CN117631090A - 一种寒潮识别方法及装置 - Google Patents
一种寒潮识别方法及装置 Download PDFInfo
- Publication number
- CN117631090A CN117631090A CN202410101788.9A CN202410101788A CN117631090A CN 117631090 A CN117631090 A CN 117631090A CN 202410101788 A CN202410101788 A CN 202410101788A CN 117631090 A CN117631090 A CN 117631090A
- Authority
- CN
- China
- Prior art keywords
- cold
- index
- identification
- tide
- key factor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 230000000903 blocking effect Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Classifications
-
- 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
- Testing Or Calibration Of Command Recording Devices (AREA)
- Separation By Low-Temperature Treatments (AREA)
Abstract
本发明公开了一种寒潮识别方法及装置,方法包括:采集过去设定时间段的气象数据;获得采集的气象数据中的关键因子指数;将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果。本发明结合寒潮发生的物理机制,提高了寒潮预警的准确性,同时降低了对计算资源的消耗,减少了计算时间。
Description
技术领域
本发明属于天气预报技术领域,具体涉及一种寒潮识别方法及装置。
背景技术
寒潮是冬季的灾害性天气之一,提前数天的寒潮预警,对于社会经济发展和人民的生命财产安全具有重要的意义。目前,数值天气预报作为主要的技术手段,对包含寒潮等的极端天气的预报水平,在提前1-2天时表现良好,但由于初始化误差等,在提前数天的预报准确性仍不能完全满足实际需求,且需要消耗大量的计算资源和时间。当前基于统计或机器学习方法的寒潮预警模型,准确性不高,且物理机制模糊。
发明内容
为解决现有技术中的不足,本发明提供一种寒潮识别方法及装置,结合寒潮发生的物理机制,提高了寒潮预警的准确性,同时降低了对计算资源的消耗,减少了计算时间。
为达到上述目的,本发明所采用的技术方案是:
第一方面,提供一种寒潮识别方法,包括:采集过去设定时间段的气象数据;获得采集的气象数据中的关键因子指数;将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果。
结合第一方面,所述气象数据包括与寒潮识别相关的不同地区的温度、风速和气压。
结合第一方面,获得采集的气象数据中的关键因子指数,包括:将采集的气象数据进行整合,转化为统一的形式,得到整合数据;根据整合数据计算各关键因子指数,所述关键因子指数包括下述中的至少一项:西伯利亚高压指数SH、乌拉尔山阻塞高压频率指数UB、急流切变指数JPI、巴伦支海地区减去西伯利亚地区的T2m异常得到的Tb - Ts指数、急流强度指数JII;其中,T2m指地面2m的温度。
结合第一方面,采用乌拉尔山阻塞高压频率指数UB在50°~75°N,30°~90°E区域的平均,表示乌拉尔山地区的阻塞频率。
结合第一方面,用巴伦支海地区减去西伯利亚地区的T2m异常得到的Tb-Ts指数作为考察温度经向分布的指标,其中,巴伦支海地区指65°~85°N,30°~90°E;西伯利亚地区指40°~60°N,60°~120°E。
结合第一方面,西伯利亚高压指数SH,采用区域平均的方法对关键区内的气象要素求空间平均获得,其中,SH关键区域为40°~60°N,80°~120°E。
结合第一方面,将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果,包括:对各关键因子指数的原始序列进行标准化处理,然后与寒潮识别阈值进行比较,当某个或多个关键因子指数超过了寒潮识别阈值,则识别为未来设定时间内可能会发生寒潮;否则,识别为未来设定时间内不会发生寒潮;其中,寒潮识别阈值,包括:第一部分:以平均曲线驻点作为分界点,分为两个阶段,二阶段相较于一阶段具有以下特征:JII下降并且小于0 ;JPI上升并且大于0 ; SH上升并且大于0 ;Tb - Ts下降并且小于0 ;UB上升并且大于0;其中,SH为西伯利亚高压指数,UB为乌拉尔山阻塞高压频率指数,JPI为急流切变指数,Tb-Ts为巴伦支海地区减去西伯利亚地区的T2m异常指数,JII为急流强度指数;第二部分:使用DTW方法计算原始序列与合成序列间的最小距离,用于衡量两个长度不同的时间序列的相似度,即第一个参数;将原始序列分为两个阶段,以第一部分的平均曲线驻点作为分界点,分别计算两个阶段的均值,即第二、三个参数;分别计算两个阶段的线性趋势,即第四、五个参数;将第一~第五个参数的取值范围作为识别阈值;取第一部分和第二部分的并集作为寒潮识别阈值。
