CN114004426B - 一种短时暴雨预报释用模型的动态调整方法 - Google Patents

一种短时暴雨预报释用模型的动态调整方法 Download PDF

Info

Publication number
CN114004426B
CN114004426B CN202111653714.9A CN202111653714A CN114004426B CN 114004426 B CN114004426 B CN 114004426B CN 202111653714 A CN202111653714 A CN 202111653714A CN 114004426 B CN114004426 B CN 114004426B
Authority
CN
China
Prior art keywords
rainfall
forecast
optimal
mesoscale
time
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
CN202111653714.9A
Other languages
English (en)
Other versions
CN114004426A (zh
Inventor
黄旋旋
黄娟
冯爽
李文娟
周凯
张磊
苏桂炀
罗然
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.)
Zhejiang Meteorological Observatory
Original Assignee
Zhejiang Meteorological Observatory
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 Zhejiang Meteorological Observatory filed Critical Zhejiang Meteorological Observatory
Priority to CN202111653714.9A priority Critical patent/CN114004426B/zh
Publication of CN114004426A publication Critical patent/CN114004426A/zh
Application granted granted Critical
Publication of CN114004426B publication Critical patent/CN114004426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种短时暴雨预报释用模型的动态调整方法，包括：利用α中尺度最优匹配计算出区域模式的预报数据的时空的***偏差以及最优雨量阈值参数；在α中尺度偏差调整的基础上，利用β中尺度最优匹配计算出每个预报格点上的β中尺度下的局部最优时、空间偏移参数；依据同一起报时次的历史数据动态统计的以上偏差参数，对区域模式的预报雨量进行逐小时的时间和空间上动态调整、降雨强度动态调整以及雨区形态上动态调整，从而改进未来12小时内的逐时短时强降水预报能力。本发明提供的方法，可以提升多元资料（雷达，自动雨量站）联合在区域模式释用中的应用，并进一步提升短时预报能力，为更好和短期预报无缝隙衔接提供技术支撑。

Description

一种短时暴雨预报释用模型的动态调整方法
技术领域
本发明涉及天气预报分析技术领域，尤其涉及一种短时暴雨预报释用模型的动态调整方法。
背景技术
目前，在气象领域，针对短时暴雨（定义：通常是由强对流天气造成的，1小时雨量超过一定阈值的强降水天气）的预报能力是存在明显不足的。目前存在技术缺陷概述如下：
1)全球数值模式（欧洲中心、GFS等）可以对产生短时暴雨的风速、湿度、气压等形势场进行较准确的预报，但是对于无法准确预报出短时强降水的影响时段、影响落区以及强降水量级。这是由于该类模式的积分方法、物理参数化方案等缺陷造成的。一些研究工作以全球数值模式数据为基础，开展了模式释用模型应用研究，但是大部分应用都着眼于气温、一般性的降水天气（非短时强降水天气）等天气要素的释用。
区域数值模式（华东9km模式,Grapes3KM模式等）通常是以全球数值模式作为初始场，而后通过同化区域加密观测资料（自动站、雷达等等）、以更小的积分步长以及适应对流尺度的物理参数化方案来实现中小尺度***（强对流天气）的预报。区域模式对于短时暴雨天气具有一定的预报能力（优于全球数值模式），但是存在仍然存在3方面问题：1.空报率较高问题；2.预报的短时暴雨的影响时间、空间以及降雨量存在一定偏差问题；3.漏报问题。针对这些问题，一些研究者基于区域模式预报要素（预报的降水、预报的回波）、物理量（能量、k指数、水汽等等），通过应用机器学习、概率统计等方法构建区域模式释用模型，用于改善区域模式对于短时强降水的预报能力。该类统计方法构建的模型参数是固定的，能使得短时强降水预报精度整体获得一定程度上的提高(相对地改善了问题1、问题3以及问题2的降雨量偏差问题)，但是存在的问题也较明显：A.对一些突发极端性的短时强降水过程，缺乏实时调整能力；B.由于训练数据集内的错误数据、错误配对数据的存在、数据集正负样本的不均衡性，这都会导致训练模型预报结果的时间、空间以及降水量级上的偏差存在着较大的不确定性问题；C)该类统计模型的预报效果和模式预报的准确性密切相关，如果区域模式预报存在太大的时间，空间以及预报雨量等级偏差，则该类统计模型的释用效果也无法达到预期正效果。
2)基于雷达、自动站实况观测的短临线性外推可以提升0-30分钟的短时强降水预报精度，但是30分钟以后，预报能力则快速下降。这主要是因为强对流天气的发展是个复杂的非线性问题，而现有的无论是光流法、还是相关系数法（CoTrec法等）外推预报都是按照半拉格朗日外推法线性外推，因此，这就导致了短时强降水的预报随着预报时间的延长，强降水的落区预报偏差也逐步增大。另外，极端的短时降水降水效率也存在变化，而传统的短临外推法是假设强度不变进行外推，因此，这也是导致强降水预报偏差的另一个原因。针对短临预报的技术缺陷，一些研究工作者尝试将雷达外推和区域数值模式的降水预报预报结果按照时间权重进行融合，进而改善0-2小时的短临外推预报效果，但是整体而言，由于区域数值对短时强降水预报能力有限以及不合适的权重融合参数，这些都使得融合外推预报技术对于短时强降水的预报能力的改善还是较为有限。
