CN118131240B - 一种融合毫米波云雷达和微波辐射计数据的气温订正方法 - Google Patents

一种融合毫米波云雷达和微波辐射计数据的气温订正方法 Download PDF

Info

Publication number
CN118131240B
CN118131240B CN202410536035.0A CN202410536035A CN118131240B CN 118131240 B CN118131240 B CN 118131240B CN 202410536035 A CN202410536035 A CN 202410536035A CN 118131240 B CN118131240 B CN 118131240B
Authority
CN
China
Prior art keywords
cloud
air temperature
data
height
millimeter wave
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
Application number
CN202410536035.0A
Other languages
English (en)
Other versions
CN118131240A (zh
Inventor
万霞
周志敏
王飞
万蓉
王斌
胡金蓉
吴林林
李蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Hervy RainCmaWuhan
Original Assignee
Institute Of Hervy RainCmaWuhan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute Of Hervy RainCmaWuhan filed Critical Institute Of Hervy RainCmaWuhan
Priority to CN202410536035.0A priority Critical patent/CN118131240B/zh
Publication of CN118131240A publication Critical patent/CN118131240A/zh
Application granted granted Critical
Publication of CN118131240B publication Critical patent/CN118131240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Electromagnetism (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明适用于气象探测技术和气象预报技术领域，提供一种融合毫米波云雷达和微波辐射计数据的气温订正方法，包括：数据获取和清洗步骤、参量计算步骤、数据空间匹配步骤、数据时间匹配步骤、神经网络模型训练步骤、气温订正验证步骤。本发明采用毫米波云雷达和微波辐射计作为新型气象探测设备，获取高时间‑空间分辨率的大气‑云探测数据，计算反演得到多个大气‑云物理参量，并引入BP神经网络算法对EC预报气温值进行订正，得到设备站点及周边地区未来目标时间段内更准确的预报气温，实现地基新型气象探测资料和气象预报业务的融合应用。通过实际验证，本发明方法优于现有的气温订正方法，能够提高本地气温预报的准确度。