结合第一方面,所述寒潮识别模型的构建方法,包括:采用不同来源的气象数据,对过去设定时间段内发生寒潮事件的过程中的环流异常进行合成分析,得到基于寒潮发生的物理机制的合成分析结果;从合成分析结果中确定出寒潮过程中有显著变化特征的关键影响因子;基于合成分析结果,确定各关键影响因子的关键因子指数,用于确定寒潮识别阈值,构建基于寒潮发生的物理机制的寒潮识别模型。
第二方面,提供一种寒潮识别装置,包括:数据采集模块,用于采集过去设定时间段的气象数据;数据处理模块,用于获得采集的气象数据中的关键因子指数;寒潮识别模块,用于将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果。
结合第二方面,所述寒潮识别模块被配置为:将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果,包括:对各关键因子指数的原始序列进行标准化处理,然后与寒潮识别阈值进行比较,当某个或多个关键因子指数超过了寒潮识别阈值,则识别为未来设定时间内可能会发生寒潮;否则,识别为未来设定时间内不会发生寒潮;其中,寒潮识别阈值,包括:第一部分:以平均曲线驻点作为分界点,分为两个阶段,二阶段相较于一阶段具有以下特征:JII下降并且小于0 ;JPI上升并且大于0 ; SH上升并且大于0 ;Tb-Ts下降并且小于0 ;UB上升并且大于0;其中,SH为西伯利亚高压指数,UB为乌拉尔山阻塞高压频率指数,JPI为急流切变指数,Tb-Ts为巴伦支海地区减去西伯利亚地区的T2m异常指数,JII为急流强度指数;第二部分:使用DTW方法计算原始序列与合成序列间的最小距离,用于衡量两个长度不同的时间序列的相似度,即第一个参数;将原始序列分为两个阶段,以第一部分的平均曲线驻点作为分界点,分别计算两个阶段的均值,即第二、三个参数;分别计算两个阶段的线性趋势,即第四、五个参数;将第一~第五个参数的取值范围作为识别阈值;取第一部分和第二部分的并集作为寒潮识别阈值。
与现有技术相比,本发明所达到的有益效果:本发明通过对采集的气象数据进行预处理,获得各关键因子指数;将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果;结合寒潮发生的物理机制,提高了寒潮预警的准确性,同时降低了对计算资源的消耗,减少了计算时间。
附图说明
图1是本发明实施例中基于寒潮发生的物理机制的寒潮识别模型的构建过程示意图;
图2是使用本发明实施例提供的一种寒潮识别方法进行寒潮识别的识别流程示意图;
图3是本发明实施例中确定寒潮识别阈值的方法示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
一种寒潮识别方法,包括:采集过去设定时间段的气象数据;获得采集的气象数据中的关键因子指数;将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果。
寒潮识别模型的构建方法,主要包括以下步骤:采用不同来源的气象数据,对过去设定时间段内发生寒潮事件的过程中的环流异常进行合成分析,得到基于寒潮发生的物理机制的合成分析结果;从合成分析结果中确定出寒潮过程中有显著变化特征的关键影响因子;基于合成分析结果,确定各关键影响因子的关键因子指数,用于确定寒潮识别阈值,构建基于寒潮发生的物理机制的寒潮识别模型。
采用不同来源的气象数据,对过去设定时间段内发生寒潮事件的过程中的环流异常进行合成分析,得到基于寒潮发生的物理机制的合成分析结果。
第一步:识别全国性寒潮爆发日期。根据中国气象局寒潮定义,采用全国840个气象站的最低温日平均观测数据,根据中央气象台寒潮预警标准,对全国性寒潮定义是:站点最低温度 24h内下降8℃或48h内下降10℃或72h内下降12℃且日最低温度降至4℃以下,视为该站点发生寒潮,当发生寒潮的站点数≥30%全国总站点数,或达单站寒潮标准的南方站点数和北方站点数分别占当年总南方站点数和总北方站点数的1/3和1/4时,视为一次全国性寒潮事件,以32°N作为分界线以区分南方和北方。
第二步:明确物理机制。采用1960-2022年水平分辨率0.25°×0.25°的ERA5逐日再分析数据,变量包括:地面2m温度(T2m),位势高度场(Φ)和纬向风场(U)。此外,使用了由美国国家环境预报中心和美国大气科学研究中心(NCAR/NCEP)发布的逐日北极涛动指数(AO)和北大西洋涛动指数(NAO)。利用上述数据进行合成分析。2012—2022年,全国性寒潮事件共计发生18次,以寒潮爆发日为第0天,根据相对日期的早晚(寒潮爆发日前10天~后10天,简记为-10~10d,下文同),对18次寒潮过程中的环流异常进行了合成分析,以此明确近11年寒潮的主要影响系统。分析的气象要素场主要包括:平流层(50 hPa)极冠区的位势高度异常、对流层(300hPa)纬向风场异常、中层(500 hPa)的阻塞形式和东亚大槽异常、低层的海平面气压异常和温度异常。
从合成分析结果中确定出寒潮过程中有显著变化特征的关键影响因子。