综上所述，目前短时暴雨的预报结果不够精确。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，提供一种依据多元观测实况信息，对区域模式释用预报模型参数进行动态的调整，进而提升区域的短时暴雨的预报能力。
一种短时暴雨预报释用模型的动态调整方法，包括以下步骤：
步骤一：利用
Figure 100002_DEST_PATH_IMAGE002
中尺度最优匹配方法计算出区域预报雨量RF和实况雷达估测降水RO之间的最优预报雨量阈值h及其对应的
Figure 137444DEST_PATH_IMAGE002
中尺度最优时间和空间偏移；
步骤二：利用确定的
Figure 476153DEST_PATH_IMAGE002
中尺度空间匹配矢量场、最优时间和空间偏移、最优预报雨量阈值对区域预报雨量RF进行订正，获得初步订正后的预测雨量
Figure 100002_DEST_PATH_IMAGE004
；
步骤三：将初步订正后的预测雨量和实况雷达估测降水RO进行比较分析，按照统计指数偏离最小策略计算搜索得到区域预报雨量RF的中尺度空间匹配矢量格点场；
步骤四：基于初步订正后的预测雨量和
Figure 100002_DEST_PATH_IMAGE006
中尺度空间匹配矢量格点场，利用半拉各朗日外推方法预测形变后的预测雨量场；
步骤五：将形变后的预测雨量场和实况雷达估测降水比较分析，确定
Figure 765752DEST_PATH_IMAGE006
中尺度预报雨量订正参数；
步骤六：以当前时次为界，将区域模式0-72小时的小时雨量预报分为两部分，小于当前时次的区域模式预报数据
Figure 100002_DEST_PATH_IMAGE008
通过
Figure 100002_DEST_PATH_IMAGE010
、
Figure 100002_DEST_PATH_IMAGE012
中尺度最优匹配法计算获得动态调整参数；
步骤七：将所述动态调整参数用于大于当前时次的预报雨量数据
Figure 100002_DEST_PATH_IMAGE014
，进而获得动态调整之后的释用雨量预报数据。
进一步地，如上所述的短时暴雨预报释用模型的动态调整方法，所述步骤一包括以下步骤：
步骤1：预报雨量阈值Hr遍历循环测试5，10，15，25mm/h，在每个测试雨量阈值Hr下按照步骤2计算；
步骤2：预报雨量阈值Hr下的
Figure 100002_DEST_PATH_IMAGE016
中尺度最优匹配计算：即对区域模式预报降水RF和实况雷达估测降水RO进行比较分析；计算预报雨量阈值Hr下，对RF进行不同时间和空间偏移后的相对RO的订正技巧评分；选择技巧评分成绩最优对应的时间和空间偏移作为预报雨量阈值Hr下的RF相对于RO的最优时间和空间偏移；
步骤3：步骤1-2确定了不同的预报雨量阈值对应的
Figure 168789DEST_PATH_IMAGE016
中尺度最优技巧评分，按照选择技巧评分成绩最优对应的预报雨量阈值Hr作为
Figure 409278DEST_PATH_IMAGE016
中尺度最优匹配的最优预报雨量阈值，并记录对应的最优时间和空间偏移；从而得到格点分辨50km的离散矢量场数据，即
Figure 468238DEST_PATH_IMAGE016
中尺度最优匹配的最优预报雨量阈值及其对应的最优时间和空间偏移；
步骤4：利用多尺度矢量内插方法，将步骤3确定的离散矢量信息插值为
Figure 819585DEST_PATH_IMAGE016
中尺度空间匹配格点矢量场，该格点矢量场的格点分辨率5km。
进一步地，如上所述的短时暴雨预报释用模型的动态调整方法，所述步骤2包括：
对分析范围内的每个分析格点
Figure 100002_DEST_PATH_IMAGE018
，采用公式（1）计算出预报订正技巧评分
Figure 100002_DEST_PATH_IMAGE020
，通过最大值策略来搜索确定对应的最优的时间和空间偏移；
公式中的订正技巧格点命中率加权指数
Figure 100002_DEST_PATH_IMAGE022
、订正技巧格点空报率加权指数
Figure 100002_DEST_PATH_IMAGE024
以及订正技巧格点漏报率加权指数
Figure 100002_DEST_PATH_IMAGE026
都是在搜索半径范围内的计算格点
Figure 817409DEST_PATH_IMAGE018
为中心位置，按照公式(1)计算出来的数值；
Figure 100002_DEST_PATH_IMAGE028
（1）
其中，
Figure 100002_DEST_PATH_IMAGE030
Figure 100002_DEST_PATH_IMAGE032
Figure 100002_DEST_PATH_IMAGE034
Figure 100002_DEST_PATH_IMAGE036
公式中符号“&&”表示前后条件为并且关系，如果两侧条件都为真，则为1，否则为0；
公式中符号“*”表示前后数值相乘计算；
公式中的函数符号MAX（a，b）表示取a，b数值中的大值；
公式（1）中的预报订正技巧
Figure 100002_DEST_PATH_IMAGE038
是基于实时计算的有效预测准确率
Figure 100002_DEST_PATH_IMAGE040
和历史同期的有效预测准确率B计算获得，当其数值为正，表明是正技巧，否则为负技巧。
进一步地，如上所述的短时暴雨预报释用模型的动态调整方法，所述步骤二包括：
利用公式（2）计算出初步订正系数MP,然后将区域模式雨量预报
Figure 100002_DEST_PATH_IMAGE042
中的每个格点数值都乘以初步订正系数MP,最后获得初步订正后的预测雨量
Figure 100002_DEST_PATH_IMAGE044
；
Figure 100002_DEST_PATH_IMAGE046
（2）
公式2中的x，y的有效计算范围的格点需满足：该格点的区域模式预报降水RF数值大于
Figure 633111DEST_PATH_IMAGE002
中尺度下模式预报最优雨量阈值，同时满足实况雷达估测降水RO大于20mm/h。
