WO2021248987A1 - 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法 - Google Patents

一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法 Download PDF

Info

Publication number
WO2021248987A1
WO2021248987A1 PCT/CN2021/084263 CN2021084263W WO2021248987A1 WO 2021248987 A1 WO2021248987 A1 WO 2021248987A1 CN 2021084263 W CN2021084263 W CN 2021084263W WO 2021248987 A1 WO2021248987 A1 WO 2021248987A1
Authority
WO
WIPO (PCT)
Prior art keywords
pressure distribution
distribution situation
ground pressure
forecast
scheme combination
Prior art date
Application number
PCT/CN2021/084263
Other languages
English (en)
French (fr)
Inventor
杨明祥
王浩
蒋云钟
赵勇
董宁澎
Original Assignee
中国水利水电科学研究院
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 中国水利水电科学研究院 filed Critical 中国水利水电科学研究院
Priority to US18/008,156 priority Critical patent/US20230273340A1/en
Publication of WO2021248987A1 publication Critical patent/WO2021248987A1/zh

Links

Images

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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the WRF (Weather Research and Forecasting Model) model is a unified mesoscale weather forecast model jointly developed by the National Center for Environmental Prediction (NCEP), the National Center for Atmospheric Research (NCAR), and multiple universities, research institutes and business departments. It is currently one of the most advanced numerical weather forecasting modes in the world, with a very wide range of applications.
  • the purpose of the present invention is to provide a method for dynamically changing the WRF mode parameterization scheme combination based on the ground pressure distribution situation, so as to solve the aforementioned problems in the prior art.
  • this embodiment provides a method for dynamically changing the WRF mode parameterization scheme combination based on the ground pressure distribution situation, and the method includes the following steps:
  • ⁇ h is the degree of deviation between the ground pressure distribution situation at the beginning of the actual precipitation forecast and the h-th historical ground pressure distribution situation; i is the row number; j is the column number; m is the largest row number; n is the largest column Number; Pi ,j is the pressure value in the i-th row and j-th column in the actual precipitation forecast surface pressure distribution matrix file; It is the pressure value in the ith row and the jth column in the m-th historical ground pressure distribution matrix file.
  • the error between the predicted value and the actual measured value obtained by the optimal parameterization scheme combination is 6.27mm, which is higher than the 4.64mm of the present invention. It can be seen that the present invention is compared with the traditional method. Possess effectiveness and superiority.

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Hydrology & Water Resources (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，包括，S1、构建具有历史地面气压分布形势与最优参数化方案组合对应关系的数据库；S2、在所述数据库中查询与实际降水预报地面气压分布形势最相近的历史地面气压分布形势，以获取与历史地面气压分布形势对应的最优参数化方案组合；利用该最优参数化方案组合运行WRF模式，开展该实际降水预报。优点是：利用地面气压分布与天气形势相关度较高的原理，构建了地面天气形势与最优参数化方案数据库，将预报开始时间地面气压分布形势作为选取最优参数化方案组合的依据，可以间接达到反映不同参数化方案组合对不同天气形势的适用性，从而预报精度更高更科学。

