【技术实现步骤摘要】
本专利技术涉及降水临近预报，尤其涉及基于快速循环同化数值模式与雷达耦合的临近预报方法。
技术介绍
1、基于数据驱动的物理预报因子与观测耦合临近预报模型研究。基于观测数据挖掘和学习其运动特征是数据驱动模型的本质，通常基于雷达回波外推的预报在一小时后预报精度快速下降；而数值模式则基于热力、动力和微物理信息，利用物理方程和经验参数模拟天气过程，存在误差累计和放大效应。精细化的数值模式能够有效刻画降水形成过程及其物理机理，但易受边界和初始场的影响，地基雷达能获取区域较高精度的云层条件及运动特征，融合雷达外推和数值模式各自优势，理论上能够提高临近降水的预报能力和水平。同时目前业务化快速循环同化数值预报模型有能力提供高频的物理信息。
2、因此，如何利用数据驱动在计算效率、数据特征融合以及非线性计算方面的优势，将多源、多类型的数据与物理机理过程形成的多通道数据共同构建高效的预报模型，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了基于快速循环同化数值模式与雷达耦合的临近预报方法，可以实现提前预报时间并提升降水临近预报精度的效果。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、基于快速循环同化数值模式与雷达耦合的临近预报方法，包括以下步骤：
4、s1、利用地面观测的降水数据筛选出降水场次，获取与降水时段对应的气象雷达观测数据；
5、s2、对获取的气象雷达观测数据进行预处理，得到预处理后的气象雷达观测
6、s3、对预处理后的气象雷达观测数据进行逐小时同化操作后通过数值模式快速循环同化预报输出模拟结果；
7、s4、对s3输出的模拟结果进行逐小时预报输出未来预设时间段的预报结果；
8、s5、将s4预报结果中的模拟物理量与雷达观测数据逐预设时间输入至训练好的深度学习临近预报模型中；
9、s6、深度学习临近预报模型输出预设时间段的临近降水预报结果。
10、上述的方法，可选的，s2中的预处理手段包括但不限于异常值删除、噪声处理、去除冗余和数据格式规范化。
11、上述的方法，可选的，s3中的数值模式包括但不限于多层次物理量、常用对流物理量。
12、上述的方法，可选的，基于多通道输入的深度学习临近预报模型，具体包括：第一层为卷积层c1、第二层为池化层p2、第三层为卷积层c3和第四层为全连接层f4。
13、上述的方法，可选的，s5中深度学习临近预报模型进行训练，具体包括以下步骤：
14、s501、提取拟训练数据集的矩阵梯度，得到x、y、xx、xy、yx、yy六个方向的梯度矩阵；输入梯度矩阵，输出降雨行为矩阵序列的各时间段的预测值，根据输出的预测值和实际值通过损失函数进行误差分析，更改模型各个权重值；
15、s502、判断误差分析是否达到预设的阈值，若为否，则返回拟训练数据选取步骤；若为是，则结束3d-cnn网络训练步骤，输出深度学习临近预报模型。
16、上述的方法，可选的，降雨行为矩阵序列：将降雨时序数据根据时间段组成降雨行为矩阵序列；
17、将降雨行为矩阵序列划分为拟训练数据集和测试数据集。
18、上述的方法，可选的，降雨行为矩阵序列按照数据的前80％为测试数据集，后20％为拟训练数据集。
19、上述的方法，可选的，梯度提取步骤具体为：对样本矩阵序列连续取x、y、xx、xy、yx、yy方向的方向梯度，首先，选取prewitt算子作为梯度提取工具，将水平prewitt算子和垂直prewitt算子分别与矩阵序列进行卷积得到x、y两个方向的一阶梯度图像，再将水平和垂直prewitt算子分别与x、y方向的一阶梯度图像卷积得到xx、xy、yx、yy四个方向的二阶梯度图像。
20、与现有技术相比，本专利技术提供了基于快速循环同化数值模式与雷达耦合的临近预报方法，本专利技术所达到的有益效果体现在：1)本专利技术使用数值模式快速循环同化预报结果中的各类物理量与同时间频率的雷达观测数据同时输入多通道输入的深度学习临近预报模型当中，使模型能够学习到更多的信息，产生高精度长延时的临近预报结果。2)本专利技术输入了更多气象雷达观测不到的大气物理信息，再结合了高精度的实时雷达观测信息，借助了多通道深度学习模型可以输入多源多类型信息的优势，实现了提前预报时间(0-1h→0-3h)、提升降水临近预报精度的有益效果。
本文档来自技高网...【技术保护点】
1.基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
3.根据权利要求1所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
4.根据权利要求1所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
5.根据权利要求4所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
6.根据权利要求5所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
7.根据权利要求6所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
8.根据权利要求6所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
【技术特征摘要】
1.基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
3.根据权利要求1所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
4.根据权利要求1所述的基于快速循环同化数值模式与雷达耦合的临近预报方法，其特征在于，
<...【专利技术属性】
技术研发人员：魏加华，乔禛，晋婕妤，雷昊玥，王忠静，李琼，
申请(专利权)人：青海大学，
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。