CN116611270A - 一种台风浪实时集合预报方法、介质及系统 - Google Patents
一种台风浪实时集合预报方法、介质及系统 Download PDFInfo
- Publication number
- CN116611270A CN116611270A CN202310889219.0A CN202310889219A CN116611270A CN 116611270 A CN116611270 A CN 116611270A CN 202310889219 A CN202310889219 A CN 202310889219A CN 116611270 A CN116611270 A CN 116611270A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- wave
- forecasting
- weight
- real
- 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.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013515 script Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241001354532 Holozonia filipes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 239000004179 indigotine Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 108010047303 von Willebrand Factor Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种台风浪实时集合预报方法、介质及系统，属于预报方法技术领域，该方法包括以下步骤：获取多个台风路径数据；将台风路径数据输入Holland台风经验模型，生成不同路径数据、不同台风模型参数对应的台风风场；将多个台风风场模型分别输入对应的WaveWatch‑III海浪数值模型进行数值模拟，生成不同路径、不同台风模型参数、不同海浪模型参数对应的海浪波高场；基于成员遍历法、误差倒数法或变权平均法确定各成员的权重，并对多个数值模拟后的结果成员进行集合计算，得到台风浪波高集合预报结果；利用ecFlow软件根据所述数据处理集，实现当有台风出现时按需启动，对台风浪波高进行预报；解决了台风浪预报对准确性和实时性的需求。
Description
技术领域
本发明属于预报方法技术领域，具体而言，涉及一种台风浪实时集合预报方法。
背景技术
台风灾害是我国第二大海洋灾害，作为台风引起的海洋灾害之一，台风浪会破坏海岸防护结构物，对海上交通和养殖业造成巨大威胁，对人类社会的生命安全和财产安全造成重大危害。台风发生期间，台风风场随着台风中心的运动而不断变化，台风带来的波浪也随着风场的变化而不断变化，使台风浪的预报具有极大的不确定性，深入研究台风浪的预报方法，对于港口运输、防灾减灾、海岸工程防护具有重要意义。由于普通业务化海浪预报所使用的中尺度气象预报产品对台风位置和强度预报不够准确，导致台风浪模拟也不够准确。常规业务化海浪预报只有一个确定性预报结果，缺乏对台风等不确定过程的集合预报。常规业务化海浪预报每天定时启动预报，无法使用最新的台风路径信息，因此无法实现对台风浪的准确模拟，导致台风浪的预报误差较大。目前针对海浪集合预报的方法介绍较少，台风浪集合预报方法未有研究。
发明内容
有鉴于此，本发明提供一种台风浪实时集合预报方法、介质及系统用于解决由于普通台风浪预报所使用的方法预报台风不准、只有确定性预报、无法使用最新台风路径信息等导致台风浪的预报误差较大的技术问题。
本发明是这样实现的：
本发明第一方面提供一种台风浪实时集合预报方法，包括以下步骤：
S1、获取m个台风路径数据，所述台风路径数据包括台风中心经纬度、中心压强和最大风速；
S2、将所述m个台风路径数据输入使用不同参数的Holland台风经验模型，生成多条路径和多个台风模型参数对应的台风风场；
S3、将所述台风风场模型与大范围背景风场进行融合，得到融合风速；
S4、将所述台风风场模型输入使用不同参数的WaveWatch-III海浪数值模型进行数值模拟，生成多个风场和多个海浪模型参数对应的海浪有效波高模拟结果成员；
S5、对所述多个成员进行集合计算得到处理集；
S6、利用ecFlow软件根据所述处理集，实现当有台风出现时启动，对台风浪进行预报；
其中，m为大于等于3的整数。