Description

一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法 技术领域
本发明涉及气象水文预报技术领域，尤其涉及一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法。
背景技术
数值天气预报(numerical weather prediction)是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。
WRF(Weather Research and Forecasting Model)模式是由美国环境预报中心(NCEP),美国国家大气研究中心(NCAR)以及多个大学、研究所和业务部门联合研发的一种统一的中尺度天气预报模式，是当前世界范围内最为先进的数值天气预报模式之一，应用范围非常广泛。
微物理、积云对流、辐射、行星边界层、陆面过程等参数化方案是WRF模式的重要组成部分，是在次网格尺度上解释各类天气现象的重要手段。其中，微物理参数化方案和积云对流参数化方案对降水的模拟和预报性能影响较大。由于WRF模式被全球众多科研人员共同维护，每一类参数化方案均有多个选择，现对降水模拟和预报影响较大的微物理参数化方案和积云对流参数化方案介绍如下：
目前使用较为广泛的微物理参数化方案包括。①Kessler方案。是一个简单的暖云降水方案，微物理过程主要考虑雨水产生、降落及蒸发过程，凝结产生云水及云水碰撞增长和自动转化的过程，微物理过程中显式预报水汽、云水和雨水，无冰相过程，在理想化的云模式研究中被广泛使用。②Lin方案。是WRF模式中一种比较复杂且相对成熟的微物理方案，该方案中的水凝物包含了水汽、云水、云冰、雨、雪和霰，适用于理论研究应用和实时数据高分辨率模拟的方案。③WSM6方案。相对于WSM-5方案(考虑了水汽、云水、雨水、云冰和雪5种水凝物)还包括了一些和霰相关的过程，适用于高分辨率模拟方案的研究。④ Thompson方案。是一个包含冰、雪和霰的新微物理参数化方案，用于WRF模式或其他中尺度模式。⑤Morrison方案。是预报5种水凝物(云滴、云冰、雪、雨和霰)混合比和数浓度的完全双参数方案，该方案显式求解云中饱和度和凝结/凝华项。
目前使用较为广泛的积云对流参数化方案包括。①Kain-Fritsch方案。是质量通量参数化方案，利用拉格朗日气块理论来判断是否有不稳定发生及不稳定是否会导致云的增长，使用有下沉气流和对流有效位能(CAPE)可移动时间尺度的深对流和浅对流次网格方案。②Betts-Miller-JanJic方案。是对Betts-Miller方案的修改和改进，引入成云效率参数，该方案为对流调整方案，浅对流调整是该方案的重要部分。③Grell3方案。具有较高分辨率，考虑了相邻柱区中的下沉，与其他集云参数化方案相比，下沉效应可以扩散到周围个点。
由于不同参数化方案往往是由不同的团队开发，考虑的物理机制不同，云雨发生、发展、消亡描述细节存在差异。因此，不同参数化方案擅长模拟的大气状态并不完全一致。然而，大气现象变化多端，同一个地区、不同时间的天气现象差异巨大，同一降水量级可能是由不同的天气类型导致的。可见，一方面是数量庞大的参数化方案组合，一方面是复杂多变的天气现象，使得参数化方案组合的设置在WRF模式模拟中是一个非常复杂的工作。
目前，WRF模式微物理和积云对流参数化方案设置方法，包括如下几种：
①默认法：即使用WRF模式默认的参数化方案组合，作为未来预报时使用的参数化方案组合；
②历史整体最优法：即选择过去一段时间(如1年或多年)对某一个区域预报效果最好的一套参数化方案组合，作为未来预报时使用的参数化方案组合，这种方法一般要经过长时间的模拟，来评估各个参数化方案在某一个地区的表现效果；
③历史季节最优法：即在方法②的基础上，进一步评价出不同参数化方案在不同季节的整体表现效果，针对不同季节选取相对最优的参数化方案组合，也就是每一个季节配置一套相对表现最优的参数化方案组合；
然而，方法①、②、③均在不同程度忽略了不同参数化方案对不同天气条 件预报性能的不同，不符合实际情况，导致预报效果较差。
发明内容
本发明的目的在于提供一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
本发明提供一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，所述方法包括如下步骤，
S1、构建具有历史地面气压分布形势与最优参数化方案组合对应关系的数据库；
S2、在所述数据库中查询与实际降水预报地面气压分布形势最相近的历史地面气压分布形势，以获取与历史地面气压分布形势对应的最优参数化方案组合；利用该最优参数化方案组合运行WRF模式，开展该实际降水预报；
所述步骤S1之前还包括根据预报需求设置数值降水预报的预见期；
所述步骤S1包括如下内容，
