源观测资料进行第一预设尺度融合,得到第一预设尺度的格点融合数据,从而对气象灾害数值预报结果进行订正;
所述中尺度区域模式前处理模块,用于对所述第一预设尺度的气象灾害数值预报结果进行逐级降尺度处理,得到第二、第三预设尺度降尺度后的目标数据,以及分别通过预报模式模拟得到相应预设尺度的气象灾害数值预报结果,并对所述多源观测资料分别进行第一、第二预设尺度的融合,得到相应预设尺度的格点融合数据,从而对相应气象灾害数值预报结果进行订正。
在发明实施例中,所述全球模式数据前处理主要包含两个部分:模式降尺度和数据融合。其输入数据来源包括EC、GFS、T639、GRAPES-GFS等。
(1)模式降尺度
有的气象数据无法满足当前智能网格高分辨率的需求,全球模式数据前处理模块已采用客观分析等降尺度技术降原始分辨率的数值预报结果处理到标准智能网格格点上。
(2)数据融合
进行数值预报的订正需要准确的格点观测场作为评估场和基础标准,采用多尺度观测资料融合技术将目标区域可获取到的地面观测资料、高空资料以及雷达和资料进行融合,得到相应的格点观测场,用于格点化的业务评估和数值预报校准等。
实施例二:
本发明实施例还提供了一种气象灾害高分辨率区域模式预报方法,本发明实施例上述内容所提供气象灾害高分辨率区域模式预报系统用于执行的气象灾害高分辨率区域模式预报方法,以下是本发明实施例提供的气象灾害高分辨率区域模式预报的具体介绍。
如图4所示,图4为上述气象灾害高分辨率区域模式预报的流程图,该气象灾害高分辨率区域模式预报方法包括:
步骤S102,对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,并对多源观测数据进行融合,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;
步骤S104,按照预设周期,针对不同的目标观测数据,采用特定的技术方法进行物理量订正、误差估计、质量控制和格式转换等处理,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;
步骤S106,利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数。
在本发明实施例中,提供了一种气象灾害高分辨率区域模式预报系统,包括:多源模式数据降尺度子系统,多源数据同化处理子系统和区域模式本地化构建子系统,所述多源模式数据降尺度子系统,用于对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,同时用于对多源观测资料进行融合处理,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;所述多源数据同化处理子系统,用于按照预设周期,对不同的观测数据进行对应的预处理,得到处理后的观测数据,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;所述区域模式本地化构建子系统,用于利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数,达到了对气象灾害进行准确预报的目的,进而解决了现有的气象灾害系统的预报准确率较低的技术问题,从而实现了提高气象灾害预报准确率的技术效果。
实施例三:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种气象灾害高分辨率区域模式预报系统,其特征在于,包括:多源模式数据降尺度子系统,多源数据同化处理子系统和区域模式本地化构建子系统,其中,
所述多源模式数据降尺度子系统,用于对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,同时用于对多源观测资料进行融合处理,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;
所述多源数据同化处理子系统,用于按照预设周期,对不同的观测数据进行对应的预处理,得到处理后的观测数据,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;
所述区域模式本地化构建子系统,用于利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数。
2.根据权利要求1所述的气象灾害高分辨率区域模式预报系统,其特征在于,
所述多源模式数据降尺度子系统,用于对所述待处理区域的目标数据进行降尺度处理,得到第一预设尺度的降尺度后的目标数据,并对多源观测资料进行第一预设尺度融合,得到第一预设尺度的格点融合数据;
所述区域模式本地化构建子系统,用于基于所述第一预设尺度对所述待处理区域的地理数据和物理参数进行本地化处理,得到第一预设模式本地化数据;
所述区域模式本地化构建子系统,还用于基于所述第一预设尺度降尺度后的数据和所述第一预设模式本地化数据,运行空间分辨率为第一预设尺度的区域模式,生成第一预设尺度的气象灾害数值预报结果。
3.根据权利要求2所述的气象灾害高分辨率区域模式预报系统,其特征在于,
所述多源模式数据降尺度子系统,用于对所述第一预设尺度的气象灾害数值预报结果进行降尺度处理,得到第二预设尺度的降尺度后的目标数据,并对多源观测资料进行第二预设尺度融合,得到第二预设尺度的格点融合数据;
所述区域模式本地化构建子系统,用于基于所述第二预设尺度和所述第二预设尺度对应的物理参数,得到第二预设尺度的模式本地化数据;
