CN114626578B - 一种利用人工智能预报冻雨的方法 - Google Patents

Abstract

本发明公开了一种利用人工智能预报冻雨的方法，包括对降水类型观测数据预处理，将降水相态进行转换；将预处理后的降水类型观测数据按照90%:10%的比例分为训练数据集和验证数据集；根据观测数据时间进行地理位置匹配，分析数据中的500hPa‑1000hPa每个气压层特征数据以及每个预报站点的经度、维度和高度构建特征数据集；将观测数据作为标签，结合特征数据集，通过LightGBM算法进行冻雨降水相态预报模型训练，得到预报模型并存储；利用预报模型的特征数据集，直接输出预报得到的冻雨预报结果。本发明通过构建预报模型，对大气压层特征数据以及每个预报站点的经度、维度和高度进行特征工程处理，实现了对冬季冻雨快捷而准确的预报。

Description

一种利用人工智能预报冻雨的方法

技术领域

本发明涉及气象服务技术领域，具体来说，涉及一种利用人工智能预报冻雨的方法。

背景技术

降水是地球水循环和能量循环的关键环节之一（Zhang T J,2005），降水相态包括雨、雪、雨夹雪、冻雨、冰粒、冰雹等多种形态，不同相态的降水对陆地表面物质和能量循环的影响巨大（Wu B Y et al,.2009），相同的降水量不同的相态所产生的影响有着显著差异（孙燕等,2014;王春乙等,2005），其中，尤以冻雨的影响最为严重, 作为冬季降水的一种特殊类型，冻雨是冬季和早春最危险的灾害之一。冻雨是过冷雨滴落于地面或暴露物体上时，迅速凝结为冰的天气现象，这些水滴在撞击时结成冰，并可能形成一层冰釉，覆盖在任何低于零摄氏度的物体上（Richard Forbes，2014），当降雨量大、持续时间长时，很大可能会带来灾害性后果，进而对基础设施和植被造成破坏，影响人类生产生活和自然环境（Call,2010），特别是在冬季，降水相态预报质量是降水量预报准确率的核心影响因子。那么冻雨作为冬季降水的一种特殊类型，会造成的路面“黑冰”，被称为道路上的隐形杀手，它对电网、航空、冬季户外运动和农业等也可造成严重破坏。近年来，在加拿大中南部、纽约长岛和中国东南部等全球许多地区都观察到了冻雨频率的增加趋势。而对于冻雨等灾害性冬季降水的错报和漏报则会严重影响并降低城市、交通、供电***应对此类灾害的工作效率，增大相应的损失。因此，提高冻雨预报能力对交通管理和道路维护、航空地面除冰作业、冬季电力规划和基础设施维护以及灾害损失控制等意义重大。

另外，众所周知，降水相态预报是预报员冬季降水预报面临的最大难题之一，那么冬季降水相态的预报则从二十世纪七十年代开始的，其发展的主要方法包括基于观测数据的经验预报方法、基于物理机理的数值模式预报、融合观测与数值模式的统计预报等，主要可以分为三大类，第一类方法是基于观测或数值天气预报建立指标以及回归方程，这里简称为指标判据法；第二类方法是基于数值天气预报模式的微物理方法和集合预报法；第三类方法是基于观测数据和数值天气预报产品的应用决策树、人工神经网络和深度学习等的人工智能预报法。

所述冻雨形成的热力学和微观物理过程复杂，难以用统一的机制予以解释。 例如，对于相同地形条件下地表冻雨的发生，其对应的高层大气的垂直热力结构可存在较大差异。以北京地区为例，根据53年历史观测资料和NCEP再分析资料分析，50%的冻雨发生时垂直大气存在暖层，而另外50%的冻雨事件则没有观测到大气暖层。另一项关于美国阿巴拉契亚山脉冷空气坝的调查显示，冻雨发生时垂直大气可存在多个零度层。此外，冻雨也可能发生在垂直大气完全低于冰点的情况，在这种情况下过冷水在高空下落时的温度不足以使冰核活动，实际上这是中国东南部冻雨发生的一种常见机制。

在天气预报业务中，冻雨的预报主要依赖于数值模式的诊断预报结果，辅助预报员的主观经验判断。天气预报数值模式对于包括冻雨在内的降水相态的诊断预报主要通过显示法和隐式法两类方法实现。所述显式方法采用水凝物微物理过程的数值模拟，利用水凝物混合比和温度预测近地各类降水(Theriault et al. 2010; Ikeda et al. 2013)；所述隐式方法主要使用温度和/或湿度的环境特征来推断降水类型（例如，Baldwin et al.1994; Bourgouin 2000; Schuur et al. 2012; Elmore and Grams 2015; Chenard etal. 2015），由于冻雨过程的空间尺度较小，即使在对流可分辨的高分辨率数值天气预报模型中，也很难显示模拟水凝物下游传输和水凝物相互作用等决定冻雨形成的关键过程。因此，隐式方法在数值模式的诊断预报中发挥着主导作用。常见的隐式方法包括 Ramer 算法、Baldwin 算法、Bourgouin 算法、NSSL算法等（Ramer1993， Baldwin1994，Bourgouin2000， Schuur2012）。大量研究表明基于隐式方法的降水相态预报对于雪和雨的预报具有较高的预报技巧，但在预报冻雨上表现较差(Reeves2016,Elmore2015)。

当前的天气预报业务中，对冬季降水相态的预报以数值模式为基础，主要通过预报员进行人为订正，已无法满足准确性和及时性的需求。近年来，基于机器学习的数据驱动方法可以在较少依赖物理细节的情况下进行准确的预测，为更高效和准确地预测冻雨提供了新的视角和方法。适用于解决高维非线性问题的机器学习方法近年来被引入降水相态的预报工作中，决策树、支持向量机、深度神经网络等人工智能方法被国内外气象部门和学者用于探索冬季降水相态的预报，Reeves (2016) 制作了一个决策树识别雨、雪、雨夹雪、冻雨、冰粒等混合降水相态；在数值预报产品基础上，董全等（2013）利用人工神经网络方法开发了中国区域的雨雪相态的客观预报模型和产品，可准确预报北方的雨雪分界线；杨璐等（2021）分别基于XGBoost、SVM、DNN三种机器学习方法建立了降水相态的高分辨率客观分类模型，并对同样条件下三种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验，进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。但是大部分方法在特征选择上，以近地气象要素或综合指数类要素为主，不能很好的代表对于降水相态形成发挥关键作用的大气热力、水汽和其他要素的垂直结构；而且大部分方法对于冻雨预报考虑较少（或忽略），且预报效果差。

当前基于机器学习的降水相态人工智能预报方法输入的特征多局限于温度，湿度，湿球温度等常见变量，对于高空热力和水汽结构信息表达不够完整（杨璐等，2021；Reeves, 2016），无法有效提高降水相态预报准确率，特别是对于冻雨等极端降水事件预报能力非常低。也为了解决冻雨的物理成因和动力机制复杂，无法用物理模型、动力模型和线性模型进行有效预报的问题，因此，需要利用起人工智能技术来对冻雨进行预测。

然而，本发明是基于人工智能技术和大数据应用的冬季冻雨预报的一种客观预报方法。相比已有方法，本发明方法的预报特征采用大气温度、湿度、风速、垂直运动等变量的垂直剖面时间序列，构建隐式预报模型对包括冻雨在内的降水相态形成的物理机制开展高维逼近，使用观测和模拟精度高的基本气象变量而非误差结构复杂的诊断指数，减少预报误差。针对冻雨在降水相态分布中占比较小而造成的样本不均衡问题，在模型训练过程中提出新的损失函数，提高算法对冻雨的预报能力。

发明内容

针对相关技术中的上述技术问题，本发明提出一种利用人工智能预报冻雨的方法，能够克服现有技术方法的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种利用人工智能预报冻雨的方法，包括以下步骤：

S1:对降水类型观测数据进行预处理，并根据降水类型记录的编码规则进行降水相态装换；

S2:将预处理后的降水类型观测数据按照90%:10%的比例随机分为训练数据集和验证数据集两部分；

S3:进行提取特征，选择500hPa-1000hPa大气层的高空垂直维度中每个气压层的温度、相对湿度、风速、垂直速度、重力位势以及每个预报站点的经纬度和高度，根据观测数据时间对观测时刻前24小时再分析数据进行地理位置匹配，根据站点经纬度信息计算得到再分析数据的网格数据；

S4:获取匹配后再分析数据中的500hPa-1000hPa所有气压层的温度、相对湿度、南北水平方向风速、东西垂直方向风速、垂直速度、重力位势以及每个预报站点的经纬度和高度数据，构建特征数据集；

S5:训练预报模型，将所述训练数据集的观测数据作为标签，通过LightGBM算法进行降水相态预报模型训练，最终得到可用的冻雨预报模型并存储；

S6:利用当前时次前24小时的温度、相对湿度、南北水平方向风速、东西垂直方向风速、垂直速度、重力位势以及每个预报站点的经纬度和高度作为所述预报模型的输入，直接预报得到冻雨降水相态预报结果。

进一步地，所述降水相态转换具体是转换为液态降水、固态降水、混合相态降水及冻雨相态降水四大类。

进一步地，所述网格数据是根据当前站点经纬度数据信息计算得到再分析数据中最邻近格点，再选择周围一定范围格点数据。

进一步地，所述预报结果为四个分类模型的分类结果，类别分别对应雨、雨夹雪、雪以及冻雨。

进一步地，提取气压层的风速包括南北水平方向风速和东西垂直方向风速，即维向风和经向风。

本发明的有益效果：通过采用完备的特征工程方法和高效的人工智能算法框架，通过对500hPa-1000hPa所有气压层的温度、相对湿度、南北水平方向风速、东西垂直方向风速、垂直速度、重力位势以及每个预报站点的经度、维度和高度进行特征工程处理，利用预处理后的观测数据作为标签，实现了对冬季冻雨快捷而准确的预报。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例所述的利用人工智能预报冻雨的方法的降水相态信息代表和数据采集示意图。

图2是根据本发明实施例所述的利用人工智能预报冻雨的方法的冻雨预报误差测试曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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所获得的所有其他实施例，都属于本发明保护的范围，为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。

根据本发明实施例所述的利用人工智能预报冻雨的方法，步骤包括：首先，例如：利用本发明中冻雨预报方法，对全国2515个气象观测站点2016-2018年三个冬半年（10月-次年3月）的冬季降水类型观测数据进行预处理。并根据降水类型记录的编码规则将降水相态装换为雨、雨夹雪、雪和冻雨四大类(降水类型有多种，本申请侧重于预报冻雨，因此分出冻雨降水类型)。将预处理后的降水类型观测数据按照90%:10%的比例随机分为训练数据集和验证数据集两部分。

现有研究表明，大气垂直温度廓线变化是降水相态的主要决定因素，但也受降水粒子相态、粒子下落速度、垂直运动和地形等其他因素的影响，由于一般情况下站点及周边的温度、湿度以及风速数据较难获得，本发明采用同化了观测数据的欧洲中心再分析ERA5数据作为伪真值进行特征工程构建。根据观测数据时间对每隔三小时的观测时刻再分析数据进行地理位置匹配，获取匹配后再分析数据中的500hPa-1000hPa（包括：500hpa、550hpa、600hpa、650hpa、700hpa、750hpa、775hpa、800hpa、825hpa、850hpa、875hpa、900hpa、925hpa、950hpa、975hpa和1000hpa）共16个气压层的温度、相对湿度、南北水平方向风速（纬向风）、东西垂直方向风速（经向风）、垂直速度、重力位势以及每个预报站点的经度、维度和高度以表征地形信息构建特征数据集。如图1所示，本发明构建的降水相态预报特征空间总共为2307维，实现了对于降水相态形成国车过的充分信息代表和数据采集。

对于预报模型训练，本发明采用LightGBM作为模型训练和预报的基本算法框架。梯度提升决策树GBDT (Gradient Boosting Decision Tree) 是一个性能比较好的机器学习模型框架，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。LightGBM（Light Gradient Boosting Machine）是GBDT算法的高效实现版本，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。

将所述训练数据集的观测数据作为标签，结合所述特征数据集参数的输入，通过加载使用LightGBM模型算法进行降水相态预报模型训练，最终得到可用的预报模型并存储。

其中，本发明为相对0时刻的0-12小时，每隔3小时提供一个预报算法，因此，包括以下5个预报算法。每个预报算法的具体参数设置如下：

0小时：{

"num_leaves": 347,

"max_depth": 20,

"learning_rate": 0.13757700241802978,

"n_estimators": 123,

"subsample_for_bin": 226,

"min_split_gain": 0.04088659782698967,

"min_child_weight": 0.2618087363348358,

"min_child_samples": 190,

"subsample": 0.7522282288261666,

"subsample_freq": 29,

"colsample_bytree": 0.3936729186301381,

"reg_alpha": 0.02692277056238257,

"reg_lambda": 0.7431751883441085}

3小时：{

"num_leaves": 87,

"max_depth": 16,

"learning_rate": 0.28501857817008797,

"n_estimators": 141,

"subsample_for_bin": 104,

"min_split_gain": 0.044704861240112304,

"min_child_weight": 0.3831165307373335,

"min_child_samples": 859,

"subsample": 0.8753916228505754,

"subsample_freq": 9,

"colsample_bytree": 0.42996341376509895,

"reg_alpha": 0.08472324841351359,

"reg_lambda": 0.4651052748489807}

6小时：{

"num_leaves": 267,

"max_depth": 11,

"learning_rate": 0.1377491413266653,

"n_estimators": 168,

"subsample_for_bin": 181,

"min_split_gain": 0.19546915963967137,

"min_child_weight": 0.23942160973063564,

"min_child_samples": 105,

"subsample": 0.8808733396703929,

"subsample_freq": 56,

"colsample_bytree": 0.5386212621060782,

"reg_alpha": 0.3654787861181418,

"reg_lambda": 0.34829328731249587}

9小时：{

"num_leaves": 466,

"max_depth": 15,

"learning_rate": 0.2805206780795043,

"n_estimators": 105,

"subsample_for_bin": 61,

"min_split_gain": 0.10013239820687801,

"min_child_weight": 0.21218388097084276,

"min_child_samples": 434,

"subsample": 0.06842995367405191,

"subsample_freq": 0,

"colsample_bytree": 0.9171552920925544,

"reg_alpha": 0.8974235565037368,

"reg_lambda": 0.35886080571998036}

12小时：{

"num_leaves": 499,

"max_depth": 13,

"learning_rate": 0.23713595138960672,

"n_estimators": 140,

"subsample_for_bin": 104,

"min_split_gain": 0.007556084240058894,

"min_child_weight": 0.5893312731171183,

"min_child_samples": 138,

"subsample": 0.9399360127974601,

"subsample_freq": 36,

"colsample_bytree": 0.2855015410324987,

"reg_alpha": 0.10272211842823623,

"reg_lambda": 0.9813206832344459}

最后，利用利用当前时次前24小时的预报模型的特征数据集，直接输出预报得到0小时、3小时、6小时、9小时及12小时后的降水相态预报结果。预报结果为四分类模型的分类结果，类别分别对应雨、雨夹雪、雪及冻雨，并同时需要关注输出的四个分类的输入样本，其预报结果为冻雨，其他为非冻雨的降水相态预报结果。

另外，为了提高冻雨预报性能，在损失函数的构造上，本发明对于不同类别的权重采用均衡模式，具体来说，就是使用输入数据中的类别频率来自动调整权重，使得权重与输入数据中的类别频率成反比。

基于欧洲中期天气预报中心的ERA5再分析资料和的数值模式EC预报数据的数值实验表明，本发明的预报算法的准确率更高，体现在测试集上，本方法不同时效预报冻雨的TS评分分别为：0.443（0小时），0.473（3小时），0.4497（6小时），0.4461（9小时），0.4255（12小时）。对比EC的降水相态预报产品PTYPE，其0小时、3小时、6小时、9小时、12小时不同时效预报冻雨的TS评分在0.12-0.2之间。对比ERA5再分析数据，其冻雨的TS评分为0.1421。本方法对于要预报的冻雨这样的极端天气情况，TS评分超过ERA5和EC的结果一倍以上；本预报算法的误差序列平稳，不存在误差递增趋势，如图2所示；本预报算法的计算效率非常高，在2个Intel Xeon Gold 6240 CPU（18核心36线程）的服务器上，模型对507917条数据完成推断的平均用时为30秒。

综上所述，借助于本发明的上述技术方案，通过采用完备的特征工程方法和高效的人工智能算法框架，通过对500hPa-1000hPa一共16个气压层的温度、相对湿度、南北水平方向风速（纬向风）、东西垂直方向风速（经向风）、垂直速度、重力位势，以及每个预报站点的经度、维度和高度进行特征工程处理，利用预处理后的观测数据作为标签，实现了对冬季冻雨快捷而准确的预报。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种利用人工智能预报冻雨的方法，其特征在于，包括以下步骤：

S1:对降水类型观测数据进行预处理，并根据降水类型记录的编码规则进行降水相态装换；

S2:将预处理后的降水类型观测数据按照90%:10%的比例随机分为训练数据集和验证数据集两部分；

S3:进行提取特征，选择500hPa-1000hPa大气层的高空垂直维度中每个气压层的温度、相对湿度、风速、垂直速度、重力位势以及每个预报站点的经纬度和高度，根据观测数据时间对观测时刻前24小时再分析数据进行地理位置匹配，根据站点经纬度信息计算得到再分析数据的网格数据；

S4:获取匹配后再分析数据中的500hPa-1000hPa所有气压层的温度、相对湿度、南北水平方向风速、东西垂直方向风速、垂直速度、重力位势以及每个预报站点的经纬度和高度数据，构建特征数据集；

S5:训练预报模型，将所述训练数据集的观测数据作为标签，通过LightGBM算法进行降水相态预报模型训练，最终得到可用的冻雨预报模型并存储；

S6:利用当前时次前24小时的温度、相对湿度、南北水平方向风速、东西垂直方向风速、垂直速度、重力位势以及每个预报站点的经纬度和高度作为所述预报模型的输入，直接预报得到冻雨降水相态预报结果。

2.根据权利要求1所述的利用人工智能预报冻雨的方法，其特征在于，所述降水相态转换具体是转换为液态降水、固态降水、混合相态降水及冻雨相态降水四大类。

3.根据权利要求1所述的利用人工智能预报冻雨的方法，其特征在于，所述网格数据是根据当前站点经纬度数据信息计算得到再分析数据中最邻近格点，再选择周围一定范围格点数据。

4.根据权利要求1所述的利用人工智能预报冻雨的方法，其特征在于，所述预报结果为四个分类模型的分类结果，类别分别对应雨、雨夹雪、雪以及冻雨。

5.根据权利要求1所述的利用人工智能预报冻雨的方法，其特征在于，提取气压层的风速包括南北水平方向风速和东西垂直方向风速，即维向风和经向风。

Images