在上述技术方案的基础上，本发明的一种台风浪实时集合预报方法还可以做如下改进:
生成台风风场模型，具体步骤为：
步骤一：在指数气压分布模型基础上，引入Holland-B参数，利用梯度风场得到Holland台风经验模型，包括气压方程、风场方程：
其中，气压方程为：
；
其中，所述为台风中心气压；所述/>为外围气压；所述/>为最大风速半径；所述/>为空气密度；所述/>为科氏力；所述/>为网格点与台风中心的距离；所述/>参数为Holland-B，决定了台风的峰度和强度；所述/>为风速；
风场方程为：
；
其中，建立Holland台风经验模型；其中参数B的计算方法为：
；
步骤二：设置多个集合成员对应的数值，其变化范围为[19000， 51000]，形成多个集合成员对应的Holland模型。
步骤三：将所述m个预报路径数据分别输入所述多个对应的Holland台风经验模型，生成不同路径、不同参数对应的台风风场;
将所述台风风场模型与大范围背景风场进行融合，得到融合风速的具体公式为：
；
式中，为融合风速，/>为Holland台风风速，/>为ECMWF预报风速，/>为权重系数，计算方法为：
；
其中为网格点与台风中心的距离，/>为经验系数，一般的/>=10，/>为台风最大风速半径，来自于台风路径数据。
本发明提供一种台风浪实时集合预报方法，其中，建立所述WaveWatch-III海浪数值模型的具体步骤为：
步骤一：收集起始数据，所述起始数据包括海域和气象变量，具体为风速、风向、气压、水深；
步骤二：将所述海域离散化成网格，建立所述网格需要考虑所述海域和岸线的形状、水深和地形；
步骤三：定义模拟时间，所述模拟时间为24h~72h；
步骤四：定义不同海浪模式集合成员对应的参数，其变化范围为[1.2， 2.0]，形成多个集合成员对应的海浪数值模型；
步骤五：根据所述起始数据、所述网格和所述模拟时间创建三维矩阵；
步骤六：根据所述三维矩阵和参数设置运行所述WaveWatch-III海浪数值模型，生成不同台风路径、不同台风模型参数、不同海浪模型参数对应的海浪波高场预报成员。
其中，所述对所述数值模拟后的模拟结果进行集合计算的操作，具体步骤为：
步骤一：获取所述WaveWatch-III海浪数值模型的模拟结果；
步骤二：确定各成员的权重计算方法。对于各个台风浪模拟结果成员对应的权重的计算，可采用成员遍历法、误差倒数法、变权平均法，其中：
成员遍历法：按照一定比例间隔设置多种权重组合。遍历每种组合，计算多站位RMSE(k个观测结果)，观测结果为Hobs，观测遍历权重对应取RMSE最小的组合。
；
误差倒数法：对于观测结果，计算不同成员与多站位的平均RMSE，，n表示成员的数量，计算以平均RMSE的倒数为比例的权重：
；
变权平均法：对于台风浪有效波高集合预报，其成员值为。确定集合成员有效波高等概率区间的分界值为/>，根据这些分界值对集合成员进行分组，记落入每个区间中的集合成员数为/>。那么每个区间内的集合成员平均值为：
；
为第k个区间内的第i个集合成员的值，且每个区间内的集合成员的权重为，下面对这一权重进行调整，第1和第n+1区间是开区间，其权重保持不变，剩余区间总权重为/>。记总区间长度为S，每个区间长度为/>:
；
；
每个区间权重为：
；
对各区间权重进行调整：
；
；
；
步骤三：计算多个成员集合后的海浪有效波高场。
对于某一台风浪成员的有效波高，其对应成员遍历法或误差倒数法的权重为/>，有效波高集合结果应为：
；
对应变权平均法权重为，设定区间内的台风浪有效波高集合成员平均值为/>，有效波高集合结果应为：
；
本发明提供一种台风浪实时集合预报方法，其中，利用ecFlow实现台风浪集合预报的实时启动和运行的步骤为：
步骤一：构建基于ecFlow的系统脚本，建立台风浪实时集合预报系统；
步骤二：在台风应急期间，通过在ecFlow可视化界面中的启动台风浪集合预报系统，实现台风浪的实时集合预报。
本发明第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种台风浪实时集合预报方法。
本发明第三方面提供一种台风浪实时集合预报系统，包括上述的一种计算机可读存储介质。
与现有技术相比较，本发明提供的一种台风浪实时集合预报方法的有益效果是：包括以下步骤：获取m个台风路径数据，所述台风路径数据包括台风中心经纬度、中心压强和最大风速；将所述m个台风路径数据输入Holland台风经验模型，生成不同路径数据、不同台风模型参数对应的台风风场模型；将m个所述台风风场模型分别输入WaveWatch-III海浪数值模型进行数值模拟，生成不同路径、不同台风模型参数、不同海浪模型参数对应的海浪波高场；确定各成员的最优权重，对所述多个成员数值模拟后的结果进行集合计算，得到台风浪波高集合预报结果；利用ecFlow软件根据所述数据处理集，实现当有台风出现时按需启动，对台风浪波高进行预报；解决了台风浪预报对准确性和实时性的需求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的方法的流程图；
