一种气象要素预报方法和系统技术方案

本发明专利技术公开一种气象要素预报方法和系统，属于气象预报订正技术领域。针对现有技术中存在的传统模式输出统计预报无法获取非线性的关系，计算较慢无法实现实时更新的问题，本发明专利技术提供一种气象要素预报方法和系统，通过对一种或多种模式预报数据进行历史统计，获取固定站点模式预报数据与实际观测数据的历史气象相关性，优选出模式要素的特征关系，同时考虑多个气象因子，有效构建特征因子关系网络，实现同步预测，同时实现对模式数据的订正，基于该框架可以实现对固定站点的平均风速、最高温度、最低温度和降水的统计订正，提高预报准确率。

A forecast method and system of meteorological elements

【技术实现步骤摘要】
一种气象要素预报方法和系统
本专利技术涉及气象预报订正
，更具体地说，涉及一种气象要素预报方法和系统。
技术介绍
精细化天气预报业务是全球预报业务发展的总体趋势，随着经济的发展和科学技术的进步，精细化预报的需求日趋强烈。由于精细化预报涉及的预报对象不断扩充，预报时效逐渐延长，预报空间精细化程度加深，预报员难以按照传统的常规预报方法完成精细化预报制作。随着数值预报和计算机技术的发展，为精细化天气预报提供了更大的空间。数值预报产品的可用时效不断增强，空间分辨率越来越细，故而为精细化要素预报提供重要的数据基础。而计算机技术的发展，提供了更多的智能统计方法，综合运用动力学、统计学技术进行数值模式的加工和后处理，能够更好地释用数值模式。目前，对数值模式产品解释应用的研究诸多，相关的各种客观释用方法应运而生：完全预报法(PP法)、模式输出统计(MOS)、人工神经网络(ANN)、卡尔曼滤波(KLM)、支持向量机(SVM)等。其中MOS方法运用诸多，效果明显，MOS预报方法从数值模式输出产品中选取预报因子，建立预报量与预报因子直接的关系，进行实际预报。该方法可以引入许多其他方法不能引入的大量预报因子，自动纠正数值预报系统误差，具有较好的效果。但是传统MOS预报方法是基于传统的统计方法建立逐步回归公式，无法获取非线性的关系；传统MOS预报的关系式相对固定，计算较慢，无法实现实时更新；此外，传统MOS预报一般针对一种数值模式，而随着集合预报的发展，一般认为多模式集成的效果要优于单个模式；同时以往研究主要基于数值预报，自动站实况要素涉及较少，对于降水模型，自动站的数据对于稳定性的降水预报较为重要。
技术实现思路
1.要解决的技术问题针对现有技术中存在的传统模式输出统计(MOS)预报无法获取非线性的关系，计算较慢无法实现实时更新的问题，本专利技术提供一种气象要素预报方法和系统，同时考虑多个气象因子，有效构建特征因子关系网络，实现同步预测，同时实现对模式数据的订正，提高预报准确率。2.技术方案本专利技术的目的通过以下技术方案实现。一种气象要素预报方法，包括以下步骤：步骤1：获取自动气象站数据，对数据进行站点插值和预处理，形成时序匹配的站点数据信息；步骤2：通过归一化标准化模块对站点数据信息进行归一化和标准化处理；将归一化和标准化方法构建在框架底层，对进入模型训练器的数据进行预处理；步骤3：针对气象因子分别构建基础训练器，所述气象因子包括日最高温、日最低温、风速和降水；步骤4：在根据气象因子构建的基础训练器基础上，集成嵌套强度自适应训练器和随机森林训练器两种回归算法分类器，构建时间序列训练器和降水训练器；步骤5：通过学习机制训练模型对模式预报进行实时建模订正，根据输入的模式预报数据和实时观测数据进行预报。本专利技术使用管道机制方法，整套模型可以认为是一种流水线的输入，涵盖了一系列的数据挖掘步骤，从基础数据规整构建到模型的最终预估估计器设定。整个结构环环相扣，管理机制包括转换器和估计器，输入的数据集经过转换器的处理后，输出的结果作为下一步的输入，最后一步的估计器对数据进行预估。更进一步的，站点数据信息基于强度自适应训练器和随机森林训练器嵌套的分类器，得到预估结果，对预估结果进行平均值和标准化计算处理，针对处理后的结果构建新的要素分布数据，进行二次处理，同时构建时间序列训练器和降水训练器，输入模型进行训练。更进一步的，步骤4的随机森林训练器中假设训练集中有n个样本，每个样本有d个特征，需要训练一个包含T棵数的随机森林，n、d和T均为自然数，算法如下所示：(1)、对于T棵决策树，分别重复如下操作：使用有放回的抽样，重复N次，每次抽取m个特征，N和m均为自然数，m值随机选取；(2)、如果预测是回归问题，则最后的输出是每个树输出的均值；(3)、如果预测是分类问题，则根据投票原则，确定最终的类别。更进一步的，步骤4的强度自适应训练器训练流程如下：(a)先通过对M个训练样本的学习得到第一弱分类器，M为自然数；(b)将分错的样本和其他的新数据构成一个新的M个的训练样本，通过对这个样本的学习得到第二弱分类器；(c)将(a)步骤和(b)步骤中都分错的样本加上其他的新样本构成另一个新的M个的训练样本，通过对这个样本的学习得到第三弱分类器；(d)最终经过提升的强分类器，即某个数据被分为哪一类要由各分类器权值决定。更进一步的，根据随机森林训练器参数中的最大的弱学习器个数和最大特征数，增强对降水不连续因子的预测效果；根据强度自适应训练器对降水因子进行细化训练。更进一步的，步骤1中自动气象站数据包括历史模式预报数据和历史观测数据。更进一步的，数据经插值后在缺省预处理器进行预处理，将输入的无效值用相邻的平均值进行替代。更进一步的，站点插值使用双线性插值方法。具体的插值方法为：假设一个坐标系统，四个已知点坐标分别为(0,0)、(0,1)、(1,0)和(1,1)，插值公式为：f(x,y)＝f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy。对格点数据使用双线性插值方法进行站点插值，线性插值的结果与插值的顺序无关，双线性插值的结果与先进行哪个方向的插值无关，先进行y方向的插值或者先进行x方向的插值，所得到的结果是一样的。本专利技术目的在于提供一种基于历史多模式预报数据及历史自动站观测数据，利用人工智能多模型集成嵌套框架进行实时智能训练建模，最终构建模式订正参数网络的气象多因子预报方法。风速、最高温度、最低温度、降水分别拟合一个回归器，故而每一个目标可以被一个回归器精确地表示，通过检查对应的回归器，可以获取关于目标的信息。一种气象要素预报系统，使用所述的一种气象要素预报方法，所述系统包括气象要素预报系统模型，该模型使用管道预测机制，管道预测机制包括缺省预处理器、归一化标准化模块、综合训练器和学习机制训练模型；所述系统包括气象要素预报系统模型，该模型使用管道预测机制，管道预测机制包括缺省预处理器、归一化标准化模块、综合训练器和学习机制训练模型；缺省预处理器对数据进行预处理，归一化标准化模块对数据进行归一化、标准化处理，综合训练器用于训练数据，学习机制训练模型用于对数据实时建模订正。更进一步的，所述综合训练器包括随机森林训练器、强度自适应训练器、多输出回归分类器、时间序列训练器和降水训练器。本专利技术涉及集成多模型的模式预报订正领域，主要是基于一种或多种数值模式预报数据及实况观测数据，利用人工智能大数据模型进行多层嵌套从而构建形成多模型集成框架，实现对模式数据的订正，提高对风速、温度、降水等多种预报因子的预报准确率的方法。3.有益效果相比于现有技术，本专利技术的优点在于：在当前现状难以满足业务发展需要的情况下，研究科学、有效的精细化温度、风速、降水预报客观方法是形势发展的必然需要。本专利技术选取的预报因子涉本文档来自技高网...

【技术保护点】
1.一种气象要素预报方法，其特征在于，包括以下步骤：/n步骤1：获取自动气象站数据，对数据进行站点插值和预处理，形成时序匹配的站点数据信息；/n步骤2：通过归一化标准化模块对站点数据信息进行归一化和标准化处理；/n步骤3：针对气象因子分别构建基础训练器，所述气象因子包括日最高温、日最低温、风速和降水；/n步骤4：在根据气象因子构建的基础训练器基础上，集成嵌套强度自适应训练器和随机森林训练器两种回归算法分类器，构建时间序列训练器和降水训练器；/n步骤5：通过学习机制训练模型对模式预报进行实时建模订正，根据输入的模式预报数据和实时观测数据进行预报。/n

【技术特征摘要】
1.一种气象要素预报方法，其特征在于，包括以下步骤：
步骤1：获取自动气象站数据，对数据进行站点插值和预处理，形成时序匹配的站点数据信息；
步骤2：通过归一化标准化模块对站点数据信息进行归一化和标准化处理；
步骤3：针对气象因子分别构建基础训练器，所述气象因子包括日最高温、日最低温、风速和降水；
步骤4：在根据气象因子构建的基础训练器基础上，集成嵌套强度自适应训练器和随机森林训练器两种回归算法分类器，构建时间序列训练器和降水训练器；
步骤5：通过学习机制训练模型对模式预报进行实时建模订正，根据输入的模式预报数据和实时观测数据进行预报。


2.根据权利要求1所述的一种气象要素预报方法，其特征在于，站点数据信息基于强度自适应训练器和随机森林训练器嵌套的分类器，得到预估结果，对预估结果进行平均值和标准化计算处理，针对处理后的结果构建新的要素分布数据，进行二次处理，同时构建时间序列训练器和降水训练器，输入模型进行训练。


3.根据权利要求2所述的一种气象要素预报方法，其特征在于，步骤4的随机森林训练器中假设训练集中有n个样本，每个样本有d个特征，需要训练一个包含T棵数的随机森林，n、d和T均为自然数，算法如下所示：
(1)、对于T棵决策树，分别重复如下操作：使用有放回的抽样，重复N次，每次抽取m个特征，N和m均为自然数，m值随机选取；
(2)、如果预测是回归问题，则最后的输出是每个树输出的均值；
(3)、如果预测是分类问题，则根据投票原则，确定最终的类别。


4.根据权利要求2所述的一种气象要素预报方法，其特征在于，步骤4的强度自适应训练器训练流程如下：
(a)先通过对M个训练样本的学习得到第一弱分类器，M...

【专利技术属性】
技术研发人员：陈启智，周德荣，马星星，万秉成，
申请(专利权)人：南京浦蓝大气环境研究院有限公司，南京叁云科技有限公司，
类型：发明
国别省市：江苏;32