S11、确定所述预见期的开始时间和结束时间；
S12、确定参数化方案组合样本集；
S13、确定WRF模式运行方案；
S14、利用各参数化方案组合运行WRF模式；
S15、获取每次运行WRF模式开始时刻的地面气压分布数据以及每次运行WRF模式预报误差最小的参数化方案组合；
S16、循环执行步骤S14至S15，获取所有运行WRF模式开始时刻的地面气压分布数据以及每次运行WRF模式预报误差最小的参数化方案组合，并将其存储，以构成具有历史地面气压分布形势与最优参数化方案组合对应关系的数据库。
优选的：所述参数化方案组合样本集微物理参数化方案和积云对流参数化方案组成。
优选的：步骤S13具体为，在确定开始时间、结束时间和参数化方案组合样本集的基础上，结合预见期制定WRF模式运行方案。
优选的：步骤S15具体为，获取每次WRF模式运行开始时刻的地面气压分布数 据，计算每次运行WRF模式每组参数化方案组合的降水预报误差；取每次降水预报误差最小的参数化方案组合，作为该次运行WRF模式的最优参数化方案组合，并将各个最优参数化方案组合与各个WRF模式运行开始时刻的地面气压分布数据形成对应的关系。
优选的：每组参数化方案组合的降水预报误差的计算公式如下，
Figure PCTCN2021084263-appb-000001
其中，ΔP为参数化方案组合的降水预报误差；λ为预见期；Pre d为第d天的降水预报量；Obs d为第d天的降水观测值。
优选的：步骤S3具体包括如下内容，
S21、获取实际降水预报开始时刻的地面气压分布形势；
S22、在所述数据库中查询与所述实际降水预报开始时刻的地面气压分布形势最相近的历史地面气压分布形势，则该历史地面气压分布形势对应的最优参数化方案组合，即为所述实际降水预报的最优参数化方案组合；
S23、利用所述实际降水预报的最优参数化方案组合运行WRF模式，开展该实际降水预报。
优选的：所述数据库中包括多个历史地面气压分布形势；各所述历史地面气压分布形势的获取方式为，各次运行WFP模式时，解析全球再分析资料FNL，将研究地区的地面气压分布数据以行列的形式存储在各相应的历史地面气压分布矩阵文件中，以分别形成各历史地面气压分布形势；所述实际降水预报开始时刻的地面气压分布形势的获取方式为，在实际降水预报开始时，解析全球再分析资料FNL，将研究地区的地面气压分布数据以行列的形式存储在实际降水预报地面气压分布矩阵文件中，形成所述实际降水预报开始时刻的地面气压分布形势。
优选的：步骤S22具体为，计算实际降水预报开始时刻的地面气压分布形势与所述数据库中各个历史地面气压分布形势之间的偏离度，并遍历所述数据库中所有的历史地面气压分布形势，找出与实际降水预报开始时刻的地面气压分布形势之间偏离度最小的历史地面气压分布形势，则该历史地面气压分布形势 即为与所述实际降水预报开始时刻的地面气压分布形势最相近的历史地面气压分布形势；该历史地面气压分布形势对应的最优参数化方案组合，即为所述实际降水预报的最优参数化方案组合；偏离度计算公式如下，
Figure PCTCN2021084263-appb-000002
其中，ε h为实际降水预报开始时刻的地面气压分布形势与第h个历史地面气压分布形势之间的偏离度；i为行号；j为列号；m为最大行号；n为最大列号；P i,j为实际降水预报地面气压分布矩阵文件中第i行，第j列的气压值；
Figure PCTCN2021084263-appb-000003
为第m个历史地面气压分布矩阵文件中第i行，第j列的气压值。
本发明的有益效果是：1、传统方法均不同程度的忽视了不同参数化方案组合在模拟不同天气现象时效果的差异，本发明利用地面气压分布与天气形势相关度较高的原理，构建了地面天气形势与最优参数化方案数据库，将预报开始时间地面气压分布形势作为选取最优参数化方案组合的依据，相对于传统参数化方案组合的设置更加科学。2、微物理参数化方案和积云对流参数化方案是影响降水预报精度较为关键的两个参数化方案，本发明根据预报开始时间地面气压分布形势选取参数化方案组合，可以间接达到反映不同参数化方案组合对不同天气形势的适用性，从而比传统方法的预报精度更高。
附图说明
图1是本发明实施例中所述方法的原理流程图。
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，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方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，本实施例中提供了一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，所述方法包括如下步骤，
S1、构建具有历史地面气压分布形势与最优参数化方案组合对应关系的数据库；
S2、在所述数据库中查询与实际降水预报地面气压分布形势最相近的历史地面气压分布形势，以获取与历史地面气压分布形势对应的最优参数化方案组合；利用该最优参数化方案组合运行WRF模式，开展该实际降水预报。