所述区域模式本地化构建子系统,还用于利用所述第二预设尺度降尺度后的目标数据和所述第二预设尺度的模式本地化数据,运行空间分辨率为第二预设尺度的区域模式,生成第二预设尺度的气象灾害数值预报结果。
4.根据权利要求3所述的气象灾害高分辨率区域模式预报系统,其特征在于,
所述多源模式数据降尺度子系统,用于对所述第二预设尺度的气象灾害数值预报结果进行降尺度处理,得到第三预设尺度的降尺度后的目标数据,并对多源观测资料进行第三预设尺度融合,得到第三预设尺度的格点融合数据;
所述区域模式本地化构建子系统,用于基于所述第三预设尺度和所述第三预设尺度对应的物理参数,得到第三预设尺度的模式本地化数据;
所述区域模式本地化构建子系统,还用于利用所述第三预设尺度降尺度后的数据和所述第三预设尺度的模式本地化数据,运行空间分辨率为第三预设尺度的区域模式,生成第三预设尺度的气象灾害数值预报结果。
5.根据权利要求4所述的气象灾害高分辨率区域模式预报系统,其特征在于,所述观测数据包括:地面观测数据,探空数据,雷达数据和微波辐射计数据。
6.根据权利要求1所述的气象灾害高分辨率区域模式预报系统,其特征在于,所述多源模式数据降尺度子系统,包括:全球模式数据前处理模块和中尺度区域模式前处理模块,其中,
所述全球模式数据前处理模块,用于对所述全球模式气象灾害数值预报结果进行降尺度处理,得到第一预设尺度的气象灾害数值预报模式的驱动场,以及通过预报模式模拟得到第一预设尺度的气象灾害数值预报结果,并对所述多源观测资料进行第一预设尺度融合,得到第一预设尺度的格点融合数据,从而对气象灾害数值预报结果进行订正;
所述中尺度区域模式前处理模块,用于对所述第一预设尺度的气象灾害数值预报结果进行逐级降尺度处理,得到第二、第三预设尺度降尺度后的目标数据,分别通过预报模式模拟得到相应预设尺度的气象灾害数值预报结果,并对所述多源观测资料分别进行第一、第二预设尺度的融合,得到相应预设尺度的格点融合数据,从而对相应气象灾害数值预报结果进行订正。
7.根据权利要求5所述的气象灾害高分辨率区域模式预报系统,其特征在于,所述多源数据同化处理子系统,包括:地面观测数据处理模块,雷达数据处理模块,探空数据处理模块,微波辐射计数据处理模块和快速循环同化模块,其中,
所述地面观测数据处理模块,用于对所述地面观测数据依次进行时空校对处理,误差估计处理和质控检验处理,得到目标地面观测数据,并将所述目标地面观测数据转换为BUFR格式的地面观测数据;
所述雷达数据处理模块,用于对所述雷达数据进行质控检验处理,得到目标雷达数据处理,并将所述目标雷达数据处理转换为BUFR格式的雷达数据;
所述探空数据处理模块,用于对所述探空数据依次进行时空校对处理,误差估计处理和质控检验处理,得到目标探空数据处理,并将所述目标探空数据处理转换为BUFR格式的探空数据;
所述微波辐射计数据处理模块,用于对所述微波辐射计数据进行质控检验处理,得到目标微波辐射计数据,并将所述目标微波辐射计数据转换为BUFR格式的微波辐射计数据;
所述快速循环同化模块,用于按照预设周期对所述BUFR格式的地面观测数据、所述BUFR格式的雷达数据、所述BUFR格式的探空数据和BUFR格式的微波辐射计数据进行循环同化处理,得到所述目标同化分析数据。
8.根据权利要求1所述的气象灾害高分辨率区域模式预报系统,其特征在于,所述区域模式本地化构建子系统,包括:地理数据本地化模块和物理参数本地化模块,其中,
所述地理数据本地化模块,用于对所述地理数据进行本地化处理;
所述物理参数本地化模块,用于对所述物理参数进行本地化处理。
9.一种气象灾害高分辨率区域模式预报方法,其特征在于,包括:
对待处理区域的目标数据进行降尺度处理,得到降尺度后的目标数据,并对多源观测数据进行融合,得到格点融合数据,其中,所述目标数据为全球模式气象灾害数值预报结果;
按照预设周期,针对不同的目标观测数据,采用特定的技术方法进行物理量订正、误差估计、质量控制和格式转换处理,对处理后的目标观测数据进行逐小时快速循环同化处理,得到目标同化分析数据;
利用所述降尺度后的目标数据、所述目标同化分析数据和本地化数据,模拟运行本地化数值预报模式,生成不同尺度要求的气象灾害数值预报结果,并利用不同尺度的格点融合数据对预报结果进行订正,其中,所述降尺度后的目标数据作为本地化数值预报模式的驱动场,所述目标同化分析数据为本地化数值预报模式提供初始场,所述本地化数据包括:本地化地理数据和本地化物理参数。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求9所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621833.9A CN116609859A (zh) | 2023-05-30 | 2023-05-30 | 一种气象灾害高分辨率区域模式预报系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621833.9A CN116609859A (zh) | 2023-05-30 | 2023-05-30 | 一种气象灾害高分辨率区域模式预报系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116609859A true CN116609859A (zh) | 2023-08-18 |
Family