Description

一种融合毫米波云雷达和微波辐射计数据的气温订正方法
技术领域
本发明属于气象探测技术和气象预报技术领域，尤其涉及一种融合毫米波云雷达和微波辐射计数据的气温订正方法。
背景技术
气温是关键的气象要素之一，极端高温和低温都将对人类生产、生活造成重大影响。因此，准确预报气温具有极其重要的意义。目前，气温预报主要依赖数值模式进行，由于资料同化方法、地理分辨率的限制，气温预报值与实际观测值仍存在差距，因此在气象预报业务中多采用对预报气温进行订正的方法，以得到更准确的气温预报值。
对于气温订正，现阶段大多数的方法是以数学统计和融合常规地面观测数据为基础的。数学统计方法中，包括平均法、双权重平均法、滑动平均法和滑动双权重平均法、回归方法等，多采用线性关系对数值预报系统的预报气温进行订正，而缺少利用非线性关系的方法对预报气温进行订正。观测数据使用上，以自动气象站的常规观测为主，仅获取近地面一层的气象要素，不仅缺少垂直方向上不同高度的气象要素资料，还忽略了本地云层对气温的影响。云对太阳辐射的遮蔽可引起降温作用；另一方面，云对有效长波辐射的吸收具有升温作用(温室效应)。可见，云是潜热交换的重要要素之一，是气温等气象因子发生变化的主要原因。实际预报业务中发现，在多云条件下，气象预报员用客观方法对模式预报订正的气温值与实际气温仍存在较大差异。
因此，本地云的宏微观物理特性对该站点气温预报的准确率的影响不容忽视。现有的新型气象探测设备，例如毫米波云雷达、微波辐射计等，能提供站点高时空分辨率的云探测资料，计算和反演得到云底高度、云顶高度、云中液水路径等云的宏微观物理特性，为进一步研究该站点的气温订正方法提供了数据基础。
发明内容
鉴于上述问题，本发明的目的在于提供一种融合毫米波云雷达和微波辐射计数据的气温订正方法，旨在解决现有气温订正方法的订正结果与实际观测值仍存在较大差异的技术问题，形成了一种简单、优化的算法，能够应用于测站本地及周边地区的不同天气条件下的气温预报。
本发明采用如下技术方案：
所述融合毫米波云雷达和微波辐射计数据的气温订正方法，包括下述步骤：
步骤S1、选定已安装毫米波云雷达和微波辐射计的观测站点，提取该站点对应经纬度网格的历史EC预报气温，提取同一站点的历史观测资料，包括观测站点的实测气温、毫米波云雷达观测数据、微波辐射计观测数据以及地面雨量计观测数据，对历史观测资料的数据进行清洗，得到有效资料数据；
其中毫米波云雷达观测数据包括云廓线，微波辐射计观测数据包括相对湿度RH廓线、水汽密度WVD廓线、液态水路径LWP，雨量计观测数据包括逐分钟降水量R；
步骤S2、根据云廓线数据进行反演计算，得到平均雷达反射率因子、云顶高度、云底高度；
步骤S3、对其中的RH廓线和WVD廓线进行空间匹配，得到地面到一定探测高度范围内RH的平均值，以及WVD的平均值最终得到原始数据集，所述原始数据集中包括有九种大气-云物理参量，分别为预报气温、实测气温、平均雷达反射率因子、云顶高度、云底高度、相对湿度平均值、水汽密度平均值、液态水路径LWP、降水量R；
步骤S4、按照时间轴，根据设定时间分辨率将原始数据集各数据进行时间匹配，得到设定时间分辨率的样本数据集；
步骤S5、构建BP神经网络模型，按照天气条件，分别建立有云网络模型和无云网络模型，两种模型均为BP神经网络模型，两种模型的输入量不同，输出量均为实测气温，直至模型训练期望误差满足要求；
步骤S6、在模型应用时，获取目标时间段内的EC预报气温，获取和计算当前的大气-云物理参量并输入至BP神经网络模型，将模型输出记录为订正后气温T，即未来目标时间段内最终的气温预报值。
本发明的有益效果是：本发明从云的宏观和微观特性出发，分析和研究云层不同物理特性的云与气温变化的相关性，考虑云层对气温变化的影响，提出一种新的气温订正方法，采用毫米波云雷达和微波辐射计作为新型气象探测设备，然后根据现有的历史观测资料，获取以及计算反演得到各种需要的大气-云物理参量，并引入BP神经网络算法进行站点的EC预报气温进行订正，实现新型气象资料和气象预报业务的融合应用。通过实际验证，本发明方法优于现有的气温订正方法，能够提高本地气温预报准确度。
附图说明
图1是本发明实施例提供的融合毫米波云雷达和微波辐射计数据的气温订正方法的流程图；
图2是本发明方法订正原理路径图；
图3是云层分层结构示意图；
图4是参量的空间匹配示意图；
图5是BP神经网络模型结构图；
图6是模型效果验证对比图。
