System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于大气科学研究领域,涉及气象数据处理,尤其是涉及基于对象的集合概率匹配平均(opm)方法,用作提升集合平均降水对强降水的分布预报能力。
技术介绍
1、强降水预报一直是预报的难点,高分辨率数值天气预报是当前业务预报的主要参考。然而,强降水落区预报存在极大的不确定性,单一确定性数值模式降水预报参考价值有限。早在1995年,文献1[vislocky, r. l., and j. m. fritsch, 1995: improved modeloutput statistics forecasts through model consensus. bull. amer. meteor.soc.,76, 1157–1164.]中便指出最优的降水预报需要数值模式的集合预报,而不是仅依赖于单一的最优产品。
2、对此,文献2 [ speer, m. s., and l. m. leslie, 1997: an example of theutility of ensemble rainfall forecasting. austr. meteor. mag., 46, 75–78.] ,以及文献3 [du, j., s. l. mullen, and f. sanders, 1997: short-range ensembleforecasting of quantitative precipitation. mon. wea. rev., 125, 2427–2459.]中均采用了对集合模式的降水预报进行简单的算数平均
3、针对此问题,文献4 [rosenfeld, d., d. b. wolff, and d. atlas, 1993:general probabilitymatched relations between radar reflectivity and rainrate.j. appl. meteor., 32, 50–72, https://doi.org/10.1175/1520-0450(1993)032,0050:gpmrbr.2.0.co;2.];以及文献5 [anagnostou, e. n., a. j. negri, and r. f.adler, 1999: a satellite infrared technique for diurnal rainfall variabilitystudies. j. geophys. res., 104, 31 477–31 488, https://doi.org/10.1029/1999jd900157.]提出了概率匹配平均法(probability matching,pm),该方法通过结合具有更好空间表示的数据与更准确频率分布的数据,有效改善了集合平均预报中的上述缺陷。文献6 [ebert e e .ability of a poor man's ensemble to predict theprobability and distribution of precipitation[j].monthly weather review,2000, 129(10):2461.doi:10.1175/1520-0493(2001)1292.0.co;2.]中首次将这一技术应用于集合预报,生成了基于集合预报的定量降水预报产品,显著提高了预报技巧得分。因此,pm平均法被广泛应用于集合平均降水预报中。
4、然而,pm均值法并非完美无缺。在文献7 [surcel, m., i. zawadzki, and m. k.yau, 2014: on the filtering properties of ensemble averaging for storm-scaleprecipitation forecasts. mon. wea. rev., 142, 1093–1105, https://doi.org/10.1175/mwr-d-13-00134.1.]中提出,虽然pm均值法能提升预报技巧得分,但它忽略了计算范围内可能存在多个降水系统。对于大范围的区域,pm均值方法系统性地重新分配降水,即便邻近点的pm均值也可能来源于不同尺度降水系统或不同气候态环境降水,导致在局地应用时无法准确反映降水真实分布特征。例如,如果计算区域内同时存在a、b两类降水系统,pm均值法可能会把预报的a类降水分配到b类系统中,会出现强度强的降水系统更强的现象。
5、为克服这一局限,有学者提出了局地概率匹配法(localized probability-matching,简称lpm),如文献8[clark, a. j., 2017: generation of ensemble meanprecipitation forecasts from convection-allowing ensembles. wea. forecasting,32, 1569–1583, https://doi.org/10.1175/waf-d-16-0199.1.]中,就利用该方法将pm均值应用于以单个点或小矩形区为中心的特定影响区域,一定程度上避免了不同地理区域降水系统强度错配问题,但局地法矩形规则网格设计(固定边长)事实上无法准确分离不同类别降水系统,尤其是当区域内存在不同尺度强降水系统且不同降水系统之间距离很近时,局地pm法并不能有效解决此类复杂情形。
6、综上所述,传统pm均值法以集合平均降水值为基准,从大到小排序后重新匹配集合成员降水值,有效避免了不同成员间强降水落区差异造成平均值小的问题,但只适合小区域。局地pm法可以一定程度上避免不同气候态地理区域降水值错配问题,但依旧无法解决多个降水系统并存问题。例如,当台风、锋面以及午后短时强降水同时存在时,理论上应给分类计算不同系统的pm集合平均降水场,但因为pm法无法有效区分系统,台风大值区域范围大且强度强,经常会将锋面以及短时强降水产生的降水错误分配给台风系统,造成台风强降水范围更大,强度更强。与之相反,其它两类降水系统的强降水范围和强度会一定程度的减弱。总的来说,当区域内存在多个强降水系统,且不同强降水系统强度相差不大,距离较近,涵盖不同尺度时,无论时传统pm法,还是局地pm法都会造成降水错配问题,出现强者恒强现象。
技术实现思路
1、专利技术目的:本专利技术目的在于针对现有技术的不足,提供一种基于对象的集合概率匹配平均方法(object-based probability matching,简称opm),先识别降水对象,自适应降水对象的尺度,再采用pm法重新分配降水强度,提高pm法适用范围,通过对象识别改善pm集合平均降水场计算尺度的自适应,提升集合平均降水产品对强降水强度和范围的预报性能。
...
【技术保护点】
1.一种基于对象的集合概率匹配平均方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于对象的集合概率匹配平均方法,其特征在于,步骤S100所述从集合模式的资料集中识别计算范围内所有降水单体,并进行相邻降水单体合并,包括:
3.根据权利要求2所述的基于对象的集合概率匹配平均方法,其特征在于,步骤S110所述根据基于对象的MODE检验方法,从集合模式的降水预报中识别计算范围内各个降水单体,具体方法为:
4.根据权利要求3所述的基于对象的集合概率匹配平均方法,其特征在于,还包括步骤:
5.根据权利要求4所述的基于对象的集合概率匹配平均方法,其特征在于,步骤S120所述根据临近算法,将相邻的降水单体合并成若干个降水对象,具体方法为:
6.根据权利要求1所述的基于对象的集合概率匹配平均方法,其特征在于,步骤S200所述获取覆盖每一个降水对象的最小集合预报区域,具体方法为:
7.根据权利要求1所述的基于对象的集合概率匹配平均方法,其特征在于,步骤S300所述在每一个降水对象的最小集合预报区域内,采用PM均值法生
8.根据权利要求1所述的基于对象的集合概率匹配平均方法,其特征在于,步骤S400中除将所有识别的降水对象OPM集合平均场合并外,还包括对于不在识别出的降水对象区域以外的点,则继续采用PM均值法生成降水集合平均场,最后将所有计算的降水对象和剩余区域的集合平均场合并,获得全区域OPM集合平均场。
...【技术特征摘要】
1.一种基于对象的集合概率匹配平均方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于对象的集合概率匹配平均方法,其特征在于,步骤s100所述从集合模式的资料集中识别计算范围内所有降水单体,并进行相邻降水单体合并,包括:
3.根据权利要求2所述的基于对象的集合概率匹配平均方法,其特征在于,步骤s110所述根据基于对象的mode检验方法,从集合模式的降水预报中识别计算范围内各个降水单体,具体方法为:
4.根据权利要求3所述的基于对象的集合概率匹配平均方法,其特征在于,还包括步骤:
5.根据权利要求4所述的基于对象的集合概率匹配平均方法,其特征在于,步骤s120所述根据临近算法,将相邻的降水单体合并成若干个降...
【专利技术属性】
技术研发人员:朱科锋,俞碧玉,
申请(专利权)人:南京气象科技创新研究院,
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。