进一步地，如上所述的短时暴雨预报释用模型的动态调整方法，所述步骤三包括：
步骤31：对分析区域中的每个格点位置
Figure 100002_DEST_PATH_IMAGE048
，利用公式（3）在搜索半径范围内计算出搜索范围内所有格点的有效命中指数D，选择搜索范围中所有有效命中指数D>=0.6的格点确定为合理搜索范围；
公式中的格点命中率加权指数
Figure 100002_DEST_PATH_IMAGE050
、格点空报率加权指数
Figure 100002_DEST_PATH_IMAGE052
以及格点漏报率加权指数
Figure 100002_DEST_PATH_IMAGE054
都是在搜索半径范围内的计算格点
Figure 841019DEST_PATH_IMAGE018
为中心位置，按照公式(3)计算出来的数值；
Figure 100002_DEST_PATH_IMAGE056
(3)
其中，
Figure 100002_DEST_PATH_IMAGE058
Figure 100002_DEST_PATH_IMAGE060
Figure 100002_DEST_PATH_IMAGE062
公式中符号“&&”表示前后条件为并且关系，如果两侧条件都为真，则为1，否则为0；
公式中符号“*”表示前后数值相乘计算；
公式中的函数符号MAX（a，b）表示取a，b数值中的大值；
步骤32：在合理搜索范围内对每个格点位置
Figure 275018DEST_PATH_IMAGE018
，利用公式（4）、（5）计算该格点的统计偏差指数
Figure 100002_DEST_PATH_IMAGE064
和统计绝对值偏差指数
Figure 100002_DEST_PATH_IMAGE066
，选择两者的相对最小偏差数值对应的格点位置作为格点位置
Figure 990996DEST_PATH_IMAGE048
处的最优匹配追踪矢量信息；
Figure 100002_DEST_PATH_IMAGE068
(4)
Figure 100002_DEST_PATH_IMAGE070
(5)
公式中的函数符号abs表示取绝对值。
进一步地，如上所述的短时暴雨预报释用模型的动态调整方法，所述步骤七包括：
步骤71：将大于当前时次的逐小时预报雨量数据
Figure 88134DEST_PATH_IMAGE014
移动
Figure 100002_DEST_PATH_IMAGE072
时间，进而获得时间调整区域预报雨量数据；
步骤72：利用半拉格朗日方法将所述时间调整区域预报雨量数据进行外推形变，获得形变后预报雨量数据；
步骤73：将形变后的预报雨量数据乘以随时间衰减的
Figure 590529DEST_PATH_IMAGE012
中尺度匹配格点矢量场参数
Figure 100002_DEST_PATH_IMAGE074
，进而获得雨区形态动态调整后的预报雨量数据
Figure 100002_DEST_PATH_IMAGE076
；
步骤74：将
Figure 798525DEST_PATH_IMAGE076
乘以
Figure 328863DEST_PATH_IMAGE012
中尺度预报雨强订正参数
Figure 100002_DEST_PATH_IMAGE078
，进而获得动态调整的最终的预报雨量数据。
有益效果：
本发明提供的方法，可以提升多元资料（雷达，自动雨量站）联合在区域模式释用中的应用，并进一步提升短时预报能力，为更好和短期预报无缝隙衔接提供技术支撑。提升短时暴雨的0-12小时预报的关键在于，需要通过联合多元实况观测资料，动态调整区域模式释用模型参数（时间，空间订正参数、雨量预报量级订正参数），进而提升区域模式释用预报能力。
本发明提供的方法，可以提升气象多元资料（雷达，自动雨量站观测数据和区域数值模式预报数据）融合分析应用能力。
本发明可以提升区域模式释用能力，提升对短时强降水的预报精度，为短时预报（0-12小时）和短期预报（24-72小时）的无缝隙衔接提供技术支撑，对于气象暴雨灾害的防灾减灾具有积极的意义。
本发明提出的方法首先利用
Figure DEST_PATH_IMAGE080
中尺度最优匹配计算出区域模式的预报数据的时空的***偏差以及最优雨量阈值参数；然后，利用
Figure DEST_PATH_IMAGE082
中尺度最优匹配计算出每个预报格点上的
Figure 478128DEST_PATH_IMAGE082
中尺度下的局部最优时间、空间偏移参数；最后，依据同一起报时次的历史数据动态统计的以上偏差参数，对区域模式的预报雨量进行时间和空间上动态调整、降雨强度动态调整以及雨区形态上动态调整，从而改进未来12小时内的逐小时短时强降水预报能力。
附图说明
图1为
Figure 858032DEST_PATH_IMAGE016
中尺度最优匹配流程图；
图2为
Figure DEST_PATH_IMAGE084
中尺度最优匹配流程图；
图3为动态调整区域模式预测短时强降水雨量流程图；
图4为搜索示意图；
图5为利用本申请方法改进前后的CSI评分结果对比图；
图6为利用本申请方法改进前后的POD评分结果对比图；
图7为2021年6月20日08：00-09：00（北京时）实况和20日03时预报08：00-09：00降水改进前和改进后对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实况数据采用雷达联合自动雨量站进行降雨估测，生成近1小时降雨估测实况格点数据；通过双立方体插值方法将原有的1km分辨率的雷达降雨估测数据转为基准分辨率5km的网格数据。区域模式预报1小时雨量数据则通过最优插值方法插值为相同范围、相同分辨率5km的网格上。相比较自动雨量站的分布，雷达监测覆盖范围更大（对于近海，自动站只存在于陆地，但是雷达可以监测到整个浙江近海海域的强天气信息），因此，以雷达联合自动站的雨量估测作为实况基准，可以更合理、客观的动态评估出区域模式的时空偏差以及强度、形态上的偏差信息，进而实现对区域数值模式释用结果的动态调整。
由于本申请是利用雷达资料和自动站监测数据来订正区域模式的12小时的逐时预报，所以这里的比较的历史数据（1小时雷达估测降水和区域模式预报1小时雨量）的时序长度可以选择为3-6小时。本发明首先利用
Figure 902342DEST_PATH_IMAGE080
中尺度最优匹配计算出区域模式的预报数据的时空的***偏差以及最优雨量阈值参数；然后，利用
Figure 316881DEST_PATH_IMAGE082
中尺度最优匹配计算出每个预报格点上的
Figure 585182DEST_PATH_IMAGE082
中尺度下的局部最优时、空间偏移参数；最后，依据同一起报时次的历史数据动态统计的以上偏差参数，对区域模式的预报雨量进行时间和空间上动态调整、降雨强度动态调整以及雨区形态上动态调整，从而改进未来12小时内的逐时短时强降水预报能力。
这里分
Figure 219426DEST_PATH_IMAGE016
中尺度和
Figure 956175DEST_PATH_IMAGE084
中尺度两种尺度来分析时空、降雨偏差匹配的原因在于：
1)两者都能和短时暴雨对应的中尺度灾害天气密切相关，但是两者对应的环流场特征对应的生命时是有明显差异的。通常，相比
Figure 602051DEST_PATH_IMAGE084
中尺度，
Figure 697046DEST_PATH_IMAGE016
中尺度***在12小时内要更为稳定，并且生命时要更持久，其反映了中尺度***在较长时段内的整体变化趋势；但是对于一些环流上的更小的特征细节，则在
Figure 272383DEST_PATH_IMAGE084
中尺度信息上反映的更为清晰。
2)所以为了保证0-12小时的区域模式释用结果更稳定，本发明是假设在0-12小时内，
Figure 986392DEST_PATH_IMAGE016
中尺度的分析的最优时间、空间偏差信息以及最优的预报雨量阈值是不变的。而
Figure 611408DEST_PATH_IMAGE084
中尺度分析的最优匹配信息则随着预报时间的延长，呈现逐步衰减的趋势。
3)通过逐时滚动更新以及
Figure 251206DEST_PATH_IMAGE016
、
Figure 328883DEST_PATH_IMAGE084
两种中尺度分析信息融合，实现了短时预报（0-12小时）和短期预报（0-72小时）的无缝隙融合。
Figure DEST_PATH_IMAGE086
中尺度最优匹配：
Figure 17222DEST_PATH_IMAGE080
中尺度定义为介于200 km和2000 km之间的水平尺度。本研究技术中采用200km尺度，分析格点间隔为50km。
如图1所示，
Figure 496745DEST_PATH_IMAGE080
中尺度最优匹配方法首先将计算每个分析格点上的
Figure 104182DEST_PATH_IMAGE080
中尺度下的最优时间、空间偏移以及最优预报雨量阈值，然后利用多尺度矢量内插算法将离散矢量信息插值为
Figure 872418DEST_PATH_IMAGE080
中尺度空间匹配格点矢量场（分辨率5km）。
Figure 928230DEST_PATH_IMAGE086
中尺度的匹配追踪：
Figure 32233DEST_PATH_IMAGE080
中尺度最优匹配主要分析出数值模式预测降水RF和实况雷达估测降水RO的***性偏差。对分析范围内的每个分析格点
Figure 515298DEST_PATH_IMAGE018
，采用预报订正技巧评分
Figure 567567DEST_PATH_IMAGE038
（公式1，表示区域模式预报小时雨量大于阈值hr情况下的预报订正技巧评分）最大值策略来搜索确定对应的最优的时间和空间偏移。公式中的格点命中率加权指数
Figure 987922DEST_PATH_IMAGE022
、格点空报率加权指数
Figure 317403DEST_PATH_IMAGE024
以及格点漏报率加权指数
Figure 361583DEST_PATH_IMAGE026
都是在搜索半径范围内的计算格点
Figure 275050DEST_PATH_IMAGE018
为中心位置，按照公式(1)计算出来的数值。最优搜索中的时间最大搜索范围设定为3小时；而空间最大搜索范围设定为120km。公式（1）中的预报订正技巧
Figure 561DEST_PATH_IMAGE038
是基于实时计算的有效预测准确率
Figure 574761DEST_PATH_IMAGE040
和历史同期的有效预测准确率B计算获得，当其数值为正，表明是正技巧，否则为负技巧。历史同期的有效预测准确率B为区域模式的历史同期时段计算出来
Figure DEST_PATH_IMAGE088
数值。这里增加约束条件，如果当前分析格点的统计范围内，数据覆盖百分比低于
Figure 101426DEST_PATH_IMAGE082
中尺度的下限面积（20kmx20km），则将该格点标志为分析数据缺测。
Figure 230751DEST_PATH_IMAGE028
（1）
其中，
Figure DEST_PATH_IMAGE090
Figure DEST_PATH_IMAGE032A
Figure DEST_PATH_IMAGE034A
Figure DEST_PATH_IMAGE036A
公式中符号“&&”表示前后条件为并且关系，如果两侧条件都为真，则为1，否则为0；
公式中符号“*”表示前后数值相乘计算；
公式中的函数符号MAX（a，b）表示取a，b数值中的大值。
多尺度矢量内插算法：
首先将离散分布均匀的矢量数据生成5层不同统计尺度下的平均矢量格点数据。这里1-5层的统计半径依次选择为250km，350km，450km，550km和分析全场范围对应的尺度（km）；任意格点位置的统计范围内矢量数据覆盖百分比低于30%，则依旧标注为该格点矢量数据缺测；然后采用双立方体插值方法依据进行内插，数据源则采用第一层统计半径统计的矢量数据，如果当前统计半径下数据缺测，则取对应位置的上一个统计半径层的矢量数据近似。最后获得分辨率为5km间隔的匹配格点矢量场。
最优预报雨量阈值的选择和格点矢量场生成方法：
利用
Figure 632389DEST_PATH_IMAGE080
中尺度的匹配追踪方法计算出hr=5 ，10，15，20，25mm/h雨量阈值对应的全场预报订正技巧评分之和
Figure DEST_PATH_IMAGE092
。从这5个预报技巧中选出全场订正技巧最优的对应参数结果作为
Figure 139725DEST_PATH_IMAGE080
中尺度下的最优预报雨量阈值参数。
在确定最优预报雨量阈值之后，利用
Figure 639888DEST_PATH_IMAGE080
中尺度的匹配追踪技术可以计算出分析范围内间隔200km的格点最优匹配矢量信息和最优的时间偏移。由于短时强降水回波的区域性和不均衡性，因此，雷达降雨估测数据也存在不均衡性，这导致了部分区域的分析格点位置的最优匹配矢量是缺测的，因此要采用多尺度矢量内插算法用于将离散分布均匀的矢量插值为均一的目标矢量场，该矢量场可以用于后续的预报雨区的形变用途。
Figure DEST_PATH_IMAGE094
中尺度最优匹配：
Figure 826150DEST_PATH_IMAGE082
中尺度定义为介于20 km和200 km之间的水平尺度，本研究技术中采用100km作为分析尺度，分析格点间隔为25km。
如图2所示，
Figure 329682DEST_PATH_IMAGE082
中尺度最优匹配方法首先依据
Figure 81737DEST_PATH_IMAGE016
中尺度空间匹配矢量场、最优时间偏移以及最优预报雨量阈值计算获得初步订正后的预测雨量
Figure 278101DEST_PATH_IMAGE044
，然后计算每个分析格点上的
Figure 13976DEST_PATH_IMAGE082
中尺度下的局部最优时、空间偏移，最后利用多尺度矢量内插算法将离散矢量信息插值为
Figure 884980DEST_PATH_IMAGE082
中尺度匹配格点矢量场（分辨率5km）。
初步订正预测雨量数据：
将区域模式预报小时雨量预报数据按照
Figure 131022DEST_PATH_IMAGE016
中尺度下的最优时空偏移参数进行时、空偏移，然后基于
Figure 858807DEST_PATH_IMAGE080
中尺度下计算出的最优预报雨量阈值，利用公式（2）对计算出初步订正系数MP,然后将区域模式雨量预报
Figure 957344DEST_PATH_IMAGE042
中的每个格点数值都乘以初步订正系数MP,最后获得初步订正后的预测雨量
Figure 944890DEST_PATH_IMAGE044
。
Figure 546904DEST_PATH_IMAGE046
（2）
公式2中的x，y的有效计算范围的格点需满足：该格点的预报雨量
Figure 711169DEST_PATH_IMAGE042
数值大于
Figure 857854DEST_PATH_IMAGE080
中尺度下模式预报最优雨量阈值，同时满足雷达估测雨量RO大于20mm/h。
Figure 742764DEST_PATH_IMAGE094
中尺度的匹配追踪：
利用初步订正后的预测雨量
Figure 120656DEST_PATH_IMAGE044
和雷达估测雨量RO数据进行
Figure 32986DEST_PATH_IMAGE082
中尺度的空间最优匹配追踪。
首先，对分析区域中的每个格点位置
Figure 496329DEST_PATH_IMAGE048
，在搜索半径范围（图4，默认搜素半径可以为40km）内计算出搜索范围内所有格点的有效命中指数D（公式3），选择搜索范围中所有有效命中指数D>=0.6的格点确定为合理搜索范围（图1黄色区域）。公式中的格点命中率加权指数
Figure 417886DEST_PATH_IMAGE050
、格点空报率加权指数
Figure 384705DEST_PATH_IMAGE052
以及格点漏报率加权指数
Figure 234980DEST_PATH_IMAGE054
都是在搜索半径范围内的计算格点
Figure 627697DEST_PATH_IMAGE018
为中心位置，按照公式(3)计算出来的数值。
然后，在合理搜索范围内对每个格点位置
Figure 979043DEST_PATH_IMAGE018
，计算该格点的统计偏差指数
Figure 941314DEST_PATH_IMAGE064
和统计绝对值偏差指数
Figure 54502DEST_PATH_IMAGE066
（公式4，5），选择两者的相对最小偏差数值对应的格点位置作为格点位置
Figure 961278DEST_PATH_IMAGE048
处的最优匹配追踪矢量信息。
Figure 726103DEST_PATH_IMAGE056
(3)
其中，
Figure DEST_PATH_IMAGE096
Figure DEST_PATH_IMAGE060A
Figure DEST_PATH_IMAGE062A
公式中符号“&&”表示前后条件为并且关系，如果两侧条件都为真，则为1，否则为0；
公式中符号“*”表示前后数值相乘计算；
公式中的函数符号MAX（a，b）表示取a，b数值中的大值。
Figure 596408DEST_PATH_IMAGE068
(4)
Figure 54065DEST_PATH_IMAGE070
(5)
公式中的函数符号abs表示取绝对值。
短时强降水雨强（1小时雨量数值）订正参数：
利用半拉格朗日外推法将初步订正后的预测雨量
Figure 149935DEST_PATH_IMAGE044
数据进行外推形变处理，生成雨区形态调整后的预测雨量数据
Figure 249609DEST_PATH_IMAGE044
，然后以雷达估测雨量RO数据为基准，计算出
Figure DEST_PATH_IMAGE098
中尺度预报雨强订正参数
Figure DEST_PATH_IMAGE100
（公式2）。
依据动态订正参数调整短时强降水多尺度动态雨量时间、空间、强度和形态偏差：
如图3所示，以当前时次为界，将区域模式0-72小时的小时雨量预报分为两部分，小于当前时次的区域模式预报数据
Figure DEST_PATH_IMAGE102
通过
Figure DEST_PATH_IMAGE104
、
Figure 403116DEST_PATH_IMAGE098
中尺度最优匹配法计算获得动态调整参数（
Figure 156309DEST_PATH_IMAGE104
中尺度最优调整时间
Figure DEST_PATH_IMAGE106
，
Figure 89542DEST_PATH_IMAGE104
中尺度匹配格点矢量场参数
Figure DEST_PATH_IMAGE108
；
Figure 429125DEST_PATH_IMAGE098