图2为台风浪应急预报子系统在ecFlow_ui中的运行情况展示；
图3为脚本运行后得到未来三天最大有效波高分布图；
图4为台风梅花过境期间海浪最大有效波高分布示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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设备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”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1所示，是本发明提供的一种台风浪实时集合预报方法的流程图，本方法包括以下步骤：
S1、获取m个台风路径数据，所述台风路径数据包括台风中心经纬度、中心压强和最大风速；
S2、将所述m个台风路径数据输入Holland台风经验模型，生成台风风场模型；
S3、将所述台风风场模型与大范围背景风场进行融合，得到融合风速；
S4、将所述台风风场模型输入WaveWatch-III海浪数值模型进行数值模拟；
S5、对所述数值模拟后的模拟结果进行数据处理得到处理集；
S6、利用ecFlow软件根据所述处理集，实现当有台风出现时启动，对台风浪进行预报；
其中，m为大于等于3的整数。
其中，在上述技术方案中，生成台风风场模型，具体步骤为：
步骤一：在指数气压分布模型基础上，引入Holland-B参数，利用梯度风场得到Holland台风经验模型，包括气压方程、风场方程：
其中，气压方程为：
；
其中，所述为台风中心气压；所述/>为外围气压；所述/>为最大风速半径；所述/>为空气密度；所述/>为科氏力；所述/>为网格点与台风中心的距离；所述/>参数为Holland-B，决定了台风的峰度和强度；所述/>为风速；
风场方程为：
；
建立Holland台风经验模型；其中参数B的计算方法为：
；
步骤二：设置多个集合成员对应的数值，其变化范围为[19000， 51000]，形成多个集合成员对应的Holland模型。
步骤三：将所述m个预报路径数据分别输入所述多个对应的Holland台风经验模型，生成不同路径、不同参数对应的台风风场基本模型;
其中，在上述技术方案中，将所述台风风场模型与大范围背景风场进行融合，得到融合风速的具体公式为：
；
式中，为融合风速，/>为Holland台风风速，/>为ECMWF预报风速，/>为权重系数，计算方法为：
；
其中为网格点与台风中心的距离，/>为经验系数，一般为10，/>为台风最大风速半径，来自于台风路径数据。
如图1所示，是本发明提供的一种台风浪实时集合预报方法的第一实施例，本发明提供一种台风浪实时集合预报方法，其中，建立所述WaveWatch-III海浪数值模型的具体步骤为：
步骤一：收集起始数据，所述起始数据包括海域和气象变量，具体为风速、风向、气压、水深；
步骤二：将所述海域离散化成网格，建立所述网格需要考虑所述海域和岸线的形状、水深和地形；
步骤三：定义模拟时间，所述模拟时间为24h~72h；
步骤四：定义不同海浪模式集合成员对应的参数，其变化范围为[1.2 ，2.0]，形成多个集合成员对应的海浪数值模型；
步骤五：根据所述起始数据、所述网格和所述模拟时间创建三维矩阵；
步骤六：根据所述三维矩阵和参数设置运行所述WaveWatch-III海浪数值模型。
台风浪数值模拟使用WAVEWATCH III（v6.07）海浪数值模式，其控制方程为：
；
其中，
；
；
；
其中为波作用量密度函数，/>代表与海浪谱有关的源和汇的总和：
；
其中，为风能量输入指数增长项，/>为四波非线性相互作用项，/>为白冠耗散项，/>为底摩擦项，/>为极端浅水情况下的深度引起的破碎项，/>为三波相互作用项，为风能量输入线性增长项，/>为地形引起的散射，/>为用户自定义源函数项。在本方法中，线性输入项采用LN1方案，风能输入项和耗散项采用ST4方案，非线性波波相互作用采用NL1方案，底摩擦项采用BT1方案，深度诱导破碎项采用DB1方案，反射项、三波相互作用、底部散射项没有考虑。
其中，海浪模式参数集合所使用的为/>项的重要计算参数，其公式为：
；
其中，和/>分别为空气和海水密度，/>为无量纲成长参数，/>为冯卡门常数，为波展角常数，/>为摩擦风速，/>为波能耗散源函数。