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，以下结合附图及实施例，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仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的融合毫米波云雷达和微波辐射计数据的气温订正方法的流程图，图2示出了本发明方法订正原理路径图，为了便于说明仅示出了与本发明实施例相关的部分。
结合图1、2所示，本实施例提供的融合毫米波云雷达和微波辐射计数据的气温订正方法包括下述步骤：
步骤S1、数据获取和清理步骤：选定已安装毫米波云雷达和微波辐射计的观测站点，提取该站点对应经纬度网格的历史EC预报气温，提取同一站点的历史观测资料，包括观测站点的实测气温、毫米波云雷达观测数据、微波辐射计观测数据以及地面雨量计观测数据，对历史观测资料的数据进行清洗，得到有效资料数据、毫米波云雷达观测数据、微波辐射计观测数据以及雨量计观测数据，对历史观测资料的数据进行清洗，得到有效资料数据；其中毫米波云雷达观测数据包括云廓线，微波辐射计观测数据包括相对湿度(Relative humidity, RH)廓线、水汽密度(Water vapor density, WVD)廓线、液态水路径(Liquid water path, LWP)，雨量计观测数据包括降水量R。
历史EC预报气温数据可从欧洲中期天气预报中心的全球预报系统(European Centre for Medium-Range Weather Forecasts，以下简称EC)中心网站上下载，气温数据每天预报两次，起报点为00时(世界时)和12时(世界时)，预报气温的分辨率为3小时,选取每天00时(世界时)和12时(世界时)预报的未来12小时气温数据叠加成每天24小时的预报气温，并将预报气温数据由世界时转化成北京时。空间上，EC预报数据为全球网格数据，分辨率为，找到观测站所在的经纬度位置，选取4×4大小的窗口上16个网格点上的气温数据，进行二维线性插值得到该站点的预报温度值，单位为开尔文(K)，利用公式计算得到预报气温，单位为℃。
本实施例使用了三种观测设备，包括毫米波云雷达、微波辐射计和雨量计。
毫米波云雷达和微波辐射计作为近年来新兴的云探测设备，毫米波云雷达的空间分辨率30m，时间分辨率为10s。毫米波云雷达可探测地面至20km空间范围内云的垂直分布，每10s提供一条云廓线。并且，该设备进行云探测受局地地形影响较小，云雷达的观测方式为垂直指向。基于此，云的分层结构、云底高度、云顶高度通过反演获得，并且云雷达探测受下垫面影响较小，对局地云的垂直特征研究更具有优势。微波辐射计的空间分辨率是变化的：离地高度0-500m时，空间分辨率为25m；离地高度500-2000m时，空间分辨率为50m；离地高度2000-10000m时，空间分辨率为250m。微波辐射计可探测地面至10km空间范围内大气要素的垂直分布，每2min提供一条云廓线。相比之下，现有气象观测站的要素观测仅限于近地面一层，相关的大气廓线可由同址释放的GPS探空提供，而探空数据每天只有2次，且存在漂移的偏差，因此本发明采用的两种新型气象探测设备可联合提供精细的大气-云精细结构，可进一步研究云层对本地气温的影响，进而形成了本发明的内容。
本步骤对提取到的历史观测资料，首先需要数据清洗，剔除无效数据等，以提高预测准确性。毫米波云雷达观测数据的清洗主要包括低层非气象回波和距离旁瓣的剔除；微波辐射计观测数据的清洗主要是剔除缺测和异常数据；地面雨量计的数据清洗工作量也相对较小，主要是剔除奇异数据。具体来讲，本步骤需要获取的观测站点数据（包括历史观测资料）主要有以下几种：
1）预报气温
EC逐3小时的预报气温为2m气温值，单位为K，数据可从欧洲中期天气预报中心网站上下载，经过空间插值、世界时转换为北京时，单位由K转换为℃，最后获得。
2）实测气温
本地自动气象站的百叶箱观测得到逐小时观测气温，单位为℃，为地面观测的2 m 气温值。
3）毫米波云雷达观测数据
毫米波云雷达观测的是云廓线数据，取垂直观测的逐10s反射率因子廓线。另外后续步骤可以进一步基于此计算平均雷达反射率因子、云顶高度、云底高度。
4）微波辐射计观测数据
微波辐射计观测数据包括RH廓线、WVD廓线、LWP。其中微波辐射计观测的逐小时RH廓线，单位为%；微波辐射计观测的逐小时WVD廓线,单位为g/mm³；微波辐射计观测的逐小时LWP,单位为g/mm2。
5）雨量计观测数据
地面自动气象站的雨量计观测逐小时降水量R，单位为mm。
步骤S2、参量计算步骤：根据云廓线数据进行反演计算，得到平均雷达反射率因子、云顶高度、云底高度。