中尺度匹配格点矢量场参数
Figure DEST_PATH_IMAGE110
，
Figure 751653DEST_PATH_IMAGE098
中尺度预报雨强订正参数
Figure 315227DEST_PATH_IMAGE100
），将此调整参数用于大于当前时次的预报雨量数据
Figure DEST_PATH_IMAGE112
，进而获得动态调整之后的释用雨量预报数据。
1）将大于当前时次的预报雨量数据
Figure 28100DEST_PATH_IMAGE112
按照
Figure 764849DEST_PATH_IMAGE106
，通过移动前后时次数据进而简单时间调整数据。
2）利用半拉格朗日方法依据
Figure 269780DEST_PATH_IMAGE104
中尺度匹配格点矢量场参数
Figure 240141DEST_PATH_IMAGE108
将经过时间偏移调整后的预报雨量数据进行外推形变。
3）定义随时间衰减的
Figure 877794DEST_PATH_IMAGE098
中尺度匹配格点矢量场参数
Figure DEST_PATH_IMAGE114
（6）
这里定义12小时内，
Figure DEST_PATH_IMAGE116
会随着时间流逝，逐步减弱，最后区域0速度变化，因此，通过构建一个COS函数来近似模拟这一过程。将形变后的预报雨量数据乘以
Figure 965705DEST_PATH_IMAGE116
，进而获得雨区形态动态调整后的预报雨量数据
Figure DEST_PATH_IMAGE118
。
4)最后调整预报雨量的雨强：将雨区形态动态调整后的预报雨量数据
Figure 200508DEST_PATH_IMAGE118
乘以
Figure 168202DEST_PATH_IMAGE098
中尺度预报雨强订正参数
Figure 917983DEST_PATH_IMAGE100
，进而获得动态调整的最终的预报雨量数据。
结论：
选取2021年4-9月模式预报的不同要素（降水量、反射率等级）、不同预报时效（0-6h）考察对浙江短时强降水（>20mm/h）的相关性统计分析，建立预报要素和降雨等级关***计。动态匹配计算方法每6小时进行一次，进行逐小时滚动。图5、图6表明：与原始方法相比，改进后方法在0-12小时时效内CSI 、pod 均有一定的提升。随着时间的邻近，预报效果准确率越来越高。第1-2时刻，因为同化了实况资料、雷达同化资料导致分数优于其他时效，改进后的 POD 从2.6%提高到3.9%，CSI 从2.4%提高到3.6 %，FAR从85%降低到73 %。
选取浙江梅汛期一次降水过程为例（图7）。中尺度模式采用浙江省快速更新同化***，初始场为三维变分分析并同化了各种观测资料，时间分辨率为1小时。分析发现：6月20日08-09时（北京时）浙中北地区有>=0.1毫米的降水，其中浙中地区出现>=10毫米的降水，改进前（业务中采用）短时预报产品的降水预报降水位置偏南，形态和实况存在差距，对于其量级估计不足。利用本研究方法改进后的预报降水落区（>=0.1、>=5）的区域与实况基本符合。5毫米以上的降水落区基本一致，略存在空报现象。但改进后的降水无论是在强度上还是落区上相比之前都有很大的改进。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种短时暴雨预报释用模型的动态调整方法，其特征在于，包括以下步骤：
步骤一：利用
Figure DEST_PATH_IMAGE002
中尺度最优匹配方法计算出区域预报雨量RF和实况雷达估测降水RO之间的最优预报雨量阈值h及其对应的
Figure 950161DEST_PATH_IMAGE002
中尺度最优时间和空间偏移；
步骤二：利用确定的
Figure 742668DEST_PATH_IMAGE002
中尺度空间匹配矢量场、最优时间和空间偏移、最优预报雨量阈值对区域预报雨量RF进行订正，获得初步订正后的预测雨量
Figure DEST_PATH_IMAGE004
；
步骤三：将初步订正后的预测雨量和实况雷达估测降水RO进行比较分析，按照统计指数偏离最小策略计算搜索得到区域预报雨量RF的
Figure DEST_PATH_IMAGE006
中尺度空间匹配矢量格点场；
步骤四：基于初步订正后的预测雨量和
Figure 145574DEST_PATH_IMAGE006
中尺度空间匹配矢量格点场，利用半拉各朗日外推方法预测形变后的预测雨量场；
步骤五：将形变后的预测雨量场和实况雷达估测降水比较分析，确定
Figure 416149DEST_PATH_IMAGE006
中尺度预报雨量订正参数；
步骤六：以当前时次为界，将区域模式0-72小时的小时雨量预报分为两部分，小于当前时次的区域模式预报数据
Figure DEST_PATH_IMAGE008
通过
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
中尺度最优匹配法计算获得动态调整参数；
步骤七：将所述动态调整参数用于大于当前时次的预报雨量数据
Figure DEST_PATH_IMAGE014
，进而获得动态调整之后的释用雨量预报数据。
2.根据权利要求1所述的短时暴雨预报释用模型的动态调整方法，其特征在于，所述步骤一包括以下步骤：
步骤1：预报雨量阈值Hr遍历循环测试5，10，15，25mm/h，在每个测试雨量阈值Hr下按照步骤2计算；
步骤2：预报雨量阈值Hr下的
Figure DEST_PATH_IMAGE016
中尺度最优匹配计算：即对区域模式预报降水RF和实况雷达估测降水RO进行比较分析；计算预报雨量阈值Hr下，对RF进行不同时间和空间偏移后的相对RO的订正技巧评分；选择技巧评分成绩最优对应的时间和空间偏移作为预报雨量阈值Hr下的RF相对于RO的最优时间和空间偏移；
步骤3：步骤1-2确定了不同的预报雨量阈值对应的
Figure 453025DEST_PATH_IMAGE016
中尺度最优技巧评分，按照选择技巧评分成绩最优对应的预报雨量阈值Hr作为
Figure 649389DEST_PATH_IMAGE016
中尺度最优匹配的最优预报雨量阈值，并记录对应的最优时间和空间偏移；从而得到格点分辨50km的离散矢量场数据，即
Figure 526209DEST_PATH_IMAGE016