第三步:挑选关键环流指数。首先,计算寒潮频次与各因子的相关性。潜在关键环流系统包括:乌拉尔山阻塞高压频率指数(UB)、东亚大槽正位相频率(EAT)、西伯利亚高压指数(SH)、巴伦支海地区减去西伯利亚地区的地面2m温度(T2m)异常得到的Tb-Ts指数,平流层极涡天气尺度变率(SPV)。具体定义如下:
乌拉尔山阻塞高压频率指数:
为了识别阻高事件,本发明选用改进的T&M阻塞频率计算方法。具体表达式如下,其中为500hPa位势高度,/>代表30°N—75°N之间的任意纬度,/>代表任意经度,/>代表任意纬度/>减15个纬度,/>代表任意纬度/>加15个纬度:
,
,
,
,
如果满足下列所有条件,则认为发生阻塞:
1)GHGS>0
2)GHGN<-10 m/degree
3)GHGS2<-5 m/degree
将冬半年发生阻塞的天数与总天数之比作为阻塞频率指数,本发明中乌拉尔山阻塞高压频率指数(UB)采用该指数在50°~ 75°N,30°~ 90°E区域的平均,以表示乌拉尔山地区的阻塞频率。
位涡经向梯度反映了大气中不同纬度之间的温度差异和气旋活动的强度,本发明将其作为一个阻塞高压的诊断指标,本发明采用的等熵面位涡经向梯度()具体计算公式如下,其中,/>指等熵位涡,/>为纬向西风基流流函数,/>是科氏常数,U为纬向基流,/>为罗斯贝变形半径,/>(~1000km)为特征长度,/>表示向量算子,/>表示偏导数,/>为纬度,/>(~10m/s)为特征速度,/>表示科里奥利参数随纬度的变化率,/>为/>的无量纲表示方法,/>为地球自转角速度:
,
,
,
,
,
,
其他相关指数:
本发明用巴伦支海地区(65°~85°N,30°~90°E)减去西伯利亚地区(40°~60°N,60°~120°E)的T2m异常得到的指数(Tb-Ts)作为考察温度经向分布的指标。本发明中的西伯利亚高压指数(Siberian high,SH)、平流层极涡指数(Stratospheric polar vortex,SPV)、东亚大槽指数(East Asian Trough,EAT)以及东亚高空急流(East Asian jet stream,EAJS)强度指数(JII)和切变指数(JPI)均采用区域平均的方法,对关键区内的气象要素求空间平均。SH关键区域为40°~60°N,80°~120°E;SPV关键区域为65°N以北的极区;EAT关键区域为50°~75°N, 100°~150°E;JII关键区域为50°~70°N,60°~120°E;JPI关键区域为45°~55°N,60°~120°E(南)和60°~70°N,60°~120°E(北),JPI指数通过北关键区区域平均减南关键区区域平均确定。
综上所述,确定出寒潮过程中有显著变化特征的关键影响因子,包括西伯利亚高压指数(SH)、乌拉尔山阻塞高压频率指数(UB)、急流切变指数(JPI,值为负代表向南切变)持续减弱;Tb - Ts持续升高;北极涛动指数(AO)、东亚大槽(EAT)、急流强度指数(JII)先增大后减小,AO、EAT、SPV等指数波动较大,规律性较差,变化特征不明显,不选为关键因子。
基于合成分析结果,确定各关键影响因子的关键因子指数,用于确定寒潮识别阈值,构建基于寒潮发生的物理机制的寒潮识别模型。
第四步:设定阈值和识别标准,如图3所示。
首先是第一部分,对上述因子的原始序列(-20d~-5d)进行标准化处理,然后进行线性趋势的7点滑动,以此达到对各因子的时间序列滤波的作用。识别条件为:将所有全国性寒潮事件过程中的各关键因子变化曲线求平均,得到的平均曲线(-20d~-5d)的驻点作为分界点,分为两个阶段,二阶段相较于一阶段具有以下特征:JII下降并且<0;JPI上升并且>0;SH上升并且>0;Tb-Ts下降并且<0;UB上升并且>0。
其次是第二部分,首先计算18次全国性寒潮事件过程中各关键因子演变曲线的平均,得到合成曲线,同样对原始序列(-20d~-5d)进行标准化处理,使用DTW方法(dynamictime warping)计算原始序列与合成序列间的最小距离,DTW可以计算两个时间序列的相似度,尤其适用于不同长度、不同节奏的时间序列。DTW将自动warping扭曲时间序列(即在时间轴上进行局部的缩放),使得两个序列的形态尽可能的一致,得到最大可能的相似度,将此作为第一个参数;将原始序列分为两个阶段(以第一部分的平均曲线驻点作为分界点),分别计算两个阶段的均值,即第二、三个参数;分别计算两个阶段的线性趋势,即第四、五个参数;将上述五个参数的取值范围(即最大、最小值之间的范围)作为识别阈值。
取上述两个部分的并集作为寒潮识别阈值。对每一天进行上述计算,输出未来五天会发生寒潮的日期。
第五步:模型回报检验。输入提前五天的数据,计算关键环流指数序列,根据设定的阈值和标准,判断未来是否即将出现寒潮事件,将识别出的结果与实际寒潮发生日期对比,考察其准确率。
本发明基于寒潮发生的物理机制的寒潮识别模型能够提前5天,自动预警全国寒潮天气。节省了计算资源,延长了防灾减灾的响应时效,让相关部门和公众有足够的时间做好应对寒潮的各项措施,如保暖、防冻、调整生产计划等,从而有效地降低寒潮对社会经济造成的负面影响。
如图1所示,本发明首先识别近11年全国性寒潮爆发日期,根据中国气象局寒潮定义和中央气象台寒潮预警标准,对全国840个气象站的最低温日平均观测数据进行筛选。