本实施例中，所述步骤S1之前还包括根据预报需求设置数值降水预报的预见期。
本实施例中，由于不同天气形势下，不同的参数化方案组合的效果不一样，即不同参数化方案对不同天气形势导致的降水预报能力不一样。地面气压分布形势是反映天气形势的重要指标，利用这一特性，可建立地面气压分布形势与这一分布形势下预报精度最高的参数化方案组合的一一对应关系，在此基础上，根据预报时的地面气压分布形势来动态设置WRF模式的参数化方案组合，实现WRF模式参数化方案的动态调整，从而提高数值降水预报精度。
综上所述，本方法的总体思路是利用各参数化方案组合对历史降水进行预报，分析每次降水预报表现最好的参数化方案组合，并将开始预报时的地面气压分布情况和最优参数化方案组合记录下来，当开展未来预报工作时，从历史数据库中寻找哪一次预报与当前地面气压分布状态最为相近，则采用当时最优的参数化方案组合开展预报。主要包括三部分，预报预见期、构建地面气压分布形势与最优参数化方案组合数据库、数值降水预报。
一、设置预报预见期；根据预报需求设置数值降水预报的预见期，一般在1至7天之间，含1天和7天。
二、构建地面气压分布形势与最优参数化方案组合数据库；也就是步骤S1的内容，具体包括
S11、确定所述预见期的开始时间和结束时间；具体为根据掌握的数据情况，确定开始时间T start和结束时间T end；
S12、确定参数化方案组合样本集；具体为，主要包括对降水预报影响较大的微物理参数化方案和积云对流参数化方案。根据需要确定由此两类参数化方案构成的参数化方案组合样本集，一般设置为如表1中所示：
表1
序号 微物理参数化方案 积云对流参数化方案
1 Kessler Kain-Fritsch
2 Lin Kain-Fritsch
3 WSM6 Kain-Fritsch
4 Thompson Kain-Fritsch
5 Morrison Kain-Fritsch
6 Kessler Betts-Miller-JanJic
7 Lin Betts-Miller-JanJic
8 WSM6 Betts-Miller-JanJic
9 Thompson Betts-Miller-JanJic
10 Morrison Betts-Miller-JanJic
11 Kessler Grell3
12 Lin Grell3
13 WSM6 Grell3
14 Thompson Grell3
15 Morrison Grell3
S13、确定WRF模式运行方案；具体为在确定开始时间、结束时间和参数化方案组合样本集的基础上，结合预见期制定WRF模式运行方案；一般采用逐日向前运行预见期天数的运行方式。例如，开始时间是2014年7月1日，结束时间是2014年10月31日，预见期为7天，则可以设置表2运行方式：
表2
Figure PCTCN2021084263-appb-000004
Figure PCTCN2021084263-appb-000005
Figure PCTCN2021084263-appb-000006
S14、利用各参数化方案组合运行WRF模式；具体为，根据步骤S13中确定好的WRF模式运行方案，按照序号安排WRF模式的运行；
S15、获取每次运行WRF模式开始时刻的地面气压分布数据以及每次运行WRF模式预报误差最小的参数化方案组合；具体为，获取每次WRF模式运行开始时刻的地面气压分布数据，计算每次运行WRF模式每组参数化方案组合的降水预报误差；取每次降水预报误差最小的参数化方案组合，作为该次运行WRF模式的最优参数化方案组合，并将各个最优参数化方案组合与各个WRF模式运行开始时刻的地面气压分布数据形成对应的关系。首先，获取每次WRF模式运行开始时刻的地面气压分布数据，一般获取途径是解析全球再分析资料FNL，并将研究区地面气压分布数据以行列的形式存储在各相应的历史地面气压分布矩阵文件中，以分别形成各历史地面气压分布形势。FNL的空间分辨率是100km*100km，FNL是常用的气象数据，是标准的Grib2格式；其解析方式有很多种；然后，计算每次运行WRF模式的每组参数化方案组合的降水预报误差，计算公式如下：
Figure PCTCN2021084263-appb-000007
其中，ΔP为参数化方案组合的降水预报误差；λ为预见期；Pre d为第d天的降水预报量；Obs d为第d天的降水观测值；
S16、循环执行步骤S14至S15，获取所有运行WRF模式开始时刻的地面气压分布数据以及每次运行WRF模式预报误差最小的参数化方案组合，并将其存储，以 构成具有历史地面气压分布形势与最优参数化方案组合对应关系的数据库。
三、数值降水预报；具体为，在地面气压分布形势与最优参数化方案组合数据库构建的基础上，在每次预报之前先将预报开始时刻的地面气压分布形势与数据库中记录的历史地面气压分布形势进行对比，寻找最为相似的样本，并找出与其对应的最优参数化方案组合，用该参数化方案组合作为WRF模式预报的参数化方案组合配置；也就是步骤S2的内容，分步介绍：
