一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法技术

一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法，包括如下步骤：①地基GNSS水汽获取；②大气稳定性指标计算；③数据预处理，包括粗差数据剔除、数据插值和数据归一化处理三部分；④识别降水预报因子；⑤NARX神经网络设计，根据步骤④确定的降水预报因子和实际降水数据作为输入层，预测的降水数据作为输出层，而隐含层数、隐层神经元数目、输入和输出的延时阶数、神经网络算法则采用默认值或初始参数；⑥神经网络训练；⑦输入参数优选，构建多因子短临降水预报模型；⑧利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度。本发明专利技术通过建立一个合理和精确的多因子短临降水预报模型，实现对短临降水的准确预报。

【技术实现步骤摘要】
一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法
本专利技术属于气象预报
，特别涉及一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法。
技术介绍
强降水是一种重要的天气现象，尤其是大范围的持续性或集中性特大暴雨，往往会引发洪涝灾害，严重威胁当地人民的生命财产以及水库、海塘河堤、排水管道等基础设施，但是，强降水也是当地水资源的重要来源之一。因此，实时监测并准确预报短临降水，对降低财产损失和提高水资源利用率具有重要意义。强降水现象通常与湿对流过程有关，湿对流过程的特征是水汽含量短时变化很大。在低层大气中，对流层水汽的时空快速变化对数值天气模型(NumericalWeatherModels,NWMs)的预报准确性提出了重要挑战。当前，大气探测技术仍不足以获取NWM精确预报所需的高时空分辨率的大气水汽。NWM模式对于水汽分布的感知不确定性成为其预测未来天气变化的不确定性的最大来源，这可能会引发误报强降水事件。这种特殊性在近乎实时的预报中尤为重要，因为预防预警机制对于预测可能造成人员伤亡和财产损失的暴雨事件很重要。因此，需要对对流层水汽状态尽可能快速地了解。由于GNSS对流层水汽反演技术具有高精度、高时空分辨率、全天候、准实时等优点，现已被用于业务天气预报和气候研究中。研究表明，GNSS水汽数据可以用于研究极端降水事件，将其同化到NWM中有助于改善降水预报。利用GNSS获取的大气可降水量(PrecipitableWaterVapor,PWV)与降水有一定的相关关系，在强降水发生前PWV快速增加，随后又降低，PWV的初始峰值对短期强降水有1–4h的提前量。有些学者利用PWV时间序列的统计特征(PWV最大值，PWV变化量和PWV变化率)作为短期降水预报的预报要素，该方法能够预报出75％以上的降水和90％以上的强降水，误报率在60％-70％。以上方法虽然具有较高的正确预报率，但高错误预报率限制了其实际应用。为此，学者提出了将GNSSPWV与地面气象数据集成到神经网络系统中，利用非线性自回归模型(NonlinearAutoregressiveExogenousModel,NARX)结合气象站的每日降水量来实时预报降水，研究结果证实了该方法的有效性和可行性。然而，实际降水的发生发展是大气中热力、动力和水汽条件等多种因素综合作用的结果，当前基于单站水汽变化对短临降水预报仅从水汽条件单一因素进行探索性研究，忽略了热力和动力条件对降水的影响，导致降水预报不准确。
技术实现思路
本专利技术的目的是弥补了现有技术中仅依赖大气水汽单一因子造成短临降水预报高错误预报率的问题，而提出一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法，该方法通过建立一个合理和精确的多因子短临降水预报模型，实现对短临降水的准确预报。如上构思，本专利技术的技术方案是：一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法，其特征在于：包括如下步骤：①地基GNSS水汽获取，首先由GNSS观测资料计算对流层天顶延迟ZTD，然后由气象资料计算天顶干延迟ZHD，再从ZTD扣除ZHD得到天顶湿延迟ZWD，最后根据PWV＝П×ZWD得可降水汽含量PWV，其中П是一个与温度有关的无量纲系数；②大气稳定性指标计算；③数据预处理，包括粗差数据剔除、数据插值和数据归一化处理三部分；④识别降水预报因子，采用线性回归方法分析PWV、地面气象参数和大气稳定性指标与降水之间的关系，并对相关系数进行显著性检验，确定出可作为降水预报的因子；⑤NARX神经网络设计，根据步骤④确定的降水预报因子和实际降水数据作为输入层，预测的降水数据作为输出层，而隐含层数、隐层神经元数目、输入和输出的延时阶数、神经网络算法则采用默认值或初始参数；⑥神经网络训练，利用训练样本数据对NARX神经网络进行建模，采用固定变量法对模型的初始参数进行测试，然后用验证数据集对预报的降水数据的精度进行评估，从而确定出输入和输出的延时阶数、隐层神经元数目、神经网络算法的最优参数；⑦输入参数优选，输入参数中，GNSSPWV和步骤④确定的降水预报因子作为必选参数，通过组合不同的预报因子作为模型输入变量，比较分析不同输入变量预报降水的准确度，进而确定出最优的模型输入变量，构建多因子短临降水预报模型；⑧预报精度测定，利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度，统计降水预报的正确率和错误率指标。进一步，所述步骤②大气稳定性指标选择SI、DCI和KI，其具体计算公式如下：SI＝T500–Ts850(1)DCI＝T850+Td850–(T500–Ts)(2)KI＝T850–T500+Td850–(T700–Td700)(3)式(1)-(3)中，T850、T700和T500为850hPa、700hPa和500hPa处的环境温度，Td850和Td700为850hPa和700hPa处的露点温度，Ts为平均气块从修正的底层900m高度沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的温度，Ts850为850hPa等压面上的湿空气团沿干绝热线上升到达凝结高度后再沿湿绝热线上升至500hPa时所具有的气团温度。进一步，所述步骤③的具体实施步骤包括：A.粗差数据删除：采用粗差探测方法对GNSSPWV、地面气象数据和大气稳定性指标时间序列中的粗差进行探测和剔除；B.数据插值：采用数据插值算法对GNSSPWV、地面气象数据和大气稳定性指标时间序列中缺失数据进行插值；C.数据归一化处理：采用最大最小值方法对各数据进行归一化处理。进一步，所述步骤⑧预报精度测定的具体计算公式如下：进一步，所述.粗差数据删除是采用奇异谱分析和四分位距粗差探测方法对GNSSPWV、地面气象数据和大气稳定性指标时间序列中的粗差进行探测和剔除。进一步，所述数据插值算法采用SSA迭代插值算法。本专利技术综合考虑影响降水发生发展的热力、动力、水汽等因素，是一种综合地基GNSS水汽、地面气象要素和大气稳定性指标的基于神经网络的多因子短临降水预报模型的方法，提高了降水预报的正确率，并大大降低了错误预报率，可作为短临强降水预报的辅助方法，应用于天气预报业务中。附图说明图1是本专利技术的技术流程图。具体实施方式下面结合附图和具体实施方式对本技术方案的具体实施方式进行详细说明。如图1所示，一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法，包括如下步骤：步骤1：地基GNSSPWV获取。首先采用高精度GNSS数据处理软件对GNSS观测资料进行处理，获得高频率(5min或10min)的对流层天顶延迟(ZenithTotalDelay,ZTD)，然后利用并址的地面气压数据由Saastamoinen模型计算出天顶干延迟(ZenithHydrostaticDelay,ZHD)，再从ZTD扣除Z本文档来自技高网...

