CN117518299B - 一种分类强对流临近概率预报方法、系统、设备及终端 - Google Patents
一种分类强对流临近概率预报方法、系统、设备及终端 Download PDFInfo
- Publication number
- CN117518299B CN117518299B CN202410018907.4A CN202410018907A CN117518299B CN 117518299 B CN117518299 B CN 117518299B CN 202410018907 A CN202410018907 A CN 202410018907A CN 117518299 B CN117518299 B CN 117518299B
- Authority
- CN
- China
- Prior art keywords
- convection
- probability
- cloud
- strong
- polarization
- 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.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000013459 approach Methods 0.000 claims abstract description 25
- 238000011161 development Methods 0.000 claims abstract description 13
- 238000013213 extrapolation Methods 0.000 claims abstract description 11
- 230000010287 polarization Effects 0.000 claims description 73
- 238000007781 pre-processing Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 23
- 230000033001 locomotion Effects 0.000 claims description 18
- 230000010363 phase shift Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003908 quality control method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 230000007547 defect Effects 0.000 abstract description 6
- 230000009897 systematic effect Effects 0.000 abstract description 3
- 238000001556 precipitation Methods 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 20
- 239000002131 composite material Substances 0.000 description 11
- 230000004907 flux Effects 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000017 hydrogel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Environmental & Geological Engineering (AREA)
- Ecology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于气象学技术领域,公开了一种分类强对流临近概率预报方法、系统、设备及终端,通过建立分类强对流的偏振量垂直廓线特征模型进而实现分类强对流属性的提前识别,而后通过改进后的外推方案将分类强对流属性外推,进而实现0‑2小时的短临时段的分类强对流的预报,全面提升短时强降水和雷暴大风的提前预报、预警能力。本发明对于系统性强对流过程以及分散性的强对流过程都具有较好的0‑2小时提前预判能力,较好的弥补了短临时段的模式预报偏差问题以及传统短临外推无法预测对流传播发展、加强的技术缺陷。
Description
技术领域
本发明属于气象学技术领域,尤其涉及一种分类强对流临近概率预报方法、系统、设备及终端。
背景技术
为提升分类强对流(短时强降水≥20mm/h;雷暴大风≥8级)的提前预报、预警能力,近年来在分类强对流的前期环境特征研究基础(陈明轩等,2017;Chen et al.,2017;Huang et al.,2019)上,很多研究工作者构建了基于数值预报释用的潜势预报模型(配料法:雷蕾等,2012;模糊逻辑法:曾明剑等,2015;机器学习:Gagne II et al.,2017;李文娟等,2018;Zhou et al.,2019,2020;周康辉等,2020),在短期时效内分类端强对流的预报预警提供参考。虽然以上相关的研究成果有利于提升短期时段分类强对流报技巧,但是由于其是数值预报的释用结果,其和数值模式预报正确与否密切相关(俞小鼎等,2012;郑永光等,2015)。因此,在一些复杂天气背景下(比如暖区强天气),如果数值模式对系统预报存在很大不确定性,则也会直接影响分类强对流的预报预警能力。