海浪数值模式区域范围须包括台风可能影响到的中国近海区域，跨度不小于5个经纬度。以影响渤黄海的台风为例，海浪数值模式范围应至少包括117°E~132°E，24°N~41°N。为保证台风浪数值预报效率，模式的空间网格分辨率设为1/12°。海浪谱从0.04到0.45按指数变化分为25个频率，并分为了24个方向。
其中，所述对所述数值模拟后的模拟结果进行集合计算的操作，具体步骤为：
步骤一：获取所述WaveWatch-III海浪数值模型的模拟结果；
步骤二：确定各成员的权重计算方法。对于各个台风浪模拟结果成员对应的权重的计算，可采用成员遍历法、误差倒数法、变权平均法，其中：
成员遍历法：按照一定比例间隔设置多种权重组合。遍历每种组合，计算多站位RMSE(k个观测结果)，观测结果为Hobs，观测遍历权重对应取RMSE最小的组合。
；
误差倒数法：对于观测结果，计算不同成员与多站位的平均RMSE，，计算以平均RMSE的倒数为比例的权重：
；
变权平均法：对于台风浪有效波高集合预报，其成员值为。确定集合成员有效波高等概率区间的分界值为/>，根据这些分界值对集合成员进行分组，记落入每个区间中的集合成员数为/>。那么每个区间内的集合成员平均值为：
；
为第k个区间内的第i个集合成员的值，且每个区间内的集合成员的权重为，下面对这一权重进行调整，第1和第n+1区间是开区间，其权重保持不变，剩余区间总权重为/>。记总区间长度为S，每个区间长度为/>；
；
；
每个区间权重为：
；
对各区间权重进行调整：
；
；
；
步骤三：计算多个成员集合后的海浪有效波高场。
对于某一台风浪成员的有效波高，其对应成员遍历法或误差倒数法的权重为/>，有效波高集合结果应为：
；
对应变权平均法权重为，设定区间内的台风浪有效波高集合成员平均值为/>，有效波高集合结果应为：
；
本发明提供一种台风浪实时集合预报方法，其中，利用ecFlow实现台风浪集合预报的实时启动和运行的步骤为：
步骤一：构建基于ecFlow的系统脚本，建立台风浪实时集合预报系统；
步骤二：在台风应急期间，通过在ecFlow可视化界面中的启动台风浪集合预报系统，实现台风浪的实时集合预报。
本发明提供一种台风浪实时集合预报方法，其中，包括上述的一种计算机可读存储介质。
下面是对本发明中采用ecFlow进行预报的步骤：
建立Typhoon作业包，Typhoon作业包下设(typhoon2)作业组，typhoon2作业组下设wind、typh1、typh2、typh3和post三个任务，分别对应台风浪预报的前处理、台风风场处理、CMA台风数据源模式计算、JMA台风数据源模式计算、KMA台风数据源模式计算和后处理模块。wind启动条件为typhoon2作业组下的init任务完成，typh1、typh2和typh3的启动条件为wind完成，post的启动条件为typh1、typh2和typh3完成。
相关的脚本如下：
wind任务
wind任务的脚本如下所示，脚本的执行顺序为：链接CMA、JMA、KMA的台风路径信息dat文件到指定目录，运行MATLAB程序生成相应的Holland合成风场文件。
typh1任务
typh1任务的脚本如下所示，脚本的执行顺序为：链接CMA的Holland台风风场nc文件到当前目录，运行ww3_grid生成网格文件，运行ww3_prnc生成风场文件，运行ww3_strt生成准备文件，读取指定时间至ww3_shel.templt生产ww3_shel.inp文件，运行ww3_shel开始进行并行计算，读取指定时间至ww3_ounf.templt生产ww3_ounf.inp文件，等计算结束后运行ww3_ounf生成输出结果文件。
typh2任务
typh2任务的脚本如下所示，脚本的执行顺序为：链接JMA的Holland台风风场nc文件到当前目录，运行ww3_grid生成网格文件，运行ww3_prnc生成风场文件，运行ww3_strt生成准备文件，读取指定时间至ww3_shel.templt生产ww3_shel.inp文件，运行ww3_shel开始进行并行计算，读取指定时间至ww3_ounf.templt生产ww3_ounf.inp文件，等计算结束后运行ww3_ounf生成输出结果文件。
typh3任务
typh3任务的脚本如下所示，脚本的执行顺序为：链接KMA的Holland台风风场nc文件到当前目录，运行ww3_grid生成网格文件，运行ww3_prnc生成风场文件，运行ww3_strt生成准备文件，读取指定时间至ww3_shel.templt生产ww3_shel.inp文件，运行ww3_shel开始进行并行计算，读取指定时间至ww3_ounf.templt生产ww3_ounf.inp文件，等计算结束后运行ww3_ounf生成输出结果文件。
