基于检验评估的强对流天气预警方法技术

本发明专利技术公开了一种基于检验评估的强对流天气预警方法，S1，依据卷积神经深度学习预报方法、随机森林数值模式预报方法分别预报0

【技术实现步骤摘要】
基于检验评估的强对流天气预警方法


[0001]本专利技术涉及降水预报
，尤其是涉及基于检验评估的强对流天气预警方法。

技术介绍

[0002]20世纪80年代以来，随着气象探测能力和数值模拟技术的发展，国内外气象学者基于卫星、雷达等多源资料和数值预报产品，在强对流监测和预报预警技术方面开展了大量研究工作。传统对流云外推预报技术包括区域追踪和单体追踪，多采用交叉相关法（如TREC算法）和SCIT、TITAN等算法。近年来光流法也被应用于对流风暴临近预报中，但算法存在外推误差不断累积增大、强对流单体容易跟丢、无法预报对流系统的生消、回波可预报时效短等局限性。强对流具有高度非线性的复杂变化趋势，基于大数据分析和人工智能技术开展对流识别和外推预报是目前的发展趋势。近年利用ConvLSTM、随机森林等机器学习算法，河南省开展了对流识别和临近预报技术研究，生成了最优预报模型，试验结果表明，算法能有效提高0
‑
2h分类强对流天气的预报预警效果。由于各类强对流的环境参数特征存在明显差异，因此基于常规观测和探空资料以及数值模式等资料，归纳雷雨大风、冰雹及短时强降水天气的预报要点和物理量指标，基于模糊评价、邻域最优百分位等算法开展了0
‑
12h分类强对流天气预报预警的研究。由于上述预报产品的算法不同、预报时效不统一，产品准确率也不尽相同，因此，直接应用产品进行0
‑
12h灾害性天气预报预警，仍有较大的难度。如何提高基于多源气象数据的预警预报产品的应用能力，为预报员提供一套评分最优的精细化0
‑
12h分类强对流天气预报预警产品，是一个亟待解决的难题。本技术综合各类预报预警产品，开展了0
‑
12h灾害性天气融合预报预警技术研究，形成了最优评分的短时强降水、雷暴大风预报预警产品，解决了业务上的难题。

技术实现思路

[0003]本专利技术目的在于提供一种基于检验评估的强对流天气预警方法，用于提高多源气象数据的综合应用能力和预警预报关键信息的综合提炼能力，形成更加精准预报产品。
[0004]为实现上述目的，本专利技术采取下述技术方案：本专利技术所述的基于检验评估的强对流天气预警方法，包括以下步骤：S1，依据卷积神经深度学习预报方法、随机森林数值模式预报方法分别预报0
‑
2小时雷暴大风和短时强降水预报；S2，依据多模式模糊评价预报方法、多模式邻域最优百分位订正预报方法分别预报0
‑
12小时雷暴大风、短时强降水预报；S3，每间隔一定时间，计算一次过去预设时间段内不同所述预报方法预报的命中率和空报率；S4，以命中率优先，结合空报率计算各预报方法的总排序，选择命中率最高、空报率较低的预报方法为当前预报方法。
[0005]进一步地，所述卷积神经深度学习预报方法包括：S1.1.1，依据对流单体雷达信息及云内特征值，构建面积重叠算法的判识函数，并结合CNN图像识别技术，追踪识别风暴单体；S1.1.2，利用机器学习的卷积神经网络结合长短记忆模型算法，将前后时次的光流场、雷达反射率及图片信息进行深度学习训练进行0
‑
2小时雷暴大风和短时强降水预报。
[0006]即与常用短临外推技术相比，所述卷积神经深度学习预报方法输入逐时刻卫星、雷达资料，增加图像光流场信息、雷达反射率残差信息、RGB图片信息参加模型训练，通过对金字塔光流场中的旋转、辐合和辐散等动力特征的学习训练，使深度学习外推预报模型能在一定程度上获得回波生消和合并特征。
[0007]进一步地，所述随机森林数值模式预报方法包括：S1.2.1, 基于灾害性天气历史数据库，建立短时强降水、雷暴大风卫星、雷达临近预报因子库；S1.2.2，结合中尺度数值模式各因子的统计值域，利用朴素贝叶斯分类、逻辑回归模型和随机森林分类算法进行0
‑
2小时雷暴大风、短时强降水预报。
[0008]即所述随机森林数值模式预报方法结合历史资料、模式预报、卫星、雷达资料，采用随机森林算法，遴选对流天气概率阈值，实现确定预报。
[0009]进一步地，所述多模式模糊评价预报方法包括：基于灾害天气资料和“临近原则”，采用GRAPES_3KM和待预测区域的数值模式预报产品逐格点统计强对流物理量及反射率因子等参数值，应用模糊评价算法，兼顾待预测区域物理量因子代表性，综合成本和效益评价指标构建最优预报因子，进行0
‑
12小时雷暴大风、短时强降水预报。即利用模糊评价技术和强对流天气分型，动态统计因子权重建立预报模型，对多模式的分类强对流概率预报产品进行检验评估，实现0
‑
12h短时强降水、雷暴大风的确定预报。
[0010]进一步地，所述多模式邻域最优百分位订正预报方法包括：基于中尺度数值模式产品，采用不同邻域窗半径计算邻域分位数，并依据短时强降水偏差幅度和命中率评分，确定短时强降水的最优邻域窗半径及最优百分位数；应用最优邻域窗半径和最优百分位值订正数值模式小时降水预报，实现0
‑
12小时短时强降水预报。即借鉴集合预报概念，采用邻域最优百分位算法（ONP）对多尺度数值模式降水预报产品进行订正、评估，形成0
‑
12h短时强降水确定预报。
[0011]进一步地，S3步中所述每隔一定时间为每隔6小时；所述预设时间段为12小时或24小时。
[0012]进一步地，所述云内特征值包括重心位置、面积、偏心率、云内最低亮温、云内平均亮温。
[0013]本专利技术的优点在于依据0
‑
2h、2
‑
12h雷暴大风、短时强降水的预报和实况资料，每6小时计算一次过去12小时、24小时灾害性天气评分，先采用命中率将产品排序，然后再按空报率将产品排序，以命中率有优先判识标准，结合空报率计算各个产品的命中率和空报率的总排序，选择命中率较高、空报率不多的最优产品。该预报成果对于提升黄淮地区的中小尺度灾害性天气预报预警的精细化、准确率具有重要意义。
附图说明
[0014]图1是本专利技术所述方法流程图。
[0015]图2是本专利技术所述方法和各类短时强降水预报产品命中率和空报率评分图。
[0016]图3是本专利技术所述方法和各类各类雷暴大风预报产品命中率和空报率评分图。
具体实施方式
[0017]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]如图1所示，本专利技术所述的一种基于检验评估的强对流天气预警方法，包括以下步骤： S1，依据卷积神经深度学习预报方法、随机森林数值模式预报方法分别预报0
‑
2小时雷暴大风和短时强降水预报；卷积神经深度学习预报方法包括：S1.1.1，依据对流单体雷达信息及云内特征值，构建面积重叠算法的判识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于检验评估的强对流天气预警方法，其特征在于：包括以下步骤：S1，依据卷积神经深度学习预报方法、随机森林数值模式预报方法分别预报0
‑
2小时雷暴大风和短时强降水预报；S2，依据多模式模糊评价预报方法、多模式邻域最优百分位订正预报方法分别预报0
‑
12小时雷暴大风、短时强降水预报；S3，每间隔一定时间，计算一次过去预设时间段内不同所述预报方法预报的命中率和空报率；S4，以命中率优先，结合空报率计算各预报方法的总排序，选择命中率最高、空报率较低的预报方法为当前预报方法。2.根据权利要求1所述的基于检验评估的强对流天气预警方法，其特征在于：所述卷积神经深度学习预报方法包括：S1.1.1，依据对流单体雷达信息及云内特征值，构建面积重叠算法的判识函数，并结合CNN图像识别技术，追踪识别风暴单体；S1.1.2，利用机器学习的卷积神经网络结合长短记忆模型算法，将前后时次的光流场、雷达反射率及图片信息进行深度学习训练进行0
‑
2小时雷暴大风和短时强降水预报。3.根据权利要求1所述的基于检验评估的强对流天气预警方法，其特征在于：所述随机森林数值模式预报方法包括：S1.2.1, 基于灾害性天气历史数据库，建立短时强降水、雷暴大风卫星、雷达临近预报因子库；S1.2.2，结合中尺度数值模式各因子的统计值...

【专利技术属性】
技术研发人员：崔丽曼，苏爱芳，张宁，张渊萌，武文博，
申请(专利权)人：河南省气象台，
类型：发明
国别省市：