结合图3所示，云顶高度、云底高度的计算方式为：利用阈值法将毫米波云雷达探测得到云廓线的每根径向的连续回波中，底部和顶部达到或最接近-40 dBZ的距离库对应高度视为云层的底高和顶高；如果垂直方向上相邻云块之间的缝隙小于或等于距离阈值（平原地区阈值取300m，高海拔地区阈值取90m），则认为两个云块属于同一层云；反之，则识别为当前大气条件下生成的两层云。本步骤中，所述云顶高度和云底高度分别取第一层云的云顶高度和云底高度。当云底产生降水时，取；当云底无降水时，降水量R的值一般为0。在每条云廓线上，对云底和云顶之间距离库上回波的雷达反射率因子计算平均值，得到平均雷达反射率因子。
步骤S3、数据空间匹配步骤：对其中的RH廓线和WVD廓线进行空间匹配，得到地面到一定探测高度范围内RH的平均值，以及WVD的平均值最终得到原始数据集，所述原始数据集中包括有九种大气-云物理参量，分别为预报气温、实测气温、平均雷达反射率因子、云顶高度、云底高度、相对湿度平均值、水汽密度平均值、液态水路径LWP、降水量R。
本步骤的物理参量中、、、LWP、R的矩阵大小为1×1，RH、WVD的矩阵大小为1×58，对其中的RH廓线和WVD廓线进行矩阵降维处理，毫米波云雷达和微波辐射计资料的空间分辨率不同（毫米波云雷达的空间分辨率为30m；微波辐射计的空间分辨率，离地高度0-500m时空间分辨率为25m，离地高度500-2000m时空间分辨率为50m，离地高度2000-10000m时，空间分辨率为250m），RH和WVD降维计算过程中需要对两种数据进行空间匹配，得到地面到一定探测高度范围内RH的平均值，以及WVD的平均值其中“一定探测高度”分为有云条件下和无云条件下：
1）有云条件下，根据毫米波云雷达的距离库库长和库数,找到与第一层云的最接近的微波辐射计有探测数据的高度值H, 计算地面到高度H范围内RH的平均值,同理计算地面到高度H范围内WVD的平均值；
2）无云条件下，计算地面到10 km范围内RH的平均值,同理计算地面到10公里范围内WVD的平均值；
最终得到原始数据集，所述原始数据集中包括有九种大气-云物理参量，分别为预报气温、实测气温、平均雷达反射率因子、云顶高度、云底高度、相对湿度平均值、水汽密度平均值、液态水路径LWP、降水量R。
步骤S4、数据时间匹配步骤：按照时间轴，根据设定时间分辨率将原始数据集各数据进行时间匹配，得到设定时间分辨率的样本数据集。
比如设置时间分辨率为1小时。为了便于计算中，对预报气温（时间分辨率为3小时）进行二维线性插值处理，时间分辨率变换为1小时；实测气温的时间分辨率为1小时，无需做时间匹配处理；对平均雷达反射率因子在1小时内取平均值，时间分辨率变换为1小时；对云顶高度、云底高度在1小时内取平均值，时间分辨率变换为1小时；对降水量R在1小时内累计相加，时间分辨率变换为1小时；最终所有参量数据均时间匹配至1小时。
步骤S5、神经网络模型训练步骤：构建BP神经网络训练模型，按照天气条件，分别建立有云网络模型和无云网络模型，两种模型均为BP神经网络模型，两种模型的输入量不同，输出量为均为实测气温，直至模型训练期望误差满足要求。
本步骤根据有云条件和无云条件将其中样本数据对应输入至BP神经网络的有云模型和无云模型，模型输出量均为实测气温，模型训练期望误差分为两种情况：冷季(11月-2月)期望误差设置为0.01，暖季(3月-10月)期望误差设置为0.03，直至模型训练期望误差满足要求。
BP神经网络模型（Back-ProPagation Network,简称BP神经网络）是通过样本数据训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。如图5所示，为a×b×c的三层BP神经网络模型，选择S型正切函数作为隐藏层神经元的激励函数，选择S型对数函数作为输出层神经元的激励函数，通过反传误差函数计算，不断调节网络权值和阈值使误差函数达到极小。
同时，在有云和无云情况下，模型训练也有差异。本实施例的所述BP神经网络模型分为有云网络模型和无云网络模型。
对于输入层和输出层设计：
在有云条件下，有云网络模型的输入量为、、、、LWP、R、、，即模型输入层为八个输入节点，输出层为一个输出节点；无云条件下，无云网络模型的输入量为、LWP、、，即模型输入层为四个输入节点，输出层为一个输出节点。训练模型时，输出层为实测气温；测试模型时输出层输出的是订正后气温T，根据测试样本，使得模型输出的订正后气温T尽可能接近实测气温。
对于隐藏层设计：