post任务
post任务的脚本如下所示，脚本的执行顺序为：链接typh1、typh2和typh3的输出结果文件到当前目录，运行MATLAB程序进行画图，得到未来三天有效波高的最大值。
脚本运行后，得到未来三天最大有效波高分布图，如图3-4所示；
实施例：下面以2022年9月穿过我国东海、黄海和渤海的台风梅花为例，我们对台风梅花过境期间的海浪进行了模拟，如图3所示。三个子图所表示的有效波高均为相同的模式和参数方案，唯一不同的是驱动风场不同，三个风场均为ECMWF-era5的风场和Holland模拟台风风场的融合风场。根据CMA、JMA和KMA三家台风预报机构的台风过境中心气压与最大风速计算出不同子图的Holland台风场，得到的台风梅花过境期间海浪最大有效波高分布如图4所示。
根据上述实施例可知：
本方法利用台风经验模型快速生成融合风场，利用海浪数值模式快速预报台风浪要素，由于台风经验模型无须进行迭代计算、海浪数值模式分辨率较低，系统在2分钟内就可完成3条台风路径未来三天的台风浪预报；
本方法基于流程管理软件实现了台风浪预报的按需随时启动，预报员只需在软件界面点击按钮即可启动预报系统。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，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以权利要求的保护范围为准。
Claims (9)
1.一种台风浪实时集合预报方法，其特征在于，包括以下步骤：
S1、获取m个实时的台风路径数据，所述台风路径数据包括台风中心经纬度、中心压强和最大风速；
S2、将m个台风路径数据输入Holland台风经验模型，生成台风风场模型；
S3、将所述台风风场模型与大范围背景风场进行融合，得到融合风速；
S4、将所述台风风场模型输入WaveWatch-III海浪数值模型进行数值模拟；
S5、确定各模拟结果成员的权重，并对所述数值模拟后的多个模拟结果进行集合计算得到处理集；
S6、利用ecFlow软件根据所述处理集，实现当有台风出现时启动，对台风浪进行预报；
其中，m为大于等于3的整数。
2.根据权利要求1所述的一种台风浪实时集合预报方法，其特征在于，其中，将m个台风路径数据输入Holland台风经验模型，生成台风风场模型，具体步骤为：
步骤一：在指数气压分布模型基础上，引入Holland-B参数，利用梯度风场得到Holland台风经验模型，包括气压方程、风场方程：
其中，气压方程为：
；
其中，所述为台风中心气压；所述/>为外围气压；所述/>为最大风速半径；所述为空气密度；所述/>为科氏力；所述/>为网格点与台风中心的距离；所述/>参数为Holland-B，用于决定台风的峰度和强度；所述/>为风速；
风场方程为：
；
其中参数B的计算方法为：
；
步骤二：设置多个集合成员对应的数值，其变化范围为[19000， 51000]，形成多个集合成员对应的Holland模型；
步骤三：将m个预报路径数据分别输入对应的Holland台风经验模型，生成不同路径、不同参数对应的台风风场。
3.根据权利要求1所述的一种台风浪实时集合预报方法，将所述台风风场模型与大范围背景风场进行融合，得到融合风速的具体公式为：
；
式中，为融合风速，/>为Holland台风风速，/>为ECMWF预报风速，/>为权重系数，计算方法为：
；
其中为网格点与台风中心的距离，/>为经验系数，/>为台风最大风速半径，来自于台风路径数据。
4.根据权利要求1所述的一种台风浪实时集合预报方法，其特征在于，其中，所述WaveWatch-III海浪数值模型建立的具体步骤为：
步骤一：收集起始数据，所述起始数据包括海域和气象变量，具体为风速、风向、气压、水深；
步骤二：将所述海域离散化成网格，建立所述网格需要考虑所述海域和岸线的形状、水深和地形；
步骤三：定义模拟时间，所述模拟时间为24h~72h；
步骤四：定义不同海浪模式集合成员对应的参数，其变化范围为[1.2，2.0]，形成多个集合成员对应的海浪数值模型；
步骤五：根据所述起始数据、所述网格和所述模拟时间创建三维矩阵；
步骤六：根据所述三维矩阵和参数设置运行所述WaveWatch-III海浪数值模型，生成不同台风路径、不同台风模型参数、不同海浪模型参数对应的海浪波高场预报成员。
5.根据权利要求1所述的一种台风浪实时集合预报方法，其特征在于，对所述数值模拟后的模拟结果进行集合计算的操作，具体步骤为：
步骤一：获取所述WaveWatch-III海浪数值模型的模拟结果；
步骤二：确定各成员的权重计算方法，对于各个台风浪模拟结果成员对应的权重的计算，可采用成员遍历法、误差倒数法、变权平均法，其中：