中尺度最优匹配的最优预报雨量阈值及其对应的最优时间和空间偏移；
步骤4：利用多尺度矢量内插方法，将步骤3确定的离散矢量信息插值为
Figure 364590DEST_PATH_IMAGE016
中尺度空间匹配格点矢量场，该格点矢量场的格点分辨率5km。
3.根据权利要求2所述的短时暴雨预报释用模型的动态调整方法，其特征在于，所述步骤2包括：
对分析范围内的每个分析格点
Figure DEST_PATH_IMAGE018
，采用公式（1）计算出预报订正技巧评分
Figure DEST_PATH_IMAGE020
，通过最大值策略来搜索确定对应的最优的时间和空间偏移；
公式中的订正技巧格点命中率加权指数
Figure DEST_PATH_IMAGE022
、订正技巧格点空报率加权指数
Figure DEST_PATH_IMAGE024
以及订正技巧格点漏报率加权指数
Figure DEST_PATH_IMAGE026
都是在搜索半径范围内的计算格点
Figure 205374DEST_PATH_IMAGE018
为中心位置，按照公式(1)计算出来的数值；
Figure DEST_PATH_IMAGE028
（1）
其中，
Figure DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE036
公式中符号“&&”表示前后条件为并且关系，如果两侧条件都为真，则为1，否则为0；
公式中符号“*”表示前后数值相乘计算；
公式中的函数符号MAX（a，b）表示取a，b数值中的大值；
公式（1）中的预报订正技巧
Figure DEST_PATH_IMAGE038
是基于实时计算的有效预测准确率
Figure DEST_PATH_IMAGE040
和历史同期的有效预测准确率B计算获得，当其数值为正，表明是正技巧，否则为负技巧。
4.根据权利要求1所述的短时暴雨预报释用模型的动态调整方法，其特征在于，所述步骤二包括：
利用公式（2）计算出初步订正系数MP,然后将区域模式雨量预报
Figure DEST_PATH_IMAGE042
中的每个格点数值都乘以初步订正系数MP,最后获得初步订正后的预测雨量
Figure DEST_PATH_IMAGE044
；
Figure DEST_PATH_IMAGE046
（2）
公式（2）中的x，y的有效计算范围的格点需满足：该格点的区域模式预报降水RF数值大于
Figure 520775DEST_PATH_IMAGE002
中尺度下模式预报最优雨量阈值，同时满足实况雷达估测降水RO大于20mm/h。
5.根据权利要求1所述的短时暴雨预报释用模型的动态调整方法，其特征在于，所述步骤三包括：
步骤31：对分析区域中的每个格点位置
Figure DEST_PATH_IMAGE048
，利用公式（3）在搜索半径范围内计算出搜索范围内所有格点的有效命中指数D，选择搜索范围中所有有效命中指数D>=0.6的格点确定为合理搜索范围；
公式中的格点命中率加权指数
Figure DEST_PATH_IMAGE050
、格点空报率加权指数
Figure DEST_PATH_IMAGE052
以及格点漏报率加权指数
Figure DEST_PATH_IMAGE054
都是在搜索半径范围内的计算格点
Figure 513920DEST_PATH_IMAGE018
为中心位置，按照公式(3)计算出来的数值；
Figure DEST_PATH_IMAGE056
(3)
其中，
Figure DEST_PATH_IMAGE058
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE062
公式中符号“&&”表示前后条件为并且关系，如果两侧条件都为真，则为1，否则为0；
公式中符号“*”表示前后数值相乘计算；
公式中的函数符号MAX（a，b）表示取a，b数值中的大值；
步骤32：在合理搜索范围内对每个格点位置
Figure 468842DEST_PATH_IMAGE018
，利用公式（4）、（5）计算该格点的统计偏差指数
Figure DEST_PATH_IMAGE064
和统计绝对值偏差指数
Figure DEST_PATH_IMAGE066
，选择两者的相对最小偏差数值对应的格点位置作为格点位置
Figure 615396DEST_PATH_IMAGE048
处的最优匹配追踪矢量信息；
Figure DEST_PATH_IMAGE068
(4)
Figure DEST_PATH_IMAGE070
(5)
公式中的函数符号abs表示取绝对值。
6.根据权利要求1所述的短时暴雨预报释用模型的动态调整方法，其特征在于，所述步骤七包括：
步骤71：将大于当前时次的逐小时预报雨量数据
Figure 435454DEST_PATH_IMAGE014
移动
Figure DEST_PATH_IMAGE072
时间，进而获得时间调整区域预报雨量数据；
步骤72：利用半拉格朗日方法将所述时间调整区域预报雨量数据进行外推形变，获得形变后预报雨量数据；
步骤73：将形变后的预报雨量数据乘以随时间衰减的
Figure 666627DEST_PATH_IMAGE012
中尺度匹配格点矢量场参数
Figure DEST_PATH_IMAGE074
，进而获得雨区形态动态调整后的预报雨量数据
Figure DEST_PATH_IMAGE076
；
步骤74：将
Figure 925439DEST_PATH_IMAGE076
乘以
Figure 942811DEST_PATH_IMAGE012
中尺度预报雨强订正参数
Figure DEST_PATH_IMAGE078
，进而获得动态调整的最终的预报雨量数据。
CN202111653714.9A 2021-12-31 2021-12-31 一种短时暴雨预报释用模型的动态调整方法 Active CN114004426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111653714.9A CN114004426B (zh) 2021-12-31 2021-12-31 一种短时暴雨预报释用模型的动态调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111653714.9A CN114004426B (zh) 2021-12-31 2021-12-31 一种短时暴雨预报释用模型的动态调整方法