采用ERA5逐日再分析数据和北极涛动指数(AO)和北大西洋涛动指数(NAO),对18次寒潮过程中的环流异常进行合成分析,以此确定近11年寒潮的主要影响系统,明确物理机制。
挑选关键环流指数,计算寒潮频次与各因子的相关性,确定寒潮过程中有显著变化特征的关键影响因子,包括西伯利亚高压指数(SH)、乌拉尔山阻塞高压频率指数(UB)、急流切变指数(JPI)、急流强度指数(JII)、Tb–Ts指数等。
对上述因子的原始序列进行标准化处理和滑动平均,根据两个部分的识别条件和DTW方法计算原始序列与合成序列间的最小距离,取两个部分的并集作为寒潮识别阈值。
输入提前五天的数据,根据设定的阈值和标准,判断未来是否即将出现寒潮事件,将识别出的结果与实际寒潮发生日期对比,考察其准确率。
如图2所示,本发明基于寒潮发生的物理机制的寒潮识别模型的目的是根据气象数据预测未来五天内是否会出现寒潮现象。首先,输入气象数据后,进行整合,将不同来源和格式的数据转化为统一的形式,方便后续的分析和计算。其次,计算各关键因子指数。然后,与已确定的预警阈值进行对比,若超过阈值,则说明未来五天可能会有寒潮发生,需要提前做好防范措施。最后,输出预警结果,为决策者和公众提供参考。
以下是具体实施方案:
第一步是输入气象数据,这些数据包括温度、风速、气压等各种与寒潮相关的因子,这些数据可能来自不同的来源,如地面站、欧洲中期天气预报中心(European Centrefor Medium-Range Weather Forecasts)、美国国家环境预报中心和美国大气科学研究中心(NCAR/NCEP)等。为了方便后续的分析和计算,需要对这些数据进行整合,将它们转化为统一的形式。
第二步是计算各关键因子指数,这些指数是利用气象数据计算出来的,用来反映影响寒潮发生的关键环流系统。这些指数可以用数学公式或统计方法来计算,也可以用机器学习或人工智能方法来生成。
第三步是与已确定的预警阈值进行对比,这些阈值是根据历史数据确定的一些标准或范围,用于判断是否达到寒潮的预警条件。例如,如果温度指数短时间内下降且低于某个阈值,说明温度下降幅度较大或异常低,可能会引发寒潮;如果DTW指数低于某个阈值,说明当前环流因子序列与历史寒潮发生时的情况十分类似,可能会有寒潮的发生等。如果某个或多个关键因子指数超过了预警阈值,符合已确定的预警条件,则说明未来五天可能会有寒潮发生,需要提前做好防范措施。
第四步是输出预警结果以及相应的建议或措施。这些结果可以用文字、图表、声音等方式呈现给决策者和公众,以便他们及时了解寒潮的情况和危害,并采取适当的应对措施。
实施例二:
基于实施例一所述的一种寒潮识别方法,本实施例提供一种寒潮识别装置,包括:
数据采集模块,用于采集过去设定时间段的气象数据;
数据处理模块,用于获得采集的气象数据中的关键因子指数;
寒潮识别模块,用于将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果。
所述数据处理模块被配置为:将采集的气象数据进行整合,转化为统一的形式,得到整合数据;
根据整合数据计算各关键因子指数,所述关键因子指数包括下述中的至少一项:西伯利亚高压指数SH、乌拉尔山阻塞高压频率指数UB、急流切变指数JPI、巴伦支海地区减去西伯利亚地区的T2m异常得到的Tb - Ts指数、急流强度指数JII;其中,T2m指地面2m温度;
采用乌拉尔山阻塞 高压频率指数UB在50°~75°N,30°~90°E区域的平均,表示乌拉尔山地区的阻塞频率;
用巴伦支海地区减去西伯利亚地区的T2m异常得到的Tb-Ts指数作为考察温度经向分布的指标,其中,巴伦支海地区指65°~85°N,30°~90°E;西伯利亚地区指40°~60°N,60°~120°E;
西伯利亚高压指数 SH,采用区域平均的方法对关键区内的气象要素求空间平均获得,其中,SH关键区域为40°~60°N,80°~120°E。
所述寒潮识别模块被配置为:对各关键因子指数的原始序列进行标准化处理,然后与寒潮识别阈值进行比较,当某个或多个关键因子指数超过了寒潮识别阈值,则识别为未来设定时间内可能会发生寒潮;否则,识别为未来设定时间内不会发生寒潮;
其中,寒潮识别阈值,包括:
第一部分:以平均曲线驻点作为分界点,分为两个阶段,二阶段相较于一阶段具有以下特征:JII下降并且小于0;JPI上升并且大于0;SH上升并且大于0;Tb-Ts下降并且小于0;UB上升并且大于0;其中,SH为西伯利亚高压指数,UB为乌拉尔山阻塞高压频率指数,JPI为急流切变指数,Tb-Ts为巴伦支海地区减去西伯利亚地区的T2m异常指数,JII为急流强度指数;
第二部分:使用DTW方法计算原始序列与合成序列间的最小距离,用于衡量两个长度不同的时间序列的相似度,即第一个参数;将原始序列分为两个阶段,以第一部分的平均曲线驻点作为分界点,分别计算两个阶段的均值,即第二、三个参数;分别计算两个阶段的线性趋势,即第四、五个参数;将第一~第五个参数的取值范围作为识别阈值;取第一部分和第二部分的并集作为寒潮识别阈值。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种寒潮识别方法,其特征在于,包括:
采集过去设定时间段的气象数据;
获得采集的气象数据中的关键因子指数;