S21、获取实际降水预报开始时刻的地面气压分布形势；获取预报开始时刻的地面气压分布数据，一般获取途径是解析全球再分析资料FNL，并将研究区地面气压分布数据以行列的形式存储在文本文件中。FNL的空间分辨率是100km*100km，FNL是常用的气象数据，是标准的Grib2格式；其解析方式有很多种。解析全球再分析资料FNL，将研究地区的地面气压分布数据以行列的形式存储在实际降水预报地面气压分布矩阵文件中，形成所述实际降水预报开始时刻的地面气压分布形势。
S22、在所述数据库中查询与所述实际降水预报开始时刻的地面气压分布形势最相近的历史地面气压分布形势，则该历史地面气压分布形势对应的最优参数化方案组合，即为所述实际降水预报的最优参数化方案组合；具体为，计算实际降水预报开始时刻的地面气压分布形势与所述数据库中各个历史地面气压分布形势之间的偏离度，并遍历所述数据库中所有的历史地面气压分布形势，找出与实际降水预报开始时刻的地面气压分布形势之间偏离度最小的历史地面气压分布形势，则该历史地面气压分布形势即为与所述实际降水预报开始时刻的地面气压分布形势最相近的历史地面气压分布形势；该历史地面气压分布形势对应的最优参数化方案组合，即为所述实际降水预报的最优参数化方案组合；偏离度计算公式如下，
Figure PCTCN2021084263-appb-000008
其中，ε h为实际降水预报开始时刻的地面气压分布形势与第h个历史地面气压分布形势之间的偏离度；i为行号；j为列号；m为最大行号；n为最大列号；P i,j为实际降水预报地面气压分布矩阵文件中第i行，第j列的气压值；
Figure PCTCN2021084263-appb-000009
为第m 个历史地面气压分布矩阵文件中第i行，第j列的气压值。
S23、利用所述实际降水预报的最优参数化方案组合运行WRF模式，开展该实际降水预报。
实施例二
本实施例中，选择丹江口水库以上的汉江流域为研究对象，具体说明该方法的实施过程。
一、设置预报预见期；设置预报预见期为1天；
二、构建具有地面气压分布形势与最优参数化方案组合对应关系的数据库；
S11、设置开始时间T start为2001-1-1 8:00和结束时间T end为2010-12-31 08:00，共计10年；
S12、确定参数化方案组合样本集；主要包括对降水预报影响较大的微物理参数化方案和积云对流参数化方案。设置为如表1中所示。
S13、确定WRF模式运行方案；在确定开始时间、结束时间，预见期，以及参数化方案组合样本集的基础上，采用逐日向前运行的方式。如表3所示：
表3
Figure PCTCN2021084263-appb-000010
Figure PCTCN2021084263-appb-000011
Figure PCTCN2021084263-appb-000012
S14、利用各参数化方案组合运行WRF模式；根据S13中确定好的WRF模式运行方案，按照序号安排WRF模式的运行；
S15、获取每次运行的地面气压分布和最优参数化方案组合；首先，获取每次WRF模式运行开始时刻的地面气压分布数据，一般获取途径是解析全球再分析资料FNL，并将研究区地面气压分布数据以行列的形式存储在文本文件中；然后，计算WRF模式每次运行每组参数化方案组合的降水预报误差，计算公式如下：
Figure PCTCN2021084263-appb-000013
其中，ΔP为参数化方案组合的降水预报误差；λ为预见期；Pre d为d天的降水预报量；Obs d为第d天的降水观测值；
取ΔP最小的参数化方案组合，作为某次WRF模式运行的最优参数化方案组 合，与地面气压分布文件形成对应关系。
S16、循环以上两步，获取每次WRF模式运行开始时刻的地面气压分布数据以及每次WRF模式运行预报误差最小的参数化方案组合；并将步骤S15获取的每次WRF模式运行开始时刻的地面气压分布数据以及每次WRF模式运行预报误差最小的参数化方案组合，存储起来，形成数据库。存储的记录样例如表4：
表4
Figure PCTCN2021084263-appb-000014
其中地面气压分布矩阵文件一列中存储的是文件的路径，文件内部格式如下所示：
Figure PCTCN2021084263-appb-000015
如上所示，地面气压分布矩阵文件各数字代表不同空间位置的气压值，单位是hPa，左上角的坐标对应空间位置中的西北角，右下角的坐标对应空间位置的东南角。
三、数值降水预报；在地面气压分布形势与最优参数化方案组合数据库构建的基础上，在每次预报之前先将预报开始时刻的地面气压分布形势与数据库中记录的历史地面气压分布形势进行对比，寻找最为相似的样本，并找出与其对应的最优参数化方案组合，用该参数化方案组合作为WRF模式预报的参数化方案组合配置。
