【技术实现步骤摘要】
本专利技术属于机器学习技术以及气象预报，涉及台风远距离强降水的预报方法。具体而言，是一种基于机器学习和智能预报因子预报台风远距离降水的方法，通过利用机器学习等技术并通过构建智能预报因子，实现对我国北方地区台风远距离强降水的时空分布特征、影响机理和预报因子的深入分析，提高对北方地区台风远距离强降水的预报精度和稳定性。
技术介绍
1、我国北方地区（指淮河、秦岭一线以北的区域）的气候特征是旱涝交替频繁，夏季（6-8月）是该地区的雨季，占全年总降水量的70%以上。在低槽、低涡、冷锋、切变线以及台风远距离影响等复杂因素的作用下，目前还无法对我国北方地区强降水做出精准预报。尽管夏季强降水的多寡与暴雨强降水日数直接相关，但这些暴雨事件往往在短时间内集中爆发，增加了预报的难度，缺乏有效的预报因子是主要原因。
2、台风对我国北方地区强降水的影响可概括为直接影响和间接影响两类。直接影响指登陆我国的台风北上，其螺旋雨带或内核对流给我国北方地区带来强降水。间接影响指台风中心离我国北方地区尚远，但其与中纬度天气系统协同作用，给我国北方地区带来强降水。这种降水常被称为台风远距离降水（typhoon remote precipitation，trp）或热带气旋前期降水（predecessor rain ahead of tropical cyclone，pre）。值得注意的是，只有少部分台风能产生trp，这增加了预报的难度。
3、目前，台风远距离强降水的研究主要集中于以下几个方面：（1）台风向降水区输送水汽的机制。例如，台风与西太副高
4、虽然现有研究已取得一定进展，但因台风远距离降水涉及的天气系统多、过程复杂、地域性特征明显等，针对北方地区的具体气候特征和影响机理的认识尚不充分。首先，我国北方地区台风远距离强降水的气候特征缺乏全面研究。目前只有针对部分地区的台风远距离降水气候特征研究，而对整个北方地区的台风远距离降水的发生频率、影响台风的特征、地理分布、路径和强度变化、环境场大尺度环流相互作用类型等尚不清楚。其次，我国北方地区台风远距离强降水影响机理的定量研究不足。北方地区强降水的发生与干冷空气的异常活动密切相关，而台风远距离影响下，暖湿空气和台风外围暖湿气流通过东亚夏季风水汽输送带建立直接联系且其变化又受到台风路径、强度等的影响，目前针对台风对北方地区强降水的远距离影响程度和可能性的定量评估、东亚夏季风水汽输送带的天气尺度扰动季风涌的定量表征、不同台风对北方地区强降水的时空分布和强度的影响的定量预测，以及暖湿空气总体活动特征方面的业务预报因子的定量构建等的研究尚不充分。
5、综上所述，在台风远距离影响的复杂天气形势下，目前还无法对我国北方地区强降水做出精准预报，缺乏有效的预报因子是主要原因，开发基于机器学习和智能预报因子预报台风远距离降水的方法，利用机器学习等技术并通过构建有效的预报因子，以提高预报的精度和稳定性，对于提高预报准确性和时效性具有重大意义，是当前气象科学领域亟待解决的技术问题。
技术实现思路
1、（一）专利技术目的
