CN117687123A - 用于预测气象数据的方法、装置、处理器及存储介质 - Google Patents
用于预测气象数据的方法、装置、处理器及存储介质 Download PDFInfo
- Publication number
- CN117687123A CN117687123A CN202311705105.2A CN202311705105A CN117687123A CN 117687123 A CN117687123 A CN 117687123A CN 202311705105 A CN202311705105 A CN 202311705105A CN 117687123 A CN117687123 A CN 117687123A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- prediction
- weather
- target area
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 34
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (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
本发明实施例提供一种用于预测气象数据的方法、装置、处理器及存储介质,属于气象预测领域。用于预测气象数据的方法包括:获取目标区域的历史气象观测数据和第一预设气象预测模型输出的目标区域的历史气象预测数据;对历史气象观测数据和历史气象预测数据进行数据同化处理,以得到目标区域对应的第一气象三维预测初始场;基于预设的非线性优化函数,根据第一气象三维预测初始场确定目标区域对应的第二气象三维预测初始场;基于第二预设气象预测模型,根据第二气象预测初始场确定目标区域当前时刻的第一气象预测数据。本发明实施例可以提高气象预测数据的准确性。
Description
技术领域
本发明涉及气象预测技术领域,具体地涉及一种用于预测气象数据的方法、装置、处理器及存储介质。
背景技术
现有的气象预测数据通常基于气象预报(Weather Research and ForecastingModel,WRF)模式进行模拟得到,但是其模拟结果与实际气象数据之间通常存在一定偏差。因此,存在气象预测数据的准确性较差的问题。
发明内容
本发明实施例的目的是提供一种用于预测气象数据的方法、装置、处理器以及存储介质,以解决现有技术存在的气象预测数据的准确性较差的问题。
为了实现上述目的,本发明实施例第一方面提供一种用于预测气象数据的方法,包括:
获取目标区域的历史气象观测数据和第一预设气象预测模型输出的目标区域的历史气象预测数据;
对历史气象观测数据和历史气象预测数据进行数据同化处理,以得到目标区域对应的第一气象三维预测初始场;
基于预设的非线性优化函数,根据第一气象三维预测初始场确定目标区域对应的第二气象三维预测初始场;
基于第二预设气象预测模型,根据第二气象预测初始场确定目标区域当前时刻的第一气象预测数据。
在本发明实施例中,用于预测气象数据的方法还包括:通过人工智能方法对第一气象预测数据进行初步修正,以得到目标区域当前时刻的第二气象预测数据。
在本发明实施例中,用于预测气象数据的方法还包括:对当前时刻的第二气象预测数据进行偏差修正,以得到目标区域当前时刻的第三气象预测数据。
在本发明实施例中,对当前时刻的第二气象预测数据进行偏差修正,以得到目标区域当前时刻的第三气象预测数据,包括:获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据;确定过去预设时间段内的历史气象观测数据的第一平均值、过去预设时间段内的第二气象预测数据的第二平均值;确定第一平均值与第二平均值的偏差值;在当前时刻的第二气象预测数据的基础上加上偏差值,以得到当前时刻的第三气象预测数据。
本发明实施例第二方面提供一种用于预测气象数据的装置,用于预测气象数据的装置包括:数据获取模块,用于获取目标区域的历史气象观测数据和第一预设气象预测模型输出的目标区域的历史气象预测数据;同化处理模块,用于对历史气象观测数据和历史气象预测数据进行数据同化处理,以得到目标区域对应的第一气象三维预测初始场;优化模块,用于基于预设的非线性优化函数,根据第一气象三维预测初始场确定目标区域对应的第二气象三维预测初始场;预测模块,用于基于第二预设气象预测模型,根据第二气象预测初始场确定目标区域当前时刻的第一气象预测数据。
