【技术实现步骤摘要】
本专利技术涉及气象灾害风险预测领域，尤其涉及一种基于观测扰动的对流尺度集合预报方法及系统。
技术介绍
1、随着全球气候变化的加剧，极端气象事件频发，对流尺度天气现象如暴雨、大风等对人类生活和经济发展带来了严重影响。现有的气象预报方法在对流尺度的预报精度上存在局限，尤其是在复杂地形和多变气候条件下。为了提高预报的准确性和及时性，需要开发新的预报技术和方法。本专利技术正是基于这样的需求，提出了一种结合观测数据扰动和集合预报技术的对流尺度集合预报方法，旨在通过先进的数据处理和模式同化技术，提升对流尺度天气事件的预测能力。
技术实现思路
1、本专利技术的目的是要提供一种基于观测扰动的对流尺度集合预报方法及系统。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括以下步骤：
4、获取观测数据和全球集合数据，所述全球集合数据包括全球集合预报的初值场和预报场，对所述观测数据进行预处理；
5、对所述全球集合数据进行动力降尺度得到区域集合数据，根据所述区域集合数据得到研究区域的初值、侧边界和背景场；
6、根据所述观测数据和所述初值场得到观测误差，基于所述观测误差对所述观测数据进行扰动，获得扰动观测数据，采用集合资料同化对所述扰动观测数据和所述背景场进行初值扰动，生成初值分析场，并更新所述侧边界；
7、采用适用于所述研究区域的随机物理过程倾向模式扰动方案对数值预报模式的物理过程进行扰动，基于所述初值分析场
8、根据所述模式积分获得集合预报结果，基于所述集合预报结果生成集合预报产品。
9、进一步地，获取观测数据和全球集合数据的方法，包括：
10、通过地面观测资料、探空资料、船舶资料、浮标资料、飞机观测、全国加密自动站资料和小球测风资料获取观测数据，每天搜集2个相差12h的时次的全球集合数据。
11、进一步地，对所述全球集合数据进行动力降尺度得到区域集合数据，根据所述区域集合数据得到研究区域的初值、侧边界和背景场的方法，包括：
12、通过解码和三次卷积插值法进行动力降尺度，将区域集合数据的前12h的预报场作为初值，将后续预报场作为侧边界，将区域集合数据的预报场作为背景场。
13、进一步地，根据所述观测数据和所述初值场得到观测误差，基于所述观测误差对所述观测数据进行扰动，获得扰动观测数据的方法，包括：
14、对观测数据和初值场进行统计分析得到观测误差，使用随机数发生器生成-2到2之间的χ个随机数，将随机数和观测误差相乘得到χ个随机扰动数据，将观测数据和随机扰动数据相加得到χ个扰动数据，将观测数据及其扰动数据作为扰动观测数据。
15、进一步地，采用集合资料同化对所述扰动观测数据和所述背景场进行初值扰动，生成初值分析场，并更新所述侧边界的方法，包括：
16、将扰动观测数据和背景场结合生成初始条件集合成员，使用集合卡尔曼滤波进行集合资料同化：
17、集合平均状态更新：
18、
19、其中，为分析平均值，为更新后的状态估计，为预测平均值，为基于先前时间步的状态估计，wi是第i个集合成员的权重系数，基于预测性能调整，gi是第i个集合成员的卡尔曼增益，zi是第i个集合成员对应的观测向量，h(si)为以si为输入的观测算子，为sigmoid函数，si是第i个集合成员的状态向量，n为集合成员的总数，n＝χ+1，
20、协方差矩阵更新：
21、
22、其中，pa为更新后的协方差矩阵，i为单位矩阵，p为当前的协方差矩阵，t表示转置，γ是正则化项，
23、非线性卡尔曼增益：
24、
25、其中，hi是第i个集合成员的观测算子，r为观测噪声协方差矩阵，λi是第i个集合成员的正则化矩阵，
26、时间依赖性的状态转移：
27、
28、其中，ψ(t,t0)是从时间t0到t的状态转移矩阵，ξ(τ)是时间依赖的系统噪声，假设为白噪声过程，τ为t和t0的时间间隔，为12小时，t和t0为当前时间步和初始时间步，
29、集合成员的更新：
30、
31、其中si,a为第i个集合成员更新后的状态向量，∈i是从正态分布抽取的随机扰动，δsi(t)是时变项，用于模拟集合成员随时间的演变，采用更新后的集合成员建立初值分析场，根据同化结果更新侧边界。
32、进一步地，采用适用于所述研究区域的随机物理过程倾向模式扰动方案对数值预报模式的物理过程进行扰动的方法，包括：
33、采用sppt模式扰动进行物理扰动：
34、多维参数空间的高斯分布：
35、
36、其中，p是多维参数向量，m为p的维度，μ是均值向量，∑是自适应协方差矩阵，ν是自由度参数，控制高斯分布的形状，γ是伽马函数，|σ|为∑的行列式，表示参数空间的体积，
37、计算参数扰动的fisher信息矩阵：
38、
39、其中f(p)为fisher信息矩阵，用于量化参数估计的不确定性，e表示期望，f(y|p)是观测数据y的似然函数，
40、利用fisher信息矩阵调整自适应协方差矩阵：
41、
42、其中σt+1为更新后的自适应协方差矩阵，σt为当前的自适应协方差矩阵，αt是基于数值预报模式性能获得的自适应学习率，为观测数据的样本数量，pi,t为第i个样本在时间步t的参数向量，σi,t为第i个样本在时间步t的标准差，βt是正则化项，i为单位矩阵，
43、优化参数扰动：
44、
45、其中∈t是扰动步长，⊙表示逐元素乘积，是损失函数相对于参数的梯度，损失函数为均方误差公式，是数值预报模式不确定性的估计，
46、数值预报模式为wrf模式，集合成员采用wrf模式进行24h积分。
47、进一步地，所述集合预报产品包括邮票图、降水概率图、降水分位数和单站箱线图。
48、一种基于观测扰动的对流尺度集合预报系统，其特征在于，包括：
49、采集模块，获取观测数据和全球集合数据，所述全球集合数据包括全球集合预报的初值场和预报场；
50、初始化模块，对所述观测数据进行预处理，对所述全球集合数据进行动力降尺度得到区域集合数据，根据所述区域集合数据得到研究区域的初值、侧边界和背景场；
51、集合资料同化初值生成模块，根据所述观测数据和所述初值场得到观测误差，基于所述观测误差对所述观测数据进行扰动，获得扰动观测数据，采用集合资料同化对所述扰动观测数据和所述背景场进行初值扰动，生成初值分析场，并更新所述侧边界；
52、模式积分模块，采用适用于所述研究区域的随机物理过程倾向模式扰动方案对数值预报模式的物理过程进行扰动，基本文档来自技高网...
【技术保护点】
1.一种基于观测扰动的对流尺度集合预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，获取观测数据和全球集合数据的方法，包括：
3.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，对所述全球集合数据进行动力降尺度得到区域集合数据，根据所述区域集合数据得到研究区域的初值、侧边界和背景场的方法，包括：
4.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，根据所述观测数据和所述初值场得到观测误差，基于所述观测误差对所述观测数据进行扰动，获得扰动观测数据的方法，包括：
5.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，采用集合资料同化对所述扰动观测数据和所述背景场进行初值扰动，生成初值分析场，并更新所述侧边界的方法，包括：
6.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，采用适用于所述研究区域的随机物理过程倾向模式扰动方案对数值预报模式的物理过程进行扰动的方法，包括：
<...【技术特征摘要】
1.一种基于观测扰动的对流尺度集合预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，获取观测数据和全球集合数据的方法，包括：
3.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，对所述全球集合数据进行动力降尺度得到区域集合数据，根据所述区域集合数据得到研究区域的初值、侧边界和背景场的方法，包括：
4.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，根据所述观测数据和所述初值场得到观测误差，基于所述观测误差对所述观测数据进行扰动，获得扰动观测数据的方法，包括：
5.根据权利要求1所述一种基于观测扰动的对流尺度集合预报方法，其特征在于，采用集合资料同化对所述扰动观测数据和所...
【专利技术属性】
技术研发人员：张涵斌，夏宇，张舒婷，陈敏，范水勇，黄向宇，仲跻芹，卢冰，
申请(专利权)人：北京城市气象研究院，
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。