2、针对现有技术的上述缺陷和不足，为解决在台风远距离影响下因缺乏有效的预报因子而无法对我国北方地区强降水做出精准预报的技术难题，本专利技术旨在提供一种基于机器学习和智能预报因子预报台风远距离降水的方法，通过利用机器学习技术并通过构建有效的预报因子，实现对北方地区台风远距离强降水的时空分布特征、影响机理和预报因子的深入分析，提高对北方地区台风远距离强降水的预报精度和稳定性，为北方地区城市安全运行及防灾减灾提供科学支持。本专利技术通过提出隐含台风影响的智能季风涌指数，从暖湿空气活动特征建立适用于北方地区台风远距离强降水的智能预报因子，填补了该领域的技术空白。
3、（二）技术方案
4、为实现该专利技术目的，解决其技术问题，本专利技术采用如下技术方案：
5、一种基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，所述方法至少包括如下实施步骤：
6、ss1. 收集整理多源气象观测资料，至少包括1960年以来我国北方地区国家级地面气象站记录的日降水气象数据、台风最佳路径集气象数据、再分析气象数据以及卫星气象数据，并使用基于机器学习的数据挖掘方法对所收集的多源气象观测资料至少进行降维和特征提取，以减少数据的冗余和噪声并提高数据的质量和效率；
7、ss2. 利用台风降水过程主客观相结合识别方法，根据台风中心与我国北方地区各国家站平均位置点的距离确定出可能的台风远距离降水样本，由此构建1960年以来的我国北方地区的长时间序列台风远距离强降水数据集，并在此基础上，采用机器学习算法自动提取和选择与台风远距离强降水相关的特征；
8、ss3. 使用基于机器学习的k-均值聚类分析算法对台风远距离强降水的时空分布特征进行分组和分类，统计分析我国北方地区台风远距离强降水的时空分布气候特征，并重点关注其中引起我国北方地区强降水的台风活动特征以及这些特征与台风远距离强降水的相关性和影响程度，并分析连接台风与降水区之间的关键天气系统以及这些天气系统与台风远距离强降水的相互作用和影响机理，其中，所述台风活动特征至少包括台风的地理位置、路径特征、强度特征和/或尺度特征，所述关键天气系统至少包括东亚夏季风、副热带高压、西风槽、切变线和/或锋面；
9、ss4. 在步骤ss3气候特征分析的基础上，基于台风远距离强降水的强度和范围、台风远距离强降水的时空分布特征、和/或台风远距离强降水的影响机理和类型，从步骤ss2所构建的1960年以来我国北方地区的长时间序列台风远距离强降水数据集中选取若干我国北方地区台风远距离强降水典型个例，之后基于高分辨率数值模拟试验对所选取的典型个例进行包括控制试验和敏感性试验的诊断分析，并根据试验结果，使用基于机器学习的数据分析方法计算分析台风对我国北方地区强降水落区和强度、台风对东亚夏季风水汽输送带、台风对天气尺度季风涌的影响的相关系数和显著性水平，并基于回归分析建立台风影响下季风涌与我国北方地区强降水的定量关系；
10、ss5. 在步骤ss3气候特征分析、步骤ss4典型个例诊断分析的基础上，从台风特征对东亚夏季风水汽输送带的影响以及东亚夏季风水汽输送带对我国北方地区强降水的影响两个暖湿空气活动角度构建适用于我国北方地区台风远距离强降水的隐含台风影响的智能季风涌指数 imi并将其作为智能预报因子，其表达式为：
11、
12、式中， ps为地表气压， q表示比湿， v表示经向风本文档来自技高网...
【技术保护点】
1.一种基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，所述方法至少包括如下实施步骤：
2.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS1中，所述基于机器学习的数据挖掘方法为基于主成分分析的特征提取法，其在对所收集整理的各类气象数据进行数据挖掘时至少包括如下子步骤：
3.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS2中，利用台风降水过程主客观相结合的识别方法判定北方地区的台风远距离降水样本时至少包括如下子步骤：
4.根据权利要求3所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，选择位置点（39.2 °N，116.5 °E）作为我国北方地区各国家站平均位置点A，所述空间距离条件为500 km≤D≤2000 km，参数D0取500km，参数D1取台风外围流系半径的上限值。
5.根据权利要求3所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，对于子步骤SS26所构建的1960年以
6.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS3中，使用基于机器学习的K-均值聚类分析算法对台风远距离强降水的时空分布特征进行分组和分类时至少包括如下子步骤：
7.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS4中，所述控制试验是指在不改变台风的位置、强度和尺度的情况下，通过稳定再现台风远距离影响下典型个例的降水落区和降水强度以得出试验系统模式的最优参数化方案配置；所述敏感性试验是指在控制试验的基础上，分别改变台风的位置、强度和尺度，观察台风对我国北方地区强降水落区和强度、台风对东亚夏季风水汽输送带、台风对天气尺度季风涌的影响的变化。
8.根据权利要求7所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，所述敏感性试验中，台风的位置、强度和尺度的改变至少包括以下三种情况：（1）台风中心距离我国北方地区各国家站平均位置点的距离在500 km-2000 km之间变化；（2）台风的中心海平面最低气压在850 hPa-980 hPa之间变化；（3）台风的7级风圈半径在50km-300 km之间变化。
9.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS4中，对所选取的典型个例进行敏感性试验时，使用整层水汽通量Q及其散度C来分析和评估东亚夏季风水汽输送带对我国北方地区水汽输送的影响，其中，
10.根据权利要求9所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS4中，对所选取的典型个例进行敏感性试验时，通过计算区域边界的水汽通量和水汽净收支以定量分析和评估台风对我国北方地区强降水区域水汽输送的贡献和影响，其中区域平均水汽收支方程定义为：
11.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS4中，基于回归分析建立台风影响下季风涌与我国北方地区强降水的定量关系，其在实施时至少包括如下子步骤：
12.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS5中，所述智能季风涌指数IMI的计算公式中，还包括一个考虑台风对东亚夏季风水汽输送带强度和位置的影响的修正因子β、一个考虑台风对天气尺度季风涌的影响的修正因子γ，其表达式为：
13.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS5中，基于步骤SS3的气候特征分析和步骤SS4的典型个例诊断分析，应用深度学习技术进行tcx、tcy的修正系数α1、α2的优化修正，具体步骤如下：
14.根据权利要求13所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤SS5中，基于步骤SS3的气候特征分析和步骤SS4的典型个例诊断分析，应用敏感度分析法优化修正tcx、tcy的阈值选择，具体方法如下：
...【技术特征摘要】
1.一种基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，所述方法至少包括如下实施步骤：
2.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤ss1中，所述基于机器学习的数据挖掘方法为基于主成分分析的特征提取法，其在对所收集整理的各类气象数据进行数据挖掘时至少包括如下子步骤：
3.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤ss2中，利用台风降水过程主客观相结合的识别方法判定北方地区的台风远距离降水样本时至少包括如下子步骤：
4.根据权利要求3所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，选择位置点（39.2 °n，116.5 °e）作为我国北方地区各国家站平均位置点a，所述空间距离条件为500 km≤d≤2000 km，参数d0取500km，参数d1取台风外围流系半径的上限值。
5.根据权利要求3所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，对于子步骤ss26所构建的1960年以来我国北方地区的长时间序列台风远距离强降水数据集，采用机器学习算法自动提取和选择与台风远距离强降水相关的特征，以降低特征的维度和复杂度并增强特征的表达能力和区分能力，其在实施时至少包括如下子步骤：
6.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤ss3中，使用基于机器学习的k-均值聚类分析算法对台风远距离强降水的时空分布特征进行分组和分类时至少包括如下子步骤：
7.根据权利要求1所述的基于机器学习和智能预报因子预报台风远距离降水的方法，其特征在于，上述步骤ss4中，所述控制试验是指在不改变台风的位置、强度和尺度的情况下，通过稳定再现台风远距离影响下典型个例的降水落区和降水强度以得出试验系统模式的最优参数化方案配置；所述敏感性试验是指在控制试验的基础上，分别改变台风的位置、强度和尺度，观察台风对我国北方地区强降水落区和强度、台风对东亚夏季风水汽输送带、台风对天气尺度季风涌的影响的变化。
8.根据权利要求7所述的基于机器学...
【专利技术属性】
技术研发人员：赵大军，徐洪雄，王慧，刘欣，
申请(专利权)人：中国气象科学研究院，
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。