CN108646319A - 一种短时强降雨预报方法及*** - Google Patents
一种短时强降雨预报方法及*** Download PDFInfo
- Publication number
- CN108646319A CN108646319A CN201810902276.7A CN201810902276A CN108646319A CN 108646319 A CN108646319 A CN 108646319A CN 201810902276 A CN201810902276 A CN 201810902276A CN 108646319 A CN108646319 A CN 108646319A
- Authority
- CN
- China
- Prior art keywords
- fleet
- optical flow
- forecast
- short
- flow method
- 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
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种短时强降雨预报方法及***。所述方法包括:步骤a:读取雷达基数据,并对所述雷达基数据进行雷达回波质量控制处理;步骤b:根据所述雷达回波质量控制处理后的雷达基数据构建基于Fleet约束光流法的预报***;步骤c:根据所述基于Fleet约束光流法的预报***构建基于Fleet约束光流法的识别追踪***,进行数据的解析和Fleet光流法产品的生成和输出。本申请通过建设一种全新的基于Fleet约束光流法的预报***,解决对局地生成及降雨云团强度和形状随时间变化很快的回波外推预报问题,提升短时强降雨天气的临近预报***性能。
Description
技术领域
本申请属于气象服务技术领域,特别涉及一种短时强降雨预报方法及***。
背景技术
短时强降雨是一种强对流天气,指的是3小时内某地降雨量超过30毫米。短时强降雨具有突发性强、来势猛、降水时间集中等特点,由于降水强度大、时间集中,短时强降雨常常会造成城市积涝、山体滑坡等气象衍生灾害,严重影响城市运行,甚至威胁生命。短时强降雨天气往往来去匆匆,用常规的气象预报手段预报效果较差,提前24小时进行天气预报的难度很大,同时由于目前模式误差、资料同化等造成数值模式在初始几小时的不稳定,使得数值模式的短时临近预报与需求还存在着明显差距,尤其是强雨天气的自动识别、落区预报预警能力较低。
以深圳为例,深圳是中国重要的海陆空交通枢纽城市,是中国南部海滨城市,毗邻香港。由于特殊的地理位置,深圳市常常面对诸如季风、台风带来的暴雨、大风、强海浪等突发性天气事件,直接影响着城市公共设施安全和人民群众的财产和生命安全。精确及时的精细化气象预报保障服务,这种需求驱动着精细化天气预报的快速发展。而且各类国内外大型体育赛事、展览、会议等重大社会公众活动在深圳频繁举行,这些都对城市天气预报尤其是降雨预报的精细化程度提出了新的要求。
深圳东西狭长,南北界最窄处仅相距10公里左右,而东西海岸线长达230公里,气象要素时空分布极不均匀,气象灾害往往具有突发性强、局地分布不均匀且易致灾的特点,“东边日出西边雨”的情况时常出现。根据历史资料统计,深圳历年最多雨量与最少雨量的地区平均差异高达1000mm。这些剧烈天气常导致严重的损失,如强降水造成城市内涝、危险边坡滑坡等灾害;台风造成的大风、暴雨也会引发地质灾害,造成大面积的水浸。要准确预报降水区域和具体影响时间,难度很大,也一直是气象工作者研究热点和难点。
相比暴雨而言,从预报角度看,层状云造成的大范围暴雨天气相对来说落区更好报一些,而短时强降水预报一直都是难题,因为其落区常常是一个个分散的点,预报员只知道大致的某一片区域会出现分散性短时强降水,但具体出现在哪个点,很难做出准确预报。但是短时强降雨造成的危害尤其大,在山区和我国西南、西北地区,由于水土条件不好,极易发生山洪、滑坡、泥石流等灾害,而这些灾害大多由短时强降水引发。
目前国内外对流临近预报自动外推技术主要包括三类:单体质心法、交叉相关法和光流法。美国在1990年代就开发出了交叉相关法预报雷达回波,我国在2008年前后交叉相关法开始应用于短临预报。单体质心法是将雷暴视为三维单体进行识别、分析、追踪,对雷暴进行拟合外推来做临近预报。交叉相关法利用求雷达回波最优空间相关的方法,在二维区域内通过计算连续时次雷达回波不同区域的最优空间相关系数,来确定回波在过去的移动矢量特征,建立不同时次雷达回波的最佳拟合关系,从而达到追踪一定区域内雷达回波在过去的移动特征,然后通过这些回波移动特征来外推回波未来的位置和形状。使用交叉相关算法的主要优势在于它的计算方法比较简单,与单体质心法只能用于对流降水***相比,交叉相关法既可以跟踪对流降水***,也可以追踪层状云降水。因此,交叉相关法在气象业务部门得到广泛使用。
但在日常业务使用中发现在对局地生成及强度和形状随时间变化很快的降水回波,交叉相关法给出的运动矢量场的质量降低,跟踪失败的情况会显著增加。交叉相关法有先天缺陷,需要引入新的方法。因此,有必要对0-3小时短时强降雨的预报技术进行更有针对性的、深入的研究,发展适合天气系变化剧烈的短时强降雨天气新的临近外推预报方法,以满足0-3小时客观的降雨预报的精细化需求。
发明内容
本申请提供了一种短时强降雨预报方法及***,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种短时强降雨预报方法,包括以下步骤:
步骤a:读取雷达基数据,并对所述雷达基数据进行雷达回波质量控制处理;
步骤b:根据所述雷达回波质量控制处理后的雷达基数据构建基于Fleet约束光流法的预报***;
步骤c:根据所述基于Fleet约束光流法的预报***构建基于Fleet约束光流法的识别追踪***,进行数据的解析和Fleet光流法产品的生成和输出。