近几年,随着双偏振业务雷达的普及,很多研究工作者开展了偏振量在短临监测和预警领域的分析研究。陈刚等(2022)的研究表明,由于浅层降水和层云、对流性降水在垂直结构和微物理特征存在显著差异,因此,地面降水特别是极端降水微物理特征具有显著的时空变化和多样性。差分反射率因子(ZDR)是判断不同类型云降水粒子相态的一个重要指标;强降水时雨滴的破碎和碰并趋于平衡,雨强的增大取决于雨滴浓度的升高,差分传播相移率(KDP)可作为判断雨强是否增大的指标。ZDR柱与KDP柱的演变对于地面雨强的变化具有预示性,特别是在持续降水过程中,ZDR (KDP)柱的再度发展预示着降水系统的再次增强(Carlin,2017; Kumjian,2014)。因此,如何能更充分利用偏振量对于对流发展加强的指示性特征,改进现有分类强对流短临预报技术的缺陷,进而提升分类强对流临近预警能力,是本发明所要解决的问题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)目前国内的分类强对流预报技术主要是基于数值模式的释用技术。因此,当模式预报存在明显偏差,甚至失败的情况下,则会直接影响分类强对流预报、预警能力。
(2)目前国内、外对于偏振量的研究应用,更多集中于过程个例分析中,而在分类强对流客观预报业务技术和产品中,偏振量的强对流指示性特征的应用则较匮乏。
(3)目前短临时段的外推方法中大部分是按照回波强度不变外推,因此对于分类强对流的加强、发展情况是缺乏提前预报和预警能力的。机器学习、深度学习方案可以在一定程度上提升一般性降雨天气的短临预报能力,但对于分类强天气的预报能力改进较有限。
解决以上问题及缺陷的难度为:
(1)针对分类强对流天气特点,如何预处理,进而构建出具有高质量标签的特征数据集是本发明要解决的基础难题。
(2)针对分类强对流天气特点,如何设计更为合理的偏振量特征模型,进而实行对分类强对流属性的提前识别,因此这也是本发明中所要解决难题之一。
(3)基于对分类强对流属性的提前识别结果,采用何种策略进行短临外推预报,进而提升2小时内的分类强对流临近预报能力,是本发明所要解决的最重要的难题。
发明内容
针对现有技术存在的问题,本发明提供了一种分类强对流临近概率预报方法、系统、设备及终端,通过建立分类强对流的偏振量垂直廓线特征模型(CSC-QVP)进而实现分类强对流属性的提前识别,而后通过改进后的外推方案将分类强对流属性外推,进而实现0-2小时的短临时段的分类强对流的预报,全面提升短时强降水和雷暴大风的提前预报、预警能力。
本发明是这样实现的,一种分类强对流临近概率预报方法,包括:
S1,数据预处理,包括基础数据预处理和对流云团追踪;
S2,训练数据集构建,包括分类标签及其和对流云特征量的配对以及特征量模型的构建;
S3,基于特征概率分布模型判断对流云团的分类强对流属性概率:基于数据集,对所有CSC-QVP的偏振量特征因子进行频率统计,最终获得CSC-QVP偏振量特征因子的概率分布模型;
S4,基于特征模型,进行0-2小时临近预报。
进一步,S1中,基础数据预处理包括:首先将对雷达的偏振量进行质控,然后插值到等高面格点偏振数据;采用速度方位显示(VAD)方法生成表征大气环境风场信息的垂直风廓线数据;这里的等高面数据统一为垂直间隔200m,从1km处理到17km;
对流云团追踪包括:利用CLTREC法建立前后时次的区域回波追踪格点移动矢量场;然后,利用雷达等高面上回波强度及梯度特征,识别出对流云;最后,以格点移动矢量场为基础,利用聚类法,建立前后时次的对流云团的关联。
进一步,S2中,分类标签及其和对流云特征量的配对包括:
实况标签:将研究范围划分为0.05°等距格点,然后依据“邻域法”,定义如果每个格点半径40km范围内存在自动站小时雨量>=20mm/h,则格点为短时暴雨标签;定义如果每个格点半径40km范围内如存在自动站小时极大风>=8级,并且25km半径范围内存在雷电记录,则格点实况为雷暴大风标签;
以自动站实况灾害发生位置和时刻为基准,搜索半径40km范围内的最强对流云团,然后依据对流云团前后匹配关系,搜索过去30分钟到60分钟之间的历史对流云团;历史对流云团具有分类强对流灾害发生前的微物理结构特征,对应的偏振量相关的特征因子则为数据集中样本的特征量。
进一步,S2中,特征量模型的构建包括:
利用偏振量显著特征搜索法确定历史对流云团内垂直运动发展显著的位置,然后在此位置进行偏振量特征因子的采样,进而构建特征量模型;
偏振量显著特征搜索法:即将每个格点位置的各层差分传播相移率(KDP)相加,进而获得每个格点的垂直累积差分传播相移率(KDP);然后在历史对流云团范围每个水平反射率因子(ZH)大于35dBZ的格点进行逐步搜索,找到最大的垂直累积差分传播相移率(KDP)所在位置,进而确定历史对流云团内垂直运动发展显著的位置。
进一步,S3具体包括:对识别出的对流云中的每个格点进行分类强对流属性的概率计算,首先计算出对流格点位置的CSC-QVP偏振量特征因子,然后在CSC-QVP偏振量特征因子的概率分布模型中搜索先验概率系数,最后将偏振量特征因子的所有先验概率系数相加,进而获得当前对流云格点位置对应的分类强对流的合成概率数值(短时强降水的合成概率数值和雷暴大风的合成概率数值)。
