【技术实现步骤摘要】
一种降水预报后处理校正方法
[0001]本专利技术属于水文预报
,具体涉及一种降水预报后处理校正方法
。
技术介绍
[0002]降水是全球水循环的重要组成部分,并且是地表水文过程的基本驱动因素,如洪水和干旱
。
特别是洪水作为影响我国乃至全世界最主要
、
破坏性最严重的自然灾害,严重威胁着社会经济和社会安全
。
因此,准确可靠的降水预报对于洪水灾害预警和水资源管理至关重要
。
作为主要的降水预报方式,数值天气预报
(NWP)
可以提供2周内的预报降水,且预测技能不断提高
。
[0003]然而,由于数值天气预报模型的缺陷和不准确的初始条件,原始降水预报存在系统偏差和欠离散
/
过度离散问题,不能直接用于水文预报等应用
。
统计后处理可用于消除原始预测中的系统偏差并量化不确定性
。
传统的统计后处理方法基于统计模型,包括参数方法和非参数方法
。
参数方法包括贝叶斯模型平均
(BMA)、
集成模型输出统计
(EMOS)
和贝叶斯联合概率
(BJP)。
非参数方法包含分位数回归
、Ensemble copula coupling(ECC)
和
Schaake shuffle(SSH)
等
。
除上述方法外,机器学习算法因其强大的自学能力和处理非线性问题的优越性 ...
【技术保护点】
【技术特征摘要】
1.
一种降水预报后处理校正方法,其特征在于,所述方法包括以下步骤:步骤
1、
获取目标流域数据:获取目标流域内实测降水数据
、
预报降水数据和辅助变量数据,所述辅助变量数据包括
500hPa
位势高度
、500hPa/850hPa/1000hPa
的比湿
、500hPa/850hPa/1000hPa
的
U
向风和
V
向风
、
地面的
U
向风和
V
向风
、
大气压和高程数据;步骤
2、
对数据进行预处理:采用双线性插值方法分别对预报降水数据
、
辅助变量数据的空间分辨率进行重采样使其与实测降水数据的空间分辨率一致;对预报降水数据
、
除高程数据外的其他辅助变量数据的时间分辨率分别进行整合使其与实测降水数据的时间分辨率一致;步骤
3、
对目标流域进行大尺度环流模式分型:选择
500hPa
位势高度对目标流域每日的天气系统进行大尺度环流分型,构建
SOM
模型并设置模型参数,确定目标流域的最佳环流分型数目;步骤
4、
对目标流域的预报降水数据进行后处理:构建
CNN
‑
LSTM
模型对目标流域每种环流模式的预报降水数据分别进行偏差校正,并对校正结果进行精度评价
。2.
根据权利要求1所述的一种降水预报后处理校正方法,其特征在于,步骤1所述实测降水数据选择
CN05.1
降水格点数据集,空间分辨率为
25km
,时间分辨率为
1d
;所述预报降水数据来自欧洲中期天气预报中心的未来
15
天预报降水,空间分辨率为
50km
,时间分辨率为
6h
;所述高程数据来自地理空间数据云,空间分辨率为
30m
;其他辅助变量数据来自欧洲中期天气预报中心,空间分辨率为
50km
,时间分辨率为
6h。3.
根据权利要求1所述的一种降水预报后处理校正方法,其特征在于,步骤3所述对目标流域进行大尺度环流模式分型具体包括以下步骤:步骤
31、
位势高度归一化:选择
500hPa
位势高度对目标流域每日的天气系统进行大尺度环流分型,考虑纬度差异造成的格点面积差异,对
500hPa
位势高度按纬度余弦的平方根加权并进行归一化,公式如下:式中,
<Z>
为归一化位势高度;
Z
为
500hPa
位势高度;
Z
mean
是
500hPa
位势高度所有格点数据的季度平均值;
σ
Z
是标准差;
φ
是纬度;步骤
32、
构建
SOM
模型并设置模型参数:选择
Python miniSOM
库构建
SOM
模型,模型输入为步骤
31
得到的归一化位势高度,模型输出为环流分型数目,并对
SOM
模型参数进行设置,模型参数包括
Sigma、Learning_rate、Neighborhood_function、Random_seed、Train_batch
;步骤
33、
确定最佳环流分型数目:根据模型输出的环流分型数目结果,通过判断指标确定目标流域的最佳环流分型数目
。4.
根据权利要求3所述的一种降水预报后处理校正方法,其特征在于,步骤
33
所述判断指标为量化误差和拓扑误差,所述量化误差为每个输入节点与其获胜节点之间的平均欧氏距离,所述拓扑误差为最佳匹配节点和次优匹配节点在节点映射中不相邻的所有数据样本的比例,两种判断指标值越小,表明分型效果越好
。5.
根据权利要求1所述的一种降水预报后处理校正方法,其特征在于,步骤4所述对目标流域的预报降水数据进行后处理具体包括以下步骤:
步骤
41、
构建数据库:将目标流域的预报降水数据和辅助变量数据作为预报因子数据,对预报因子数据和实测降水数据分别进行归一化处理并进行拼合形成拼合数据,根据确定的目标流域的最佳环流分型数目对拼合数据进行分类,分别构建对应于每种环流模式的数据库,以对每种环流模式的预报降水进行偏差校正;步骤
42、
构建
CNN
模型:构建的
CNN
模型包括一个输入层
、
两个卷积层
、
一个池化层和一个展平层,输入层考虑空间信息,对于目标流域内的每个格网,提取以它为中心的5×5子格网数据作为输入层的输入;卷积层是
CNN
模型的核心层,其作用是提取图像信息,其中卷积核大小根据实际情况来确定;池化层之后是展平层,其作用是将池化层数据转换为单个向量以作为
LSTM
模型的...
【专利技术属性】
技术研发人员:张团团,胡义明,钱傲然,叶可佳,吴娟,王军,毕成琳,俞炜博,闻太祎,姚鸿韬,黄嘉璐,覃相钊,
申请(专利权)人:太湖流域管理局水文局信息中心,
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。