本申请实施例采取的技术方案还包括:在所述步骤a中,所述对雷达基数据进行雷达回波质量控制处理具体包括加权的高斯滤波、形态分析膨胀算法、形态分析侵蚀算法、雷达数据的背景减除和雷达数据正则化处理。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述基于Fleet约束光流法包括Fleet后向差分外推、Fleet平流外推、交叉相关后向差分和交叉相关拉格朗日平流外推;所述Fleet约束光流法的具体算法包括:
步骤b1:根据Fleet and Jepson图像部件的运动计算及估计理论,求解雷达实况场的复杂反褶积;
步骤b2:应用色彩点噪声场映射到光流场的核心算法,进行动态色彩的光流场,以及2D和3D动态色彩映射,将光流场动态影射到带有三个坐标轴的6通道基本色彩空间;
步骤b3:应用光流场转化为基于色彩点噪声格式的核心算法,进行不同格式的二维光流场的二维显示;
步骤b4:雷达回波实况的中值滤波。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述Fleet光流法产品的生成和输出具体包括:
步骤c1:生成基于Fleet约束光流法的雷达回波外推产品,并将其输出保存;
步骤c2:结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPE产品,并将其输出保存;
步骤c3:结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPF产品,并将其输出保存;
步骤c4:生成基于Fleet约束光流法的QPF产品与交叉相关QPF的对比检验产品,并将其输出保存。
本申请实施例采取的技术方案还包括:所述步骤c后还包括:综合运用GIS技术、信息可视化技术,基于WEBGIS构建基于Fleet约束光流法的产品综合展示***,进行所述Fleet光流法产品的综合展示;并以所述生成的Fleet光流法产品作为集合成员,分别采用平均法、相关法和Rank法计算短临集合降水概率预报结果,将所述短临集合降水概率预报结果在***平台上进行综合展示。
本申请实施例采取的另一技术方案为:一种短时强降雨预报***,包括:
基于Fleet约束光流法预报***构建模块:用于读取雷达基数据,对所述雷达基数据进行雷达回波质量控制处理,并根据所述雷达回波质量控制处理后的雷达基数据构建基于Fleet约束光流法的预报***;
基于Fleet约束光流法识别追踪***构建模块:用于根据所述基于Fleet约束光流法的预报***构建基于Fleet约束光流法的识别追踪***,进行数据的解析和Fleet光流法产品的生成和输出。
本申请实施例采取的技术方案还包括:所述基于Fleet约束光流法预报***构建模块对雷达基数据进行雷达回波质量控制处理具体包括加权的高斯滤波、形态分析膨胀算法、形态分析侵蚀算法、雷达数据的背景减除和雷达数据正则化处理。
本申请实施例采取的技术方案还包括:所述基于Fleet约束光流法包括Fleet后向差分外推、Fleet平流外推、交叉相关后向差分和交叉相关拉格朗日平流外推;所述Fleet约束光流法的具体算法包括:根据Fleet and Jepson图像部件的运动计算及估计理论,求解雷达实况场的复杂反褶积;应用色彩点噪声场映射到光流场的核心算法,进行动态色彩的光流场,以及2D和3D动态色彩映射,将光流场动态影射到带有三个坐标轴的6通道基本色彩空间;应用光流场转化为基于色彩点噪声格式的核心算法,进行不同格式的二维光流场的二维显示;雷达回波实况的中值滤波。
本申请实施例采取的技术方案还包括:所述基于Fleet约束光流法识别追踪***构建模块进行Fleet光流法产品的生成和输出具体包括:生成基于Fleet约束光流法的雷达回波外推产品,并将其输出保存;结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPE产品,并将其输出保存;结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPF产品,并将其输出保存;生成基于Fleet约束光流法的QPF产品与交叉相关QPF的对比检验产品,并将其输出保存。
本申请实施例采取的技术方案还包括:
基于Fleet约束光流法产品综合展示***构建模块:用于综合运用GIS技术、信息可视化技术,基于WEBGIS构建基于Fleet约束光流法的产品综合展示***,进行所述Fleet光流法产品的综合展示;
短临集合降水概率预报结果计算模块:用于以所述生成的Fleet光流法产品作为集合成员,分别采用平均法、相关法和Rank法计算短临集合降水概率预报结果,将所述短临集合降水概率预报结果在***平台上进行综合展示。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的短时强降雨预报方法及***通过建设一种全新的基于Fleet约束光流法的预报***,解决对局地生成及降雨云团强度和形状随时间变化很快的回波外推预报问题,提升短时强降雨天气的临近预报***性能。采用雷达图像形态学、特征量特征统计、图形识别等相结合的方法建立短时强降雨天气的自动识别与临近预报预警技术,并在短时临近集合预报***中根据集合预报理论,在降水概率预报和等级预报的基础上,建立强对流天气的集合概率预报和等级预报方法与模型,提高强降水、冰雹等强对流天气预报预警能力。
附图说明
图1是本申请实施例的短时强降雨预报方法的流程图;
图2是本申请实施例的短时强降雨预报***的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
请参阅图1,是本申请实施例的短时强降雨预报方法的流程图。本申请实施例的短时强降雨预报方法包括以下步骤:
步骤100:读取雷达基数据,并对雷达基数据进行雷达回波质量控制处理;
步骤100中,雷达回波质量控制处理具体包括加权的高斯滤波、形态分析膨胀算法、形态分析侵蚀算法、雷达数据的背景减除和雷达数据正则化处理。
步骤200:根据雷达回波质量控制处理后的雷达基数据构建基于Fleet约束光流法的预报***;
步骤200中,光流法应用于气象领域的优势在于,即使雷暴的运动和外形变化比较剧烈,也能准确地得到雷暴的整体运动趋势,光流法使用全局平滑约束来求解偏微分运动方程,对变化较大的短时强降雨,也可以准确地得到雷暴的整体运动趋势。基于Fleet约束光流法具体包括Fleet后向差分外推、Fleet平流外推、交叉相关后向差分和交叉相关拉格朗日平流外推。Fleet约束光流法的具体算法包括:
(1)根据Fleet and Jepson图像部件的运动计算及估计理论,求解雷达实况场的复杂反褶积[complex deconvolution],实现雷达图像预报的复杂反褶积求解;
(2)应用色彩点噪声场[color spot noise field]映射到光流场的核心算法,实现动态色彩的光流场,以及2D和3D动态色彩映射(Dynamic Color Mapping),将光流场动态影射到带有三个坐标轴的6通道基本色彩空间;
(3)应用光流场转化为基于色彩点噪声格式[colored spotnoise format]的核心算法,以及不同格式的二维光流场的二维显示;
(4)雷达回波实况的中值滤波;中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。中值滤波方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)},其中,f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板,通常为2*2,3*3区域,也可以是线状、圆形、十字形、圆环形等不同的形状。
步骤300:构建基于Fleet约束光流法的识别追踪***,进行数据的解析和Fleet光流法产品的生成和输出;
步骤300中,基于Fleet约束光流法的识别追踪***基于C/S模式,以分布式的模式部署于服务器端,以多线程并发的方式运行,主要完成数据的解析和Fleet光流法产品的生成和输出,具体包括:
(1)生成基于Fleet约束光流法的雷达回波外推产品,并将其输出保存;
(2)结合卡尔曼滤波和CRESSMAN客观分析,生成和输出基于Fleet光流法的QPE(定量降水估计)产品,并将其输出保存;
(3)结合卡尔曼滤波和CRESSMAN客观分析,生成和输出基于Fleet光流法的QPF(定量降水预测)产品,并将其输出保存。
(4)生成基于Fleet约束光流法的QPF产品与交叉相关QPF的对比检验产品,并将其输出保存。
步骤400:综合运用GIS技术、信息可视化技术,基于WEBGIS(网络地理信息***)构建基于Fleet约束光流法的产品综合展示***,完成Fleet光流法产品的综合展示,并将其集成到临近预报决策支持平台中;
步骤400中,基于Fleet约束光流法的产品综合展示***基于B/S架构,可在电子地图上以色斑图模式动态显示基于Fleet光流法的各类定量估测预报、回波实况及预报等内容,为预报员提供决策参考。各类信息除实时综合显示外,综合显示功能模块支持各类信息的历史回放功能,基于时间指标,各类信息可检索查看。
步骤500:以生成的Fleet光流法产品作为集合成员,分别采用平均法、相关法和Rank法计算短临集合降水概率预报结果,并将短临集合降水概率预报结果在***平台上进行综合展示;
步骤500中,基于大气***的非线性与复杂性,加上初值和模式的自身无法避免的不确定性,目前集合预报理论已成功地应用于中短期数值天气预报和短期气候预测中,并向大气科学各个空间和时间尺度渗透,探索其在短临预报中的应用。本申请在短时临近集合预报***中根据集合预报理论,在降水概率预报和等级预报的基础上,建立强对流天气的集合概率预报和等级预报方法与模型,提高强降水、冰雹等强对流天气预报预警能力。
预报的不确定性主要来源于大气初始状态的不确定性和预报模式的不确定性,大气运动的非线性特性决定了无论来自于初始场还是模式的极微小的误差在模式积分过程中将被放大直至演变为较大的误差。集合预报技术是目前减小这些误差的有效方法,在集合预报中无论集合成员如何形成(如通过在初始资料的基础上构造能表征其误差特征的扰动场形成集合成员或通过选择不同的模式参数化方案、变化某些物理参数的值构成集合成员或将不同数值模式作为集合成员等等),每个集合成员的结果都代表了未来天气演变的一种可能性。综合所有集合成员的预报结果可以获得未来某种天气现象发生的相对概率(如某地区发生大雨的概率),这在单一的模式预报中是无法做到的与以往仅凭经验或用统计方法做出的概率预报相比具有客观性和定量性,因而更具有参考价值。降水的概率预报并不需要预报降水量值的时空分布,而是预报降水强度达到某量级时发生的概率分布。
本申请采用QPF、QPE等Fleet光流法产品作为集合成员,这些集合成员数据均采用统一格式、统一标准、统一评分方法,通过分析或插值统一到分辨率较高的网格上,并且对每天采用“交叉有效”的方法建模进行预报,自动识别、追踪,采用平均法、相关法和Rank法计算短临集合降水概率预报结果,并将结果在***平台上进行综合展示,有效提高短时临近的预报能力。具体地:
(1)平均法:如何根据各集合成员结果得到概率预报,最简单的方法是视每个集合成员的权重均等根据预报发生某天气现象的成员个数来确定未来该天气现象发生的概率,如集合成员数为4个时,有2个集合成员预报未来3h雨量达到大雨,则未来3h发生大雨的概率为50%,这是目前最常用的方法,称之为平均法。每个集合成员在集合预报中的权重均等为1/N,N为集合成员数,若预报发生某量级降水的集合成员有M个,则未来发生该量级降水的概率P为Mx(1/N)。
(2)相关法:该方法在集合预报的基础上结合了统计的方法,根据积累的一定次数的集合预报结果和对应的实际降水情况统计各集合成员的预报与实况降水间的相关性,假设ri为第i个集合成员的预报与实况降水间的相关系数,该集合成员在集合预报中的权重则为:
其中,N为总样本数;j为累加的计数器。
若预报发生某量级降水的集合成员有M个,则未来发生该量级降水的概率.p为这M个集合成员的权重之和。
(3)RANK法:应用一定次数的集合预报结果统计得到所有集合成员的等级分布(RANK),根据这一分布和各集合成员的预报结果确定未来某天气现象发生的概率,试验结果表明该方法的预报效果好于平均法,该方法称之为RANK法。RANK法也是集合与统计相结合的方法。将N个集合成员按预报结果从小到大的次序排列形成N+1个等级(RANK),与其对应的实况可能位于N+1个等级中的任一等级。当实况与所有集合成员的预报结果都不相同时确定其位于的等级比较简单,如8个集合成员的预报降水量(从小到大)分别为8,10,11,16,20,22和25mm,若实况降水量为21mm,则此时的实况位于9个等级中的第7等级。当实况与集合成员的预报结果相同时则需要进行技术处理才能确定其位于的等级,所谓技术处理就是在所有集合成员的预报结果及实况值上加上或减去小量级的随机量,这一处理不会影响概率预报结果,积累一定次数的集合预报结果,判断每次预报对应的实况位于的等级应用这些结果。统计实况位于每个等级的概率即等级分布,有了这一分布再根据各成员的预报结果即可得到降水概率预报。
N+1个等级分布,则未来发生V1≤V<V2的降水概率P为:
当V1=Vi-1,V2=Xi时,P=Ri;
当V1=0,V2=Xi时,
当V1=0,0<V2<X1时,
当V1=Xi,Xi<V2≤Xi+1时,
当Xi<V1≤Xi+1,V2=Xi+1时,
一般降水量越大,其发生的概率越小,因此将发生大于XN的降水概率分布视为均等分布是不合理的,RANK法假设其分布服从Gumbel分布,F为Gumbel累积分布函数,则:
当V1=XN时,
当V1≥XN时,
相关法和RANK法都需要积累一定次数的集合预报结果作为统计样本,为保证有一定量的样本,本申请采用“交叉有效”技术,即对一个个例试验时,将其余个例的集合预报结果作为统计样本。
请参阅图2,是本申请实施例的短时强降雨预报***的结构示意图。本申请实施例的短时强降雨预报***包括基于Fleet约束光流法预报***构建模块、基于Fleet约束光流法识别追踪***构建模块、基于Fleet约束光流法产品综合展示***构建模块和短临集合降水概率预报结果计算模块。
基于Fleet约束光流法预报***构建模块:应用读取雷达基数据,并对雷达基数据进行雷达回波质量控制处理后,根据雷达回波质量控制处理后的雷达基数据构建基于Fleet约束光流法的预报***;其中,雷达回波质量控制处理具体包括加权的高斯滤波、形态分析膨胀算法、形态分析侵蚀算法、雷达数据的背景减除和雷达数据正则化处理。
光流法应用于气象领域的优势在于,即使雷暴的运动和外形变化比较剧烈,也能准确地得到雷暴的整体运动趋势,光流法使用全局平滑约束来求解偏微分运动方程,对变化较大的短时强降雨,也可以准确地得到雷暴的整体运动趋势。Fleet约束光流法具体包括Fleet后向差分外推、Fleet平流外推、交叉相关后向差分和交叉相关拉格朗日平流外推。Fleet约束光流法的具体算法包括:
(1)根据Fleet and Jepson图像部件的运动计算及估计理论,求解雷达实况场的复杂反褶积[complex deconvolution],实现雷达图像预报的复杂反褶积求解;
(2)应用色彩点噪声场[color spot noise field]映射到光流场的核心算法,实现动态色彩的光流场,以及2D和3D动态色彩映射(Dynamic Color Mapping),将光流场动态影射到带有三个坐标轴的6通道基本色彩空间;
(3)应用光流场转化为基于色彩点噪声格式[colored spotnoise format]的核心算法,以及不同格式的二维光流场的二维显示;
(4)雷达回波实况的中值滤波;中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。中值滤波方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)},其中,f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板,通常为2*2,3*3区域,也可以是线状、圆形、十字形、圆环形等不同的形状。
基于Fleet约束光流法识别追踪***构建模块:用于构建基于Fleet约束光流法的识别追踪***,进行数据的解析和Fleet光流法产品的生成和输出;其中,基于Fleet约束光流法的识别追踪***基于C/S模式,以分布式的模式部署于服务器端,以多线程并发的方式运行,主要完成数据的解析和Fleet光流法产品的生成和输出,具体包括:
(1)生成基于Fleet约束光流法的雷达回波外推产品,并将其输出保存;
(2)结合卡尔曼滤波和CRESSMAN客观分析,生成和输出基于Fleet光流法的QPE(定量降水估计)产品,并将其输出保存;
(3)结合卡尔曼滤波和CRESSMAN客观分析,生成和输出基于Fleet光流法的QPF(定量降水预测)产品,并将其输出保存。
(4)生成基于Fleet约束光流法的QPF产品与交叉相关QPF的对比检验产品,并将其输出保存。
基于Fleet约束光流法产品综合展示***构建模块:用于综合运用GIS技术、信息可视化技术,基于WEBGIS构建基于Fleet约束光流法的产品综合展示***,完成Fleet光流法产品的综合展示,并将其集成到临近预报决策支持平台中;其中,基于Fleet约束光流法的产品综合展示***基于B/S架构,可在电子地图上以色斑图模式动态显示基于Fleet光流法的各类定量估测预报、回波实况及预报等内容,为预报员提供决策参考。各类信息除实时综合显示外,综合显示功能模块支持各类信息的历史回放功能,基于时间指标,各类信息可检索查看。
短临集合降水概率预报结果计算模块:用于以生成的Fleet光流法产品作为集合成员,分别采用平均法、相关法和Rank法计算短临集合降水概率预报结果,并将短临集合降水概率预报结果在***平台上进行综合展示;基于大气***的非线性与复杂性,加上初值和模式的自身无法避免的不确定性,目前集合预报理论已成功地应用于中短期数值天气预报和短期气候预测中,并向大气科学各个空间和时间尺度渗透,探索其在短临预报中的应用。本申请在短时临近集合预报***中根据集合预报理论,在降水概率预报和等级预报的基础上,建立强对流天气的集合概率预报和等级预报方法与模型,提高强降水、冰雹等强对流天气预报预警能力。
预报的不确定性主要来源于大气初始状态的不确定性和预报模式的不确定性,大气运动的非线性特性决定了无论来自于初始场还是模式的极微小的误差在模式积分过程中将被放大直至演变为较大的误差。集合预报技术是目前减小这些误差的有效方法,在集合预报中无论集合成员如何形成(如通过在初始资料的基础上构造能表征其误差特征的扰动场形成集合成员或通过选择不同的模式参数化方案、变化某些物理参数的值构成集合成员或将不同数值模式作为集合成员等等),每个集合成员的结果都代表了未来天气演变的一种可能性。综合所有集合成员的预报结果可以获得未来某种天气现象发生的相对概率(如某地区发生大雨的概率),这在单一的模式预报中是无法做到的与以往仅凭经验或用统计方法做出的概率预报相比具有客观性和定量性,因而更具有参考价值。降水的概率预报并不需要预报降水量值的时空分布,而是预报降水强度达到某量级时发生的概率分布。
本申请采用QPF、QPE等Fleet光流法产品作为集合成员,这些集合成员数据均采用统一格式、统一标准、统一评分方法,通过分析或插值统一到分辨率较高的网格上,并且对每天采用“交叉有效”的方法建模进行预报,自动识别、追踪,采用平均法、相关法和Rank法计算短临集合降水概率预报结果,并将结果在***平台上进行综合展示,有效提高短时临近的预报能力。具体地:
(1)平均法:如何根据各集合成员结果得到概率预报,最简单的方法是视每个集合成员的权重均等根据预报发生某天气现象的成员个数来确定未来该天气现象发生的概率,如集合成员数为4个时,有2个集合成员预报未来3h雨量达到大雨,则未来3h发生大雨的概率为50%,这是目前最常用的方法,称之为平均法。每个集合成员在集合预报中的权重均等为1/N,N为集合成员数,若预报发生某量级降水的集合成员有M个,则未来发生该量级降水的概率P为Mx(1/N)。
(2)相关法:该方法在集合预报的基础上结合了统计的方法,根据积累的一定次数的集合预报结果和对应的实际降水情况统计各集合成员的预报与实况降水间的相关性,假设ri为第i个集合成员的预报与实况降水间的相关系数,该集合成员在集合预报中的权重则为:
若预报发生某量级降水的集合成员有M个,则未来发生该量级降水的概率.p为这M个集合成员的权重之和。
(3)RANK法:应用一定次数的集合预报结果统计得到所有集合成员的等级分布(RANK),根据这一分布和各集合成员的预报结果确定未来某天气现象发生的概率,试验结果表明该方法的预报效果好于平均法,该方法称之为RANK法。RANK法也是集合与统计相结合的方法。将N个集合成员按预报结果从小到大的次序排列形成N+1个等级(RANK),与其对应的实况可能位于N+1个等级中的任一等级。当实况与所有集合成员的预报结果都不相同时确定其位于的等级比较简单,如8个集合成员的预报降水量(从小到大)分别为8,10,11,16,20,22和25mm,若实况降水量为21mm,则此时的实况位于9个等级中的第7等级。当实况与集合成员的预报结果相同时则需要进行技术处理才能确定其位于的等级,所谓技术处理就是在所有集合成员的预报结果及实况值上加上或减去小量级的随机量,这一处理不会影响概率预报结果,积累一定次数的集合预报结果,判断每次预报对应的实况位于的等级应用这些结果。统计实况位于每个等级的概率即等级分布,有了这一分布再根据各成员的预报结果即可得到降水概率预报。
N+1个等级分布,则未来发生V1≤V<V2的降水概率P为:
当V1=Vi-1,V2=Xi时,P=Ri;
当V1=0,V2=Xi时,
当V1=0,0<V2<X1时,
当V1=Xi,Xi<V2≤Xi+1时,
当Xi<V1≤Xi+1,V2=Xi+1时,
一般降水量越大,其发生的概率越小,因此将发生大于XN的降水概率分布视为均等分布是不合理的,RANK法假设其分布服从Gumbel分布,F为Gumbel累积分布函数,则:
当V1=XN时,
当V1≥XN时,
相关法和RANK法都需要积累一定次数的集合预报结果作为统计样本,为保证有一定量的样本,本申请采用“交叉有效”技术,即对一个个例试验时,将其余个例的集合预报结果作为统计样本。
本申请实施例的短时强降雨预报方法及***通过建设一种全新的基于Fleet约束光流法的预报***,解决对局地生成及降雨云团强度和形状随时间变化很快的回波外推预报问题,提升短时强降雨天气的临近预报***性能。采用雷达图像形态学、特征量特征统计、图形识别等相结合的方法建立短时强降雨天气的自动识别与临近预报预警技术,并在短时临近集合预报***中根据集合预报理论,在降水概率预报和等级预报的基础上,建立强对流天气的集合概率预报和等级预报方法与模型,提高强降水、冰雹等强对流天气预报预警能力。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种短时强降雨预报方法,其特征在于,包括以下步骤:
步骤a:读取雷达基数据,并对所述雷达基数据进行雷达回波质量控制处理;
步骤b:根据所述雷达回波质量控制处理后的雷达基数据构建基于Fleet约束光流法的预报***;
步骤c:根据所述基于Fleet约束光流法的预报***构建基于Fleet约束光流法的识别追踪***,进行数据的解析和Fleet光流法产品的生成和输出。
2.根据权利要求1所述的短时强降雨预报方法,其特征在于,在所述步骤a中,所述对雷达基数据进行雷达回波质量控制处理具体包括加权的高斯滤波、形态分析膨胀算法、形态分析侵蚀算法、雷达数据的背景减除和雷达数据正则化处理。
3.根据权利要求1或2所述的短时强降雨预报方法,其特征在于,在所述步骤b中,所述基于Fleet约束光流法包括Fleet后向差分外推、Fleet平流外推、交叉相关后向差分和交叉相关拉格朗日平流外推;所述Fleet约束光流法的具体算法包括:
步骤b1:根据Fleet and Jepson图像部件的运动计算及估计理论,求解雷达实况场的复杂反褶积;
步骤b2:应用色彩点噪声场映射到光流场的核心算法,进行动态色彩的光流场,以及2D和3D动态色彩映射,将光流场动态影射到带有三个坐标轴的6通道基本色彩空间;
步骤b3:应用光流场转化为基于色彩点噪声格式的核心算法,进行不同格式的二维光流场的二维显示;
步骤b4:雷达回波实况的中值滤波。
4.根据权利要求3所述的短时强降雨预报方法,其特征在于,在所述步骤c中,所述Fleet光流法产品的生成和输出具体包括:
步骤c1:生成基于Fleet约束光流法的雷达回波外推产品,并将其输出保存;
步骤c2:结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPE产品,并将其输出保存;
步骤c3:结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPF产品,并将其输出保存;
步骤c4:生成基于Fleet约束光流法的QPF产品与交叉相关QPF的对比检验产品,并将其输出保存。
5.根据权利要求4所述的短时强降雨预报方法,其特征在于,所述步骤c后还包括:综合运用GIS技术、信息可视化技术,基于WEBGIS构建基于Fleet约束光流法的产品综合展示***,进行所述Fleet光流法产品的综合展示;并以所述生成的Fleet光流法产品作为集合成员,分别采用平均法、相关法和Rank法计算短临集合降水概率预报结果,将所述短临集合降水概率预报结果在***平台上进行综合展示。
6.一种短时强降雨预报***,其特征在于,包括:
基于Fleet约束光流法预报***构建模块:用于读取雷达基数据,对所述雷达基数据进行雷达回波质量控制处理,并根据所述雷达回波质量控制处理后的雷达基数据构建基于Fleet约束光流法的预报***;
基于Fleet约束光流法识别追踪***构建模块:用于根据所述基于Fleet约束光流法的预报***构建基于Fleet约束光流法的识别追踪***,进行数据的解析和Fleet光流法产品的生成和输出。
7.根据权利要求6所述的短时强降雨预报***,其特征在于,所述基于Fleet约束光流法预报***构建模块对雷达基数据进行雷达回波质量控制处理具体包括加权的高斯滤波、形态分析膨胀算法、形态分析侵蚀算法、雷达数据的背景减除和雷达数据正则化处理。
8.根据权利要求6或7所述的短时强降雨预报***,其特征在于,所述基于Fleet约束光流法包括Fleet后向差分外推、Fleet平流外推、交叉相关后向差分和交叉相关拉格朗日平流外推;所述Fleet约束光流法的具体算法包括:根据Fleet and Jepson图像部件的运动计算及估计理论,求解雷达实况场的复杂反褶积;应用色彩点噪声场映射到光流场的核心算法,进行动态色彩的光流场,以及2D和3D动态色彩映射,将光流场动态影射到带有三个坐标轴的6通道基本色彩空间;应用光流场转化为基于色彩点噪声格式的核心算法,进行不同格式的二维光流场的二维显示;雷达回波实况的中值滤波。
9.根据权利要求8所述的短时强降雨预报***,其特征在于,所述基于Fleet约束光流法识别追踪***构建模块进行Fleet光流法产品的生成和输出具体包括:生成基于Fleet约束光流法的雷达回波外推产品,并将其输出保存;结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPE产品,并将其输出保存;结合卡尔曼滤波和CRESSMAN客观分析,生成基于Fleet光流法的QPF产品,并将其输出保存;生成基于Fleet约束光流法的QPF产品与交叉相关QPF的对比检验产品,并将其输出保存。
10.根据权利要求9所述的短时强降雨预报***,其特征在于,还包括:
基于Fleet约束光流法产品综合展示***构建模块:用于综合运用GIS技术、信息可视化技术,基于WEBGIS构建基于Fleet约束光流法的产品综合展示***,进行所述Fleet光流法产品的综合展示;
短临集合降水概率预报结果计算模块:用于以所述生成的Fleet光流法产品作为集合成员,分别采用平均法、相关法和Rank法计算短临集合降水概率预报结果,将所述短临集合降水概率预报结果在***平台上进行综合展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902276.7A CN108646319B (zh) | 2018-08-09 | 2018-08-09 | 一种短时强降雨预报方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902276.7A CN108646319B (zh) | 2018-08-09 | 2018-08-09 | 一种短时强降雨预报方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108646319A true CN108646319A (zh) | 2018-10-12 |
CN108646319B CN108646319B (zh) | 2021-11-09 |
Family
ID=63760917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810902276.7A Expired - Fee Related CN108646319B (zh) | 2018-08-09 | 2018-08-09 | 一种短时强降雨预报方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108646319B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888186A (zh) * | 2019-11-29 | 2020-03-17 | 天津大学 | 基于gbdt+lr模型的冰雹和短时强降水预报方法 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、***及计算机可读存储介质 |
CN111638565A (zh) * | 2020-06-09 | 2020-09-08 | 云南电网有限责任公司电力科学研究院 | 一种山区暴雨监测方法 |
CN112184753A (zh) * | 2020-09-21 | 2021-01-05 | 上海眼控科技股份有限公司 | 目标光流法确定方法、装置、计算机设备和存储介质 |
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN113360854A (zh) * | 2021-08-10 | 2021-09-07 | 中国人民解放军国防科技大学 | 基于自适应协方差膨胀的资料同化方法 |
CN117518299A (zh) * | 2024-01-05 | 2024-02-06 | 南京大学 | 一种分类强对流临近概率预报方法、***、设备及终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003288603A (ja) * | 2002-03-28 | 2003-10-10 | Nippon Telegr & Teleph Corp <Ntt> | 映像シーン予測方法、装置、プログラム、および記録媒体 |
CN103136596A (zh) * | 2013-01-25 | 2013-06-05 | 成都信息工程学院 | 一种中小河流域山洪灾害监测预警业务平台*** |
CN103675791A (zh) * | 2013-12-05 | 2014-03-26 | 北京师范大学 | 基于数值分布均衡化的米散射激光雷达云识别方法 |
CN103745216A (zh) * | 2014-01-02 | 2014-04-23 | 中国民航科学技术研究院 | 一种基于空域特性的雷达图像杂波抑制方法 |
CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及*** |
CN105842756A (zh) * | 2016-03-30 | 2016-08-10 | 广州市积雨云信息科技有限公司 | 一种雷雨信息预报方法 |
CN107015229A (zh) * | 2017-05-22 | 2017-08-04 | 新疆维吾尔自治区人工影响天气办公室 | 基于双偏振天气雷达的人工防雹作业指挥方法 |
CN107728115A (zh) * | 2017-09-11 | 2018-02-23 | 电子科技大学 | 一种雷达目标成像后基于svm的背景干扰抑制方法 |
-
2018
- 2018-08-09 CN CN201810902276.7A patent/CN108646319B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003288603A (ja) * | 2002-03-28 | 2003-10-10 | Nippon Telegr & Teleph Corp <Ntt> | 映像シーン予測方法、装置、プログラム、および記録媒体 |
CN103136596A (zh) * | 2013-01-25 | 2013-06-05 | 成都信息工程学院 | 一种中小河流域山洪灾害监测预警业务平台*** |
CN103675791A (zh) * | 2013-12-05 | 2014-03-26 | 北京师范大学 | 基于数值分布均衡化的米散射激光雷达云识别方法 |
CN103745216A (zh) * | 2014-01-02 | 2014-04-23 | 中国民航科学技术研究院 | 一种基于空域特性的雷达图像杂波抑制方法 |
CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及*** |
CN105842756A (zh) * | 2016-03-30 | 2016-08-10 | 广州市积雨云信息科技有限公司 | 一种雷雨信息预报方法 |
CN107015229A (zh) * | 2017-05-22 | 2017-08-04 | 新疆维吾尔自治区人工影响天气办公室 | 基于双偏振天气雷达的人工防雹作业指挥方法 |
CN107728115A (zh) * | 2017-09-11 | 2018-02-23 | 电子科技大学 | 一种雷达目标成像后基于svm的背景干扰抑制方法 |
Non-Patent Citations (4)
Title |
---|
兰红平 等: "精细化预报预警平台在深圳的试验应用", 《气象科技进展》 * |
周国清 等: "《面阵激光雷达成像原理 技术及应用》", 31 January 2018 * |
朱红 等: "《3D测量技术》", 31 August 2017 * |
王晨稀: "短期集合降水概率预报试验", 《应用气象学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888186A (zh) * | 2019-11-29 | 2020-03-17 | 天津大学 | 基于gbdt+lr模型的冰雹和短时强降水预报方法 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、***及计算机可读存储介质 |
CN111638565A (zh) * | 2020-06-09 | 2020-09-08 | 云南电网有限责任公司电力科学研究院 | 一种山区暴雨监测方法 |
CN112184753A (zh) * | 2020-09-21 | 2021-01-05 | 上海眼控科技股份有限公司 | 目标光流法确定方法、装置、计算机设备和存储介质 |
CN112363140A (zh) * | 2020-11-05 | 2021-02-12 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN112363140B (zh) * | 2020-11-05 | 2024-04-05 | 南京叁云科技有限公司 | 一种基于循环神经网络的热力约束外推客观订正方法 |
CN113360854A (zh) * | 2021-08-10 | 2021-09-07 | 中国人民解放军国防科技大学 | 基于自适应协方差膨胀的资料同化方法 |
CN113360854B (zh) * | 2021-08-10 | 2021-11-05 | 中国人民解放军国防科技大学 | 基于自适应协方差膨胀的资料同化方法 |
CN117518299A (zh) * | 2024-01-05 | 2024-02-06 | 南京大学 | 一种分类强对流临近概率预报方法、***、设备及终端 |
CN117518299B (zh) * | 2024-01-05 | 2024-03-22 | 南京大学 | 一种分类强对流临近概率预报方法、***、设备及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN108646319B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108646319A (zh) | 一种短时强降雨预报方法及*** | |
CN112070286B (zh) | 复杂地形流域的降水预报预警*** | |
Geiger et al. | A global historical data set of tropical cyclone exposure (TCE-DAT) | |
Xu et al. | Population mapping in China with Tencent social user and remote sensing data | |
Friedland et al. | Isotropic and anisotropic kriging approaches for interpolating surface-level wind speeds across large, geographically diverse regions | |
CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及*** | |
CN115689293B (zh) | 一种基于压力-状态-响应框架的城市内涝韧性评估方法 | |
CN110045441A (zh) | 基于雷达回波图的天气分析方法及装置 | |
CN112381285A (zh) | 一种基于遥感的洪涝淹没预测方法 | |
CN115129802A (zh) | 一种基于多源数据和集成学习的人口空间化方法 | |
Bernet et al. | Characterizing precipitation events leading to surface water flood damage over large regions of complex terrain | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
CN115201938A (zh) | 基于雷暴高压分析的强对流天气临近预报方法及*** | |
Han et al. | Spatiotemporal changes in the urban heat island intensity of distinct local climate zones: Case study of Zhongshan District, Dalian, China | |
CN117436619A (zh) | 一种基于等效防洪作用的梯级水库防洪库容联合预留方法 | |
Hu | An algorithm for converting weather radar data into GIS polygons and its application in severe weather warning systems | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和*** | |
CN116679355A (zh) | 一种基于级联Attention-U-Net的降水预报订正方法 | |
Xu et al. | A framework for the evaluation of roof greening priority | |
CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 | |
CN111696330B (zh) | 一种用于输电线路风灾的分类方法和*** | |
Hemri et al. | How do ecPoint precipitation forecasts compare with postprocessed multi-model ensemble predictions over Switzerland? | |
CN113138431A (zh) | 一种智慧城市气象观测方法及*** | |
CN114819501B (zh) | 一种公路交通气象物联网多源异构数据处理方法和*** | |
Zhang et al. | Quantitative estimation and fusion optimization of radar rainfall in the Duanzhuang watershed at the eastern foot of the Taihang Mountains |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211109 |