进一步,S4具体包括:以计算出分类强对流的合成概率格点数值为初始场,以CLTREC法反演的矢量场为外推矢量场,然后采用半拉格朗日法进行逐分钟的外推,按照大值策略,生成未来2小时内的分类强对流合成概率数值格点预报数据;最后,依据最优概率阈值(依据典型历史个例选择出的最优),将高于阈值的全部标记为分类强对流属性,进而生成未来2小时内的分类强对流确定性格点预报数据。
本发明的另一目的在于提供一种分类强对流临近概率预报系统,包括:
数据预处理模块,用于进行基础数据预处理和对流云团追踪;
训练数据集构建模块,用于进行训练数据集构建,包括分类标签及其和对流云特征量的配对以及特征量模型的构建;
对流属性概率判断模块,用于基于特征概率分布模型判断对流云团的分类强对流属性概率;
临近预报模块,用于基于特征模型进行0-2小时临近预报。
本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的分类强对流临近概率预报方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的分类强对流临近概率预报方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端用于实现所述的分类强对流临近概率预报系统。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,本发明通过建立分类强对流的偏振量垂直廓线特征模型(CSC-QVP)进而实现分类强对流属性的提前识别,而后通过改进后的外推方案将分类强对流属性外推,进而实现0-2小时的短时临近时段的分类强对流的预报,全面提升短时强降水和雷暴大风的提前预报、预警能力。
本发明对于系统性强对流过程以及分散性的强对流过程都具有较好的0-2小时提前预判能力,较好的弥补了短时临近时段的模式预报偏差问题以及传统短临外推无法预测对流传播发展、加强的技术缺陷。
第二,本发明的技术方案转化后可以大幅提升气象短时临近时段的防灾减灾业务能力,同时,相关技术可以进一步拓展双偏振雷达应用范围,提升雷达的应用价值,帮助企业进一步拓展双偏振雷达的防灾减灾的应用市场,提升双偏振雷达企业的经济效益。
本发明的偏振量垂直廓线在分类强对流短临预警领域的技术空白,该技术可以最大限度的发挥偏振量的价值,提升分类强对流的提前预警时效。之前很多的研究工作聚焦于通过天气过程个例分析ZDR柱,KDP柱对于在对流发展中的演变特征,并进而揭示这些偏振量对强对流发展、加强所具有提前指示性意义;此外,有个别的专利聚焦于利用ZDR柱等来进行冰雹预警。因此,在分类强对流的提前预警领域,偏振量垂直廓线的业务应用是非常匮乏的,本发明专利是在该应用领域的一个巨大突破。
(4)国内外的传统的偏振量雷达的业务应用依据偏振量的原理,认为偏振量的应用主要聚焦于定量降水估测和短临预报、粒子相态的识别冰雹识别等等;而对于雷暴大风更多的只能是基于径向风大风特征、回波质心下落特征进行实况识别监测,因此,传统认为无法基于偏振量信息进行雷暴大风的提前预报和预警。本发明专利依据偏振量垂直廓线模型可以进行短时暴雨和雷暴大风的0-2小时短临预报,因此,该技术完全客服了传统的双偏振雷达应用的技术偏见。
第三,本发明提供的分类强对流临近概率预报方法带来的显著的技术进步包括:
1. 细化的数据预处理:通过先进的数据预处理方法,如对雷达的偏振量质控和等高面格点偏振数据插值,保证了数据的质量和准确性,为后续的预报打下了坚实的基础。
2. 对流云团追踪:利用CLTREC法不仅能够追踪区域回波,还能够准确识别对流云并建立前后时次的对流云团的关联,这在传统方法中是难以实现的。
3. 特征概率分布模型:基于数据集对CSC-QVP的偏振量特征因子进行统计,形成的概率分布模型为对流云团的分类和预测提供了更为精确的依据。
4. 实时临近预报:方法能够进行0-2小时的临近预报,满足了短时临近时段的强对流天气的快速响应需求,对于灾害预警和防范具有重要意义。
5. 综合利用多种数据:该方法不仅仅局限于使用雷达数据,还能够结合其他气象数据进行预测,提高了预报的准确性和可靠性。
6. 灵活性与适应性:该方法可应用于不同地形和环境条件下,如城市热岛效应或山区地形,增加了其广泛的应用价值。
综上所述,该方法提供了一种更为精确、快速且综合的强对流临近概率预报手段,对于确保公众安全、提高气象预警的精度和及时性具有重要意义。
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中所需要使用的附图做简单的介绍,显而易见地,下面所描述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的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的分类强对流临近概率预报方法流程图;
图2是本发明实施例提供的分类强对流临近概率预报系统结构示意图;
图3是本发明实施例提供的偏振量特征因子概率分布示意图;其中,(a)为短时强降水类型的差分传播相移率KDP水凝物通量特征垂直廓线(CSC-QVPKDP)特征因子概率分布图,(b)为雷暴大风类型的差分传播相移率KDP水凝物通量特征垂直廓线(CSC-QVPKDP)特征因子概率分布图;
