一种短临智能数值天气预报方法及系统技术方案

本发明专利技术提供的一种短临智能数值天气预报方法及系统，方法包括：获取第一时刻地面气象观测数据及卫星数据，整合为物理特征文件；根据物理特征文件建立三维站点物理特征时间序列预报初始场；以中国气候背景为参照，获得三维标准化物理特征；以空间邻近站点位置为参照，将三维标准化物理特征转换为四维标准化物理特征；以要素时空均匀分布为目标，对四维标准化物理特征重采样，获得四维时空物理；根据所述四维时空物理，建立出智能数值天气预报模型

【技术实现步骤摘要】
一种短临智能数值天气预报方法及系统


[0001]本专利技术涉及天气预报领域，尤其涉及一种短临智能数值天气预报方法及系统。

技术介绍

[0002]传统数值天气预报系统采用固定时刻初始网格化气象场，通过固定参数化的动力气象方程组，数值化求解，得到未来气象场的客观预报。
[0003]存在以下问题：1)网格化气象场数值求解，一般需要大型计算机才能完成；
[0004]2)动力气象方程组数值化求解，对初始场高度敏感，容易产生“蝴蝶效应”。
[0005]3)现有的数值天气预报技术，在前1至6小时属于预报盲区，得到的预报产品，对于短临天气预报服务属于过时无效预报；
[0006]4)现有的数值天气预报模式，难以以站点为目标，同时输出接近实况观测精度的气压、气温、湿度、风向、风速、能见度、小时累计降水量、10分钟累计降水量和5分钟累计降水量等短临天气预报中的特定要素集
[0007]5)动力气象方程组参数化是一项极为复杂的工作，需要大量的科学实验为基础。
[0008]中国范围内高时空分辨短临数值天气预报是一项急需且极具挑战性的工作。

技术实现思路

[0009]鉴于上述问题，提出了本专利技术以便提供克服上述问题或者至少部分地解决上述问题的一种短临智能数值天气预报方法。
[0010]根据本专利技术的一个方面，提供了一种短临智能数值天气预报方法包括：
[0011]获取第一时刻地面气象观测数据及卫星数据，整合为物理特征文件；
[0012]根据所述物理特征文件建立三维站点物理特征时间序列预报初始场；
[0013]以中国气候背景为参照，获得三维标准化物理特征；
[0014]以空间邻近站点位置为参照，将所述三维标准化物理特征转换为四维标准化物理特征；
[0015]以要素时空均匀分布为目标，对所述四维标准化物理特征重采样，获得四维时空物理；
[0016]根据所述四维时空物理，建立出智能数值天气预报模型
‑
物理数据驱动的深度学习模型，并获得三维数值预报结果；
[0017]对所述三维数值预报结果输出网格化，获得数值预报格点场。
[0018]可选的，所述天气预报方法还包括：
[0019]根据定制需求得到对应要素、对应范围的个性化产品，并采用每十分钟触发一次的触发方式。
[0020]可选的，所述获取第一时刻地面气象观测数据及卫星数据，整合为物理特征文件具体包括：
[0021]采集第一时刻站点地面气象观测数据及站点卫星数据；
[0022]根据所述站点地面气象观测数据及所述站点卫星数据，计算状态方程、水汽通量方程和假相当位温，用于补充站点观测数据；
[0023]对可见光太阳高度角校正、可见光增强；AirmassRGB，云分类，云估计降水计算，用于补充站点观测数据；
[0024]用NetCDF点云数据模型规范站点特征数据，NetCDF格式存盘，用于实现可视化；
[0025]用NetCDF点格数据模型，对点云数据快速格点化，用于实现可视化。
[0026]可选的，所述根据所述物理特征文件建立三维站点物理特征时间序列预报初始场具体包括：
[0027]用连续马尔可夫概率密度作为三层结构径向基函数神经网络的底层的权重参数；
[0028]用不同时间尺度的高斯核函数，得到一组径向基函数，并转换为马尔可夫概率密度；
[0029]用三层结构径向基函数神经网络得到单站各要素时间序列初始预报，建立三维站点物理特征时间序列预报初始场。
[0030]可选的，所述以中国气候背景为参照，获得三维标准化物理特征具体包括：
[0031]建立气候背景，根据站点历史物理特征文件数据，得到中国72侯，144十分钟平均、均方差、最大和最小气候分布；
[0032]建立标准场，对时间序列初始预报和实况物理特征，用所述气候背景标准化处理，获得三维标准化物理特征，所述三维标准化物理特征为三维无量纲的时间序列初始预报物理特征。
[0033]可选的，所述以空间邻近站点位置为参照，将所述三维标准化物理特征转换为四维标准化物理特征具体包括：
[0034]以站点邻接站点字典为依据，将三维站点时间序列物理特征扩展为四维，获得四维时空一体物理特征集，所述四维包括要素、时间、空间和站点。
[0035]可选的，所述以要素时空均匀分布为目标，对所述四维标准化物理特征重采样，获得四维时空物理具体包括：
[0036]根据降水分布非均匀性，对不同时间尺度累计降水重采样，用于使降水有无样本分布均匀。
[0037]可选的，所述根据所述四维时空物理，建立出智能数值天气预报模型
‑
物理数据驱动的深度学习模型，并获得三维数值预报结果具体包括：
[0038]以平流方程、连续方程、气压倾向方程、开尔文环流方程为概念模型，按照欧拉方程差分格式，建立一组神经网络部件；
[0039]根据图卷积神经网络为依据，建立一组时间、空间图卷积神经网络部件；
[0040]按激活网络和地球自转的规律，对智能数值天气预报模型优化，用于获得智能数值天气预报实时播报模型；
[0041]根据所述智能数值天气预报实时播报模型，获得三维数值预报结果。
[0042]本专利技术还提供了一种短临智能数值天气预报系统包括：
[0043]物理特征文件整合模块，用于获取第一时刻地面气象观测数据及卫星数据，整合为物理特征文件；
[0044]初始场建立模块，用于根据所述物理特征文件建立三维站点物理特征时间序列预
报初始场；
[0045]标准化处理模块，用于以中国气候背景为参照，获得三维标准化物理特征；
[0046]维数转换模块，用于以空间邻近站点位置为参照，将所述三维标准化物理特征转换为四维标准化物理特征；
[0047]重采样模块，用于以要素时空均匀分布为目标，对所述四维标准化物理特征重采样，获得四维时空物理；
[0048]深度学习模型建立模块，用于根据所述四维时空物理，建立出智能数值天气预报模型
‑
物理数据驱动的深度学习模型，并获得三维数值预报结果；
[0049]网格化处理模块，用于对所述三维数值预报结果输出网格化，获得数值预报格点场。
[0050]本专利技术提供的一种短临智能数值天气预报方法及系统，方法包括：获取第一时刻地面气象观测数据及卫星数据，整合为物理特征文件；根据所述物理特征文件建立三维站点物理特征时间序列预报初始场；以中国气候背景为参照，获得三维标准化物理特征；以空间邻近站点位置为参照，将所述三维标准化物理特征转换为四维标准化物理特征；以要素时空均匀分布为目标，对所述四维标准化物理特征重采样，获得四维时空物理；根据所述四维时空物理，建立出智能数值天气预报模型
‑
物理数据驱动的深度学习模型，并获得三维数值预报结果；对所述三维数值预报结果输出网格化，获得数值预报格点场。采用本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短临智能数值天气预报方法，其特征在于，对陆面边界层气压、气温、湿度、风、能见度、地表温度、累计降水量的定量天气预报方法包括：获取第一时刻地面气象观测数据及卫星数据，整合为物理特征文件；根据所述物理特征文件建立三维站点物理特征时间序列预报初始场；以中国气候背景为参照，获得三维标准化物理特征；以空间邻近站点位置为参照，将所述三维标准化物理特征转换为四维标准化物理特征；以要素时空均匀分布为目标，对所述四维标准化物理特征重采样，获得四维时空物理；根据所述四维时空物理，建立出智能数值天气预报模型
‑
物理数据驱动的深度学习模型，并获得三维数值预报结果；对所述三维数值预报结果输出网格化，获得数值预报格点场。2.根据权利要求1所述的一种短临智能数值天气预报方法，其特征在于，所述天气预报方法还包括：根据定制需求得到对应要素、对应范围的个性化产品，并采用每十分钟触发一次的触发方式。3.根据权利要求1所述的一种短临智能数值天气预报方法，其特征在于，所述获取第一时刻地面气象观测数据及卫星数据，整合为物理特征文件具体包括：采集第一时刻站点地面气象观测数据及站点卫星数据；根据所述站点地面气象观测数据及所述站点卫星数据，计算状态方程、水汽通量方程和假相当位温，用于补充站点观测数据；对可见光太阳高度角校正、可见光增强；AirmassRGB，云分类，云估计降水计算，用于补充站点观测数据；用NetCDF点云数据模型规范站点特征数据，NetCDF格式存盘，用于实现可视化；用NetCDF点格数据模型，对点云数据快速格点化，用于实现可视化。4.根据权利要求1所述的一种短临智能数值天气预报方法，其特征在于，所述根据所述物理特征文件建立三维站点物理特征时间序列预报初始场具体包括：用连续马尔可夫概率密度作为三层结构径向基函数神经网络的底层的权重参数；用不同时间尺度的高斯核函数，得到一组径向基函数，并转换为马尔可夫概率密度；用三层结构径向基函数神经网络得到单站各要素时间序列初始预报，建立三维站点物理特征时间序列预报初始场。5.根据权利要求1所述的一种短临智能数值天气预报方法，其特征在于，所述以中国气候背景为参照，获得三维标准化物理特征具体包括：建立气候背景，根据站点历史物理特征文件数据，得到中国72侯，144十分钟平均、均方差、最大和最小...

【专利技术属性】
技术研发人员：何险峰，刘汉博，陈钻，李永杰，安冉，赵凯，
申请(专利权)人：华风气象传媒集团有限责任公司，
类型：发明
国别省市：