【技术实现步骤摘要】
本申请涉及数据处理，具体而言，涉及一种考虑对流复杂环境特征的地面风速测算的订正方法及装置。
技术介绍
1、目前，对地面风速测算数据的订正通常基于地形地貌、气象观测等利用误差统计分析方法或人工智能模型得到，例如：结合高分辨率地形高程数据和地貌数据，利用地形地貌对风速影响的经验关系，构造出目标点位或局地高分辨率风速初步修正结果，进一步基于目标点位的风速历史观测，利用统计分析方法计算目标点位的风速测算误差，并结合风速初步修正结果，得到最终的风速订正结果；或者，利用高分辨率地形地貌数据、气象预报数据、历史观测数据训练人工智能模型，得到地面风速测算的订正模型，用于订正风速测算。上述风速测算订正模型通常不考虑不同天气背景下的不同天气过程和气象特征，在具体的实践过程中发现，这些风速测算订正模型虽然可以降低风速测算的总体误差水平，但在大风过程条件尤其是对流性大风过程条件下的风速订正效果表现欠佳。因此，需要构建一种考虑对流复杂环境特征的地面风速测算的订正方法。
技术实现思路
1、本申请实施例的目的在于提供一种考虑对流复杂环境特征的地面风速测算的订正方法，用于改善当前站点风速测算经过订正后误差仍然偏大的问题。
2、本申请提供了一种考虑对流复杂环境特征的地面风速测算订正方法，其包括：
3、获取目标站点的包括气象预报、气象观测、预警信息、致灾事件的原始历史数据；
4、对上述获取的目标站点的原始历史数据进行预处理，生成标准化历史数据；根据包括风速、持续时间、对流参数的阈值
5、基于标准化历史数据，根据不同大风过程类别，训练并调试lstm、xgboost、stacking模型，生成风速测算分类订正模型；
6、对于实时风速测算，结合包括风速、持续时间、对流参数的阈值，判断大风过程类别，并据此在风速测算分类订正模型中自动匹配合适的风速测算订正模型对风速测算结果进行订正。
7、具体地，普通个例的风速测算订正模型a的生成具体为：
8、
9、冷空气系统性大风个例的风速测算订正模型b的生成具体为：
10、
11、对流性大风个例的风速测算订正模型c的生成具体为：
12、
13、其中，xa、xb分别为分别以普通个例的和冷空气系统性大风个例的包括常规气象要素预报的标准化历史数据、风速的气象观测标准化历史数据、风速测算误差标准化历史数据构建的特征张量，xc为以对流性大风个例的包括常规气象要素预报的标准化历史数据、对流参数预报的标准化历史数据、风速的气象观测标准化历史数据、风速测算误差标准化历史数据构建的特征张量，y为以目标预报批次的风速测算误差标准化历史数据构建的标签张量，t为风速测算误差阈值，ypredict为风速测算误差预测值，wsorig为风速测算标准化数据，wscorr为风速测算标准化数据订正值，y′predict为经过阈值控制后的风速测算误差预测值。
14、具体地，stacking模型的具体流程包括：
15、基于风速测算标准化历史数据、风速观测标准化历史数据，计算风速测算误差标准化历史数据；
16、利用包括风速、气温、湿度、气压等常规气象要素的气象预报标准化历史数据以及风速的气象观测标准化历史数据构建特征张量，利用风速误差标准化历史数据构建标签张量；将特征张量、标签张量划分为训练集和测试集；
17、将所述训练集和测试集输入人工智能模型进行训练并调整模型参数，得到多个风速测算误差预测模型作为stacking一级学习器；
18、将所述多个风速测算误差预测模型的输出作为新的特征输入二级学习器，训练stacking二级学习器并调整参数；
19、基于所述stacking一级学习器和stacking二级学习器构成风速测算误差预测模型。
20、具体地，利用气象预报标准化历史数据以及风速的气象观测标准化历史数据构建特征张量，包括：
21、基于风速测算标准化历史数据、风速观测标准化历史数据，计算风速测算误差标准化历史数据；
22、基于过去若干天相同预报批次的所述风速测算标准化历史数据、风速观测标准化历史数据、风速测算误差标准化历史数据，构建特征xdi；其中xdi的维度为r×c，行r表示不同的预报时间步长，列c表示不同的气象要素；
23、基于所述特征xdi，将过去若干天的特征进行拼接，构成维度为r×(nc)的特征xdn，其中n表示过去的天数；基于所述xdn，利用缩放方法得到机器学习模型的输入特征；标签特征为当前批次风速历史预报的误差；
24、调整所述天数n，进行敏感性实验获得n的最优值，并由此构建机器学习模型的输入特征x和标签特征y。
25、具体地，生成风速测算订正模型，包括：
26、利用所述风速测算误差预测模型，计算风速测算误差预测值；
27、利用所述风速测算误差预测值和风速测算标准化历史数据，计算得到风速测算标准化历史数据初步订正值；
28、基于风速观测标准化历史数据检验风速测算标准化历史数据初步订正值，并根据检验结果设置风速测算误差阈值，重复这一过程以获得风速测算误差最佳阈值，以控制风速测算误差预测值的范围；
29、基于所述风速测算误差预测模型和风速测算误差最佳阈值，构成风速测算订正模型。
30、具体地，基于包括气象观测、预警信息、致灾事件的标准化历史数据判断大风过程类别，包括：
31、基于包括预警信息、致灾事件的标准化历史数据，结合国家标准、行业标准，确立包括风速、大风持续时间、对流参数的阈值；
32、基于气象观测标准化历史数据，结合包括风速、大风持续时间、对流参数的阈值，判断大风过程类别。
33、具体地，所述判断大风过程类别，包括：
34、基于气象观测标准化历史数据，结合包括风速、大风持续时间的阈值，判定普通个例和大风个例；
35、基于所述气象预报标准化历史数据，在大风个例内利用对流参数，应用pearson相关性分析得到高相关对流参数，基于所述高相关对流参数进一步利用k-means聚类方法筛选出冷空气系统性大风个例和对流性大风个例。
36、具体地，基于所述高相关对流参数利用k-means聚类方法筛选出冷空气系统性大风个例和对流性大风个例，包括：
37、对包括高相关对流参数、气象要素历史数据的资料进行整理，并形成满足k-means输入格式的训练数据集；
38、基于所述满足k-means输入格式的训练数据集对k-means模型进行训练，通过敏感性实验确定中心个数并作为个例种类的个数；
39、基于所述敏感性实验的结果，筛选出冷空气系统性大风个例和对流性大风个例。
40、具体地，对于实时风速测算，结合包括风速、持续本文档来自技高网...
【技术保护点】
1.一种考虑对流复杂环境特征的地面风速测算订正方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于：
3.根据权利要求1所述的方法，其特征在于，Stacking模型的具体流程包括：
4.根据权利要求3所述的方法，其特征在于，利用气象预报标准化历史数据以及风速的气象观测标准化历史数据构建特征张量，包括：
5.根据权利要求2所述的方法，其特征在于，生成风速测算订正模型，包括：
6.根据权利要求1所述的方法，其特征在于，基于包括气象观测、预警信息、致灾事件的标准化历史数据判断大风过程类别，包括：
7.根据权利要求6所述的方法，其特征在于，所述判断大风过程类别，包括：
8.根据权利要求7所述的方法，其特征在于，基于所述高相关对流参数利用k-means聚类方法筛选出冷空气系统性大风个例和对流性大风个例，包括：
9.根据权利要求1所述的方法，其特征在于，对于实时风速测算，结合包括风速、持续时间、对流参数的阈值判断大风过程类别，并据此在风速测算分类订正模型中自动匹配合适的风速测算订正模
10.一种考虑对流复杂环境特征的地面风速订正装置，其特征在于，包括：
...【技术特征摘要】
1.一种考虑对流复杂环境特征的地面风速测算订正方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于：
3.根据权利要求1所述的方法，其特征在于，stacking模型的具体流程包括：
4.根据权利要求3所述的方法，其特征在于，利用气象预报标准化历史数据以及风速的气象观测标准化历史数据构建特征张量，包括：
5.根据权利要求2所述的方法，其特征在于，生成风速测算订正模型，包括：
6.根据权利要求1所述的方法，其特征在于，基于包括气象观测、预警信息、致灾事件的标准化历史数据判断大...
【专利技术属性】
技术研发人员：王晓峰，周荣卫，何晓凤，
申请(专利权)人：华风气象传媒集团有限责任公司，
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。