开云优惠体育网页版入口

专利名称：一种基于时空局部模型的数值模式降水预报产品释用方法

专利类型：发明专利

专利申请号：CN202010733993.9

专利申请（专利权）人：海南省气象科学研究所
权利人地址：海南省海口市美兰区海府路60号

专利发明（设计）人：张国峰,刘少军,韩静,蔡大鑫,白蕤

专利摘要：本发明公开了一种基于时空局部模型的数值模式降水预报产品释用方法，包括如下步骤：确定待释用区域，并将其划分为若干子区域；获取预报期待释用区域内的数值模式降水预报产品，并将其插值到所需离散网格；样本集构建；样本预处理和质量控制；降水落区预报释用时空局部模型参数优化；对每个子区域，采用优化或设定的参数对预报期降水落区预报结果进行释用，确定降水落区；降水量级预报释用时空局部模型参数优化；对每个子区域，采用优化或设定的参数对上述落区内的降水量级预报结果进行释用。本发明的有益效果是：采用时空局部模型更加准确地建模随时空变化的数值模式降水预报产品和实况的关系，进一步提高数值模式降水预报产品的释用水平。

主权利要求：
1.一种基于时空局部模型的数值模式降水预报产品释用方法，首先对数值模式降水落区预报结果进行释用，然后对数值模式降水量级预报结果进行释用，其特征在于：所述方法包括以下步骤：步骤1：确定待释用区域，并将待释用区域划分为若干子区域；
步骤2：获取预报期待释用区域内的数值模式降水预报产品，并采用插值方法将数值模式降水预报产品插值到所需离散网格；
步骤3：获取待释用区域内的降水观测数据和历史同期数值模式降水预报产品，构建降水“观测数据，预报产品”样本集，同时通过转换得到降水“观测指示值，预报产品”样本集；
步骤4：对步骤3中的样本进行预处理和质量控制，并存储待用；
步骤5：对降水落区预报，对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期；采用步骤4处理后的对应样本集，对降水落区预报释用时空局部模型的参数即邻域样本数N1、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；
所述释用模型包括加权logistic回归及其对应的多尺度模型；
所述评估指标包括命中率、空报率、TS评分或其组合；
所述权函数模型包括距离阈值模型①、高斯模型②、指数模型③、双平方模型④；
其中，di为样本xi到待释用格点x0的时空距离，r为权函数带宽，Wi(xi)为样本xi的权重；
步骤6：对每个子区域，采用步骤5选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的降水落区预报释用时空局部模型参数，对步骤2中的离散网格数值模式降水落区预报进行释用，确定降水落区；
步骤7：对降水量级预报，对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，采用步骤4处理后的对应样本集，对降水量级预报释用时空局部模型的参数即邻域样本数N2、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；
所述权函数模型包括距离阈值模型①、高斯模型②、指数模型③、双平方模型④；
其中，di为样本xi到待释用格点x0的时空距离，r为权函数带宽，Wi(xi)为样本xi的权重；
所述释用模型包括加权线性回归、加权偏最小二乘回归、加权条件概率密度函数、加权频率匹配法、加权lasso回归及它们对应的多尺度模型；所述评估指标包括平均绝对误差、均方根误差、CRPS评分或其组合；
步骤8：对每个子区域，采用步骤7选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的降水量级预报释用时空局部模型参数，对步骤6中确定的降水落区的降水量级进行释用；
步骤9：建立相关业务系统，重复步骤2?8；
所述步骤5和步骤6中的时空局部模型具体为：根据选定的滑动训练期，对任一格点或样本点，利用其周围时空N1个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个降水观测指示值与预报产品之间的关系，并利用这个关系对该格点的降水落区预报进行释用；所述步骤7和步骤8中的时空局部模型具体为：根据选定的滑动训练期，对任一格点或样本点，利用其周围时空N2个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个降水观测值与预报值之间的关系，并利用这个关系对该格点的降水量级预报进行释用；所述步骤5和步骤7中采用的时空距离模型包括式⑤；
其中，d为时空位置x0和xi之间的距离，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离模型参数，根据先验知识或采用交叉验证法确定；