ID=87674437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310621833.9A Pending CN116609859A (zh) | 2023-05-30 | 2023-05-30 | 一种气象灾害高分辨率区域模式预报系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609859A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541939A (zh) * | 2024-01-09 | 2024-02-09 | 江西省气象台(江西省环境气象预报中心) | 一种山区大雾识别方法、系统及计算机设备 |
-
2023
- 2023-05-30 CN CN202310621833.9A patent/CN116609859A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541939A (zh) * | 2024-01-09 | 2024-02-09 | 江西省气象台(江西省环境气象预报中心) | 一种山区大雾识别方法、系统及计算机设备 |
CN117541939B (zh) * | 2024-01-09 | 2024-04-26 | 江西省气象台(江西省环境气象预报中心) | 一种山区大雾识别方法、系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543353B (zh) | 三维水汽反演方法、装置、设备和计算机可读存储介质 | |
Krajewski et al. | Towards better utilization of NEXRAD data in hydrology: An overview of Hydro-NEXRAD | |
Mínguez et al. | Directional calibration of wave reanalysis databases using instrumental data | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
CN103810376A (zh) | 基于卫星遥感与回归克里格的地面日降雨量预测方法 | |
CN112699959B (zh) | 基于能量泛函模型的多源多尺度降水数据融合方法和装置 | |
CN102682335B (zh) | 精确确定区域对流层延迟的神经网络方法 | |
CN105069295B (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
Turner et al. | Interpolation of tidal levels in the coastal zone for the creation of a hydrographic datum | |
CN111079835B (zh) | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 | |
Varella et al. | Diagnostic and impact studies of a wavelet formulation of background‐error correlations in a global model | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Chen et al. | A high speed method of SMTS | |
Stein | Some statistical issues in climate science | |
CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
CN113627096B (zh) | 一种基于空间相关性和监测数据的精细风场模拟方法 | |
Zus et al. | Development and optimization of the IPM MM5 GPS slant path 4DVAR system | |
Karpatne et al. | A guide to earth science data: Summary and research challenges | |
KR102002593B1 (ko) | 특정공간에서의 유해기체 확산 해석 방법 및 장치 | |
Bakış et al. | Analysis and comparison of spatial rainfall distribution applying different interpolation methods in Porsuk river basin, Turkey | |
Lussana et al. | Spatial interpolation of two‐metre temperature over Norway based on the combination of numerical weather prediction ensembles and in situ observations | |
CN111538943B (zh) | 新的高时空分辨率全球ztd垂直剖面格网模型构建方法 | |
Airey et al. | Evaluating climate model simulations of precipitation: methods, problems and performance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |