基于站点实测数据和模式结果的水平能见度预报方法技术

基于站点实测数据和模式结果的水平能见度预报方法，具体是基于站点实测数据建立水平能见度算法并结合模式结果实现水平能见度预报。利用自动气象站逐小时观测数据，通过神经网络方法，建立每个站点由温度、相对湿度等基础气象要素计算水平能见度(级别)的算法，之后再考虑站点与模式格点的地理信息建立一一对应关系，选取一段时间内站点实测数据和模式预报数据，计算得到模式每个格点向实测站点订正的模型。需要预报时，先使用订正模型订正待预报时间的模式预报数据，再使用能见度算法计算得到格点能见度或级别，最终插值得到该区域能见度预报结果。本发明专利技术有效利用了自动气象站观测资料和模式资料，能够实现较高时间空间分辨率的水平能见度预报。

【技术实现步骤摘要】
基于站点实测数据和模式结果的水平能见度预报方法
本专利技术属于水平能见度预报方法，通过使用神经网络，由自动气象站观测资料建立能见度算法，并应用在模式预报结果上，最终得到关于水平能见度的预报结果。
技术介绍
水平能见度是一个与人们生产生活息息相关的气象要素。它表示视力正常的人在当时天气条件下能够从背景中辨认出目标物的最远水平距离。在自动气象站中是使用能见度仪对水平能见度进行测量，根据空气对激光的衰减得到水平能见度。当出现低能见度现象时常会使交通陷入瘫痪，如飞机晚点，高速公路封闭，同时明显增大交通事故发生的可能性。目前在WRF等常用模式预报资料中没有能见度的预报。为了得到能见度的预报结果，需要利用其他要素按照某种算法计算得到能见度。前人基于实验提出了能见度与液态水含量的经验公式，利用模式中的云水混合比计算液态水含量从而得到能见度。然而这种方法有很大局限性，液态水含量不是常规气象观测物理量，模式预报结果缺少观测资料的支撑，液态水含量预报的准确度较差。观测表明，模式预报结果中没有液态水含量的地区仍然经常会有低能见度或者云雾出现。另一方面，引起能见度变化的原因很多，不是仅仅依靠能见度与液态水含量的简单关系就能确定。此外，也有基于温度、相对湿度、风速等基本气象要素预报雾的统计预报方法。但这些方法常常是对某一城市或者地区某一天会不会出现雾进行定性预报，还不能满足精细化定量化预报的要求。目前我国建有密集的自动气象站，未来还会增设更多。神经网络方法作为一种机器学习方法，因其优秀的处理非线性问题的能力已越来越多应用在科研和应用领域，已经在图像识别、语音识别等领域取得重大成功，展现了其强大的提取数据特征和拟合能力。
技术实现思路
本专利技术的目的是利用当地自动气象站实测数据，通过神经网络等统计方法得到当地能见度算法，根据地理信息建立实测站点与模式预报格点的联系，将站点算法套用在模式(例如华东区域数值预报业务模式(SMS-WARMS，下文简称WARMS)预报资料上计算得到能见度，以提高能见度预报的准确性。一种基于站点实测数据和模式结果的水平能见度预报方法，其特征在于包括以下步骤：步骤1：选择需要进行预报的区域，分别读取该区域内各个自动气象站测量的7个站点基本气象要素以及实测能见度，并选取其中整点时刻的站点实测数据；所述的站点基本气象要素及实测能见度是基于站点的实测数据，其中站点基本气象要素包括温度、相对湿度、露点温度、气压、十分风向、十分风速、降水量7个站点基本气象要素；步骤2：基于站点的基本气象要素经过计算得到与实测能见度有关的17个因子；所述的17个因子包括：3小时相对湿度改变量(当前相对湿度与3小时前相对湿度的差，下同)，2小时相对湿度改变量，1小时相对湿度改变量，3小时变温，2小时变温，1小时变温，绝对湿度，3小时绝对湿度改变量，2小时绝对湿度改变量，1小时绝对湿度改变量，3小时前水汽通量，2小时水汽通量，1小时前水汽通量，当前水汽通量，3小时有效降温，2小时有效降温，1小时有效降温；其中有效降温和水汽通量是本专利技术自定义变量；有效降温定义为：水汽通量定义为，绝对湿度和十分风速的乘积其中，绝对湿度按以下公式计算得到：其中e为水气压，T为当前温度；得到17个因子后，将17个因子、步骤1中的温压湿风四个站点实测数据和实测能见度作为一组数据并随机不等分为两个样本，其中数量超过1/2的样本作为建立算法的训练样本，数量未超过1/2的样本用来检验算法准确性；步骤3：筛选掉步骤1中的有降水的站点实测数据，同时筛选掉步骤1中相对湿度小于80％的站点实测数据；使用神经网络方法，将步骤2得到的17个因子以及步骤1中的温压湿风四个站点实测数据作为神经网络的输入，通过训练神经网络以调整神经网络内部参数，包括神经网络隐层数、每层节点数、Trainfunction以及performancefunction，输出预报能见度，从而建立基于站点的能见度算法，再通过聚类分析找到相似站点，对比本站与相似站的能见度算法预报效果，从中选择适合本站的能见度最佳算法，其分为能见度数值算法和能见度级别算法；步骤4：获得步骤1所述区域的WARMS模式的格点预报数据，所述WARMS模式的格点预报数据包括2米温度、2米相对湿度、2米露点温度、东西方向10米风速、南北方向10米风速、地面气压、累计降水量7个格点基本气象要素；步骤5：对步骤4的模式格点预报数据进行订正计算步骤4中具有相同下垫面的站点与格点之间的空间水平距离，选取距离各个格点最近的自动气象站点，利用多元回归方法和站点的实测数据对步骤4的格点预报数据进行订正；步骤6：选择预报的时间，并选取该时间的WARMS模式格点预报数据，先使用步骤5的订正方式订正格点的预报数据，再选择步骤3得到的基于站点的能见度算法计算各个格点的能见度；步骤7：对步骤6得到的格点能见度进行线性插值以获得到空间水平尺度更小的格点数据，选取所需预报区域并确定此区域经纬度范围后，将能见度预报结果对应到地图上。所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于所述步骤2的有效降温变量的定义中，当部分自动气象站露点温度缺测时，对于缺测测站的露点温度按以下公式计算得到：es为饱和水气压，T为当前温度，e＝es×RH，e为水汽压，RH为相对湿度i小时前露点温度的计算公式为所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤3中使用神经网络基于站点的能见度算法中，能见度算法包括能见度数值的算法和能见度级别的算法，所以能见度预报包括能见度数值的预报和能见度级别的预报；步骤3中在寻找最佳能见度算法的具体方法是：鉴于地理因素原因，两个自动气象站即使位置不同，二者能见度变化特点也可能十分相似，当两站气象因素相同时，能见度会很接近，因而二者的能见度算法具有相似性，可以互相使用，有可能本站的算法不如相似站的算法准确；其中，使用K-mean聚类分析方法分别找到各个站点的相似站点的方法是：对所述相似站点以步骤3所述的基于站点的能见度算法进行计算，判断与其站点实测数据最接近的那个站点，将该站点的算法作为该类相似站点的算法；对于能见度数值的预报，寻找最佳能见度算法是计算预报能见度与实际能见度的均方根误差，选择均方根误差最小的算法；对于能见度级别的预报，寻找最佳能见度算法是计算预报能见度级别与实际级别的TS评分，选择TS评分最高的算法。所述的基于站点实测数据和模式结果的水平能见度预报方法，其特征在于步骤5对建立模式格点数据进行订正中，所述订正方法是采用多元线性回归方法，具体是：对于72小时预报，在每一整点都存在6个不同预报时次的预报数据，考虑到模式运转时间和数据分发的时间可用的有5个预报资料，为了对某整点时刻的预报资料基本气象要素进行订正，使用时间上最近的三个预报资料向该时刻自动气象站实测资料进行订正，订正方法采用多元线性回归方法，因此，可以进行36小时内每小时能见度的预报；对于每个格点，先计算到每个站点的空间水平距离，如果存在空间水平距离小于10km的站点，且该格点和站点数据均属于同样地理环境，即海洋环境或者陆地环境，则将该格点数据向该站点数据订正，实现对本格点的订正；如果存在多个空间水平距离小于10km的站点，则选取距离最近的站点；如果不存在空本文档来自技高网...

【技术保护点】
1.一种基于站点实测数据和模式结果的水平能见度预报方法，其特征在于包括以下步骤：步骤1：选择需要进行预报的区域，分别读取该区域内各个自动气象站测量的7个站点基本气象要素以及实测能见度，并选取其中整点时刻的站点实测数据；所述的站点基本气象要素及实测能见度是基于站点的实测数据，其中站点基本气象要素包括温度、相对湿度、露点温度、气压、十分风向、十分风速、降水量7个站点基本气象要素；步骤2：基于站点的基本气象要素经过计算得到与实测能见度有关的17个因子；所述的17个因子包括：3小时相对湿度改变量(当前相对湿度与3小时前相对湿度的差，下同)，2小时相对湿度改变量，1小时相对湿度改变量，3小时变温，2小时变温，1小时变温，绝对湿度，3小时绝对湿度改变量，2小时绝对湿度改变量，1小时绝对湿度改变量，3小时前水汽通量，2小时水汽通量，1小时前水汽通量，当前水汽通量，3小时有效降温，2小时有效降温，1小时有效降温；其中有效降温和水汽通量是本专利技术自定义变量；有效降温定义为：i小时有效降温:

【技术特征摘要】
1.一种基于站点实测数据和模式结果的水平能见度预报方法，其特征在于包括以下步骤：步骤1：选择需要进行预报的区域，分别读取该区域内各个自动气象站测量的7个站点基本气象要素以及实测能见度，并选取其中整点时刻的站点实测数据；所述的站点基本气象要素及实测能见度是基于站点的实测数据，其中站点基本气象要素包括温度、相对湿度、露点温度、气压、十分风向、十分风速、降水量7个站点基本气象要素；步骤2：基于站点的基本气象要素经过计算得到与实测能见度有关的17个因子；所述的17个因子包括：3小时相对湿度改变量(当前相对湿度与3小时前相对湿度的差，下同)，2小时相对湿度改变量，1小时相对湿度改变量，3小时变温，2小时变温，1小时变温，绝对湿度，3小时绝对湿度改变量，2小时绝对湿度改变量，1小时绝对湿度改变量，3小时前水汽通量，2小时水汽通量，1小时前水汽通量，当前水汽通量，3小时有效降温，2小时有效降温，1小时有效降温；其中有效降温和水汽通量是本发明自定义变量；有效降温定义为：i小时有效降温:T为当前温度，为i小时前露点温度，i＝1,2,3；水汽通量定义为，绝对湿度和十分风速的乘积其中，绝对湿度按以下公式计算得到：其中e为水气压，T为当前温度；得到17个因子后，将17个因子、步骤1中的温压湿风四个站点实测数据和实测能见度作为一组数据并随机不等分为两个样本，其中数量超过1/2的样本作为建立算法的训练样本，数量未超过1/2的样本用来检验算法准确性；步骤3：筛选掉步骤1中的有降水的站点实测数据，同时筛选掉步骤1中相对湿度小于80％的站点实测数据；使用神经网络方法，将步骤2得到的17个因子以及步骤1中的温压湿风四个站点实测数据作为神经网络的输入，通过训练神经网络以调整神经网络内部参数，包括神经网络隐层数、每层节点数、Trainfunction以及performancefunction，输出预报能见度，从而建立基于站点的能见度算法，再通过聚类分析找到相似站点，对比本站与相似站的能见度算法预报效果，从中选择适合本站的能见度最佳算法，其分为能见度数值算法和能见度级别算法；步骤4：获得步骤1所述区域的WARMS模式的格点预报数据，所述WARMS模式的格点预报数据包括2米温度、2米相对湿度、2米露点温度、东西方向10米风速、南北方向10米风速、地面气压、累计降水量7个格点基本气象要素；步骤5：对步骤4的模式格点预报数据进行订正计算步骤4中具有相同下垫面的站点与格点之间的空间水平距离，选取距离各个格点最近的自动气象站点，利用多元回归方法和站点的实测数据对步骤4的格点预报数据进行订正；步骤6：选择预报的时间，并选取该时间的WARMS模式格点预报数据，先使用步骤5的订正方式订正格点的预报数据，再选择步骤3得到的基于站点的能见度算法计算各个格点的能见度；步...

【专利技术属性】
技术研发人员：徐志鹏，衣立，张苏平，薛允传，马艳，赵文雪，霍志丽，刘敬武，
申请(专利权)人：中国海洋大学，青岛市气象台，
类型：发明
国别省市：山东,37