将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果。
2.根据权利要求1所述的寒潮识别方法,其特征在于,所述气象数据包括与寒潮识别相关的不同地区的温度、风速和气压。
3.根据权利要求1所述的寒潮识别方法,其特征在于,获得采集的气象数据中的关键因子指数,包括:
将采集的气象数据进行整合,转化为统一的形式,得到整合数据;
根据整合数据计算各关键因子指数,所述关键因子指数包括下述中的至少一项:西伯利亚高压指数SH、乌拉尔山阻塞高压频率指数UB、急流切变指数JPI、巴伦支海地区减去西伯利亚地区的T2m异常得到的Tb-Ts指数、急流强度指数JII;其中,T2m指地面2m温度。
4.根据权利要求3所述的寒潮识别方法,其特征在于,采用乌拉尔山阻塞高压频率指数UB在50°~75°N,30°~90°E区域的平均,表示乌拉尔山地区的阻塞频率。
5.根据权利要求3所述的寒潮识别方法,其特征在于,用巴伦支海地区减去西伯利亚地区的T2m异常得到的Tb-Ts指数作为考察温度经向分布的指标,其中,巴伦支海地区指65°~85°N,30°~90°E;西伯利亚地区指40°~60°N,60°~120°E。
6.根据权利要求3所述的寒潮识别方法,其特征在于,西伯利亚高压指数SH,采用区域平均的方法对关键区内的气象要素求空间平均获得,其中,SH关键区域为40°~60°N,80°~120°E。
7.根据权利要求1所述的寒潮识别方法,其特征在于,将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果,包括:
对各关键因子指数的原始序列进行标准化处理,然后与寒潮识别阈值进行比较,当某个或多个关键因子指数超过了寒潮识别阈值,则识别为未来设定时间内可能会发生寒潮;否则,识别为未来设定时间内不会发生寒潮;
其中,寒潮识别阈值,包括:
第一部分:以平均曲线驻点作为分界点,分为两个阶段,二阶段相较于一阶段具有以下特征:JII下降并且小于0 ;JPI上升并且大于0 ; SH上升并且大于0 ;Tb-Ts下降并且小于0;UB上升并且大于0;其中,SH为西伯利亚高压指数,UB为乌拉尔山阻塞高压频率指数,JPI为急流切变指数,Tb-Ts为巴伦支海地区减去西伯利亚地区的T2m异常指数,JII为急流强度指数;
第二部分:使用DTW方法计算原始序列与合成序列间的最小距离,用于衡量两个长度不同的时间序列的相似度,即第一个参数;将原始序列分为两个阶段,以第一部分的平均曲线驻点作为分界点,分别计算两个阶段的均值,即第二、三个参数;分别计算两个阶段的线性趋势,即第四、五个参数;将第一~第五个参数的取值范围作为识别阈值;取第一部分和第二部分的并集作为寒潮识别阈值。
8.根据权利要求1所述的寒潮识别方法,其特征在于,所述寒潮识别模型的构建方法,包括:
采用不同来源的气象数据,对过去设定时间段内发生寒潮事件的过程中的环流异常进行合成分析,得到基于寒潮发生的物理机制的合成分析结果;
从合成分析结果中确定出寒潮过程中有显著变化特征的关键影响因子;
基于合成分析结果,确定各关键影响因子的关键因子指数,用于确定寒潮识别阈值,构建基于寒潮发生的物理机制的寒潮识别模型。
9.一种寒潮识别装置,其特征在于,包括:
数据采集模块,用于采集过去设定时间段的气象数据;
数据处理模块,用于获得采集的气象数据中的关键因子指数;
寒潮识别模块,用于将各关键因子指数输入构建的基于寒潮发生的物理机制的寒潮识别模型,输出未来设定时间段内发生寒潮的识别结果。
10.根据权利要求9所述的寒潮识别装置,其特征在于,所述寒潮识别模块被配置为:
对各关键因子指数的原始序列进行标准化处理,然后与寒潮识别阈值进行比较,当某个或多个关键因子指数超过了寒潮识别阈值,则识别为未来设定时间内可能会发生寒潮;否则,识别为未来设定时间内不会发生寒潮;
其中,寒潮识别阈值,包括:
第一部分:以平均曲线驻点作为分界点,分为两个阶段,二阶段相较于一阶段具有以下特征:JII下降并且小于0;JPI上升并且大于0;SH上升并且大于0;Tb-Ts下降并且小于0;UB上升并且大于0;其中,SH为西伯利亚高压指数,UB为乌拉尔山阻塞高压频率指数,JPI为急流切变指数,Tb-Ts为巴伦支海地区减去西伯利亚地区的T2m异常指数,JII为急流强度指数;
第二部分:使用DTW方法计算原始序列与合成序列间的最小距离,用于衡量两个长度不同的时间序列的相似度,即第一个参数;将原始序列分为两个阶段,以第一部分的平均曲线驻点作为分界点,分别计算两个阶段的均值,即第二、三个参数;分别计算两个阶段的线性趋势,即第四、五个参数;将第一~第五个参数的取值范围作为识别阈值;取第一部分和第二部分的并集作为寒潮识别阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410101788.9A CN117631090B (zh) | 2024-01-25 | 2024-01-25 | 一种寒潮识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410101788.9A CN117631090B (zh) | 2024-01-25 | 2024-01-25 | 一种寒潮识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117631090A true CN117631090A (zh) | 2024-03-01 |