在本发明实施例中,上述装置还包括初步修正模块,用于通过人工智能方法对第一气象预测数据进行初步修正,以得到目标区域当前时刻的第二气象预测数据。
在本发明实施例中,上述装置还包括偏差修正模块,用于对当前时刻的第二气象预测数据进行偏差修正,以得到目标区域当前时刻的第三气象预测数据。
在本发明实施例中,上述偏差修正模块还用于:获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据;确定过去预设时间段内的历史气象观测数据的第一平均值、过去预设时间段内的第二气象预测数据的第二平均值;确定第一平均值与第二平均值的偏差值;在当前时刻的第二气象预测数据的基础上加上偏差值,以得到当前时刻的第三气象预测数据。
本发明实施例第三方面提供一种处理器,被配置成执行根据上述的用于预测气象数据的方法。
本发明实施例第四方面提供以种机器可读存储介质,机器可读存储介质上存储程序或指令,程序或指令被处理器执行时实现根据上述的用于预测气象数据的方法。
上述技术方案,通过对历史气象观测数据和第一预设气象预测模型输出的历史气象预测数据进行数据同化处理,可以得到有较高精度的第一气象三维预测初始场,根据预设的非线性优化函数和第一气象三维预测初始场,可得到精度更高的目标区域对应的第二气象三维预测初始场,根据第二气象三维预测初始场和第二预设气象预测模型,可以得到较为精确的目标区域当前时刻的第一气象预测数据,提高了气象预测结果的准确性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1示意性示出了本发明一实施例中用于预测气象数据的方法的流程示意图;
图2示意性示出了本发明另一实施例中用于预测气象数据的方法的流程示意图;
图3示意性示出了本发明一实施例中用于预测气象数据的装置的结构框图示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
图1示意性示出了本发明一实施例中用于预测气象数据的方法的流程示意图。如图1所示,在本发明实施例中,提供了一种用于预测气象数据的方法,以该方法应用于处理器为例进行说明,该方法可以包括以下步骤:
步骤S102,获取目标区域的历史气象观测数据和第一预设气象预测模型输出的目标区域的历史气象预测数据。
步骤S104,对历史气象观测数据和历史气象预测数据进行数据同化处理,以得到目标区域对应的第一气象三维预测初始场。
步骤S106,基于预设的非线性优化函数,根据第一气象三维预测初始场确定目标区域对应的第二气象三维预测初始场。
步骤S108,基于第二预设气象预测模型,根据第二气象预测初始场确定目标区域当前时刻的第一气象预测数据。
可以理解,目标区域为需要检测气象数据(气象数据可以是温度、湿度、风向、气压等)的地区。历史气象观测数据为过去的实际气象观测数据。历史气象预测数据为过去的由第一预设气象预测模型得到的预测气象数据。第一预设气象预测模型为用来预测气象数据的模型,例如可以是IFS(Integrated Forecast System,综合预报***)模型。数据同化处理,即数据融合处理,例如可以是使用GSI同化模块(Gridpoint StatisticalInterpolation)进行数据同化处理,即将不同来源、不同类别、不同质量的数据通过一定的技术手段整合在一起,其中技术手段例如可以是加权平均处理等处理方式,例如可以将历史气象观测数据和历史气象预测数据进行同化处理得到第一气象三维预测初始场。第一气象三维预测初始场可以包括目标区域的位置信息(例如可以包括目标区域的经纬度和高度)和同化处理后的气象数据(例如可以包括目标区域的温度、风速、湿度、气压)。非线性优化函数,例如可以是CNOP(条件非线性最优扰动)方法对应的函数,计算CNOP为求解有约束条件的非线性最优化问题的过程,具体地,可以根据第一气象三维预测初始场和预设的非线性优化函数确定较优的第二气象三维预测初始场。第二气象三维预测初始场可以包括目标区域的精度更高的位置信息和气象数据。第二预设气象预测模型为根据气象预测初始场预测未来的气象数据的模型,例如可以是WRF模型(Weather Research and ForecastingModel,天气研究和预报模型)。可理解地,第一气象三维预测初始场可以作为第二预设气象预测模型的输入,也可以将精度更高的第二气象三维预测初始场可以作为第二预设气象预测模型的输入,从而提高气象预测结果的准确度。第一气象预测数据为当前时刻预测的目标区域未来的气象数据,具体可以是温度、湿度、风向、气压等,例如,可以是距离地面2米的温度。
具体地,处理器可以获取目标区域的历史气象观测数据和由第一预设气象预测模型输出的目标区域的历史气象预测数据,并对历史气象观测数据和历史气象预测数据进行数据同化处理,以得到目标区域对应的第一气象三维预测初始场,进一步地,处理器可以将第一气象三维预测初始场输入至预设的非线性优化函数以确定目标区域对应的第二气象三维预测初始场,从而可以将第二气象预测初始场输入至第二预设气象预测模型以确定目标区域当前时刻的第一气象预测数据。
上述用于预测气象数据的方法,通过对历史气象观测数据和第一预设气象预测模型输出的历史气象预测数据进行数据同化处理,可以得到有较高精度的第一气象三维预测初始场,根据预设的非线性优化函数和第一气象三维预测初始场,可得到精度更高的目标区域对应的第二气象三维预测初始场,根据第二气象三维预测初始场和第二预设气象预测模型,可以得到较为精确的目标区域当前时刻的第一气象预测数据,提高了气象预测结果的准确性。
在一个实施例中,用于预测气象数据的方法还可以包括:通过人工智能方法对第一气象预测数据进行初步修正,以得到目标区域当前时刻的第二气象预测数据。
可以理解,人工智能方法为可以对气象预测数据进行修正的算法,包括但不限于随机森林模型、神经网络法、支持向量机算法、深度学习算法等。第二气象预测数据为当前时刻预测的目标区域未来的气象数据,其中第二气象预测数据比第一气象预测数据的精度更高。
具体地,处理器通过人工智能方法对第一气象预测数据进行初步修正,以得到目标区域当前时刻的第二气象预测数据,例如,可以将第一气象预测数据输入随机森林模型以得到第二气象预测数据。
在本申请实施例中,通过人工智能方法对第一气象预测数据进行初步修正,以得到目标区域当前时刻的第二气象预测数据,可以进一步提升气象预测数据的准确性。
在一个实施例中,用于预测气象数据的方法还包括:对当前时刻的第二气象预测数据进行偏差修正,以得到目标区域当前时刻的第三气象预测数据。
可以理解,通过人工智能方法得到的第二气象预测数据,可能存在过拟合问题,偏差修正可以解决该问题。第三气象预测数据为当前时刻预测的目标区域未来的气象数据,其中第三气象预测数据比第二气象预测数据的精度更高。
具体地,处理器对当前时刻的第二气象预测数据进行偏差修正,以得到目标区域当前时刻的第三气象预测数据。
在一个实施例中,对当前时刻的第二气象预测数据进行偏差修正,以得到目标区域当前时刻的第三气象预测数据,包括:获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据;确定过去预设时间段内的历史气象观测数据的第一平均值、过去预设时间段内的第二气象预测数据的第二平均值;确定第一平均值与第二平均值的偏差值;在当前时刻的第二气象预测数据的基础上加上偏差值,以得到当前时刻的第三气象预测数据。
可以理解,预设时间段为预先设置的时间段,例如6点到19点,过去预设时间段内的历史气象观测数据的第一平均值为过去预设时间段内的历史气象观测数据的平均值,过去预设时间段内的第二气象预测数据的第二平均值为过去预设时间段内的第二气象预测数据的平均值。当前时刻的第三气象预测数据为对当前时刻(例如20点)的第二气象预测数据进行偏差修正后的结果。
具体地,例如可以参考以下公式:
其中,为过去预设时间段内的历史气象观测数据的第一平均值,/>为过去预设时间段内的第二气象预测数据的第二平均值,Fi为当前时刻的第二气象预测数据,Yi为当前时刻的第三气象预测数据。
可理解地,处理器可以获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据,进而可以确定过去预设时间段内的历史气象观测数据的第一平均值、过去预设时间段内的第二气象预测数据的第二平均值,确定第一平均值与第二平均值的偏差值,并在当前时刻的第二气象预测数据的基础上加上偏差值,以得到当前时刻的第三气象预测数据。
在本申请实施例中,获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据;确定过去预设时间段内的历史气象观测数据的第一平均值、过去预设时间段内的第二气象预测数据的第二平均值;确定第一平均值与第二平均值的偏差值;在当前时刻的第二气象预测数据的基础上加上偏差值,以得到当前时刻的第三气象预测数据,可以避免由人工智能方法产生的过拟合问题,进一步提升气象预测数据的精度。
在一个具体的实施例中,提供了一种用于预测气象数据的方法,具体可以包括:(1)基于高分辨率观测资料与IFS预报数据的GSI同化;(2)CNOP集合扰动;(3)、数值预报;(4)基于人工智能与消除偏差法的模式后订正,具体可以包括以下步骤:
(1)实时获取气象观测资料与IFS(Integrated Forecast System)预报数据,观测与预报数据要素为:不同高度的温度、湿度、风速、气压等三维经度纬度高度格点数据等。将气象观测资料与IFS预报数据通过质量控制、量纲统一等方式融合,通过GSI(GridpointStatistical Interpolation)同化模块对所属数据进行大气数据同化,最终得到高质量华南地区温度、风速、湿度、气压三维预报初始场,GSI是指美国国家环境预报中心NCEP(National Centers for Environmental Prediction)所研发的适用于全球和区域应用程序的统一数据同化***。它最初是由美国国家环境预测中心(NCEP)环境建模中心(EMC)开发的,是基于当时可操作的光谱统计插值(SSI)分析***的下一代分析***。GSI并非像SSI那样在频谱空间中构建,而是在物理空间中构建,并被设计为一种灵活的最新***,在可用的并行计算平台上非常有效。从三维变数(3DVar)数据同化技术开始,当前的GSI可以作为2DVar(用于表面数据分析),3DVar,3D集成变分(3D EnVar),4D EnVar,3D/4D混合EnVar或4DVar(如果与GSI支持的预测***中的伴随模型结合使用)。
(2)基于CNOP(Conditional Nonlinear Optimal Perturbation)集合预报技术降低数值预报的非线性误差,通过CNOP在步骤1的基础上再一次提升了华南地区温度、风速、湿度、气压三维预报初始场的精度,为后续WRF数值预报提供了精度更为优良的预报初始场。计算CNOP是一个求解有约束条件的非线性最优化问题的过程。CNOP是在一定误差范围内,在预报时刻对预报结果不确定性产生最大影响的误差。在步骤二中温度、风速、湿度、气压三维预报初始场的误差。通过计算目标函数﹑目标函数关于优化变量的梯度和约束条件需要使用者定义并且输入到非线性最优化程序中。目标函数通常是为了最大化或最小化某种性能度量,以反映***对某个特定条件下的扰动的敏感性。目标函数关于优化变量的梯度是指目标函数对于优化变量的偏导数。梯度提供了目标函数在参数空间中的变化方向,它是优化算法(如梯度下降)中非常重要的信息,因为它指导着算法向着目标函数减小的方向进行参数调整。首先,物理问题的约束条件可以较为容易地在约束优化算法中建立。有些约束优化算法也需要约束条件关于优化变量的梯度。这也可以较为容易地建立。其次,在优化算法中,需给出正确的目标函数值。一个非线性模式从初始时刻到预报时刻T的传播算子。为了得到目标函数,需要将非线性模式向前积分的信息输入到优化算法中。即优化算法程序需要调用两次模式的数值积分程序:一次是参考态(或基本态),此时并未考虑初始误差;一次是考虑初始误差时的非线性积分。将这两次非线性积分的结果输入到优化算法程序中,从而获得目标函数。最后,目标函数关于优化变量的梯度是应用约束优化算法计算CNOP中非常重要的信息。利用向前积分模式﹑其切线性模式和伴随模式,可以获得目标函数关于优化变量的梯度,将梯度信息输入到约束优化算法中,即优化算法程序中需要调用向前积分模式﹑其切线性模式和伴随模式三个程序。至此,上述三个信息输入到约束优化算法中并且给出初始猜测值,算法就能正常运行并最终得到CNOP。如图二所示,指代步骤1所得中温度、风速、湿度、气压三维预报初始场在步骤3中模式预报第一次积分所得的误差,U0指代步骤1所得中温度、风速、湿度、气压三维预报初始场,MT(P)代表步骤3中对U0进行积分预报计算的算子,/>代表目标函数,i代表迭代次数,随着迭代次数的提升最终得到最优结果即为u0δ,即为温度、风速、湿度、气压三维预报初始场的CNOP,将该CNOP与步骤1所得初始场进行叠加得到改良精度的温度、风速、湿度、气压三维预报初始场。
