【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及一种基于机器学习的气象对流模拟方法及系统。
技术介绍
1、暖区暴雨呈现区域性和持续时间长等特点，对准确的气象预报带来了显著挑战，目前通常是使用数值天气预报模型来预测暖区强降雨。
2、但是，随着现有的数值天气预报模型的网格间距接近对流过程的尺度，现有的数值天气预报模型难以表征大气边界层内的对流，这就导致无法准确预测气象，气象预测效果较差。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种基于机器学习的气象对流模拟方法及系统，以解决现有的数值天气预报模型存在的气象预测效果较差等问题。
2、为实现上述目的，本专利技术实施例提供如下技术方案：
3、本专利技术实施例第一方面公开一种基于机器学习的气象对流模拟方法，所述方法包括：
4、在天气研究预报wrf模型积分到t时刻时输入网格参数，以计算得到云松弛时间计数器nca；
5、若所述nca小于时间阈值，计算对流云的特征数据；
6、判断所述对流云的特征数据是否满足对流发生条件；
7、当满足所述对流发生条件时，基于指定机器学习模型计算对流倾向和降水率，并更新平均垂直速度，执行指定步骤；其中，所述对流倾向和所述降水率用于在所述wrf模型中进行气象对流模拟，所述平均垂直速度用于保持物理量的一致性；
8、当不满足所述对流发生条件时，更新所述平均垂直速度，并将所述对流倾向和所述降水率设为0，执行所述指定步骤；
9、所
10、所述nca减少1且所述t增加1，返回执行在天气研究预报wrf模型积分到t时刻时输入网格参数这一步骤，直至所述wrf模型完成迭代。
11、优选的，若所述nca小于时间阈值，计算对流云的特征数据，包括：
12、若所述nca小于时间阈值，基于多尺度kain-fritsch算法使用一维云模型，结合温度、露点温度、气压、风速和风向，计算对流云的特征数据，所述对流云的特征数据至少包括：抬升凝结高度，对流有效能位，平均垂直速度，云顶高度，云底高度和夹卷率。
13、优选的，判断所述对流云的特征数据是否满足对流发生条件，包括：
14、判断所述对流有效能位是否超过对流有效能位阈值；
15、若所述对流有效能位超过所述对流有效能位阈值，确定满足对流发生条件；
16、若所述对流有效能位不超过所述对流有效能位阈值，确定不满足对流发生条件。
17、优选的，当满足所述对流发生条件时，基于指定机器学习模型计算对流倾向和降水率，并更新平均垂直速度，执行指定步骤，包括：
18、当满足所述对流发生条件时，在已经达到所述对流发生条件的网格点，利用基于指定机器学习模型的多尺度kain-fritsch算法，计算对流倾向和降水率，其中，所述指定机器学习模型为双向长短期记忆模型；
19、更新平均垂直速度，执行指定步骤。
20、优选的，计算得到云松弛时间计数器nca之后，还包括：
21、若所述nca大于或等于时间阈值，更新所述平均垂直速度，所述对流倾向和所述降水率保持不变，执行所述指定步骤。
22、本专利技术实施例第二方面公开一种基于机器学习的气象对流模拟系统，所述系统包括：
23、第一计算单元，用于在天气研究预报wrf模型积分到t时刻时输入网格参数，以计算得到云松弛时间计数器nca；
24、第二计算单元，用于若所述nca小于时间阈值，计算对流云的特征数据；
25、判断单元，用于判断所述对流云的特征数据是否满足对流发生条件；
26、第三计算单元，用于当满足所述对流发生条件时，基于指定机器学习模型计算对流倾向和降水率，并更新平均垂直速度，执行指定步骤；其中，所述对流倾向和所述降水率用于在所述wrf模型中进行气象对流模拟，所述平均垂直速度用于保持物理量的一致性；
27、第一更新单元，用于当不满足所述对流发生条件时，更新所述平均垂直速度，并将所述对流倾向和所述降水率设为0，执行所述指定步骤；
28、所述指定步骤包括：
29、所述nca减少1且所述t增加1，返回执行所述第一计算单元，直至所述wrf模型完成迭代。
30、优选的，所述第二计算单元具体用于：若所述nca小于时间阈值，基于多尺度kain-fritsch算法使用一维云模型，结合温度、露点温度、气压、风速和风向，计算对流云的特征数据，所述对流云的特征数据至少包括：抬升凝结高度，对流有效能位，平均垂直速度，云顶高度，云底高度和夹卷率。
31、优选的，所述判断单元具体用于：判断所述对流有效能位是否超过对流有效能位阈值；若所述对流有效能位超过所述对流有效能位阈值，确定满足对流发生条件；若所述对流有效能位不超过所述对流有效能位阈值，确定不满足对流发生条件。
32、优选的，所述第三计算单元具体用于：当满足所述对流发生条件时，在已经达到所述对流发生条件的网格点，利用基于指定机器学习模型的多尺度kain-fritsch算法，计算对流倾向和降水率，其中，所述指定机器学习模型为双向长短期记忆模型；更新平均垂直速度，执行指定步骤。
33、优选的，还包括：
34、第二更新单元，用于若所述nca大于或等于时间阈值，更新所述平均垂直速度，所述对流倾向和所述降水率保持不变，执行所述指定步骤。
35、基于上述本专利技术实施例提供的一种基于机器学习的气象对流模拟方法及系统，该方法为：在wrf模型积分到t时刻时输入网格参数，以计算得到nca；若nca小于时间阈值，计算对流云的特征数据；判断对流云的特征数据是否满足对流发生条件；当满足对流发生条件时，基于指定机器学习模型计算对流倾向和降水率，并更新平均垂直速度，执行指定步骤；当不满足对流发生条件时，更新平均垂直速度，并将对流倾向和降水率设为0，执行指定步骤；指定步骤包括：nca减少1且t增加1，返回执行在wrf模型积分到t时刻时输入网格参数这一步骤，直至wrf模型完成迭代。本方案将wrf模型和机器学习模型相耦合，将机器学习应用到气象对流模拟中以准确预测气象，从而提高气象预测效果。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的气象对流模拟方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，若所述NCA小于时间阈值，计算对流云的特征数据，包括：
3.根据权利要求2所述的方法，其特征在于，判断所述对流云的特征数据是否满足对流发生条件，包括：
4.根据权利要求1-3中任一所述的方法，其特征在于，当满足所述对流发生条件时，基于指定机器学习模型计算对流倾向和降水率，并更新平均垂直速度，执行指定步骤，包括：
5.根据权利要求1-3中任一所述的方法，其特征在于，计算得到云松弛时间计数器NCA之后，还包括：
6.一种基于机器学习的气象对流模拟系统，其特征在于，所述系统包括：
7.根据权利要求6所述的系统，其特征在于，所述第二计算单元具体用于：若所述NCA小于时间阈值，基于多尺度Kain-Fritsch算法使用一维云模型，结合温度、露点温度、气压、风速和风向，计算对流云的特征数据，所述对流云的特征数据至少包括：抬升凝结高度，对流有效能位，平均垂直速度，云顶高度，云底高度和夹卷率。
8.根据权
9.根据权利要求6-8中任一所述的系统，其特征在于，所述第三计算单元具体用于：当满足所述对流发生条件时，在已经达到所述对流发生条件的网格点，利用基于指定机器学习模型的多尺度Kain-Fritsch算法，计算对流倾向和降水率，其中，所述指定机器学习模型为双向长短期记忆模型；更新平均垂直速度，执行指定步骤。
10.根据权利要求6-8中任一所述的系统，其特征在于，还包括：
...【技术特征摘要】
1.一种基于机器学习的气象对流模拟方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，若所述nca小于时间阈值，计算对流云的特征数据，包括：
3.根据权利要求2所述的方法，其特征在于，判断所述对流云的特征数据是否满足对流发生条件，包括：
4.根据权利要求1-3中任一所述的方法，其特征在于，当满足所述对流发生条件时，基于指定机器学习模型计算对流倾向和降水率，并更新平均垂直速度，执行指定步骤，包括：
5.根据权利要求1-3中任一所述的方法，其特征在于，计算得到云松弛时间计数器nca之后，还包括：
6.一种基于机器学习的气象对流模拟系统，其特征在于，所述系统包括：
7.根据权利要求6所述的系统，其特征在于，所述第二计算单元具体用于：若所述nca小于时间阈值，基于多尺度kain-fritsch算法使用一维云模型，结...
【专利技术属性】
技术研发人员：于星，仲晓辉，宋佳欣，丁宁，李昊，赵源，
申请(专利权)人：深圳市人工智能与机器人研究院，
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。