【技术实现步骤摘要】
一种基于机器学习的短时中强降水预警方法
[0001]本专利技术涉及气象预警
,具体而言,涉及一种基于机器学习的短时中强降水预警方法
。
技术介绍
[0002]暴雨是主要的气象灾害之一,会造成山洪
、
泥石流
、
城市内涝等严重灾害,强降水(小时降雨量
≥20mm
)是重要的预报对象
。
在青藏高原东侧等复杂地形区域,中强降雨(小时降雨量
≥10mm
)就可能引发山洪等次生灾害,但目前开展中强降雨短临预警算法模型研究较少
。
[0003]现有技术缺陷:尽管数值天气预报近年来取得了不少进展,但
NWP
模式对对流尺度
(1
ꢀ‑ꢀ
5 km)
的预报能力仍然十分有限
。
因此,基于气象雷达观测数据进行直接外推预报仍然是这种尺度上的主要方法
。
这也是由于
NWP
模型的计算复杂度高,初始条件对模型的同化不完善
。
由于短时强降水往往是由中小尺度天气系统造成,数值预报模式对强降水的落区和强度不能很好地预报,但是天气系统的系统
、
能量
、
水汽等物理量场能够更好把握
。
同时气象雷达观测数据能够捕获到大的水滴(降雨)回波的发生发展,站点实况观测数据能够反应地面气温
、
水汽
、
气压
、
相对湿度等物理量的变化 ...
【技术保护点】
【技术特征摘要】
1.
一种基于机器学习的短时中强降水预警方法,其特征在于,包括以下步骤:
S1、
将最近
10
个时次的雷达回波组合反射率数据输入基于
MAE
的雷达回波反射率预训练模型,输出得到雷达回波组合反射率编码特征;
S2、
将预处理后的
ECMWF
数值预报数据输入基于
MAE
的物理量预训练模型,输出得到气象物理量场编码特征;
S3、
对预处理后的自动气象站观测数据送入自动气象站观测数据编码器,输出得到自动气象站观测数据编码特征;
S4、
将雷达回波组合反射率编码特征
、
气象物理量场编码特征和自动气象站观测数据编码特征进行拼接,得到融合编码特征;
S5、
将融合编码特征送入站点中强降水分类器,进行是否发生短时中强降水的二分类,得到短时中强降水分类结果
。2.
根据权利要求1所述基于机器学习的短时中强降水预警方法,其特征在于,步骤
S1
中,获取雷达回波组合反射率数据的方法包括以下步骤:
S11、
获取气象多普勒雷达原始体扫基数据文件;
S12、
基于气象多普勒雷达原始体扫基数据文件,进行地物杂波抑制
、
距离去折叠和速度退模糊质量控制,得到质控后体扫基数据文件;
S13、
基于质控后体扫基数据文件,采用基于
Python
的雷达数据处理库,生成雷达回波组合反射率数据
。3.
根据权利要求2所述基于机器学习的短时中强降水预警方法,其特征在于,步骤
S11
中,基于天擎气象大数据云平台,申请应用账户,开通雷达基数据访问权限,通过
API
接口获取到气象多普勒雷达原始体扫基数据文件
。4.
根据权利要求1所述基于机器学习的短时中强降水预警方法,其特征在于,步骤
S2
具体包括以下步骤:
S21、
基于
...
【专利技术属性】
技术研发人员:张成宏,蒋兴文,董元昌,黄晓龙,
申请(专利权)人:中国气象局成都高原气象研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。