图4是本发明实施例提供的北京时2023年7月10日14时预报未来2小时的短时强降水(小时雨量>=20mm)预报和实况比较图;其中,(a)为采用本发明技术预报15时的短时强降水确定性预报结果(黑色概率曲线)和对应小时实况(灰色色块区域)的叠加,(b)为采用业务潜势预报技术预报15时的短时强降水确定性预报结果(黑色曲线)和对应小时实况(灰色色块区域)的叠加,(c)为采用本发明技术预报16时的短时强降水确定性预报结果(黑色概率曲线)和对应小时实况(灰色色块区域)的叠加,(d)为采用业务潜势预报技术预报16时的短时强降水确定性预报结果(黑色曲线)和对应小时实况(灰色色块区域)的叠加。
图5是本发明实施例提供的北京时2023年7月10日14时预报未来2小时的雷暴大风(>=8级)小时预报和实况比较图;其中,(a)为采用本发明技术预报15时的雷暴大风确定性预报结果(黑色概率曲线)和对应小时实况(灰色色块区域)的叠加,(b)为采用业务潜势预报技术预报15时的雷暴大风确定性预报结果(黑色曲线)和对应小时实况(灰色色块区域)的叠加,(c)为采用本发明技术预报16时的雷暴大风确定性预报结果(黑色概率曲线)和对应小时实况(灰色色块区域)的叠加,(d)为采用业务潜势预报技术预报16时的雷暴大风确定性预报结果(黑色曲线)和对应小时实况(灰色色块区域)的叠加。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种分类强对流临近概率预报方法、系统、设备及终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的分类强对流临近概率预报方法包括:
S1,数据预处理,包括基础数据预处理和对流云团追踪;
S2,训练数据集构建,包括分类标签及其和对流云特征量的配对以及特征量模型的构建;
S3,基于特征概率分布模型判断对流云团的分类强对流属性概率:基于数据集,对所有CSC-QVP的偏振量特征因子进行频率统计,最终获得CSC-QVP偏振量特征因子的概率分布模型;
S4,基于特征模型,进行0-2小时临近预报。
本发明提供的强对流临近概率预报方法的工作原理可以描述如下:
步骤S1:数据预处理
在这个步骤中,包含两个主要的任务:
基础数据预处理:这个任务首先对雷达的偏振量进行质控,以确保数据的准确性。然后,这些数据插值到等高面格点偏振数据中,使数据在空间上更均匀。这里还使用速度方位显示方法生成表征大气环境风场信息的垂直风廓线数据。这些数据是以垂直间隔200米,从1km处理到17km的等高面数据。
对流云团追踪:这个任务首先使用CLTREC法建立前后时次的区域回波追踪格点移动矢量场。然后,利用雷达等高面上回波强度及梯度特征,识别出对流云。最后,以格点移动矢量场为基础,利用聚类法,建立前后时次的对流云团的关联。
步骤S2:训练数据集构建
这个步骤主要包括分类标签及其和对流云特征量的配对以及特征量模型的构建。这是预测模型训练的关键步骤,通过这个步骤,模型可以学习到对流云团的特征与其强对流属性之间的关系。
步骤S3:基于特征概率分布模型判断对流云团的分类强对流属性概率
在这个步骤中,基于训练数据集,对所有CSC-QVP的偏振量特征因子进行频率统计,最终获得CSC-QVP偏振量特征因子的概率分布模型。这个模型可以用于预测新的对流云团的强对流属性。
步骤S4:基于特征模型,进行0-2小时临近预报
最后,这个模型可以用于做出0-2小时的临近预报。这是实时预测环节,通过输入实时获取的对流云团数据,模型可以预测出这些对流云团在接下来一小时内的强对流属性。
如图2所示,本发明实施例提供的分类强对流临近概率预报系统,包括:
数据预处理模块,用于进行基础数据预处理和对流云团追踪;
训练数据集构建模块,用于进行训练数据集构建,包括分类标签及其和对流云特征量的配对以及特征量模型的构建;
对流属性概率判断模块,用于基于特征概率分布模型判断对流云团的分类强对流属性概率;
临近预报模块,用于基于特征模型进行0-2小时临近预报。
本发明实施例提供的分类强对流临近概率预报方法具体包括:
1. 预处理
1.1 基础数据预处理
首先将对雷达的偏振量进行质控,然后插值到等高面格点偏振数据;采用速度方位显示(VAD)方法(马秀梅等,2014)生成表征大气环境风场信息的垂直风廓线数据。这里的等高面数据统一为垂直间隔200m,从1km处理到17km。
1.2对流云团追踪
利用CLTREC法(黄旋旋等,2017)建立前后时次的区域回波追踪格点移动矢量场;然后,利用雷达等高面上回波强度及梯度特征,识别出对流云(Stenier,1995);最后,以格点移动矢量场为基础,利用聚类法,建立前后时次的对流云团的关联。
2. 训练数据集构建
2.1 分类标签及其和对流云特征量的配对
实况标签:将研究范围划分为0.05°等距格点,然后依据“邻域法”,定义如果每个格点半径40km范围内存在自动站小时雨量>=20mm/h,则格点为短时暴雨标签;定义如果每个格点半径40km范围内如存在自动站小时极大风>=8级,并且25km半径范围内存在雷电记录,则格点实况为雷暴大风标签。
以自动站实况灾害发生位置和时刻为基准,搜索半径40km范围内的最强对流云团,然后依据对流云团前后匹配关系,搜索过去30分钟到60分钟之间的历史对流云团。这些的历史对流云团具有分类强对流灾害发生前的微物理结构特征,对应的偏振量相关的特征因子则为数据集中样本的特征量。