所述步骤9中的业务系统包括数据获取模块、数值模式降水预报产品插值模块、样本对构建模块、样本质量控制模块、落区预报释用参数优化和设定模块、落区预报释用模块、量级预报释用参数优化和设定模块、量级预报释用模块。
2.根据权利要求1所述的一种基于时空局部模型的数值模式降水预报产品释用方法，其特征在于：所述步骤2中的数值模式降水预报产品为来源于一家或多家模式的确定性预报、集合平均。
3.根据权利要求1所述的一种基于时空局部模型的数值模式降水预报产品释用方法，其特征在于：所述步骤3中的降水观测数据包括站点降水观测数据、多源数据融合降水实况数据；所述步骤3中的观测指示值的计算方法为：当观测值大于0时，观测指示值为1，否则为
0。
4.根据权利要求1所述的一种基于时空局部模型的数值模式降水预报产品释用方法，其特征在于：所述步骤4对样本的预处理和质量控制包括剔除冗余样本和异常样本。 说明书 : 一种基于时空局部模型的数值模式降水预报产品释用方法技术领域[0001] 本发明涉及气象中的智能网格预报领域，尤其涉及一种基于时空局部模型的数值模式降水预报产品释用方法。背景技术[0002] 降水是最重要的天气气候要素之一，对降水进行精准的预报预测是天气预报和气候预测的主要内容之一。随着大气科学及其他相关学科的发展，数值模式对降水预报预测的时空尺度和时效不断扩大，对降水预报预测的分辨率和准确率不断提高。当前，数值模式预报已成为降水预报预测的基础。[0003] 然而，由于数值模式只能对大气进行近似描述且大气运动具有混沌特性，因此，数值模式对降水的预报总存在着不确定性。另外，不同国家的模式实施方案不同，导致不同模式对不同区域、不同时段降水的预报预测能力不同。因此，对数值模式预报预测的降水进行订正或对不同数值模式预报的降水产品进行集成应用已成为提高降水预报预测水平的重要手段。[0004] 当前，线性回归、贝叶斯模式平均、卡尔曼滤波、机器学习等方法是数值模式降水预报预测产品订正或多模式预报产品集成的主流方法。然而，在运用上述方法对模式产品进行订正或集成时，有的仅采用单个格点或站点的样本，有的采用一定区域同一时次的所有样本，有的假定所有的样本有同样的重要性。[0005] 为进一步提高对数值模式降水预报预测产品的客观释用水平，本发明提出一种基于时空局部模型的数值模式降水预报产品释用方法。发明内容[0006] 本发明正是为了解决上述技术问题而设计的一种基于时空局部模型的数值模式降水预报产品释用方法。[0007] 本发明解决其技术问题所采用的技术方案是：[0008] 一种基于时空局部模型的数值模式降水预报产品释用方法，首先对数值模式降水落区预报结果进行释用，然后对数值模式降水量级预报结果进行释用，所述方法包括以下步骤：[0009] 步骤1：确定待释用区域，并将待释用区域划分为若干子区域；[0010] 步骤2：获取预报期待释用区域内的数值模式降水预报产品，并采用插值方法将数值模式降水预报产品插值到所需离散网格；[0011] 步骤3：获取待释用区域内的降水观测数据和历史同期数值模式降水预报产品，构建降水(观测数据，预报产品)样本集，同时通过转换得到降水(观测指示值，预报产品)样本集；[0012] 步骤4：对步骤3中的样本进行预处理和质量控制，并存储待用；[0013] 步骤5：对降水落区预报，对每个子区域，选定相应的的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期；采用步骤4处理后的对应样本集，对降水落区预报释用时空局部模型的参数即邻域样本数N1、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；[0014] 步骤6：对每个子区域，采用步骤5选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的降水落区预报释用时空局部模型参数，对步骤2中的数值模式降水落区预报进行释用，确定降水落区；[0015] 步骤7：对降水量级预报，对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，采用步骤4处理后的对应样本集，对降水量级预报释用时空局部模型的参数即邻域样本数N2、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；[0016] 步骤8：对每个子区域，采用步骤7选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的降水量级预报释用时空局部模型参数，对步骤6中确定的降水落区的降水量级进行释用；[0017] 步骤9：建立相关业务系统，重复步骤2?8。[0018] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤2中的数值模式降水预报产品为来源于一家或多家模式的确定性预报、集合平均或其组合。[0019] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤3中的降水观测数据包括但不限于站点降水观测数据、多源数据融合降水实况数据；所述步骤3中的观测指示值计算方法为：当观测值大于0时，观测指示值为1，否则为0。[0020] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤4对样本的预处理和质量控制包括但不限于剔除冗余样本和异常样本。[0021] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5中可采用的释用模型包括但不限于加权logistic回归及其对应的多尺度模型。[0022] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5中可采用的评估指标包括但不限于命中率、空报率、TS评分或其组合。[0023] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5和步骤7中可采用的权函数模型包括但不限于距离阈值模型①、高斯模型②、指数模型③、双平方模型④。[0024][0025][0026] 其中，di为样本xi到待释用格点x0的时空距离，r为权函数带宽，Wi(xi)为样本xi的权重。[0027] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤7中可采用的释用模型包括但不限于加权线性回归、加权偏最小二乘回归、加权条件概率密度函数、加权频率匹配法、加权lasso回归及它们对应的多尺度模型。[0028] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤7中可采用的评估指标包括但不限于平均绝对误差、均方根误差、CRPS评分或其组合。[0029] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5至步骤8中的时空局部模型具体为：根据选定的滑动训练期，对任一格点或样本点，利用其周围时空N1个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个降水观测指示值与预报产品之间的关系，并利用这个关系对该格点的降水落区预报进行释用；或者，根据选定的滑动训练期，对任一格点或样本点，利用其周围时空N2个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个降水观测值与预报值之间的关系，并利用这个关系对该格点的降水量级预报进行释用。[0030] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5和步骤7中的时空局部模型可采用的时空距离模型包括但不限于式⑤。[0031][0032] 其中，d为时空位置x0和xi之间的距离，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离模型参数，根据先验知识或采用交叉验证法确定。[0033] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤9中的业务系统包括但不限于数据获取模块、数值模式降水预报产品插值模块、样本对构建模块、样本质量控制模块、落区预报释用参数优化和设定模块、落区预报释用模块、量级预报释用参数优化和设定模块、量级预报释用模块或其组合。[0034] 本发明所述样本均包括对应的统一基准的时空坐标，为简明，未显式表示。[0035] 本发明的有益效果是：通过采用时空局部模型更加准确地建模随时空变化的数值模式降水预报产品和实况的关系，进一步提高数值模式降水预报产品的释用水平。附图说明[0036] 图1为一种时空距离和时空邻域示意图。具体实施方式[0037] 下面结合附图和实施例对本发明进一步说明。[0038] 如图1所示，本发明一种基于时空局部模型的数值模式降水预报产品释用方法，首先对数值模式降水落区预报结果进行释用，然后对数值模式降水量级预报结果进行释用，所述方法包括以下步骤：[0039] 步骤1：确定待释用区域，并根据待释用区域大小和天气气候特征等因素将其划分为若干子区域；[0040] 步骤2：获取预报期待释用区域内的数值模式降水预报产品，并采用插值方法将数值模式降水预报产品插值到所需离散网格；[0041] 步骤3：获取待释用区域内的降水观测数据和历史同期数值模式降水预报产品，并采用插值方法将数值模式降水预报产品插值到降水观测数据位置，构建降水(观测数据，预报产品)样本集，同时通过转换得到降水(观测指示值，预报产品)样本集；[0042] 步骤4：对步骤3中的样本进行预处理和质量控制，并存储待用；[0043] 步骤5：对降水落区预报，对每个子区域，选定相应的的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期；采用步骤4处理后的对应样本集和随机搜索参数优化法，对降水落区预报释用时空局部模型的参数即邻域样本数N1、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；[0044] 步骤6：对每个子区域，采用步骤5选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的降水落区预报释用时空局部模型参数，对步骤2中的数值模式降水落区预报进行释用，确定降水落区；[0045] 步骤7：对降水量级预报，对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，采用步骤4处理后的对应样本集和随机搜索参数优化法，对降水量级预报释用时空局部模型的参数即邻域样本数N2、时空距离模型参数和权函数带宽进行优化，或根据经验设定上述参数的值；[0046] 步骤8：对每个子区域，采用步骤7选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的降水量级预报释用时空局部模型参数，对步骤6中确定的降水落区的降水量级进行释用；[0047] 步骤9：建立相关业务系统，重复步骤2?8。[0048] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤2中的数值模式降水预报产品为来源于一家或多家模式的确定性预报、集合平均或其组合。[0049] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤3中的降水观测数据包括但不限于站点降水观测数据、多源数据融合降水实况数据；所述步骤3中的观测指示值的计算方法为：当观测值大于0时，观测指示值为1，否则为0。[0050] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤4对样本的预处理和质量控制包括但不限于剔除冗余样本和异常样本。[0051] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5中可采用的释用模型包括但不限于加权logistic回归及其对应的多尺度模型。[0052] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5中可采用的评估指标包括但不限于命中率、空报率、TS评分或其组合。[0053] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5和步骤7中可采用的权函数模型包括但不限于距离阈值模型①、高斯模型②、指数模型③、双平方模型④中的一种或几种(用于多尺度模型)。[0054] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤7中可采用的释用模型包括但不限于加权线性回归、加权偏最小二乘回归、加权条件概率密度函数、加权频率匹配法、加权lasso回归及它们对应的多尺度模型。[0055] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤7中可采用的评估指标包括但不限于平均绝对误差、均方根误差、CRPS评分或其组合。[0056] 所述一种基于时空局部模型的数值模式预报产品客观释用方法，所述步骤5和步骤7中可采用的参数优化方法包括但不限于网格搜索参数优化法、随机搜索参数优化法；以网格搜索参数优化法为例：将步骤7中所有参数的可能区间离散化，并对它们进行组合；对每个参数组合，采用选定的释用模型、权函数模型、时空距离模型，对滑动训练期子区域内的每个样本点都构建一个降水观测数据与预报产品之间的关系，并利用这个关系对该样本点的数值模式降水预报产品进行释用，并将释用结果存储待用；根据释用结果，计算每个参数组合的评估指标，并根据评估指标确定最优参数组合。[0057] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5至步骤8中的时空局部模型具体为：根据选定的滑动训练期，对任一格点或样本点，利用其周围时空N1个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个降水观测指示值与预报产品之间的关系，并利用这个关系对该格点的降水落区预报进行释用；或者，根据选定的滑动训练期，对任一格点或样本点，利用其周围时空N2个样本及相应的释用模型、权函数模型、时空距离模型，都构建一个降水观测值与预报值之间的关系，并利用这个关系对该格点的降水量级预报进行释用。[0058] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤5和步骤7中可采用的时空距离模型包括但不限于式⑤。[0059][0060] 其中，d为时空位置x0和xi之间的距离，(u0,v0,t0)、(ui,vi,ti)分别为时空位置x0和xi的时空坐标；μ为时空距离模型参数，根据先验知识或采用交叉验证法确定。[0061] 所述一种基于时空局部模型的数值模式降水预报产品释用方法，所述步骤9中的业务系统包括但不限于数据获取模块、数值模式降水预报产品插值模块、样本对构建模块、样本质量控制模块、落区预报释用参数优化和设定模块、落区预报释用模块、量级预报释用参数优化和设定模块、量级预报释用模块或其组合。[0062] 实施例1[0063] 对每日ECMWF模式00时(世界时)起报的第1天的海南岛细网格(0.125°×0.125°)降水预报产品，进行客观释用。[0064] 步骤1：按照行政区划将海南岛划分为18个子区域；[0065] 步骤2：获取预报期ECMWF模式每天00时(世界时)起报的第1天的海南岛细网格(0.125°×0.125°)降水预报产品；[0066] 步骤3：获取CMPAS中国逐日降水快速融合实况分析产品(0.05°×0.05°)；并采用反距离插值法与历史同期的海南岛细网格降水预报产品构建(观测数据，预报产品)样本集，同时通过转换得到(观测指示值，预报产品)样本集；[0067] 步骤4：对步骤3中的样本进行预处理和质量控制，并存储待用；[0068] 步骤5：对降水落区预报，对每个子区域，释用模型采用加权logistic回归，权函数模型采用高斯模型(式②)，时空距离模型采用式⑤，评估指标采用TS评分，滑动训练期设为70天，采用步骤4处理后的对应样本集和随机搜索参数优化法，对降水落区预报释用时空局部模型参数即邻域样本数N1、时空距离模型参数μ1和权函数带宽r1进行优化；[0069] 步骤6：对每个子区域，采用步骤5选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化的降水落区预报释用时空局部模型参数，对步骤2中的降水落区预报进行释用，确定降水落区；[0070] 步骤7：对每个子区域，释用模型采用一元加权线性回归，权函数模型采用高斯模型(式②)，时空距离模型采用式⑤，评估指标采用均方根误差，滑动训练期设为70天，采用步骤4处理后的对应样本集和随机搜索参数优化法，对降水量级预报释用时空局部模型参数即邻域样本数N2、时空距离模型参数μ2和权函数带宽r2进行优化；[0071] 步骤8：对每个子区域，采用步骤7选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化的降水量级预报释用时空局部模型参数，对步骤6中确定的降水落区的降水量级进行释用；[0072] 步骤9：建立相关业务系统，重复步骤2?8。[0073] 实施例2[0074] 对每日ECMWF模式00时(世界时)起报的第1天的海南岛细网格(0.125°×0.125°)降水预报产品，进行客观释用。[0075] 步骤1：按照行政区划将海南岛划分为18个子区域；[0076] 步骤2：获取预报期ECMWF模式每天00时(世界时)起报的第1天的海南岛细网格(0.125°×0.125°)降水预报产品；[0077] 步骤3：获取CMPAS中国逐日降水快速融合实况分析产品(0.05°×0.05°)；并采用反距离插值法与历史同期的海南岛细网格降水预报产品构建降水(观测数据，预报产品)样本集，同时通过转换得到(观测指示值，预报产品)样本集；[0078] 步骤4：对步骤3中的样本进行预处理和质量控制，并存储待用；[0079] 步骤5：对每个子区域，释用模型采用加权logistic回归，权函数模型采用高斯模型(式②)，时空距离模型采用式⑤，评估指标采用TS评分，滑动训练期设为70天，采用步骤4处理后的对应样本集和随机搜索参数优化法，对降水落区预报释用时空局部模型参数即邻域样本数N1、时空距离模型参数μ1和权函数带宽r1进行优化；[0080] 步骤6：对每个子区域，采用步骤5选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化的降水落区预报释用时空局部模型参数，对步骤2中的降水落区预报进行释用，确定降水落区；[0081] 步骤7：对每个子区域，释用模型采用加权条件概率密度函数，权函数模型采用高斯模型(式②)，时空距离模型采用式⑤，评估指标采用CRPS评分，滑动训练期设为70天，采用步骤4处理后的对应样本集和随机搜索参数优化法，对降水量级预报释用时空局部模型参数即邻域样本数N2、时空距离模型参数μ2和权函数带宽r2进行优化；[0082] 步骤8：对每个子区域，采用步骤7选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化的降水量级预报释用时空局部模型参数，对步骤6中确定的降水落区的降水量级进行释用；[0083] 步骤9：建立相关业务系统，重复步骤2?8。

专利地区：海南

专利申请日期：2020-07-27

专利公开日期：2024-11-08

专利公告号：CN113988350B