成员遍历法：按照一定比例间隔设置多种权重组合，遍历每种组合，计算多站位RMSE(k个观测结果)，观测结果为Hobs，观测遍历权重对应取RMSE最小的组合：
；
误差倒数法：对于观测结果，计算不同成员与多站位的平均RMSE，，n表示成员的数量，计算以平均RMSE的倒数为比例的权重：
；
变权平均法：对于台风浪有效波高集合预报，其成员值为；确定集合成员有效波高等概率区间的分界值为/>，根据这些分界值对集合成员进行分组，记落入每个区间中的集合成员数为/>；每个区间内的集合成员平均值为：
；
为第k个区间内的第i个集合成员的值，且每个区间内的集合成员的权重为，下面对这一权重进行调整，第1和第n+1区间是开区间，其权重保持不变，剩余区间总权重为/>；记总区间长度为S，每个区间长度为/>:
；
；
每个区间权重为：
；
对各区间权重进行调整：
；
；
；
步骤三：计算多个成员集合后的海浪有效波高场；
其中，对于某一台风浪成员的有效波高，其对应成员遍历法或误差倒数法的权重为/>，有效波高集合结果应为：
；
对应变权平均法权重为，设定区间内的台风浪有效波高集合成员平均值为/>，有效波高集合结果应为：
。
6.根据权利要求1所述的一种台风浪实时集合预报方法，其特征在于，利用ecFlow软件根据所述处理集，实现当有台风出现时启动，对台风浪进行预报，步骤包括：
步骤一：构建基于ecFlow的系统脚本，建立台风浪实时集合预报系统；
步骤二：在台风应急期间，通过在ecFlow可视化界面中的启动台风浪集合预报系统，实现台风浪的实时集合预报。
7.根据权利要求3所述的一种台风浪实时集合预报方法，其特征在于，n=10。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-7任一项所述的一种台风浪实时集合预报方法。
9.一种台风浪实时集合预报系统，其特征在于，包括权利要求8所述的一种计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889219.0A CN116611270B (zh) | 2023-07-20 | 2023-07-20 | 一种台风浪实时集合预报方法、介质及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889219.0A CN116611270B (zh) | 2023-07-20 | 2023-07-20 | 一种台风浪实时集合预报方法、介质及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116611270A true CN116611270A (zh) | 2023-08-18 |
| CN116611270B CN116611270B (zh) | 2023-10-03 |
Family
ID=87676878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310889219.0A Active CN116611270B (zh) | 2023-07-20 | 2023-07-20 | 一种台风浪实时集合预报方法、介质及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611270B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471575A (zh) * | 2023-12-28 | 2024-01-30 | 河海大学 | 基于bo-lstm神经网络模型的台风浪波高预报方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120008384A (ko) * | 2010-07-16 | 2012-01-30 | 제주대학교 산학협력단 | 한반도 해역의 태풍, 폭풍해일의 강도변화 예측 시스템 및 그 방법 |
| KR20150117971A (ko) * | 2014-04-11 | 2015-10-21 | 한국해양과학기술원 | 연안국지 해수순환 및 파랑 예측 방법 및 시스템 |
| KR20160060793A (ko) * | 2014-10-21 | 2016-05-31 | 군산대학교산학협력단 | 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법 |
| CN107729656A (zh) * | 2017-10-19 | 2018-02-23 | 福建四创软件有限公司 | 基于台风过程风场作用下的风暴潮漫堤风险预警方法 |