S21、本实施例中，预报(回顾预报)的时间段为2014年9月10日至2014年9月16日，共计7天，预报类型为流域面上日雨量预报，即预报2014年9月10日至16日的丹江口以上汉江流域每日面上累计雨量，单位为mm。本次预报需要启动WRF模式7次，启动预报时间是每天的早上8点，每次结束运行的时间次日早上8点，每日雨量的统计口径是当日早上8点至第2日早上8点。面雨量、日雨量为专业常见术语，本实施例中，面雨量计算采用算数平均法。
2014年9月10日至16日的实测雨量如表5，
表5
日期 日雨量(mm)
2014-9-10 24.77
2014-9-11 12.00
2014-9-12 14.38
2014-9-13 20.93
2014-9-14 18.16
2014-9-15 19.39
2014-9-16 11.36
S22、按照发明内容中所述方法，寻找每一天早上8点的最优参数化方案组合如表6所示：
表6
序号 时间 微物理参数化方案 积云对流参数化方案
1 2014-9-10 8:00 WSM6 Grell3
2 2014-9-11 8:00 WSM6 Grell3
3 2014-9-12 8:00 WSM6 Grell3
4 2014-9-13 8:00 WSM6 Betts-Miller-JanJic
5 2014-9-14 8:00 Morrison Grell3
6 2014-9-15 8:00 Morrison Grell3
7 2014-9-16 8:00 WSM6 Grell3
S23、根据以上参数化方案配置，按照序号的先后顺序，组织WRF模式运行7次，每次预报的预见期1天，结果如表7所示：
表7
序号 时间 预报值(mm) 观测值(mm)
1 2014-9-10 8:00 22.69 24.77
2 2014-9-11 8:00 13.12 12.00
3 2014-9-12 8:00 14.01 14.38
4 2014-9-13 8:00 18.15 20.93
5 2014-9-14 8:00 15.99 18.16
6 2014-9-15 8:00 17.89 19.39
7 2014-9-16 8:00 14.50 11.36
可见，采用本发明的方法，预报值与观测值极为相近，且7天总雨量预报值116.35mm与观测值120.99mm误差在5％以内，能够较好的预报未来降水情况。
本实施例中，为了进一步说明本方法的优越性，设置了对比试验，采用15种固定的参数化方案运行WRF模式开展对比试验，将7天的总雨量误差(绝对值)作为比较的依据，结果如表8所示：
表8
序号 微物理参数化方案 积云对流参数化方案 日期 误差(mm)
1 Kessler Kain-Fritsch 2014-9-9 19.29
2 Lin Kain-Fritsch 2014-9-9 12.04
3 WSM6 Kain-Fritsch 2014-9-9 8.21
4 Thompson Kain-Fritsch 2014-9-9 10.66
5 Morrison Kain-Fritsch 2014-9-9 9.45
6 Kessler Betts-Miller-JanJic 2014-9-9 17.52
7 Lin Betts-Miller-JanJic 2014-9-9 14.23
8 WSM6 Betts-Miller-JanJic 2014-9-9 6.59
9 Thompson Betts-Miller-JanJic 2014-9-9 6.77
10 Morrison Betts-Miller-JanJic 2014-9-9 10.44
11 Kessler Grell3 2014-9-9 18.11
12 Lin Grell3 2014-9-9 13.56
13 WSM6 Grell3 2014-9-9 6.27
14 Thompson Grell3 2014-9-9 6.82
15 Morrison Grell3 2014-9-9 9.89
可见，若采用固定的参数化方案组合，则最优参数化方案组合得到的预报值与实测值的误差为6.27mm，高于本发明的4.64mm，可见本发明相对于传统的方法来说，具备有效性和优越性。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，本发明利用地面气压分布与天气形势相关度较高的原理，构建了地面天气形势与最优参数化方案数据库，将预报开始时间地面气压分布形势作为选取最优参数化方案组合的依据，相对于传统参数化方案组合的设置更加科学。 微物理参数化方案和积云对流参数化方案是影响降水预报精度较为关键的两个参数化方案，本发明根据预报开始时间地面气压分布形势选取参数化方案组合，可以间接达到反映不同参数化方案组合对不同天气形势的适用性，从而比传统方法的预报精度更高。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (8)