隐藏层为单层，按照以下经验公式计算隐藏层的神经元数目b：
其中a为输入层神经元个数，c为输出层神经元个数，值为1，y为[1,10]之间的常数。本方法中，取y=3,即本发明中隐藏层神经元数目为3。
在模型训练时，网络迭代次数为1000次，学习速率为0.2，并用实测气温作为输出量，直至模型的期望误差goal满足要求。
根据goal的值不同，在实际模型训练中，按照11月~2月和3月~10月来分别进行网络建模。
步骤S6、气温订正步骤：在模型应用时，获取目标时间段内的预报气温，获取和计算当前的大气-云物理参量并输入至BP神经网络模型，将模型输出记录为订正后气温T，即得到未来目标时间段内的最终预报气温。
模型训练完成后，在气温订正时，首先获取一段时间的预报气温，比如12小时内的预报气温，然后根据毫米波云雷达、微波辐射计和雨量计三种设备获取到的数据以及数据计算反演得到对应时间段内的大气-云物理参量，然后输入至对应的BP网络神经模型中，输出订正后的气温，即可得到未来12小时内的预报气温。
下面通过具体实例验证：
利用长江中游暴雨监测野外科学试验基地(湖北咸宁黑山观测站)2020年11月1日-2024年1月31日垂直探测设备(包括毫米波云雷达、微波辐射计和雨量计)的探测资料，以及同时间段观测站实测的2m气温数据集和EC在本站的气温预报数据集，划分为训练数据集和测试数据集。选取2020年11月1日-2023年10月31日的历史数据作为训练集，2023年11月1日-2024年1月31日的历史数据作为测试集，以验证网络模型对咸宁本地气温订正的效果，用均方根误差(root mean square error，RMSE)来评估,并和现有的客观订正法做对比。
测试结果如图6所示，通过本网络模型订正后，RMSE=1.08小于采用客观订正法的结果(RMSE=4.17)，由此可见，本发明的方法优于客观订正方法。因此可知通过本发明方法，能够提高气温预测准确性。
综上，本发明通过分析研究云层对气温的影响，并引入BP神经网络模型算法对现有的EC预报气温订正，实现新型气象探测资料和气象预报业务的融合应用。本发明创新点至少体现在如下三点：
第一，现有气温订正方法以数学统计方法为主，几乎没有关注大气中云层对气温变化的影响；而本发明从云层对大气辐射作用的角度，研究云层物理特性与气温变化的关系，并提出一种基于云物理特性的气温订正的方法，能明显提高气温预报的准确度。
第二，本发明采用了新型气象探测设备，可获取不同高度层的大气-云的物理特征，能将大气和云层的特征刻画得更为精细，更有利于气温订正方法的研究。
第三，本发明在BP神经网络模型的基础理论上，根据实际天气情况，分别建立了有云模型和无云模型，并根据冷季和暖季不同的气温区间设置不同的训练期望误差值，使得网络模型更有针对性，提高了气温订正结果的准确度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，所述气温订正方法包括下述步骤：
步骤S1、选定已安装毫米波云雷达和微波辐射计的观测站点，提取该站点对应经纬度网格的历史EC预报气温，提取同一站点的历史观测资料，包括观测站点的实测气温、毫米波云雷达观测数据、微波辐射计观测数据以及地面雨量计观测数据，对历史观测资料的数据进行清洗，得到有效资料数据；
其中毫米波云雷达观测数据包括云廓线，微波辐射计观测数据包括相对湿度RH廓线、水汽密度WVD廓线、液态水路径LWP，雨量计观测数据包括逐分钟降水量R；
步骤S2、根据云廓线数据进行反演计算，得到平均雷达反射率因子、云顶高度、云底高度；
步骤S3、对其中的RH廓线和WVD廓线进行空间匹配，得到地面到一定探测高度范围内RH的平均值，以及WVD的平均值最终得到原始数据集，所述原始数据集中包括有九种大气-云物理参量，分别为预报气温、实测气温、平均雷达反射率因子、云顶高度、云底高度、相对湿度平均值、水汽密度平均值、液态水路径LWP、降水量R；
步骤S4、按照时间轴，根据设定时间分辨率将原始数据集各数据进行时间匹配，得到设定时间分辨率的样本数据集；
步骤S5、构建BP神经网络模型，按照天气条件，分别建立有云网络模型和无云网络模型，两种模型均为BP神经网络模型，两种模型的输入量不同，输出量均为实测气温，直至模型训练期望误差满足要求；
步骤S6、在模型应用时，获取目标时间段内的EC预报气温，获取和计算当前的大气-云物理参量并输入至BP神经网络模型，将模型输出记录为订正后气温T，即未来目标时间段内最终的气温预报值。