CN117631090B CN117631090B (zh) | 2024-05-14 |
Family
ID=90027249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410101788.9A Active CN117631090B (zh) | 2024-01-25 | 2024-01-25 | 一种寒潮识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117631090B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014101596A1 (en) * | 2012-12-24 | 2014-07-03 | Tencent Technology (Shenzhen) Company Limited | Method and server for updating service information |
WO2014132371A1 (ja) * | 2013-02-27 | 2014-09-04 | 株式会社日立製作所 | 電力創出制御システム及び方法 |
CN107957598A (zh) * | 2017-12-16 | 2018-04-24 | 兰州大学 | 一种结合大尺度天气系统指数的中长期空气污染预报模型 |
CN109975892A (zh) * | 2019-04-18 | 2019-07-05 | 成都信息工程大学 | 一种寒潮天气500hPa环流形势的自动识别方法 |
WO2019245978A1 (en) * | 2018-06-19 | 2019-12-26 | Farm Jenny LLC | Farm asset tracking, monitoring, and alerts |
CN112114384A (zh) * | 2020-08-27 | 2020-12-22 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电线覆冰发生概率预报方法 |
CN114594532A (zh) * | 2022-03-09 | 2022-06-07 | 北京墨迹风云科技股份有限公司 | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 |
CN114611788A (zh) * | 2022-03-10 | 2022-06-10 | 杨慧迪 | 一种基于gru网络的寒潮天气客观判别方法 |
CN114943174A (zh) * | 2022-04-18 | 2022-08-26 | 中国农业大学 | 一种用于寒潮小样本情况下的风机出力损失预测方法 |
CN115576034A (zh) * | 2022-10-10 | 2023-01-06 | 江苏省气象台 | 一种表征寒潮强度的指数方法 |
CN115693781A (zh) * | 2022-11-17 | 2023-02-03 | 国网吉林省电力有限公司 | 一种低温寒潮极端天气条件下风电出力受限预估方法 |
US11614562B1 (en) * | 2021-11-25 | 2023-03-28 | Nanjing University Of Information Science & Technology | Method and system for identifying extreme climate events |
US20230126678A1 (en) * | 2021-10-26 | 2023-04-27 | National Institute of Meteorological Sciences | Python-based integrated management method and system of urban customized weather database |
US20230385725A1 (en) * | 2022-05-25 | 2023-11-30 | Extriple Co., Ltd. | Work assistance system using the image recognition-based virtual object registration method in the industrial field |
CN117151488A (zh) * | 2023-08-30 | 2023-12-01 | 国电南瑞科技股份有限公司 | 一种寒潮大风天气样本扩充方法、系统、存储介质及设备 |
CN117318018A (zh) * | 2023-09-01 | 2023-12-29 | 中国电力科学研究院有限公司 | 一种风电出力短期预测方法及系统 |
-
2024