  1. 一种基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：所述方法包括如下步骤，
    S1、构建具有历史地面气压分布形势与最优参数化方案组合对应关系的数据库；
    S2、在所述数据库中查询与实际降水预报地面气压分布形势最相近的历史地面气压分布形势，以获取与历史地面气压分布形势对应的最优参数化方案组合；利用该最优参数化方案组合运行WRF模式，开展该实际降水预报；
    所述步骤S1之前还包括根据预报需求设置数值降水预报的预见期；
    所述步骤S1包括如下内容，
    S11、确定所述预见期的开始时间和结束时间；
    S12、确定参数化方案组合样本集；
    S13、确定WRF模式运行方案；
    S14、利用各参数化方案组合运行WRF模式；
    S15、获取每次运行WRF模式开始时刻的地面气压分布数据以及每次运行WRF模式预报误差最小的参数化方案组合；
    S16、循环执行步骤S14至S15，获取所有运行WRF模式开始时刻的地面气压分布数据以及每次运行WRF模式预报误差最小的参数化方案组合，并将其存储，以构成具有历史地面气压分布形势与最优参数化方案组合对应关系的数据库。
  2. 根据权利要求1所述的基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：所述参数化方案组合样本集微物理参数化方案和积云对流参数化方案组成。
  3. 根据权利要求2所述的基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：步骤S13具体为，在确定开始时间、结束时间和参数化方案组合样本集的基础上，结合预见期制定WRF模式运行方案。
  4. 根据权利要求3所述的基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：步骤S15具体为，获取每次WRF模式运行开始时刻的地面气压分布数据，计算每次运行WRF模式每组参数化方案组合的降水预报误差；取每次降水预报误差最小的参数化方案组合，作为该次运行WRF模式的最优 参数化方案组合，并将各个最优参数化方案组合与各个WRF模式运行开始时刻的地面气压分布数据形成对应的关系。
  5. 根据权利要求4所述的基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：每组参数化方案组合的降水预报误差的计算公式如下，
    Figure PCTCN2021084263-appb-100001
    其中，ΔP为参数化方案组合的降水预报误差；λ为预见期；Pre d为第d天的降水预报量；Obs d为第d天的降水观测值。
  6. 根据权利要求5所述的基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：步骤S3具体包括如下内容，
    S21、获取实际降水预报开始时刻的地面气压分布形势；
    S22、在所述数据库中查询与所述实际降水预报开始时刻的地面气压分布形势最相近的历史地面气压分布形势，则该历史地面气压分布形势对应的最优参数化方案组合，即为所述实际降水预报的最优参数化方案组合；
    S23、利用所述实际降水预报的最优参数化方案组合运行WRF模式，开展该实际降水预报。
  7. 根据权利要求6所述的基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：所述数据库中包括多个历史地面气压分布形势；各所述历史地面气压分布形势的获取方式为，各次运行WFP模式时，解析全球再分析资料FNL，将研究地区的地面气压分布数据以行列的形式存储在各相应的历史地面气压分布矩阵文件中，以分别形成各历史地面气压分布形势；所述实际降水预报开始时刻的地面气压分布形势的获取方式为，在实际降水预报开始时，解析全球再分析资料FNL，将研究地区的地面气压分布数据以行列的形式存储在实际降水预报地面气压分布矩阵文件中，形成所述实际降水预报开始时刻的地面气压分布形势。
  8. 根据权利要求7所述的基于地面气压分布形势动态改变WRF模式参数化方案组合的方法，其特征在于：步骤S22具体为，计算实际降水预报开始时刻的地 面气压分布形势与所述数据库中各个历史地面气压分布形势之间的偏离度，并遍历所述数据库中所有的历史地面气压分布形势，找出与实际降水预报开始时刻的地面气压分布形势之间偏离度最小的历史地面气压分布形势，则该历史地面气压分布形势即为与所述实际降水预报开始时刻的地面气压分布形势最相近的历史地面气压分布形势；该历史地面气压分布形势对应的最优参数化方案组合，即为所述实际降水预报的最优参数化方案组合；偏离度计算公式如下，
    Figure PCTCN2021084263-appb-100002
    其中，ε h为实际降水预报开始时刻的地面气压分布形势与第h个历史地面气压分布形势之间的偏离度；i为行号；j为列号；m为最大行号；n为最大列号；P i,j为实际降水预报地面气压分布矩阵文件中第i行，第j列的气压值；
    Figure PCTCN2021084263-appb-100003
    为第m个历史地面气压分布矩阵文件中第i行，第j列的气压值。
PCT/CN2021/084263 2020-06-08 2021-03-31 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法 WO2021248987A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/008,156 US20230273340A1 (en) 2020-06-08 2021-03-31 Method for dynamically changing a WRF parameterization scheme combination based on a surface pressure distribution situation

