一种具有高影响天气预报精度性的观测敏感区确定方法、装置及系统制造方法及图纸

本发明专利技术公开了一种影响数值天气预报精度的观测敏感区确定方法、装置、系统和计算机可读存储介质，所述方法包括确定目标区范围和日期；获取CMA

【技术实现步骤摘要】
转换成初始扰动向量X＝(u',v',(θ')',(Π')')；
[0018]第二步，对所述初始扰动向量x进行并行CMA
‑
GFS切线模式L向后积分t时段，得到演化扰动向量X
t
＝(u',v',(θ'
′
)',(Π')')
t
；；
[0019]第三步，在对X
t
进行总能量变换算子E转换，得到用于输入到CMA
‑
GFS伴随模式L
T
的输入扰动向量X
t*
＝(u',v',(θ')',(Π')')
t*
；
[0020]第四步，对所述伴输扰动向量X
t
*利用并行CMA
‑
GFS伴随模式L
T
向前积分t时段，得到初始时刻的伴随梯度向量X
0*
＝(u',v',(θ')',(Π')')
0*
；
[0021]其中，CMA
‑
GFS奇异向量计算需要CMA
‑
GFS切线性模式和伴随模式，其预报量为CMA
‑
GFS模式预报变量中的水平风分量(u,v)、扰动位温(θ')以及扰动无量纲气压(Π')的切线性扰动变量，分别可以表示为：(u',v',(θ')',(Π')')。
[0022]第五步，对所述伴随梯度向量X
0*
实施E
‑1转换后得到欧拉空间向量；
[0023]第六步，迭代步骤第一步至第五步，以获得增长最快的欧拉向量作为迭代结束条件，所述增长最快的欧拉向量作为所述奇异向量SVs。
[0024]进一步，所述奇异向量(Singular Vectors，SVs)扰动是在切线性模式中基于大气总能量权重模，在一定时间(最优化时间)间隔内增长最快的一组正交扰动。
[0025]进一步，所述总能量模变换采取的公式为：
[0026][0027]式中，L
T
为CMA
‑
GFS切线性模式的伴随模式，λ
i
为矩阵算子(L
T
P
T
E
T
EPL)的第个奇异值，X
i
(t0)是矩阵(L
T
P
T
E
T
EPL)属于λ
i
对应的第i个奇异向量，E为(归一化扰动为能量单位的权重算子)衡量扰动大小权重模。
[0028]进一步，总能量模E的计算公式如下：
[0029][0030]式中前面两项之和为扰动动能，后两项之后表示扰动势能，其中第三项和第四项分别表示势能中扰动位温(θ')'和扰动无量纲气压(Π')'分量的贡献。公式(3)中其中为地形追随坐标，λ和分别代表模式球面坐标的经度和纬度，C
P
为干空气的定压比热。T
r
、θ
r
、∏
r
及ρ
r
分别表示参考温度、参考位温、参考无量纲气压及参考密度，其计算公式分别为：R
d
为干空气气体常数，p
r
为标准大气，T
r
为参考温度，g为重力加速度。
[0031]进一步，所述敏感区计算公式为：式中，λ
i
为公式2中计算出的第i个奇异值，V
i
为对应的第i个奇异向量。
[0032]进一步，所述敏感区显示图为百分比图。
[0033]第二方面，一种具有高影响天气预报精度性的观测敏感区确定装置，包括：
[0034]确定模块，用于确定目标区范围和日期；
[0035]获取模块，用于获取CMA
‑
GFS业务分析场的数值；
[0036]设置模块，用于将所述业务分析场的数值插值到计算奇异向量SVs的相应分辨率；
[0037]计算模块，用于计算生成所述奇异向量SVs；
[0038]根据所述奇异向量SVs线性组合生成敏感区；
[0039]绘制模块，用于绘制所述敏感区的显示图。
[0040]第三方面，一种具有高影响天气预报精度性的观测敏感区确定系统，所述系统包括：
[0041]一个或多个处理器；
[0042]存储装置，用于存储一个或多个程序；
[0043]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述影响天气预报精度的观测敏感区确定方法。
[0044]第四方面，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述具有高影响天气预报精度性的观测敏感区确定方法。
[0045]有益效果
[0046]相比于现有技术，本专利技术的有益效果为：提供一种影响天气预报精度的观测敏感区确定方法，确定目标区范围和日期；获取CMA
‑
GFS业务分析场的数值；将所述业务分析场的数值插值到计算奇异向量SVs的相应分辨率；计算生成所述奇异向量SVs；根据所述奇异向量SVs线性组合生成敏感区；绘制所述敏感区的显示图。通过此方式，能够在现有技术的气象观测网络系统基础上，提高天气预测精度，为高影响天气系统和重大天气服务提供高精度的天气预测效果。
附图说明
[0047]图1为本专利技术的一种具有高影响天气预报精度性的观测敏感区确定方法流程图；
[0048]图2为本专利技术一个实施例中，预报敏感性试验采用的全球预报模式版本CMA
‑
GFS V3.2的具体试验配置；
[0049]图3为本专利技术一个实施例中CMA
‑
GFS模式程序的结构计算流程；
[0050]图4(A)和(B)分别为在一个实施例中，所述步骤S4计算生成所述奇异向量SVs的具体流程图和参数关系图；
[0051]图5为本专利技术的一种具有高影响天气预报精度性的观测敏感区确定装置的结构图；
[0052]图6为本专利技术中一种具有高影响天气预报精度性的观测敏感区确定方法所运行环境的实施例提供的电子设备系统的结构图；
[0053]图7为本专利技术中一种具有高影响天气预报精度性的观测敏感区确定方法所运行环境的实施例提供的计算机可读存储介质的结构图；
[0054]图8为本专利技术一个实施例中川藏铁路沿线灾害性天气预报敏感区设置图；
[0055]图9为本专利技术一个实施例影响川藏铁路沿线区域的预报敏感区年平均水平分布图；
[0056]图10为本专利技术一个实施例影响川藏铁路沿线区域的预报敏感区年平均垂直分布。
具体实施方式
[0057]下面结合具体实施例对本专利技术进一步进行描述。
[0058]本文所使用的术语“包括”和“包含”应被理解为包含性的和开放式的，而不具有排
他性。具体而言，当在说明书和权力要求书中使用术语“包括”和“包含”及其同义词时，是表示包括指定的特征、步骤或组成部分。这些术语不能被理解为排除其他本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有高影响天气预报精度性的观测敏感区确定方法，包括：S1：确定目标区范围和日期；S2：获取CMA
‑
GFS 4DVAR的业务分析场的数值；S3：将所述业务分析场的数值插值到计算奇异向量SVs的相应分辨率；S4：计算生成所述奇异向量SVs；S5：根据所述奇异向量SVs线性组合生成敏感区；S6：绘制所述敏感区的显示图。2.根据权利要求1的所述方法，所述S4计算生成所述奇异向量SVs，包括：S41：根据兰索斯算法Lanczos，将欧拉向量进行总能量模变换算子E的逆E
‑1转换成初始扰动向量X＝(u',v',(θ')',(Π')')；S42：对所述初始扰动向量x进行并行CMA
‑
GFS切线模式L向后积分t时段，得到演化扰动向量X
t
＝(u',v',(θ')',(Π')')
t
；S43：在对X
t
进行总能量变换算子E转换，得到用于输入到CMA
‑
GFS伴随模式L
T
的输入扰动向量X
t*
＝(u',v',(θ')',(Π')')
t*
；S44：对所述伴输扰动向量X
t*
利用并行CMA
‑
GFS伴随模式L
T
向前积分t时段，得到初始时刻的伴随梯度向量X
0*
＝(u',v',(θ')',(Π')')
0*
；其中，CMA
‑
GFS奇异向量计算需要CMA
‑
GFS切线性模式和伴随模式，其预报量为CMA
‑
GFS模式预报变量中的水平风分量(u,v)、扰动位温(θ')以及扰动无量纲气压(Π')的切线性扰动变量，分别可以表示为：(u',v',(θ')',(Π')')。S45：对所述伴随梯度向量X
0*
实施E
‑1转换后得到欧拉空间向量；S46：迭代步骤第一步至第五步，以获得增长最快的欧拉向量作为迭代结束条件，所述增长最快的欧拉向量作为所述奇异向量SVs。3.根据权利要求1的所述方法，所述奇异向量SVs扰动是在切线性模式中基于大气总能量权重模，在一定时间间隔内增长最快的一组正交扰动。4.根据权利要求2的所述方法，所述总能量模变换采取的公式为：式中，L
T
为CMA
‑
GFS切线性模式的伴随...

【专利技术属性】
技术研发人员：沈学顺，韩威，刘永柱，王皓，王金成，尹若莹，
申请(专利权)人：中国气象局地球系统数值预报中心，
类型：发明
国别省市：