- 2024-01-25 CN CN202410101788.9A patent/CN117631090B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014101596A1 (en) * | 2012-12-24 | 2014-07-03 | Tencent Technology (Shenzhen) Company Limited | Method and server for updating service information |
WO2014132371A1 (ja) * | 2013-02-27 | 2014-09-04 | 株式会社日立製作所 | 電力創出制御システム及び方法 |
CN107957598A (zh) * | 2017-12-16 | 2018-04-24 | 兰州大学 | 一种结合大尺度天气系统指数的中长期空气污染预报模型 |
WO2019245978A1 (en) * | 2018-06-19 | 2019-12-26 | Farm Jenny LLC | Farm asset tracking, monitoring, and alerts |
CN109975892A (zh) * | 2019-04-18 | 2019-07-05 | 成都信息工程大学 | 一种寒潮天气500hPa环流形势的自动识别方法 |
CN112114384A (zh) * | 2020-08-27 | 2020-12-22 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电线覆冰发生概率预报方法 |
US20230126678A1 (en) * | 2021-10-26 | 2023-04-27 | National Institute of Meteorological Sciences | Python-based integrated management method and system of urban customized weather database |
US11614562B1 (en) * | 2021-11-25 | 2023-03-28 | Nanjing University Of Information Science & Technology | Method and system for identifying extreme climate events |
CN114594532A (zh) * | 2022-03-09 | 2022-06-07 | 北京墨迹风云科技股份有限公司 | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 |
CN114611788A (zh) * | 2022-03-10 | 2022-06-10 | 杨慧迪 | 一种基于gru网络的寒潮天气客观判别方法 |
CN114943174A (zh) * | 2022-04-18 | 2022-08-26 | 中国农业大学 | 一种用于寒潮小样本情况下的风机出力损失预测方法 |
US20230385725A1 (en) * | 2022-05-25 | 2023-11-30 | Extriple Co., Ltd. | Work assistance system using the image recognition-based virtual object registration method in the industrial field |
CN115576034A (zh) * | 2022-10-10 | 2023-01-06 | 江苏省气象台 | 一种表征寒潮强度的指数方法 |
CN115693781A (zh) * | 2022-11-17 | 2023-02-03 | 国网吉林省电力有限公司 | 一种低温寒潮极端天气条件下风电出力受限预估方法 |
CN117151488A (zh) * | 2023-08-30 | 2023-12-01 | 国电南瑞科技股份有限公司 | 一种寒潮大风天气样本扩充方法、系统、存储介质及设备 |
CN117318018A (zh) * | 2023-09-01 | 2023-12-29 | 中国电力科学研究院有限公司 | 一种风电出力短期预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
李易芝: "湖南冬季积雪日数影响因子及其预测模型", 《气象与环境科学》, vol. 46, no. 01, 15 January 2023 (2023-01-15), pages 100 - 105 * |
池艳珍: "福建省冬季持续低温事件多尺度特征及影响因子", 《大气科学》, vol. 47, no. 06, 30 June 2023 (2023-06-30), pages 1939 - 1954 * |
胡宏博: "近11年中国寒潮频发的机理分析", 《大气科学学报》, vol. 46, no. 06, 30 June 2023 (2023-06-30), pages 864 - 875 * |
Also Published As
Publication number | Publication date |
---|---|