Publications (2)

Publication Number Publication Date
CN114004426A CN114004426A (zh) 2022-02-01
CN114004426B true CN114004426B (zh) 2022-04-29

Family

ID=79932417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111653714.9A Active CN114004426B (zh) 2021-12-31 2021-12-31 一种短时暴雨预报释用模型的动态调整方法

Country Status (1)

Country Link
CN (1) CN114004426B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419246A (zh) * 2021-06-11 2021-09-21 兰州大学 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3298359B2 (ja) * 1995-05-12 2002-07-02 株式会社日立製作所 レーダを用いた降雨予測システム
CN102662172A (zh) * 2012-03-29 2012-09-12 天津大学 一种基于多普勒雷达反射率图像的风暴云团的外推方法
CN112070286B (zh) * 2020-08-25 2023-11-24 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***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419246A (zh) * 2021-06-11 2021-09-21 兰州大学 一种用于雷达资料高频同化的Nudging逼近多时刻3DVar分析场方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验;程丛兰等;《气象学报》;20130630;第71卷(第03期);第397-415页 *

Also Published As

Publication number Publication date
CN114004426A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN110346844A (zh) Nriet基于云分类和机器学习的定量降水估测方法
CN112070286B (zh) 复杂地形流域的降水预报预警***
Goudenhoofdt et al. Evaluation of radar-gauge merging methods for quantitative precipitation estimates
Mikhailova et al. Predicting rainfall erosivity in Honduras
CN111401602B (zh) 基于神经网络的卫星以及地面降水测量值同化方法
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及***
Hong et al. Basis for recommending an update of wind velocity pressures in Canadian design codes
CN111027175A (zh) 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
CN105974495B (zh) 利用分类拟合法预判目标区域未来平均云量的方法
CN108983324B (zh) 一种基于卡尔曼滤波的气温预报方法及***
CN105891833A (zh) 基于多普勒雷达信息识别暖云降水率的方法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
Emmanuel et al. Evaluation of the new French operational weather radar product for the field of urban hydrology
CN113267834A (zh) 一种基于多模型集成的融合降水预报方法
CN114114358B (zh) 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法
CN113281754B (zh) 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法
CN107748933B (zh) 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法
Sokol et al. Nowcasting of precipitation–advective statistical forecast model (SAM) for the Czech Republic
CN113435630A (zh) 一种产流模式自适应的流域水文预报方法及***
CN112363168A (zh) 一种基于雷达外推和模式预报的同化融合方法
Yin et al. On statistical nowcasting of road surface temperature
CN115049013A (zh) 一种联合线性和svm的短时降雨预警模型融合方法
CN114004426B (zh) 一种短时暴雨预报释用模型的动态调整方法
Wardah et al. Radar rainfall estimates comparison with kriging interpolation of gauged rain
JPH09189773A (ja) 降雨量予測装置

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