2.2 特征量模型的构建
数据集中的每个样本的特征量为,利用偏振量显著特征搜索法确定历史对流云团内垂直运动发展显著的位置,然后在此位置进行偏振量特征因子的采样,进而构建特征量模型。
偏振量显著特征搜索法:即将每个格点位置的各层差分传播相移率(KDP)相加,进而获得每个格点的垂直累积差传播相移率(KDP);然后在历史对流云团范围每个水平反射率因子(ZH)大于35dBZ的格点进行逐步搜索,找到最大的垂直累积差传播相移率(KDP)所在位置,进而确定历史对流云团内垂直运动发展显著的位置,偏振量特征因子的定义见表1:
表1 CSC-QVP的偏振量特征因子列表
名称缩写 | 中文名 | 物理意义 |
CSC-QVPKDP | 差分传播相移率KDP水凝物通量特征垂直廓线 | 表征监测范围内的大气中代表强天气特征的最大水凝物通量垂直方向的分布 |
CSC-QVPZDR | 差分反射率ZDR水凝物通量特征垂直廓线 | 表征监测范围内的大气中能最显著降水粒子对应的水凝物通量特征在垂直方向的分布 |
CSC-QVPVS | 垂直风切速度垂直廓线 | 表征监测范围内的大气中垂直风切速度在垂直方向的分布 |
CSC-QVPKDP= (1)
利用公式(1)将每层的差分传播相移率KDP 和速度方位显示法计算环境风速计算得到表征监测范围内的大气中代表强天气特征的最大水凝物通量,最后获得差分传播相移率KDP水凝物通量特征垂直廓线。这里的A1, A2为本地化拟合出来的差分传播相移率KDP转为降水的最优参数。
CSC-QVPZDR= (2)
利用公式(2)将每层的水平反射率因子ZH、差分反射率ZDR和速度方位显示法计算环境风速联合计算得到表征监测范围内的大气中能最显著降水粒子对应的水凝物通量,最后获得差分反射率ZDR水凝物通量特征垂直廓线。这里的B1, B2 , B3为本地化拟合出来的将水平反射率因子ZH和差分反射率ZDR转为降水的最优参数。
CSC-QVPVS= (3)
利用公式(3)将每层通过速度方位显示法计算得到环境风速矢量减去地面基础风矢量/> (可以用地面自动站观测风近似),进而计算得到表征监测范围内的大气中垂直风切,并对垂直分切矢量取模(用/>表示)获得垂直风切速度,最后获得垂直风切速度的垂直廓线。
2.3 基于特征概率分布模型判断对流云团的分类强对流属性概率
基于数据集,对所有CSC-QVP的偏振量特征因子进行频率统计,最终获得CSC-QVP偏振量特征因子的概率分布模型(图1)。
在实际应用中,对识别出的对流云中的每个格点进行分类强对流属性的概率计算。首先计算出对流格点位置的CSC-QVP偏振量特征因子,然后在CSC-QVP偏振量特征因子的概率分布模型中搜索先验概率系数,最后将偏振量特征因子的所有先验概率系数相加,进而获得当前对流云格点位置对应的分类强对流的合成概率数值(短时强降水的合成概率数值和雷暴大风的合成概率数值)。
2.4 基于特征模型的0-2小时临近预报
以计算出分类强对流的合成概率格点数值为初始场,以CLTREC法反演的矢量场为外推矢量场,然后采用半拉格朗日法进行逐分钟的外推,按照大值策略,生成未来2小时内的分类强对流合成概率数值格点预报数据。最后,依据最优概率阈值(依据典型历史个例选择出的最优),将高于阈值的全部标记为分类强对流属性,进而生成未来2小时内的分类强对流确定性格点预报数据。
3. 个例检验
本发明的应用实施例提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行分类强对流临近概率预报方法的步骤。
本发明的应用实施例提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行分类强对流临近概率预报方法的步骤。
本发明的应用实施例提供了一种信息数据处理终端,信息数据处理终端用于实现分类强对流临近概率预报系统。
本发明的专利技术是作为南京大学S波段雷达偏振数据处理模型软件的一个功能模块之一。在系统作业进程中会调用该技术模块,进而输出相关的分类强对流短临概率预报以及确定性预报产品。
对北京时2023年7月10日浙江地区的午后的分散性强对流过程进行应用技术的应用实施。利用南京大学S波段雷达偏振数据处理模型软件,首先对雷达资料预处理,然后识别出对流云,并对识别出的对流云中的每个格点进行分类强对流属性的概率计算:依次计算出对流格点位置的CSC-QVP偏振量特征因子,然后在CSC-QVP偏振量特征因子的概率分布模型中搜索先验概率系数,最后将偏振量特征因子的所有先验概率系数相加,进而获得当前对流云格点位置对应的分类强对流的合成概率数值(短时强降水的合成概率数值和雷暴大风的合成概率数值)。最后,以计算出分类强对流的合成概率格点数值为初始场,以CLTREC法反演的矢量场为外推矢量场,采用半拉格朗日法进行逐分钟的外推,按照大值策略,生成未来2小时内的分类强对流合成概率数值格点预报数据,并依据最优概率阈值,生成未来2小时内的分类强对流确定性格点预报数据。
本发明实施例在研发或者使用过程中取得了一些积极效果,和现有业务潜势预报技术(基于区域数值模式释用的分类强对流潜势预报技术)相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