CN117631090B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roy et al. | Tropical cyclone track forecasting techniques―A review | |
Rodionov et al. | The Aleutian low and winter climatic conditions in the Bering Sea. Part I: Classification | |
Edwards et al. | Convective modes for significant severe thunderstorms in the contiguous United States. Part III: Tropical cyclone tornadoes | |
Mercer et al. | Objective classification of tornadic and nontornadic severe weather outbreaks | |
Gao et al. | Improvements in typhoon intensity change classification by incorporating an ocean coupling potential intensity index into decision trees | |
CN112114384B (zh) | 一种输电线覆冰发生概率预报方法 | |
CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
Courtney et al. | Operational perspectives on tropical cyclone intensity change part 1: Recent advances in intensity guidance | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN113176420A (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
Cook | Automated classification of gust events in the contiguous USA | |
Chao et al. | Estimation of the upper-layer rotation and maximum wind speed of tropical cyclones via satellite imagery | |
CN117631090B (zh) | 一种寒潮识别方法及装置 | |
Miller et al. | A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode | |
CN113033910A (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
Sharma et al. | NGFS rainfall forecast verification over India using the contiguous rain area (CRA) method | |
CN113837283B (zh) | 一种基于均值聚类与线性判别的热带气旋等级划分方法 | |
AU2021105817A4 (en) | Method for Reconstructing global Surface Temperature | |
Chinforoush et al. | A novel method for forecasting surface wind speed using wind-direction based on hierarchical markov model | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
Cristani et al. | It could rain: weather forecasting as a reasoning process | |
Gallus Jr et al. | Differences in near-storm parameters useful for forecasting intensity of nocturnal and diurnal bow echo winds | |
Hyvärinen et al. | Climatological tools for low visibility forecasting | |
CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
Erfani et al. | Automated synoptic typing of freezing rain events for hazard analysis |
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 |