2.如权利要求1所述融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，所述BP神经网络模型分为有云网络模型和无云网络模型，两种模型均包括输入层、隐藏层和输出层，其中有云条件下，将训练数据集中提取的预报气温、平均雷达反射率因子、云顶高度、云底高度、相对湿度平均值、水汽密度平均值、液态水路径LWP、降水量R输入至网络模型进行训练，模型输出量为实测气温，直至模型训练期望误差满足要求，即模型输入层为八个输入节点，输出层为一个输出节点；无云条件下，将训练数据集中提取的预报气温、相对湿度平均值、水汽密度平均值、液态水路径LWP输入至网络模型进行训练，模型输出量为实测气温，直至模型训练期望误差满足要求，即模型输入层为四个输入节点，输出层为一个输出节点。
3.如权利要求2所述融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，对有云网络模型和无云网络模型进行训练时，按冷季和暖季设计期望误差值，其中定义冷季为11月-2月，模型训练期望误差goal设置为0.01，则暖季为3月-10月，模型训练期望误差goal设置为0.03。
4.如权利要求3所述融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，BP神经网络模型中，选择S型正切函数作为隐藏层神经元的激励函数，选择S 型对数函数作为输出层神经元的激励函数，网络迭代次数为1000次，学习速率为0. 2。
5.如权利要求1-4任一项所述融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，步骤S2中，云顶高度、云底高度的计算方式为：利用阈值法将毫米波云雷达提供的云廓线每根径向的连续回波中，底部和顶部达到或最接近-40 dBZ的距离库对应高度视为云底高度和云顶高度；如果垂直方向上相邻云块之间的缝隙小于或等于距离阈值，则认为两个云块属于同一层云；反之，则识别为当前大气条件下生成的两层云；在每条云廓线上，对云底和云顶之间距离库上回波的雷达反射率因子取平均值，得到平均雷达反射率因子。
6.如权利要求5所述融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，所述云顶高度和云底高度分别取第一层云的云顶高度和云底高度，所述第一层云为最接近地面的云层。
7.如权利要求6所述融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，步骤S3中，物理参量中、、、LWP、R的矩阵大小为1×1，RH、 WVD的矩阵大小为1×58，对其中的RH廓线和WVD廓线进行矩阵降维处理，得到地面到一定探测高度范围内RH的平均值，以及WVD的平均值其中在有云条件下，根据毫米波云雷达的距离库库长和库数,找到与第一层云的最接近的微波辐射计有探测数据的高度值H, 计算地面到高度H范围内RH的平均值,同理计算地面到高度H范围内WVD的平均值；在无云条件下，计算地面到10 km范围内RH的平均值,同理计算地面到10公里范围内WVD的平均值，最终得到原始数据集中的云顶高度、云底高度、相对湿度、水汽密度、液态水路径、地面降水量。
8.如权利要求7所述融合毫米波云雷达和微波辐射计数据的气温订正方法，其特征在于，步骤S4中，时间分辨率为1小时，时间匹配具体包括：对每3小时提供一次的EC预报气温进行二维线性插值处理，时间分辨率变换为1小时；实测气温的时间分辨率为1小时，无需做时间匹配处理；对平均雷达反射率因子在1小时内取平均值，时间分辨率变换为1小时；对云顶高度、云底高度在1小时内取平均值，时间分辨率变换为1小时；对降水量R在1小时内累计相加，时间分辨率变换为1小时；最终所有参量数据均时间匹配至1小时。
CN202410536035.0A 2024-04-30 2024-04-30 一种融合毫米波云雷达和微波辐射计数据的气温订正方法 Active CN118131240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410536035.0A CN118131240B (zh) 2024-04-30 2024-04-30 一种融合毫米波云雷达和微波辐射计数据的气温订正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410536035.0A CN118131240B (zh) 2024-04-30 2024-04-30 一种融合毫米波云雷达和微波辐射计数据的气温订正方法

