基于气块反向追踪的大雾短期预报方法技术

基于气块反向追踪的大雾短期预报方法，属于气象预报技术领域，包括以下步骤：

【技术实现步骤摘要】
基于气块反向追踪的大雾短期预报方法


[0001]本专利技术涉及气象预报
，具体而言，为基于气块反向追踪的大雾短期预报方法
。

技术介绍

[0002]大雾是影响高速公路
、
航空等交通安全的主要灾害性天气之一，大雾的出现往往会造成高速公路限速
、
封闭，从而影响正常的交通通行
。
不仅如此，因为大雾引起的交通事故往往带来严重的财产损失，甚至影响生命安全
。
[0003]大雾的预报尤其是短期（指的是每天
16
时前后起报，预报当天
20
时至次日
08
时间的最低能见度）一直是目前预报中的难点，主要体现在以下3个方面：其一，不同地区在大雾形成过程中下垫面
、
环流形式
、
气候特点等存在一定的差异，很难利用统一的模型来完美刻画；其二，利用雾变化的连续性进行外推难以准确反映4小时以上预报时效的变化；其三，早期的
EC
数值预报产品在预报准确性和空间分辨率等方面难以满足大雾短期预报的需求
。
[0004]因此，推出基于气块反向追踪的大雾短期预报方法
。

技术实现思路

[0005]本专利技术提供基于气块反向追踪的大雾短期预报方法，旨在解决上述
技术介绍
中，现有预测方法对于大雾连续性变化的预报时效性和准确性不理想的问题
。
[0006]为实现上述目的，本专利技术提供如下技术方案：基于气块反向追踪的大雾短期预报方法，包括以下实施步骤：
S100:
大雾分区，选定大雾预报测试地区，将选定区域划分成不同的大雾分区，在分区划分不同气块以追踪气象的预报因子数据；
S200:
选取预报因子，根据大雾形成机理选取影响大雾形成的关键气象预报因子作为预报因子，以能见度是否低于
500m
作为分类依据，采用多种分类方法进行训练，并选取最优模型作为最终模型；
S300:
样本处理，计算机利用
EC
数值预报产品计算相应的预报因子，将样本分为训练集和测试集；
S400:
建立模型，计算机利用训练集采用随机森林
、
决策树
、
贝叶斯
、
提升树和多元回归模型五种机器学习方法进行训练，完善学习计算方法；
S500
：评估计算，计算机利用测试集对各个大雾分区的大雾出现概率进行评估，以测试样本准确率高低为依据，选取准确率最高的机器学习算法作为预测方法
。
[0007]进一步地，针对
S100
步骤中，对于大雾分区的具体实施步骤如下：
S110
：从气象观测站获取全国气象数据，根据各个地区大雾出现频次数据而从中选择一个合适的试验地区；
S120:
针对所选择的试验地区，根据气象观测能见度数据选取区域性大雾历史个例作为正交分解时间序列，利用正交函数方法对区域性大雾历史个例进行划分，将其划分
成不同的大雾发生区域
。
[0008]进一步地，针对
S300
步骤中，预报因子样本进行处理时，计算机对样本进行选取并对其进行均衡处理，能见度＜
500m
的全部选取，随机选取部分能见度
500m
‑
1000m
和＞
1000m
的样本，确保＜
500m、500m
‑
1000m
和＞
1000m
的样本数量比例为
1∶1∶1。
[0009]进一步地，针对
S300
步骤中，对预报因子样本进行选取和均衡处理后再对样本进行划分，根据选取样本所属时间计算其相应的预报因子，并将样本按照
7∶3
的比例分为训练集和测试集
。
[0010]进一步地，气象的预报因子数据包括起报时刻预报区域机器周边的风速
、
湿度
、
温度
、
能见度观测实况，以及多种
ECMWF
细网格预报因素，同时至少选取
30
个预报因子
。
[0011]进一步地，对雾进行输送的
30
个变量分别为：
16
时能见度实况，
16
时相对湿度实况，
EC
预报时刻总云量，
EC
预报时刻低云量，
EC
预报时刻海平面气压梯度，
EC
预报时刻
2m
气温，
EC
预报时刻温度露点差，
EC
预报之前临近白天
08
时
‑
20
时最高气温与预报时刻气温差，
EC
预报时刻过去
12
小时降水量，
EC
预报时刻
10m
风速，
EC
预报时刻
1000hPa
到
2m
高度逆温，
EC
预报时刻
925hPa
到
2m
高度逆温，
EC
预报时刻
925hPa
到
1000hPa
高度逆温，
1000hPa
相对湿度，
950hPa
相对湿度，
925hPa
相对湿度，
900hPa
相对湿度，
850hPa
相对湿度，
700hPa
相对湿度，
600hPa
相对湿度，
500hPa
相对湿度，
1000hPa
风速，
950hPa
风速，
925hPa
风速，
900hPa
风速，
850hPa
风速，
700hPa
风速，
600hPa
风速，
500hPa
风速，以及预报时刻各格点气块
16
时所在位置能见度实况
。
[0012]进一步地，
EC
预报时刻海平面气压梯度计算方法
—
基于
EC
预报时刻海平面气压数据，
(x,y)
位置格点海平面气压梯度
(MSLd)
为
:MSLd(x,y)={[MSL(x+1,y)
‑
MSL(x
‑
1,y)]2+[MSL(x,y+1)
‑
MSL(x,y
‑
1)]2}
1/2
/2
，其中
MSL
为海平面气压；温度露点差（
T
‑
Td
）计算方法：...

【技术保护点】

【技术特征摘要】
1.
基于气块反向追踪的大雾短期预报方法，其特征在于，包括以下实施步骤：
S100:
大雾分区，选定大雾预报测试地区，将选定区域划分成不同的大雾分区，在分区划分不同气块以追踪气象的预报因子数据；
S200:
选取预报因子，根据大雾形成机理选取影响大雾形成的关键气象预报因子作为预报因子，以能见度是否低于
500m
作为分类依据，采用多种分类方法进行训练，并选取最优模型作为最终模型；
S300:
样本处理，计算机利用
EC
数值预报产品计算相应的预报因子，将样本分为训练集和测试集；
S400:
建立模型，计算机利用训练集采用随机森林
、
决策树
、
贝叶斯
、
提升树和多元回归模型五种机器学习方法进行训练，完善学习计算方法；
S500
：评估计算，计算机利用测试集对各个大雾分区的大雾出现概率进行评估，以测试样本准确率高低为依据，选取准确率最高的机器学习算法作为预测方法
。2.
如权利要求1所述的基于气块反向追踪的大雾短期预报方法，其特征在于：针对
S100
步骤中，对于大雾分区的具体实施步骤如下：
S110
：从气象观测站获取全国气象数据，根据各个地区大雾出现频次数据而从中选择一个合适的试验地区；
S120:
针对所选择的试验地区，根据气象观测能见度数据选取区域性大雾历史个例作为正交分解时间序列，利用正交函数方法对区域性大雾历史个例进行划分，将其划分成不同的大雾发生区域
。3.
如权利要求1所述的基于气块反向追踪的大雾短期预报方法，其特征在于：针对
S300
步骤中，预报因子样本进行处理时，计算机对样本进行选取并对其进行均衡处理，能见度＜
500m
的全部选取，随机选取部分能见度
500m
‑
1000m
和＞
1000m
的样本，确保＜
500m、500m
‑
1000m
和＞
1000m
的样本数量比例为
1∶1∶1。4.
如权利要求3所述的基于气块反向追踪的大雾短期预报方法，其特征在于：针对
S300
步骤中，对预报因子样本进行选取和均衡处理后再对样本进行划分，根据选取样本所属时间计算其相应的预报因子，并将样本按照
7∶3
的比例分为训练集和测试集
。5.
如权利要求1所述的基于气块反向追踪的大雾短期预报方法，其特征在于：气象的预报因子数据包括起报时刻预报区域机器周边的风速
、
湿度
、
温度
、
能见度观测实况，以及多种
ECMWF
细网格预报因素，同时至少选取
30
个预报因子
。6.
如权利要求5所述的基于气块反向追踪的大雾短期预报方法，其特征在于：对雾进行输送的
30
个变量分别为：
16
时能见度实况，
16
时相对湿度实况，
EC
预报时刻总云量，
EC
预报时刻低云量，
EC
预报时刻海平面气压梯度，
EC
预报时刻
2m
气温，
EC
预报时刻温度露点差，
EC
预报之前临近白天
08
时
‑
20
时最高气温与预报时刻气温差，
EC
预报时刻过去
12
小时降水量，
EC
预报时刻
10m
风速，
EC
预报时刻
1000hPa
到
2m
高度逆温，
EC
预报时刻
925hPa
到
2m
高度逆温，
EC
预报时刻
925hPa
到
1000hPa
高度逆温，
1000hPa
相对湿度，
950hPa
相对湿度，
925hPa
相对湿度，
900hPa
相对湿度，
850hPa
相对湿度，
700hPa
相对湿度，
600hPa
相对湿度，
500hPa
相对湿度，
1000hPa
风速，
950hPa
风速，
925hPa
风速，
900hPa
风速，
850hPa
风速，
...

【专利技术属性】
技术研发人员：王传辉，姚叶青，江春，周建平，苗开超，汪翔，王涛，孙艳，陈飞，
申请(专利权)人：安徽省公共气象服务中心安徽省突发公共事件预警信息发布中心，
类型：发明
国别省市：