对北京时2023年7月10日午后的分散性强对流0-2小时确定性预报结果进行检验评估。和业务潜势预报的短时强降水确定性预报结果比较(图4)表明,新技术可以将浙江省内陆地区域的第一小时的短时强降水(>=20mm)确定性预报的TS评分从原有的0.28提升到0.39,将第二小时的短时强降水确定性预报的TS评分从原有的0.13提升到0.40。和业务潜势预报的雷暴大风(>=8级)确定性预报结果比较(图5)表明,新技术可以将浙江省内陆地区域的第一小时的短时强降水确定性预报的TS评分从原有的0.01提升到0.32,将第二小时的短时强降水确定性预报的TS评分从原有的0.03提升到0.37。因此,该方法对于系统性强对流过程、分散性的强对流过程都具有较好的0-2小时提前预判能力,较好的弥补了短时临近时段的模式预报偏差问题以及传统短临外推无法预测对流传播发展、加强的技术缺陷。
实施例1:城市热岛效应下的强对流临近概率预报
1. 数据收集:在大都市地区的夏季,由于城市热岛效应,强对流天气的发生可能性增加。首先,收集该地区的雷达偏振数据、卫星云图以及其他气象站点的数据。
2. 数据预处理:对雷达偏振数据进行质控,然后插值到等高面格点偏振数据,统一为垂直间隔200m,从1km处理到17km。同时,采用速度方位显示法生成大气环境风场信息的垂直风廓线数据。
3. 对流云团追踪:利用CLTREC法建立前后时次的区域回波追踪格点移动矢量场,识别出对流云,并建立前后时次的对流云团关联。
4. 模型预测:基于收集到的数据和前述预处理步骤,使用特征概率分布模型预测未来2小时内的强对流天气的概率。
实施例2:山区地形影响下的强对流临近概率预报
1. 数据收集:在山区,地形对强对流的发生和发展有显著影响。首先,收集该地区的地形数据、雷达偏振数据以及其他相关气象数据。
2. 数据预处理:雷达偏振数据经过质控后插值到等高面格点偏振数据,垂直间隔统一为200m,从1km至17km。同时,采用速度方位显示法来生成代表大气环境风场信息的垂直风廓线数据。
3. 对流云团追踪:利用CLTREC法建立前后时次的区域回波追踪格点移动矢量场,辨识出对流云,并建立前后时次对流云团的关联。
4. 地形因素融合:考虑地形对强对流的影响,将地形数据与雷达数据融合,进一步优化预测模型。
5. 模型预测:基于上述数据和预处理步骤,使用特征概率分布模型预测未来2小时内山区的强对流天气概率。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种分类强对流临近概率预报方法,其特征在于,包括:
S1,数据预处理,包括基础数据预处理和对流云团追踪;
S2,训练数据集构建,包括分类标签及其和对流云特征量的配对以及特征量模型的构建;
S3,基于特征概率分布模型判断对流云团的分类强对流属性概率:基于数据集,对所有CSC-QVP的偏振量特征因子进行频率统计,最终获得CSC-QVP偏振量特征因子的概率分布模型;
S4,基于特征模型,进行0-1小时临近预报;
S1中,基础数据预处理包括:首先将对雷达的偏振量进行质控,然后插值到等高面格点偏振数据;采用速度方位显示方法生成表征大气环境风场信息的垂直风廓线数据;这里的等高面数据统一为垂直间隔200m,从1km处理到17km;
对流云团追踪包括:利用CLTREC法建立前后时次的区域回波追踪格点移动矢量场;然后,利用雷达等高面上回波强度及梯度特征,识别出对流云;最后,以格点移动矢量场为基础,利用聚类法,建立前后时次的对流云团的关联;
S2中,分类标签及其和对流云特征量的配对包括:
实况标签:将研究范围划分为0.05°等距格点,然后依据“邻域法”,定义如果每个格点半径40km范围内存在自动站小时雨量>=20mm/h,则格点为短时暴雨标签;定义如果每个格点半径40km范围内如存在自动站小时极大风>=8级,并且25km半径范围内存在雷电记录,则格点实况为雷暴大风标签;
以自动站实况灾害发生位置和时刻为基准,搜索半径40km范围内的最强对流云团,然后依据对流云团前后匹配关系,搜索过去30分钟到60分钟之间的历史对流云团;历史对流云团具有分类强对流灾害发生前的微物理结构特征,对应的偏振量相关的特征因子则为数据集中样本的特征量;
S2中,特征量模型的构建包括:
利用偏振量显著特征搜索法确定历史对流云团内垂直运动发展显著的位置,然后在此位置进行偏振量特征因子的采样,进而构建特征量模型;
偏振量显著特征搜索法:即将每个格点位置的各层差分传播相移率相加,进而获得每个格点的垂直累积差分传播相移率;然后在历史对流云团范围每个水平反射率因子大于35dBZ的格点进行逐步搜索,找到最大的垂直累积差分传播相移率所在位置,进而确定历史对流云团内垂直运动发展显著的位置;
S3具体包括:对识别出的对流云中的每个格点进行分类强对流属性的概率计算,首先计算出对流格点位置的CSC-QVP偏振量特征因子,然后在CSC-QVP偏振量特征因子的概率分布模型中搜索先验概率系数,最后将偏振量特征因子的所有先验概率系数相加,进而获得当前对流云格点位置对应的分类强对流的合成概率数值。
2.如权利要求1所述的分类强对流临近概率预报方法,其特征在于,S4具体包括:以计算出分类强对流的合成概率格点数值为初始场,以CLTREC法反演的矢量场为外推矢量场,然后采用半拉格朗日法进行逐分钟的外推,按照大值策略,生成未来1小时内的分类强对流合成概率数值格点预报数据;最后,依据最优概率阈值,将高于阈值的全部标记为分类强对流属性,进而生成未来1小时内的分类强对流确定性格点预报数据。