(3)基于WRF(Weather Research and Forecasting Model)模型进行高分辨率天气数值预报,预报要素为不同高度的气温、相对湿度等。最后得到华南区域水平分辨率为6km的2m气温、2m相对湿度逐时格点预报数据。WRF模型为一种天气研究和预报模型,可以作为全球模式进行天气预报,也可以作为区域模式进行天气过程的数值模拟。WRF采用非静力平衡框架,水平方向采用地形追随坐标,垂直方向采用eta坐标。非静力平衡,垂直方向eta坐标,能够满足大部分中尺度的天气研究。
(4)基于人工智能方法对步骤(3)所得2m地面气温、2m相对湿度预报结果进行后订正,旨在进一步降低模式预报结果的误差,提升预报结果精度。最终得到订正后的2m气温、2m相对湿度格点预报数据人工智能方法包括但不限于神经网络法、随机森林算法、支持向量机算法、深度学习算法等,该研究订正方案例如可以选择随机森林算法。
随机森林算法是一个包含多个决策树的分类器,通过基于步骤一至三对开始预测时刻的前七天逐时2m地面气温、2m相对湿度建立特征向量为输入,以该特征向量对应的同时刻实测数据2m气温、2m相对湿度数据作为训练集与测试集,通过训练样本进行拟合最终用于模式2m地面气温、2m相对湿度预测结果的订正。
(5)通过人工智能方式对2m气温、2m相对湿度格点预报数据进行订正会存在过拟合问题,为了避免这个问题,可以采用基于消除偏差方法对模式相对湿度预报结果进行逐时订正,消除偏差法基于模型偏差的统计规律上建立修正关系减少预报误差,使最终得到的2m气温、2m相对湿度格点预报数据成果更为精确。消除偏差方法是指对每一时刻,分别是每日06-19时内基于步骤1至步骤4的2m气温、2m相对湿度预报数据和观测2m气温、2m相对湿度实测数据的平均,Fi、Yi分别是每日第20时的基于步骤一至步骤四的2m气温、2m相对湿度预报值和每日第20时基于步骤1至步骤4的偏差订正的结果,公式如下:
Yi:每日第20时基于步骤1至步骤4的偏差订正的结果,Fi:每日第20时的基于步骤一至步骤四的预报值,每日06-19时内基于步骤1至步骤4的预测值的平均值,/>每日06-19时内观测值的平均值。
本发明实施例的有益效果可以包括:(1)基于观测资料与IFS预报数据的同化以及集合预报技术获取高质量高精度的温度、湿度、风速预报初始场,初始场为三维经度、纬度、高度的温度、湿度、风速、压力等格点数据。(2)基于人工智能与消除偏差法对预报所得的温度、湿度数据进行再订正,提升预报所得温度、湿度三维格点数据的精确性。(3)将步骤1-4进行串联,从模式的初始场到预报数据处理两个角度提升WRF模型的预报精度。
此外,本发明实施例的有益效果还可以包括:1、基于集合预报的多源集成技术研究,形成面向某些地区基于集合预报的高度为2m的温度和相对湿度6km水平分辨率精细化格点数值预报产品。2、基于同化技术提升现有温度和湿度数值预报产品时效性。
图3示意性示出了本发明一实施例中用于预测气象数据的装置结构框图示意图。如图3所示,本发明实施例提供了一种用于预测气象数据的装置300,包括:数据获取模块310,用于获取目标区域的历史气象观测数据和第一预设气象预测模型输出的目标区域的历史气象预测数据;同化处理模块320,用于对历史气象观测数据和历史气象预测数据进行数据同化处理,以得到目标区域对应的第一气象三维预测初始场;优化模块330,用于基于预设的非线性优化函数,根据第一气象三维预测初始场确定目标区域对应的第二气象三维预测初始场;预测模块340,用于基于第二预设气象预测模型,根据第二气象预测初始场确定目标区域当前时刻的第一气象预测数据。
上述用于预测气象数据的装置300,通过对历史气象观测数据和第一预设气象预测模型输出的历史气象预测数据进行数据同化处理,可以得到有较高精度的第一气象三维预测初始场,根据预设的非线性优化函数和第一气象三维预测初始场,可得到精度更高的目标区域对应的第二气象三维预测初始场,根据第二气象三维预测初始场和第二预设气象预测模型,可以得到较为精确的目标区域当前时刻的第一气象预测数据,提高了气象预测结果的准确性。
在本发明实施例中,装置还包括初步修正模块,用于通过人工智能方法对第一气象预测数据进行初步修正,以得到目标区域当前时刻的第二气象预测数据。
在本发明实施例中,装置还包括偏差修正模块,用于对当前时刻的第二气象预测数据进行偏差修正,以得到目标区域当前时刻的第三气象预测数据。
在本发明实施例中,偏差修正模块还用于:获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据;确定过去预设时间段内的历史气象观测数据的第一平均值、过去预设时间段内的第二气象预测数据的第二平均值;确定第一平均值与第二平均值的偏差值;在当前时刻的第二气象预测数据的基础上加上偏差值,以得到当前时刻的第三气象预测数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于预测气象数据的方法,其特征在于,所述方法包括:
获取目标区域的历史气象观测数据和第一预设气象预测模型输出的所述目标区域的历史气象预测数据;
对所述历史气象观测数据和所述历史气象预测数据进行数据同化处理,以得到所述目标区域对应的第一气象三维预测初始场;
基于预设的非线性优化函数,根据所述第一气象三维预测初始场确定所述目标区域对应的第二气象三维预测初始场;
基于第二预设气象预测模型,根据所述第二气象预测初始场确定所述目标区域当前时刻的第一气象预测数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过人工智能方法对所述第一气象预测数据进行初步修正,以得到所述目标区域当前时刻的第二气象预测数据。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对所述当前时刻的第二气象预测数据进行偏差修正,以得到所述目标区域当前时刻的第三气象预测数据。
4.根据权利要求3所述的方法,其特征在于,所述对所述当前时刻的第二气象预测数据进行偏差修正,以得到所述目标区域当前时刻的第三气象预测数据,包括:
获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据;
确定所述过去预设时间段内的历史气象观测数据的第一平均值、所述过去预设时间段内的第二气象预测数据的第二平均值;
确定所述第一平均值与所述第二平均值的偏差值;
在所述当前时刻的第二气象预测数据的基础上加上所述偏差值,以得到所述当前时刻的第三气象预测数据。
5.一种用于预测气象数据的装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标区域的历史气象观测数据和第一预设气象预测模型输出的所述目标区域的历史气象预测数据;
同化处理模块,用于对所述历史气象观测数据和所述历史气象预测数据进行数据同化处理,以得到所述目标区域对应的第一气象三维预测初始场;
优化模块,用于基于预设的非线性优化函数,根据所述第一气象三维预测初始场确定所述目标区域对应的第二气象三维预测初始场;
预测模块,用于基于第二预设气象预测模型,根据所述第二气象预测初始场确定所述目标区域当前时刻的第一气象预测数据。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括初步修正模块,用于通过人工智能方法对所述第一气象预测数据进行初步修正,以得到所述目标区域当前时刻的第二气象预测数据。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括偏差修正模块,用于对所述当前时刻的第二气象预测数据进行偏差修正,以得到所述目标区域当前时刻的第三气象预测数据。
8.根据权利要求7所述的装置,其特征在于,所述偏差修正模块还用于:
获取过去预设时间段内的历史气象观测数据和过去预设时间段内的第二气象预测数据;
确定所述过去预设时间段内的历史气象观测数据的第一平均值、所述过去预设时间段内的第二气象预测数据的第二平均值;
确定所述第一平均值与所述第二平均值的偏差值;
在所述当前时刻的第二气象预测数据的基础上加上所述偏差值,以得到所述当前时刻的第三气象预测数据。
9.一种处理器,其特征在于,被配置成执行根据权利要求1至8中任意一项所述的用于预测气象数据的方法。
10.一种机器可读存储介质,所述机器可读存储介质上存储程序或指令,其特征在于,所述程序或所述指令被处理器执行时实现根据权利要求1至4中任意一项所述的用于预测气象数据的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705105.2A CN117687123A (zh) | 2023-12-12 | 2023-12-12 | 用于预测气象数据的方法、装置、处理器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705105.2A CN117687123A (zh) | 2023-12-12 | 2023-12-12 | 用于预测气象数据的方法、装置、处理器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117687123A true CN117687123A (zh) | 2024-03-12 |
Family
ID=90136610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311705105.2A Pending CN117687123A (zh) | 2023-12-12 | 2023-12-12 | 用于预测气象数据的方法、装置、处理器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117687123A (zh) |
-
2023
- 2023-12-12 CN CN202311705105.2A patent/CN117687123A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10871593B2 (en) | Method for increasing the spatial resolution of a weather forecast | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN110232471A (zh) | 一种降水传感网节点布局优化方法及装置 | |
KR102396290B1 (ko) | 초 저고도 바람 예측 정보 제공 방법 | |
CN114091764A (zh) | 气象预报要素订正方法、装置、计算机设备和存储介质 | |
CN116205541B (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
CN110737876B (zh) | 区域电网光伏功率预测优化方法和装置 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN112149859A (zh) | 风速预测方法和风速预测装置 | |
CN110244387A (zh) | 一种基于大气可降水量预测降雨天气的方法、装置、设备以及存储介质 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、***、设备和介质 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及*** | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN110442836A (zh) | 风电场短期风速预测方法及*** | |
CN117518196A (zh) | 一种激光雷达的运动补偿方法、装置、***、设备及介质 | |
CN117687123A (zh) | 用于预测气象数据的方法、装置、处理器及存储介质 | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报***及方法 | |
CN115081742A (zh) | 分散式风电场的超短期功率预测方法及相关设备 | |
CN115860248A (zh) | 风速数值同化短临预测方法及*** | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与*** | |
CN115983104A (zh) | 风速预测方法、装置、存储介质和电子设备 | |
Kang et al. | Development of a deep neural network model to estimate solar radiation using temperature and precipitation | |
CN114037901A (zh) | 光伏发电预测导向的实时卫星近红外图像推算方法 |
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 |