Publications (2)

Publication Number Publication Date
CN118131240A CN118131240A (zh) 2024-06-04
CN118131240B true CN118131240B (zh) 2024-07-12

Family

ID=91246845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410536035.0A Active CN118131240B (zh) 2024-04-30 2024-04-30 一种融合毫米波云雷达和微波辐射计数据的气温订正方法

Country Status (1)

Country Link
CN (1) CN118131240B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007486A (zh) * 2014-06-05 2014-08-27 中国气象局气象探测中心 主被动遥感相结合的大气温湿度廓线处理方法及系统
CN108508442A (zh) * 2018-03-16 2018-09-07 哈尔滨工程大学 一种基于地基多通道微波辐射计的大气温湿廓线反演方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108614309B (zh) * 2018-05-11 2019-08-02 西安理工大学 云水资源探测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007486A (zh) * 2014-06-05 2014-08-27 中国气象局气象探测中心 主被动遥感相结合的大气温湿度廓线处理方法及系统
CN108508442A (zh) * 2018-03-16 2018-09-07 哈尔滨工程大学 一种基于地基多通道微波辐射计的大气温湿廓线反演方法

Also Published As

Publication number Publication date
CN118131240A (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
Mathiesen et al. A high-resolution, cloud-assimilating numerical weather prediction model for solar irradiance forecasting
Li et al. Use of spatio-temporal calibrated wind shear model to improve accuracy of wind resource assessment
Voisin et al. Application of a medium-range global hydrologic probabilistic forecast scheme to the Ohio River basin
CN114019579B (zh) 高时空分辨率近地表空气温度重构方法、系统、设备
CN111260111A (zh) 基于气象大数据的径流预报改进方法
Rincón et al. Bias correction of global irradiance modelled with weather and research forecasting model over Paraguay
Wu et al. Future changes in mean and extreme monsoon precipitation in the middle and lower Yangtze River Basin, China, in the CMIP5 models
Tapiador et al. Precipitation estimates for hydroelectricity
Khesali et al. A method in near-surface estimation of air temperature (NEAT) in times following the satellite passing time using MODIS images
Mazzarella et al. Reflectivity and velocity radar data assimilation for two flash flood events in central Italy: A comparison between 3D and 4D variational methods
Grings et al. Validation strategies for satellite-based soil moisture products over Argentine Pampas
He et al. An investigation of atmospheric temperature and pressure using an improved spatio-temporal Kriging model for sensing GNSS-derived precipitable water vapor
Haddjeri et al. Exploring the sensitivity to precipitation, blowing snow, and horizontal resolution of the spatial distribution of simulated snow cover
CN114707396A (zh) 一种全天时pm2.5浓度无缝格点数据的近实时生产方法
CN118131240B (zh) 一种融合毫米波云雷达和微波辐射计数据的气温订正方法
Zeynali et al. Mobile data acquisition and processing in support of an urban heat island study
Ueyama Radiative cooling scale method for correcting hourly surface air temperature error in numerical weather prediction models
Sandeep et al. Assessment of the efficacy of lightning forecast over India: A diagnostic study
Nuryanto et al. Evaluation of Planetary Boundary Layer (PBL) schemes in simulating heavy rainfall events over Central Java using high resolution WRF model
Zhang et al. Spatial Distribution of High-temperature Risk with a Return Period of Different Years in the Yangtze River Delta Urban Agglomeration
Wu et al. SDIPPWV: A novel hybrid prediction model based on stepwise decomposition-integration-prediction avoids future information leakage to predict precipitable water vapor from GNSS observations
Guo et al. Model development for the estimation of urban air temperature based on surface temperature and NDVI–a case study in Szeged
CN116068672B (zh) 一种动力与统计降尺度相结合的山区气温精细化预报方法
Chen et al. Notice of Retraction: Short-term and local rainfall probability prediction based on a dislocation support vector machine model using satellite and in-situ observational data
CN112766580B (zh) 基于动态启发式算法的多源降水产品的融合方法

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