3.一种实施权利要求1-2任意一项所述的分类强对流临近概率预报方法的分类强对流临近概率预报系统,其特征在于,包括:
数据预处理模块,用于进行基础数据预处理和对流云团追踪;
训练数据集构建模块,用于进行训练数据集构建,包括分类标签及其和对流云特征量的配对以及特征量模型的构建;
对流属性概率判断模块,用于基于特征概率分布模型判断对流云团的分类强对流属性概率;
临近播报模块,用于基于特征模型进行0-1小时临近预报。
4.一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行权利要求1-2任意一项所述的分类强对流临近概率预报方法的步骤。
5.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行权利要求1-2任意一项所述的分类强对流临近概率预报方法的步骤。
6.一种信息数据处理终端,信息数据处理终端用于实现权利要求3所述的分类强对流临近概率预报系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410018907.4A CN117518299B (zh) | 2024-01-05 | 2024-01-05 | 一种分类强对流临近概率预报方法、系统、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410018907.4A CN117518299B (zh) | 2024-01-05 | 2024-01-05 | 一种分类强对流临近概率预报方法、系统、设备及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117518299A CN117518299A (zh) | 2024-02-06 |
CN117518299B true CN117518299B (zh) | 2024-03-22 |
Family
ID=89763077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410018907.4A Active CN117518299B (zh) | 2024-01-05 | 2024-01-05 | 一种分类强对流临近概率预报方法、系统、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117518299B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警系统 |
CN108646319A (zh) * | 2018-08-09 | 2018-10-12 | 深圳市雅码科技有限公司 | 一种短时强降雨预报方法及系统 |
CN110942111A (zh) * | 2019-12-31 | 2020-03-31 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
CN115691049A (zh) * | 2022-09-02 | 2023-02-03 | 云遥动力科技(苏州)有限公司 | 一种基于深度学习的对流初生预警方法 |
CN115728841A (zh) * | 2022-11-09 | 2023-03-03 | 河南省气象台 | 基于检验评估的强对流天气预警方法 |
CN115933008A (zh) * | 2022-11-22 | 2023-04-07 | 广东电网有限责任公司广州供电局 | 一种强对流天气预报预警方法 |
-
2024
- 2024-01-05 CN CN202410018907.4A patent/CN117518299B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警系统 |
CN108646319A (zh) * | 2018-08-09 | 2018-10-12 | 深圳市雅码科技有限公司 | 一种短时强降雨预报方法及系统 |
CN110942111A (zh) * | 2019-12-31 | 2020-03-31 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
CN115691049A (zh) * | 2022-09-02 | 2023-02-03 | 云遥动力科技(苏州)有限公司 | 一种基于深度学习的对流初生预警方法 |
CN115728841A (zh) * | 2022-11-09 | 2023-03-03 | 河南省气象台 | 基于检验评估的强对流天气预警方法 |
CN115933008A (zh) * | 2022-11-22 | 2023-04-07 | 广东电网有限责任公司广州供电局 | 一种强对流天气预报预警方法 |
Non-Patent Citations (2)
Title |
---|
基于卫星和雷达资料的对流云团识别跟踪;张春桂;周乐照;林炳青;;气象科技;20170615(03);全文 * |