| CN108920877A (zh) * | 2018-08-02 | 2018-11-30 | 中交第四航务工程勘察设计院有限公司 | 一种基于mike21-sw模型的全球波浪数值模拟方法 |
| CN109858130A (zh) * | 2019-01-24 | 2019-06-07 | 中国海洋大学 | 一种基于人工智能和数值模型的波浪模拟方法 |
| CN113468773A (zh) * | 2021-04-27 | 2021-10-01 | 交通运输部天津水运工程科学研究所 | 全球台风浪数值模拟方法及系统 |
| CN114492217A (zh) * | 2022-04-19 | 2022-05-13 | 中国海洋大学 | 一种基于混合时间序列感知机模型的台风浪高预测方法 |
| CN115600682A (zh) * | 2022-01-28 | 2023-01-13 | 国家海洋环境预报中心（Cn） | 一种基于数据驱动的海浪波高场预报方法及装置 |
-
2023
- 2023-07-20 CN CN202310889219.0A patent/CN116611270B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120008384A (ko) * | 2010-07-16 | 2012-01-30 | 제주대학교 산학협력단 | 한반도 해역의 태풍, 폭풍해일의 강도변화 예측 시스템 및 그 방법 |
| KR20150117971A (ko) * | 2014-04-11 | 2015-10-21 | 한국해양과학기술원 | 연안국지 해수순환 및 파랑 예측 방법 및 시스템 |
| KR20160060793A (ko) * | 2014-10-21 | 2016-05-31 | 군산대학교산학협력단 | 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법 |
| CN107729656A (zh) * | 2017-10-19 | 2018-02-23 | 福建四创软件有限公司 | 基于台风过程风场作用下的风暴潮漫堤风险预警方法 |
| CN108920877A (zh) * | 2018-08-02 | 2018-11-30 | 中交第四航务工程勘察设计院有限公司 | 一种基于mike21-sw模型的全球波浪数值模拟方法 |
| CN109858130A (zh) * | 2019-01-24 | 2019-06-07 | 中国海洋大学 | 一种基于人工智能和数值模型的波浪模拟方法 |
| CN113468773A (zh) * | 2021-04-27 | 2021-10-01 | 交通运输部天津水运工程科学研究所 | 全球台风浪数值模拟方法及系统 |
| CN115600682A (zh) * | 2022-01-28 | 2023-01-13 | 国家海洋环境预报中心（Cn） | 一种基于数据驱动的海浪波高场预报方法及装置 |
| CN114492217A (zh) * | 2022-04-19 | 2022-05-13 | 中国海洋大学 | 一种基于混合时间序列感知机模型的台风浪高预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 杨万康;尹宝树;伊小飞;杨青莹;施伟勇;: "基于Holland风场的台风浪数值计算", 水利水运工程学报, no. 04 * |
| 梁连松;李瑞杰;丰青;孔从颖;宋晓波;: "舟山海域台风浪数值模拟", 水道港口, no. 06 * |
| 蒋小平;钟中;张金善;杨文凯;: "台风浪模拟预报中的风场比较研究", 海洋通报, no. 02 * |
| 陈雅雅;邹仲水;赵栋梁;: "基于SWAN模式的台风浪数值模拟初步研究", 海洋湖沼通报, no. 06 * |
| 齐鹏;王爱梅;曹蕾;: "数据同化的南海台风浪后报模式", 海洋科学, no. 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117471575A (zh) * | 2023-12-28 | 2024-01-30 | 河海大学 | 基于bo-lstm神经网络模型的台风浪波高预报方法 |
| CN117471575B (zh) * | 2023-12-28 | 2024-03-08 | 河海大学 | 基于bo-lstm神经网络模型的台风浪波高预报方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116611270B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490415B (zh) | 一种多无人机视觉协同的建筑进度评估方法 | |