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010513026.1A CN111639437B (zh) 2020-06-08 2020-06-08 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法
CN202010513026.1 2020-06-08

Publications (1)

Publication Number Publication Date
WO2021248987A1 true WO2021248987A1 (zh) 2021-12-16

Family

ID=72330384

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/084263 WO2021248987A1 (zh) 2020-06-08 2021-03-31 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法

Country Status (3)

Country Link
US (1) US20230273340A1 (zh)
CN (1) CN111639437B (zh)
WO (1) WO2021248987A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510875A (zh) * 2022-01-26 2022-05-17 国家海洋环境预报中心 一种基于多源气象数据的环流形势赤潮预报系统及方法
CN115453661A (zh) * 2022-11-14 2022-12-09 中科星图维天信(北京)科技有限公司 气象预报方法、装置、设备以及存储介质
CN118115892A (zh) * 2024-03-15 2024-05-31 中科三清科技有限公司 基于分类模型的天气形势识别方法、系统、介质及电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639437B (zh) * 2020-06-08 2021-03-23 中国水利水电科学研究院 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180038994A1 (en) * 2016-08-02 2018-02-08 International Business Machines Corporation Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset
CN110569595A (zh) * 2019-09-06 2019-12-13 中国水利水电科学研究院 一种基于数值模拟的无资料地区雨量站网选址方法
CN110619433A (zh) * 2019-09-17 2019-12-27 国网湖南省电力有限公司 电网暴雨数值模式参数化方案的快速选择方法及系统
CN111639437A (zh) * 2020-06-08 2020-09-08 中国水利水电科学研究院 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221714B (zh) * 2011-03-11 2013-10-23 钱维宏 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法
CN102945508B (zh) * 2012-10-15 2014-01-29 风脉（武汉）可再生能源技术有限责任公司 一种基于模型校正的风电功率预测预报方法
CN103514328B (zh) * 2013-09-29 2016-07-06 国家电网公司 一种基于wrf的极端干旱地区风场模拟方法
CN103793511B (zh) * 2014-02-08 2017-02-01 中能电力科技开发有限公司 一种提高风速预报精度的方法
CN104298851B (zh) * 2014-07-22 2017-04-12 兰州大学 一种用于预报强降水天气的数据处理方法
CN106339568B (zh) * 2015-07-08 2019-04-05 中国电力科学研究院 一种基于混合背景场的数值天气预报方法
CN109143408B (zh) * 2018-08-09 2020-12-11 河海大学 基于mlp的动态区域联合短时降水预报方法
CN110674965A (zh) * 2019-05-15 2020-01-10 中国电建集团华东勘测设计研究院有限公司 基于动态特征选取的多时间步长风功率预测方法
CN111190243B (zh) * 2019-12-19 2022-04-26 成都星时代宇航科技有限公司 气象预测图的生成方法、计算机设备及其可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180038994A1 (en) * 2016-08-02 2018-02-08 International Business Machines Corporation Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset
CN110569595A (zh) * 2019-09-06 2019-12-13 中国水利水电科学研究院 一种基于数值模拟的无资料地区雨量站网选址方法
CN110619433A (zh) * 2019-09-17 2019-12-27 国网湖南省电力有限公司 电网暴雨数值模式参数化方案的快速选择方法及系统
CN111639437A (zh) * 2020-06-08 2020-09-08 中国水利水电科学研究院 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHU, QI ET AL.: "Evaluation of the WRF Model With Different Physical Parameterization Schemes in Simulating Short-duration Heavy Rainfall Events in Beijing", JOURNAL OF BEIJING NORMAL UNIVERSITY (NATURAL SCIENCE), vol. 55, no. 5, 31 October 2019 (2019-10-31), pages 617 - 626, XP055879296 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510875A (zh) * 2022-01-26 2022-05-17 国家海洋环境预报中心 一种基于多源气象数据的环流形势赤潮预报系统及方法
CN114510875B (zh) * 2022-01-26 2022-09-30 国家海洋环境预报中心 一种基于多源气象数据的环流形势赤潮预报系统及方法
CN115453661A (zh) * 2022-11-14 2022-12-09 中科星图维天信(北京)科技有限公司 气象预报方法、装置、设备以及存储介质
CN118115892A (zh) * 2024-03-15 2024-05-31 中科三清科技有限公司 基于分类模型的天气形势识别方法、系统、介质及电子设备

Also Published As

Publication number Publication date
CN111639437A (zh) 2020-09-08
CN111639437B (zh) 2021-03-23
US20230273340A1 (en) 2023-08-31

Similar Documents

Publication Publication Date Title
WO2021248987A1 (zh) 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法
Deng et al. Systematic modeling of impacts of land use and land cover changes on regional climate: a review
WO2021184550A1 (zh) 一种基于土壤传递函数的目标土壤性质含量预测方法
CN103426026B (zh) 一种混合神经网络预测及识别景区气象要素的方法
YANG et al. The possible effect of climate warming on northern limits of cropping system and crop yield in China
Spicer et al. New developments in CLAMP: calibration using global gridded meteorological data
Zhang et al. Impact of East Asian summer monsoon heating on the interannual variation of the South Asian high
Liu et al. The global subduction/obduction rates: Their interannual and decadal variability
Chen et al. Effects of irrigation on water and energy balances in the Heihe River basin using VIC model under different irrigation scenarios
CN101916337B (zh) 一种基于地理信息系统的水稻生产潜力动态预测方法
Swapna et al. The IITM earth system model: transformation of a seasonal prediction model to a long-term climate model
Hazarika et al. Estimation of net primary productivity by integrating remote sensing data with an ecosystem model
Tang et al. Urban meteorological forcing data for building energy simulations
Hitchcock et al. Evolution of pre-and postconvective environmental profiles from mesoscale convective systems during PECAN
Alexander et al. Extratropical atmosphere–ocean variability in CCSM3
CN110909981A (zh) 一种评价中国大陆性季风气候区葡萄气候区划的方法
Dong et al. Simulation of United States mesoscale convective systems using GFDL’s new high-resolution general circulation model
Ding et al. A newly-discovered GPD-GEV relationship together with comparing their models of extreme precipitation in summer
Bughici et al. Evaluation and bias correction in WRF model forecasting of precipitation and potential evapotranspiration
CN111639438A (zh) 一种基于前期预报误差动态改变wrf模式参数化方案组合的方法
Chiang et al. Multidecadal changes of Upper-Ocean thermal conditions in the tropical northwest Pacific Ocean versus South China Sea during 1960–2015
Zheng et al. Study on the impacts of urban network evolution on urban wind and heat environment based on improved genetic algorithm.
Al-Taai et al. The Relationship between Soil Temperature and Volumetric Soil Water Content in Iraq using ECMWF Data for the Period (1980-2016)
Shen Agricultural climate change and rural animation film application based on remote sensing images
XU et al. Crop yield prediction in Ethiopia based on machine learning under future climate scenarios

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21822813

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03.04.2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21822813

Country of ref document: EP

Kind code of ref document: A1