强对流天气综合监测业务系统建设;郑永光;林隐静;朱文剑;蓝渝;唐文苑;张小玲;毛冬艳;周庆亮;张志刚;;气象;20130221(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117518299A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grecu et al. | A large-sample investigation of statistical procedures for radar-based short-term quantitative precipitation forecasting | |
KR102006847B1 (ko) | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 | |
CN110579823A (zh) | 一种强降雨短临预报方法及系统 | |
Chen et al. | Diurnal evolution and distribution of warm‐season convective storms in different prevailing wind regimes over contiguous North China | |
CN112949953A (zh) | 基于pp理论和af模型的暴雨预报方法 | |
Wang et al. | A quantitative comparison of precipitation forecasts between the storm-scale numerical weather prediction model and auto-nowcast system in Jiangsu, China | |
CN117009735A (zh) | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 | |
Kim et al. | Dynamical–statistical seasonal prediction for western North Pacific typhoons based on APCC multi-models | |
Zhu et al. | Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China | |
CN115201938A (zh) | 基于雷暴高压分析的强对流天气临近预报方法及系统 | |
CN114594532A (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
Ranalkar et al. | Characteristics of lightning activity in tropical cyclones developed over North Indian Ocean basin during 2010–2015 | |
CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
CN117518299B (zh) | 一种分类强对流临近概率预报方法、系统、设备及终端 | |
Zhang et al. | Relationships between cloud-to-ground flashes and hydrometeors in a thunderstorm in Fujian province | |
CN112766531B (zh) | 一种基于卫星微波观测资料的径流预测系统及方法 | |
CN115902812B (zh) | 一种短时暴雨天气背景自动判别方法、系统、设备及终端 | |
Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
Wang et al. | Climatic factors and their availability in estimating long‐term variations of fine particle distributions over East China | |
CN114706146B (zh) | 复杂地形下雹暴过程中雹胚的生长和降雹阶段的预报方法 | |
Branković et al. | Downscaling of ECMWF ensemble forecasts for cases of severe weather: Ensemble statistics and cluster analysis | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 | |
Kaparakis et al. | WF-UNet: Weather data fusion using 3d-unet for precipitation nowcasting | |
Martet et al. | Operational assimilation of radar data from the European EUMETNET Programme OPERA in the Météo-France convective-scale model AROME | |
CN115392584B (zh) | 一种强对流预报中强对流潜在落区预测方法及系统 |
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 |