【技术保护点】
1.一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法，其特征在于：包括如下步骤：/n①地基GNSS水汽获取，首先由GNSS观测资料计算对流层天顶延迟ZTD，然后由气象资料计算天顶干延迟ZHD，再从ZTD扣除ZHD得到天顶湿延迟ZWD，最后根据PWV＝П×ZWD得可降水汽含量PWV，其中П是一个与温度有关的无量纲系数；/n②大气稳定性指标计算；/n③数据预处理，包括粗差数据剔除、数据插值和数据归一化处理三部分；/n④识别降水预报因子，采用线性回归方法分析PWV、地面气象参数和大气稳定性指标与降水之间的关系，并对相关系数进行显著性检验，确定出可作为降水预报的因子；/n⑤NARX神经网络设计，根据步骤④确定的降水预报因子和实际降水数据作为输入层，预测的降水数据作为输出层，而隐含层数、隐层神经元数目、输入和输出的延时阶数、神经网络算法则采用默认值或初始参数；/n⑥神经网络训练，利用训练样本数据对NARX神经网络进行建模，采用固定变量法对模型的初始参数进行测试，然后用验证数据集对预报的降水数据的精度进行评估，从而确定出输入和输出的延时阶数、隐层神经元数目、神经网络算法的最优参数；/n⑦输入参数优选，输入参数中，GNSS PWV和步骤④确定的降水预报因子作为必选参数，通过组合不同的预报因子作为模型输入变量，比较分析不同输入变量预报降水的准确度，进而确定出最优的模型输入变量，构建多因子短临降水预报模型；/n⑧预报精度测定，利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度，统计降水预报的正确率和错误率指标。/n...

【技术特征摘要】
1.一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法，其特征在于：包括如下步骤：
①地基GNSS水汽获取，首先由GNSS观测资料计算对流层天顶延迟ZTD，然后由气象资料计算天顶干延迟ZHD，再从ZTD扣除ZHD得到天顶湿延迟ZWD，最后根据PWV＝П×ZWD得可降水汽含量PWV，其中П是一个与温度有关的无量纲系数；
②大气稳定性指标计算；
③数据预处理，包括粗差数据剔除、数据插值和数据归一化处理三部分；
④识别降水预报因子，采用线性回归方法分析PWV、地面气象参数和大气稳定性指标与降水之间的关系，并对相关系数进行显著性检验，确定出可作为降水预报的因子；
⑤NARX神经网络设计，根据步骤④确定的降水预报因子和实际降水数据作为输入层，预测的降水数据作为输出层，而隐含层数、隐层神经元数目、输入和输出的延时阶数、神经网络算法则采用默认值或初始参数；
⑥神经网络训练，利用训练样本数据对NARX神经网络进行建模，采用固定变量法对模型的初始参数进行测试，然后用验证数据集对预报的降水数据的精度进行评估，从而确定出输入和输出的延时阶数、隐层神经元数目、神经网络算法的最优参数；
⑦输入参数优选，输入参数中，GNSSPWV和步骤④确定的降水预报因子作为必选参数，通过组合不同的预报因子作为模型输入变量，比较分析不同输入变量预报降水的准确度，进而确定出最优的模型输入变量，构建多因子短临降水预报模型；
⑧预报精度测定，利用预留的验证数据集评估新构建的多因子短临降水预报模型的精度，统计降水预报的正确率和错误率指标。


2.根据权利要求1所述的一种综合地基GNSS水汽和气象要素的神经网络短临降水预报方法，其特征在于：所述步骤②大气稳定性指标选择SI、DCI和KI，其具体计算公式如下：
SI＝T500–Ts850(1)
DCI...

【专利技术属性】
技术研发人员：王朝阳，郭灿文，马永，王晶，杨慧贤，赵彬如，赵现仁，马丹，张苗苗，侯辰，
申请(专利权)人：国家海洋信息中心，
类型：发明
国别省市：天津;12