| CN115688491B (zh) | 一种基于区块链的水利数字孪生仿真模拟方法 | |
| US20140257776A1 (en) | Automated method and system for predicting high resolution tidal heights and currents in coastal zones | |
| CN116611270B (zh) | 一种台风浪实时集合预报方法、介质及系统 | |
| CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
| CN108805350A (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
| Zhang et al. | Transition of the coastal and estuarine storm tide model to an operational storm surge forecast model: A case study of the Florida coast | |
| CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
| CN112949178A (zh) | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 | |
| CN116595913B (zh) | 一种提高海洋模型精度的台风风场模拟仿真系统及方法 | |
| CN115808711B (zh) | 基于烈度速报的地震灾害损失评估方法及系统 | |
| CN116415110A (zh) | 基于多源遥感密度数据进行碳排放量分区网格化的方法 | |
| ZHANG et al. | Logical and Innovative Construction of Digital Twin City. | |
| Wang et al. | Xihe: A data-driven model for global ocean eddy-resolving forecasting | |
| Murshed et al. | Real-time seismic intensity prediction using self-supervised contrastive gnn for earthquake early warning | |
| Sheng et al. | A regional testbed for storm surge and coastal inundation models—an overview | |
| CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
| Iyappan et al. | Geoprocessing model for identifying potential wind farm locations<? show [AQ ID= Q1]?> | |
| CN117150602A (zh) | 一种基于bim的模块化建筑力学模拟分析方法和系统 | |
| CN101763659A (zh) | 基于图像集的大规模数字化高程数据模型自动生成方法 | |
| Young et al. | Initialization and setup of the Coastal Model Test Bed: integrated bathymetry | |
| Smith et al. | Hawaii hurricane wave and surge modeling and fast forecasting | |
| Zheng et al. | A SOA-based decision support geographic information system for storm disaster assessment | |
| CN108009562B (zh) | 一种水文水资源特征空间变异性识别的方法 | |
| Wu et al. | Data Fusion and Digital Modeling |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |