CN113239318B - 一种区域数值预报模式的土壤湿度初值订正方法 - Google Patents

一种区域数值预报模式的土壤湿度初值订正方法 Download PDF

Info

Publication number
CN113239318B
CN113239318B CN202110533846.1A CN202110533846A CN113239318B CN 113239318 B CN113239318 B CN 113239318B CN 202110533846 A CN202110533846 A CN 202110533846A CN 113239318 B CN113239318 B CN 113239318B
Authority
CN
China
Prior art keywords
soil humidity
average
humidity
soil
deviation
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
CN202110533846.1A
Other languages
English (en)
Other versions
CN113239318A (zh
Inventor
张海亮
买买提艾力·买买提依明
蓝俊
李火青
刘军建
刘宗会
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 DESERT METEOROLOGY CMA URUMQI
Original Assignee
INSTITUTE OF DESERT METEOROLOGY CMA URUMQI
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 DESERT METEOROLOGY CMA URUMQI filed Critical INSTITUTE OF DESERT METEOROLOGY CMA URUMQI
Priority to CN202110533846.1A priority Critical patent/CN113239318B/zh
Publication of CN113239318A publication Critical patent/CN113239318A/zh
Application granted granted Critical
Publication of CN113239318B publication Critical patent/CN113239318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Remote Sensing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biochemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明提供了一种区域数值预报模式的土壤湿度初值订正方法，包括：步骤1：计算平均预报偏差；步骤2：构造土壤湿度多元线性回归方程；步骤3：计算土壤湿度平均偏差；步骤4：计算土壤湿度平均调整因子；步骤5：计算土壤湿度实际平均调整因子；步骤6：订正土壤湿度初值；本发明在对区域数值预报模式的土壤湿度初值进行订正时具有实现简单、实时性强、且具有与模式初始场大气干湿状态互补等优点。

Description

一种区域数值预报模式的土壤湿度初值订正方法
技术领域
本发明涉及大气科学技术领域，尤其涉及一种区域数值预报模式的土壤湿度初值订正方法。
背景技术
数值天气预报(NWP)指的是根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解大气动力学及热力学方程组，预测未来一定时段的大气运动状态和天气现象的方法。目前全球使用最广泛的中尺度区域数值模式是美国大气研究中心(NCAR)、国家环境预报中心(NCEP)等多单位联合建立发展的WRF模式。
土壤湿度可以显著影响陆气之间热量与水分的交换。土壤中的液态水通过蒸发、吸收潜热而影响大气热力动力结构及中小尺度垂直环流。观测与模拟研究表明：土壤湿度增加时，会导致未饱和大气的湿度增加，温度降低，更稳定和更浅的边界层，更低的积云底高度以及更大的对流有效位能。土壤湿度在数值天气预报模式中起着重要作用，有必要对土壤湿度数据进行订正，进一步提升区域数值模式预报技巧，提高气象防灾减灾能力。
我们主要以WRF为例，说明区域数值预报模式中土壤湿度初值的订正方法。该方法对其他的区域数值模式具有普适性(比如，中国气象局的GRAPES-meso、美国俄克拉何马大学的ARPS模式等)。WRF模式中土壤湿度数据主要使用的是美国国家环境预报中心(NCEP)的全球预报***(GFS)的土壤湿度数据。对其进行订正方法主要有2种。
一是利用全球陆面数据同化***(GLDAS)产品的土壤湿度数据替换GFS产品的土壤湿度数据。GLDAS产品是美国宇航局(NASA)提供的，利用了陆面模式和数据同化技术，引入了卫星和地面观测数据产品，与实况有较好的匹配度。
但是也存在2个问题：一是GLDAS是陆面再分析产品，适用于科研，难以满足数值预报业务的实时性需求。二是GLDAS数据与实况吻合度较好，但并不一定适合区域数值预报模式，模式的土壤湿度应与模式的大气干湿状态互补，才能获得最好的预报效果。中国气象局研发的中国气象局陆面数据同化***(CLDAS-V2.0)产品可以提供近实时产品数据集，但其产品只覆盖了亚洲区域(0-65°N，60-160°E)，无法应用于其它区域的天气预报业务。
二是利用美国国家大气研究中心(UCAR)研发的高分辨率陆面资料同化***(HRLDAS)模拟陆面数据。HRLDAS使用观测和分析的气象强迫场(降水、辐射、风、湿度、温度)驱动陆面模式来模拟陆面状态的演变(例如，土壤湿度和温度、雪等)。HRLDAS需进行长时间模拟(如18个月以上)，以使各气象要素达到准平衡态。中国气象局北京城市气象研究院基于HRLDAS建设了区域陆面资料同化***，为WRF模式提供初始土壤湿度场数据。经验证，WRF模拟的近地面层的温度和湿度预报偏差有一定改善。
但是也存在一些难点：一是HRLDAS***搭建复杂，成本较高。二是缺乏高分辨率的常规土壤湿度观测资料进行检验。三是HRLDAS的土壤湿度产品与WRF模式使用的背景场的大气干湿状态的互补性不强；
由此可见，当前主要的土壤湿度订正方法在实时性、复杂性、有效性上还难以满足区域数值模式业务化应用的需求，亟需一种区域数值预报模式的土壤湿度初值订正方法，用于解决对土壤湿度订正功能的实时、简单、实用的业务化需求，推进土壤湿度订正功能在区域数值模式中的业务化应用，提高模式预报技巧，提高气象防灾减灾能力。
发明内容
本发明提供一种区域数值预报模式的土壤湿度初值订正方法，用以解决对土壤湿度订正功能的实时、简单、实用的业务化需求，推进土壤湿度订正功能在区域数值模式中的业务化应用，提高模式预报技巧，提高气象防灾减灾能力的问题。
一种区域数值预报模式的土壤湿度初值订正方法，包括：
步骤1：计算平均预报偏差；
步骤2：构造土壤湿度多元线性回归方程；
步骤3：计算土壤湿度平均偏差；
步骤4：计算土壤湿度平均调整因子；
步骤5：计算土壤湿度实际平均调整因子；
步骤6：订正土壤湿度初值。
作为本发明的一种实施例，计算平均预报偏差，包括：
获取前一天同一起报时次模式预报结果，模式预报结果包括：模式2米温度预报值、模式2米比湿预报值和模式地表气压预报值；
获取模拟区域内气象观测站的观测数据，观测数据包括：观测站点2米温度观测值、观测站点2米比湿观测值和观测站点地表气压观测值；
基于模式预报结果和观测数据计算平均预报偏差，平均预报偏差包括：2米温度平均预报偏差、2米比湿平均预报偏差和地表气压平均预报偏差。
作为本发明的一种实施例，计算平均预报偏差，还包括：
基于模式2米温度预报值和观测站点2米温度观测值计算2米温度平均预报偏差，计算公式如下：
Figure GDA0003843133540000041
其中，
Figure GDA0003843133540000042
为2米温度平均预报偏差，n为2米温度观测数据个数，T2m_o为观测站点2米温度观测值，T2m_f为模式2米温度预报值；
基于模式2米比湿预报值和观测站点2米比湿观测值计算2米比湿平均预报偏差，计算公式如下：
Figure GDA0003843133540000043
其中，
Figure GDA0003843133540000044
为2米比湿平均预报偏差，m为2米比湿观测数据个数，Q2m_o为观测站点2米比湿观测值，Q2m_f为模式2米比湿预报值；
基于模式地表气压预报值和观测站点地表气压观测值计算地表气压平均预报偏差，计算公式如下：
Figure GDA0003843133540000045
其中，
Figure GDA0003843133540000046
为地表气压平均预报偏差，g为地表气压观测数据个数，Psfc_o为观测站点地表气压观测值，Psfc_f为模式地表气压预报值。
作为本发明的一种实施例，构造土壤湿度多元线性回归方程，包括：
获取当前起报时次的NCEP的GFS数据，将GFS数据输入WRF模式得到WRF模式初始场；
获取WRF模式初始场中所有格点的基础数据，基础数据包括：2米温度、2米比湿、地表气压和土壤湿度；
获取土壤湿度的计算公式，计算公式如下：
Qsoil＝I+a×T2m+b×Q2m+c×Psfc
其中，Qsoil为土壤湿度，I为截距，T2m为2米温度，Q2m为2米比湿，Psfc为地表气压，a，b，c分别为2米温度、2米比湿、地表气压的回归系数；
将基础数据代入土壤湿度的计算公式得到a，b，c的具体值；
基于a，b，c的具体值构建土壤湿度多元线性回归方程，土壤湿度多元线性回归方程如下：
Figure GDA0003843133540000051
其中，
Figure GDA0003843133540000052
为土壤湿度平均偏差，β，γ，δ为未知的待填入的值。
作为本发明的一种实施例，计算土壤湿度平均偏差，包括：
获取步骤1中的平均预报偏差；
获取步骤2中的多元线性回归方程；
将平均预报偏差代入多元线性回归方程计算土壤湿度平均偏差，计算公式如下：
Figure GDA0003843133540000053
其中，
Figure GDA0003843133540000054
为土壤湿度平均偏差，
Figure GDA0003843133540000055
为2米温度平均预报偏差，
Figure GDA0003843133540000056
为2米比湿平均预报偏差，
Figure GDA0003843133540000057
为地表气压平均预报偏差。
作为本发明的一种实施例，计算土壤湿度平均调整因子，包括：
获取模式模拟区域格点的土壤湿度；
获取步骤3中的土壤湿度平均偏差；
基于土壤湿度与土壤湿度平均偏差计算土壤湿度平均调整因子，计算公式如下：
Figure GDA0003843133540000061
其中，
Figure GDA0003843133540000062
为土壤湿度平均调整因子，Qsoil_1为模式模拟区域格点的土壤湿度，
Figure GDA0003843133540000063
为土壤湿度平均偏差，h为模式模拟区域的格点总数，Crelax为预设的松弛因子。
作为本发明的一种实施例，计算土壤湿度实际平均调整因子，包括：
获取前一天同一起报时次的土壤湿度历史平均调整因子；
获取步骤4中的土壤湿度平均调整因子；
基于前一天同一起报时次的土壤湿度历史平均调整因子和土壤湿度平均调整因子计算土壤湿度实际平均调整因子，计算公式如下：
Figure GDA0003843133540000064
其中，
Figure GDA0003843133540000065
为土壤湿度实际平均调整因子，
Figure GDA0003843133540000066
为土壤湿度平均调整因子，
Figure GDA0003843133540000067
为前一天同一起报时次的土壤湿度历史平均调整因子。
作为本发明的一种实施例，计算土壤湿度实际平均调整因子，还包括：
当前起报时次的土壤湿度历史平均调整因子与土壤湿度实际平均调整因子相同，计算公式如下：
Figure GDA0003843133540000068
其中，
Figure GDA0003843133540000069
为当前起报时次的土壤湿度历史平均调整因子。
作为本发明的一种实施例，订正土壤湿度初值，包括：
获取当前起报时次的模式初始场的格点土壤湿度；
获取步骤5的土壤湿度实际平均调整因子；
基于当前起报时次的模式初始场的格点土壤湿度和土壤湿度实际平均调整因子计算土壤湿度初值，计算公式如下：
Figure GDA0003843133540000071
其中，Qsoil_3为订正后的土壤湿度初值，
Figure GDA0003843133540000072
为土壤湿度实际平均调整因子，Qsoil_2为当前起报时次的模式初始场的格点土壤湿度；
当土壤湿度初值大于1.0时，订正土壤湿度初值为1.0。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明实施例中一种区域数值预报模式的土壤湿度初值订正方法的方法示意图；
图2为本发明实施例中一种区域数值预报模式的土壤湿度初值订正方法的土壤湿度残差分布图；
图3为本发明实施例中一种区域数值预报模式的土壤湿度初值订正方法中不同土壤湿度初值条件下各降水量级24小时累积降水的CSI和FBIAS评分；
图4为本发明实施例中一种区域数值预报模式的土壤湿度初值订正方法中不同土壤湿度条件下的2米比湿和2米温度的平均偏差和均方根误差对比示意图；
图5为本发明实施例中一种区域数值预报模式的土壤湿度初值订正方法的具体流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供了一种区域数值预报模式的土壤湿度初值订正方法，包括：
步骤1：计算平均预报偏差；
步骤2：构造土壤湿度多元线性回归方程；
步骤3：计算土壤湿度平均偏差；
步骤4：计算土壤湿度平均调整因子；
步骤5：计算土壤湿度实际平均调整因子；
步骤6：订正土壤湿度初值；
上述技术方案的工作原理为：根据模式中土壤湿度与2米比湿、2米温度、地表气压在一定范围内符合多元线性回归方程的结论，使用土壤湿度多元线性回归方程，以2米比湿、2米温度、地表气压3个气象要素的观测和预报偏差，估计模式土壤湿度的***性偏差，进而对模式起报时刻的土壤湿度初值进行订正；
步骤1中计算平均预报偏差具体为：
获取前一天同一起报时次模式预报结果，模式预报结果包括：模式2米温度预报值、模式2米比湿预报值和模式地表气压预报值；
获取模拟区域内气象观测站的观测数据，观测数据包括：观测站点2米温度观测值、观测站点2米比湿观测值和观测站点地表气压观测值；
基于模式预报结果和观测数据计算平均预报偏差，平均预报偏差包括：2米温度平均预报偏差、2米比湿平均预报偏差和地表气压平均预报偏差；
基于模式2米温度预报值和观测站点2米温度观测值计算2米温度平均预报偏差，计算公式如下：
Figure GDA0003843133540000091
其中，
Figure GDA0003843133540000092
为2米温度平均预报偏差，n为2米温度观测数据个数，T2m_o为观测站点2米温度观测值，T2m_f为模式2米温度预报值；
基于模式2米比湿预报值和观测站点2米比湿观测值计算2米比湿平均预报偏差，计算公式如下：
Figure GDA0003843133540000093
其中，
Figure GDA0003843133540000094
为2米比湿平均预报偏差，m为2米比湿观测数据个数，Q2m_o为观测站点2米比湿观测值，Q2m_f为模式2米比湿预报值；
基于模式地表气压预报值和观测站点地表气压观测值计算地表气压平均预报偏差，计算公式如下：
Figure GDA0003843133540000101
其中，
Figure GDA0003843133540000102
为地表气压平均预报偏差，g为地表气压观测数据个数，Psfc_o为观测站点地表气压观测值，Psfc_f为模式地表气压预报值；
步骤2中构造土壤湿度多元线性回归方程具体为：
使用当前起报时次的NCEP的GFS数据，输入WRF模式作为初始场；利用WRF模式初始场中所有格点的2米温度、2米比湿、地表气压、土壤湿度(0-10cm)数据(注：须剔除水域区域数据，即土壤湿度等于1的格点数据)，通过最小二乘法，计算土壤湿度的多元线性回归方程，得到回归方程的2米温度、2米比湿、地表气压的回归系数、截距；
例如获取当前起报时次的NCEP的GFS数据，将GFS数据输入WRF模式得到WRF模式初始场；
获取WRF模式初始场中所有格点的基础数据，基础数据包括：2米温度、2米比湿、地表气压和土壤湿度；
获取土壤湿度的计算公式，计算公式如下：
Qsoil＝I+a×T2m+b×Q2m+c×Psfc
其中，Qsoil为土壤湿度，I为截距，T2m为2米温度，Q2m为2米比湿，Psfc为地表气压，a，b，c分别为2米温度、2米比湿、地表气压的回归系数；
将基础数据代入土壤湿度的计算公式得到a，b，c的具体值；
基于a，b，c的具体值构建土壤湿度多元线性回归方程，土壤湿度多元线性回归方程如下：
Figure GDA0003843133540000111
其中，
Figure GDA0003843133540000112
为土壤湿度平均偏差，β，γ，δ为未知的待填入的值；
步骤3中计算土壤湿度平均偏差具体为：
获取步骤1中的平均预报偏差；
获取步骤2中的多元线性回归方程；
将平均预报偏差代入多元线性回归方程计算土壤湿度平均偏差，计算公式如下：
Figure GDA0003843133540000113
其中，
Figure GDA0003843133540000114
为土壤湿度平均偏差，
Figure GDA0003843133540000115
为2米温度平均预报偏差，
Figure GDA0003843133540000116
为2米比湿平均预报偏差，
Figure GDA0003843133540000117
为地表气压平均预报偏差；
步骤4中计算土壤湿度平均调整因子具体为：
获取模式模拟区域格点的土壤湿度；
获取步骤3中的土壤湿度平均偏差；
基于土壤湿度与土壤湿度平均偏差计算土壤湿度平均调整因子，计算公式如下：
Figure GDA0003843133540000118
其中，
Figure GDA0003843133540000119
为土壤湿度平均调整因子，Qsoil_1为模式模拟区域格点的土壤湿度，
Figure GDA00038431335400001110
为土壤湿度平均偏差，h为模式模拟区域的格点总数，Crelax为预设的松弛因子；
步骤5中计算土壤湿度实际平均调整因子具体为：
获取前一天同一起报时次的历史土壤湿度平均调整因子；
获取步骤4中的土壤湿度平均调整因子；
基于前一天同一起报时次的土壤湿度历史平均调整因子和土壤湿度平均调整因子计算土壤湿度实际平均调整因子，计算公式如下：
Figure GDA0003843133540000121
其中，
Figure GDA0003843133540000122
为土壤湿度实际平均调整因子，
Figure GDA0003843133540000123
为土壤湿度平均调整因子，
Figure GDA0003843133540000124
为前一天同一起报时次的土壤湿度历史平均调整因子；
当前起报时次的土壤湿度历史平均调整因子与土壤湿度实际平均调整因子相同，计算公式如下：
Figure GDA0003843133540000125
其中，
Figure GDA0003843133540000126
为当前起报时次的土壤湿度历史平均调整因子；
步骤6中订正土壤湿度初值具体为：
获取当前起报时次的模式初始场的格点土壤湿度；
获取步骤5的土壤湿度实际平均调整因子；
基于当前起报时次的模式初始场的格点土壤湿度和土壤湿度实际平均调整因子计算土壤湿度初值，计算公式如下：
Figure GDA0003843133540000127
其中，Qsoil_3为订正后的土壤湿度初值，
Figure GDA0003843133540000128
为土壤湿度实际平均调整因子，Qsoil_2为当前起报时次的模式初始场的格点土壤湿度；
当土壤湿度初值大于1.0时，订正土壤湿度初值为1.0；
上述技术方案的有益效果为：1、实现简单的优点，仅使用了多元线性回归算法；2、实时性强的优点，每次起报，仅进行了1次2米温度、2米比湿、地表气压的模式预报结果检验，1次模式初始场土壤湿度多元线性回归方程的构造计算；3、具有与模式初始场大气干湿状态互补的优点，模式预报检验的预报偏差，通过土壤湿度的调整得到补偿，即通过土壤湿度实现了对预报偏差的负反馈，有效提升区域数值模式2米温度、2米比湿和降水预报准确率。
在一个优选实施例中，对WRF中土壤湿度与气象要素的线性回归关系进行分析包括：
土壤湿度的影响因子包括：水汽、温度、气压等要素。假定各要素对土壤湿度的影响是独立的，可以建立土壤湿度的多元线性回归方程；回归方程的因变量为土壤湿度，自变量为2米比湿、2米温度、地表气压；我国国家级气象站均有2米比湿、2米温度、地表气压的观测数据；
使用公式表示如下：
Qsoil＝I+a×T2m+b×Q2m+c×Psfc
其中，Qscil表示土壤湿度(单位：m3/m3)，T2m为2米温度(单位：K)，Q2m为2米比湿(单位：kg/kg)，Psfc为地表气压(单位：Pa)。a，b，c为回归系数，I为截距；
发明人对2019年8月15日08时(北京时间)新疆区域GFS的土壤湿度(0-10cm)数据，2米比湿、2米温度、地表气压进行了多元线性回归分析；土壤湿度对2米温度、2米比湿、地表气压的多元线性回归效果显著；表1、表2中，T2m(2米温度)，Q2m(2米比湿)，Psfc(地表气压)显著性概率值(Prob>|t|)为0，说明T2m，Q2m，Psfc的回归系数是显著的，土壤湿度对T2m，Q2m，Psfc的多元线性回归成立。表2中，回归方程的复相关系数为0.8321，说明土壤湿度的回归方程对土壤湿度的线性拟合效果较好；
表1回归系数方差分析
Figure GDA0003843133540000141
表2回归计算统计指标
统计指标 数值
统计样本数量 525580
统计自由度 525576
残差平方和 1132.354
样本决定系数 0.6924
复相关系数 0.8321
利用2米比湿、2米温度、地表气压作为自变量制作土壤湿度残差图(图2)；可以看到，对于2米比湿、2米温度、地表气压，土壤湿度的残差基本均匀分布在0轴附近且幅度不大；因此，土壤湿度线性回归方程模型的基本假定是满足的。
在一个优选实施例中，通过对2019年8月15日一次强天气过程的模拟，在偏干的GFS背景场条件下，用适当倍数的GFS土壤湿度数据替换模式的初始土壤湿度，可以显著减小模式预报的2米比湿和2米温度的均方根误差(RMSE)和平均偏差(BIAS)，其中2米温度的RMSE从3.0左右降到1.0左右。显著提高模式的降水预报技巧：大于等于0.1mm降水TS评分从0.56增加到0.64，大于等于3.1mm降水TS评分从0.38增加到0.51，具体内容请参阅图3、图4。
在一个优选实施例中，通过在新疆开展区域模式(包括但不限于WRF模式)的业务化运行，对初始场(包括但不限于NCEP GFS)的土壤湿度数据进行订正。按照以下步骤进行：
步骤1：取前一天同一起报时次模拟的新疆105个观测站点的2米温度、2米比湿、地表气压数据，与新疆105个国家级气象站的观测数据进行对比检验，得到数值模式模拟的2米温度、2米比湿、地表气压的平均预报偏差。
步骤2：将当前起报时次的GFS数据加载到WRF模式中，根据模拟区域中所有格点的2米温度、2米比湿、地表气压、土壤湿度(0-10cm)数据进行土壤湿度的多元线性回归计算；构造土壤湿度多元线性回归方程如下(以2019年8月15日08时新疆区域GFS数据计算)；
Qsoil＝0.86851-0.00169×T2m+13.15944×Q2m-(3.59532E-06)Psfc
步骤3：构造模式的土壤湿度平均偏差计算公式如下：
Figure GDA0003843133540000151
步骤4：将2米温度平均偏差，2米比湿平均偏差，地表气压平均偏差代入步骤3的公式中，即可计算得到土壤湿度平均偏差；设2米温度平均偏差为-2K，2米比湿平均偏差为0.002(kg/kg)，地表气压平均偏差为-500Pa，则可计算得到土壤湿度平均偏差为：0.0332942；
-0.00169×(-2)+13.15944×0.002-(3.59532E-06)×(-500)＝0.0332942
步骤5：利用土壤湿度平均偏差与模式平均土壤湿度，计算得到土壤湿度平均调整因子；设模式平均土壤湿度为0.15186，则可计算得到土壤湿度平均调整因子为1.219(Crelax松弛因子，设置为默认值1)；
Figure GDA0003843133540000161
步骤6：利用前一天同一起报时次的土壤湿度历史平均调整因子，当前起报时次的土壤湿度平均调整因子，即可计算得到当前起报时次的土壤湿度历史平均调整因子、当前起报时次的土壤湿度实际平均调整因子；假设前一天同一起报时次的土壤湿度历史平均调整因子为1，则当前起报时次的土壤湿度实际平均调整因子和土壤湿度历史平均调整因子均为1.219；
Figure GDA0003843133540000162
步骤7：利用土壤湿度实际平均调整因子
Figure GDA0003843133540000163
乘以当前起报时次的模式初始场土壤湿度数据，即可得到订正后的模式初始场土壤湿度数据；在NOAH模型中，土壤层数为4层(0-10cm，10-40cm，40-100cm，100-200cm)，每一层的土壤湿度数据都应乘以该土壤湿度实际平均调整因子作为订正后的该层土壤湿度初值场。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种区域数值预报模式的土壤湿度初值订正方法，其特征在于，包括：
步骤1：计算平均预报偏差；具体为：获取前一天同一起报时次模式预报结果，所述模式预报结果包括：模式2米温度预报值、模式2米比湿预报值和模式地表气压预报值；
获取模拟区域内气象观测站的观测数据，所述观测数据包括：观测站点2米温度观测值、观测站点2米比湿观测值和观测站点地表气压观测值；
基于所述模式预报结果和所述观测数据计算平均预报偏差，所述平均预报偏差包括：2米温度平均预报偏差、2米比湿平均预报偏差和地表气压平均预报偏差；
步骤2：构造土壤湿度多元线性回归方程；具体为：获取当前起报时次的NCEP的GFS数据，将所述GFS数据输入WRF模式得到WRF模式初始场；
获取所述WRF模式初始场中所有格点的基础数据，所述基础数据包括：2米温度、2米比湿、地表气压和土壤湿度；
获取所述土壤湿度的计算公式，计算公式如下：
Qsoil＝I+a×T2m+b×Q2m+c×Psfc
其中，Qsoil为土壤湿度，I为截距，T2m为2米温度，Q2m为2米比湿，Psfc为地表气压，a，b，c分别为2米温度、2米比湿、地表气压的回归系数；
将所述基础数据代入所述土壤湿度的计算公式得到a，b，c的具体值；
基于所述a，b，c的具体值构建土壤湿度多元线性回归方程，所述土壤湿度多元线性回归方程如下：
Figure FDA0003843133530000021
其中，
Figure FDA0003843133530000022
为土壤湿度平均偏差，β，γ，δ为未知的待填入的值；
步骤3：计算土壤湿度平均偏差；具体为：获取所述步骤1中的平均预报偏差；
获取所述步骤2中的多元线性回归方程；
将所述平均预报偏差代入所述多元线性回归方程计算土壤湿度平均偏差，计算公式如下：
Figure FDA0003843133530000023
其中，
Figure FDA0003843133530000024
为土壤湿度平均偏差，
Figure FDA0003843133530000025
为2米温度平均预报偏差，
Figure FDA0003843133530000026
为2米比湿平均预报偏差，
Figure FDA0003843133530000027
为地表气压平均预报偏差；
步骤4：计算土壤湿度平均调整因子；具体为：获取模式模拟区域格点的土壤湿度；
获取所述步骤3中的土壤湿度平均偏差；
基于所述土壤湿度与所述土壤湿度平均偏差计算土壤湿度平均调整因子，计算公式如下：
Figure FDA0003843133530000028
其中，
Figure FDA0003843133530000029
为土壤湿度平均调整因子，Qsoil_1为模式模拟区域格点的土壤湿度，
Figure FDA00038431335300000210
为土壤湿度平均偏差，h为模式模拟区域的格点总数，Crelax为预设的松弛因子；
步骤5：计算土壤湿度实际平均调整因子；具体为：获取前一天同一起报时次的土壤湿度历史平均调整因子；
获取所述步骤4中的土壤湿度平均调整因子；
基于所述前一天同一起报时次的土壤湿度历史平均调整因子和所述土壤湿度平均调整因子计算土壤湿度实际平均调整因子，计算公式如下：
Figure FDA0003843133530000031
其中，
Figure FDA0003843133530000032
为土壤湿度实际平均调整因子，
Figure FDA0003843133530000033
为土壤湿度平均调整因子，
Figure FDA0003843133530000034
为前一天同一起报时次的土壤湿度历史平均调整因子；
步骤6：订正土壤湿度初值；具体为：获取当前起报时次的模式初始场的格点土壤湿度；
获取所述步骤5的土壤湿度实际平均调整因子；
基于所述当前起报时次的模式初始场的格点土壤湿度和所述土壤湿度实际平均调整因子计算土壤湿度初值，计算公式如下：
Figure FDA0003843133530000035
其中，Qsoil_3为订正后的土壤湿度初值，
Figure FDA0003843133530000036
为土壤湿度实际平均调整因子，Qsoil_2为当前起报时次的模式初始场的格点土壤湿度；
当所述土壤湿度初值大于1.0时，订正所述土壤湿度初值为1.0。
2.根据权利要求1所述的一种区域数值预报模式的土壤湿度初值订正方法，其特征在于，还包括：
基于所述模式2米温度预报值和所述观测站点2米温度观测值计算2米温度平均预报偏差，计算公式如下：
Figure FDA0003843133530000037
其中，
Figure FDA0003843133530000038
为2米温度平均预报偏差，n为2米温度观测数据个数，T2m_o为观测站点2米温度观测值，T2m_f为模式2米温度预报值；
基于所述模式2米比湿预报值和所述观测站点2米比湿观测值计算2米比湿平均预报偏差，计算公式如下：
Figure FDA0003843133530000041
其中，
Figure FDA0003843133530000042
为2米比湿平均预报偏差，m为2米比湿观测数据个数，Q2m_o为观测站点2米比湿观测值，Q2m_f为模式2米比湿预报值；
基于所述模式地表气压预报值和所述观测站点地表气压观测值计算地表气压平均预报偏差，计算公式如下：
Figure FDA0003843133530000043
其中，
Figure FDA0003843133530000044
为地表气压平均预报偏差，g为地表气压观测数据个数，Psfc_o为观测站点地表气压观测值，Psfc_f为模式地表气压预报值。
3.根据权利要求1所述的一种区域数值预报模式的土壤湿度初值订正方法，其特征在于，还包括：
当前起报时次的土壤湿度历史平均调整因子与所述土壤湿度实际平均调整因子相同，计算公式如下：
Figure FDA0003843133530000045
其中，
Figure FDA0003843133530000046
为当前起报时次的土壤湿度历史平均调整因子。
CN202110533846.1A 2021-05-17 2021-05-17 一种区域数值预报模式的土壤湿度初值订正方法 Active CN113239318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110533846.1A CN113239318B (zh) 2021-05-17 2021-05-17 一种区域数值预报模式的土壤湿度初值订正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110533846.1A CN113239318B (zh) 2021-05-17 2021-05-17 一种区域数值预报模式的土壤湿度初值订正方法

Publications (2)

Publication Number Publication Date
CN113239318A CN113239318A (zh) 2021-08-10
CN113239318B true CN113239318B (zh) 2022-12-20

Family

ID=77134619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110533846.1A Active CN113239318B (zh) 2021-05-17 2021-05-17 一种区域数值预报模式的土壤湿度初值订正方法

Country Status (1)

Country Link
CN (1) CN113239318B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102726273A (zh) * 2012-06-15 2012-10-17 中农先飞（北京）农业工程技术有限公司 一种作物根区土壤水分监测与智能灌溉决策方法
CN107341134A (zh) * 2017-06-27 2017-11-10 洛阳市气象局 一种对数值预报格点温度预报数据精细化处理的方法
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感***解算方法
CN111078678A (zh) * 2019-12-18 2020-04-28 中国气象局乌鲁木齐沙漠气象研究所 一种基于多源信息融合与降尺度的卫星降水数据校正方法
CN111123409A (zh) * 2019-12-20 2020-05-08 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于中尺度数值模式wrf的大气湍流结构常数预报方法
CN111191193A (zh) * 2020-01-17 2020-05-22 南京工业大学 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
CN112070286A (zh) * 2020-08-25 2020-12-11 贵州黔源电力股份有限公司 复杂地形流域的降水预报预警***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9310517B2 (en) * 2011-11-07 2016-04-12 The United States Of America As Represented By The Secretary Of The Army Method and system for determining accuracy of a weather prediction model
US9625614B2 (en) * 2012-06-04 2017-04-18 Hadal, Inc. Systems and methods for atmospheric modeling based on GPS measurement
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
CN106886564B (zh) * 2017-01-03 2020-02-14 国能日新科技股份有限公司 一种基于空间聚类订正nwp风能图谱的方法及装置
CN108983324B (zh) * 2018-08-09 2021-02-19 深圳市雅码科技有限公司 一种基于卡尔曼滤波的气温预报方法及***
CN111307643A (zh) * 2019-04-04 2020-06-19 西北大学 一种基于机器学习算法的土壤水分预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102726273A (zh) * 2012-06-15 2012-10-17 中农先飞（北京）农业工程技术有限公司 一种作物根区土壤水分监测与智能灌溉决策方法
CN107341134A (zh) * 2017-06-27 2017-11-10 洛阳市气象局 一种对数值预报格点温度预报数据精细化处理的方法
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感***解算方法
CN111078678A (zh) * 2019-12-18 2020-04-28 中国气象局乌鲁木齐沙漠气象研究所 一种基于多源信息融合与降尺度的卫星降水数据校正方法
CN111123409A (zh) * 2019-12-20 2020-05-08 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于中尺度数值模式wrf的大气湍流结构常数预报方法
CN111191193A (zh) * 2020-01-17 2020-05-22 南京工业大学 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
CN112070286A (zh) * 2020-08-25 2020-12-11 贵州黔源电力股份有限公司 复杂地形流域的降水预报预警***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A new linear relation for estimating surface broadband emissivity in arid regions based on FTIR and MODIS products;Li Huoqing 等;《Remote Sensing》;20210427;第13卷(第9期);1-17 *
Research on soil moisture prediction model based on deep learning;Cai Yu 等;《PloS one》;20190403;第14卷(第4期);1-19 *
基于地基微波辐射计数据评估不同土壤介电模型反演土壤湿度的适用性;王作亮 等;《遥感技术与应用》;20200220;第35卷(第1期);97-110 *
气温和降水对全球土壤湿度变化的影响研究;程善俊;《中国优秀博硕士学位论文全文数据库(博士)农业科技辑》;20180115(第01期);D043-9 *
陆面模式中土壤湿度影响蒸散参数化方案的评估;肖宇 等;《大气科学》;20170115;第41卷(第1期);132-146 *

Also Published As

Publication number Publication date
CN113239318A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Chen et al. Assessment of CFSR, ERA-Interim, JRA-55, MERRA-2, NCEP-2 reanalysis data for drought analysis over China
Gao et al. Evaluation of WRF mesoscale climate simulations over the Tibetan Plateau during 1979–2011
Zaitchik et al. Assimilation of GRACE terrestrial water storage data into a land surface model: Results for the Mississippi River basin
Haszpra et al. Measuring system for the long‐term monitoring of biosphere/atmosphere exchange of carbon dioxide
Paredes et al. Accuracy of daily estimation of grass reference evapotranspiration using ERA-Interim reanalysis products with assessment of alternative bias correction schemes
Lorenz et al. Validation of temperature trends in the ENSEMBLES regional climate model runs driven by ERA40
CN115293473A (zh) 一种林草生态修复效果评价方法
CN110378540B (zh) 一种适用于广西北部湾地区的大气加权平均温度计算方法
CN113297528A (zh) 一种基于多源大数据的no2高分辨率时空分布计算方法
Li et al. Soil moisture drought detection and multi-temporal variability across China
CN109858686A (zh) 一种基于EnKF的地面排放清单反演优化方法
Jiao et al. Estimation of net primary productivity and its driving factors in the Ili River Valley, China
CN116485048B (zh) 一种大气污染物排放清单的联合优化反演方法及***
Yao et al. Estimation of the terrestrial water budget over northern China by merging multiple datasets
Nigam et al. Striking seasonality in the secular warming of the northern continents: Structure and mechanisms
Liu et al. Projecting and attributing future changes of evaporative demand over China in CMIP5 climate models
Coburn Assessing wind data from reanalyses for the upper midwest
da Silva et al. Climate downscaling over South America for 1971–2000: application in SMAP rainfall-runoff model for Grande River Basin
CN115115224A (zh) 一种矿区植被碳汇分级及变化趋势评价分析方法
Zhang et al. Developing a process-based and remote sensing driven crop yield model for maize (PRYM–Maize) and its validation over the Northeast China Plain
CN114417553A (zh) 一种基于遥感的陆表蒸散计算方法
Nasonova et al. Projecting changes in Russian northern river runoff due to possible climate change during the 21st century: a case study of the Northern Dvina, Taz and Indigirka rivers
Du et al. Evaluation of MERRA-2 hourly surface solar radiation across China
Ramarao et al. Modulation of summer monsoon sub-seasonal surface air temperature over India by soil moisture-temperature coupling
Seo et al. Evaluation of Land–Atmosphere Coupling Processes and Climatological Bias in the UFS Global Coupled Model

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