一种海上能见度预测方法及系统与流程
本发明涉及天气预报,尤其涉及一种海上能见度预测方法及系统。
背景技术:
1、目前海上能见度预报方法主要有数值模式预报、统计预报方法、智能机器学习方法、多技术融合预报等,均是当前业务预报和科研应用的主流手段。近年来,随着计算机领域的飞速发展,作为新兴前沿方法的机器学习方法也逐步应用到能见度的预报方法中。而多技术融合预报方法也相应的发展起来,结合数值模式物理机理优势、统计方法本地化优势、机器学习非线性拟合优势,通过多模型集成、数据融合、动态误差校正技术,取长补短构建融合的预报技术。
2、但是以上方法多应用于陆地能见度预报,海上能见度预报也以近海重点航道、港口区域的能见度预报为主,针对中国近海广大海域上的能见度预报还比较少。海上能见度预报产品比较少的另一个重要原因是海上实况观测相较于陆地少太多,目前是以沿岸站点观测为主,浮标、船舶观测为辅,大范围海域上卫星遥感数据的精细化程度又不够。
3、因此,亟需一种海上能见度预测方法,以弥补大范围近海海域实况观测数据匮乏的缺陷,构建近海海上能见度实况格点产品,并进一步实现我国近海大范围海域能见度的精细化预报,提升海上能见度预报精度,满足海上航运、海上作业对海雾低能见度预警的业务实际需求。
技术实现思路
1、有鉴于此,本发明提出一种海上能见度预测方法及系统,以实现利用多源观测与再分析数据生成近海海上能见度实况格点场,并通过分时段模型训练得到分级时空分辨率的海上能见度预报产品,缓解海上实测数据不足带来的预报偏差问题,提高我国近海海域能见度预报的准确性。
2、为实现上述目的,本发明提供如下技术方案:
3、本说明书一个或多个实施例提供了一种海上能见度预测方法,包括:
4、选定目标近海研究海域;
5、获取多源观测数据,对所述多源观测数据执行数据预处理,得到高质量观测数据集;
6、基于所述高质量观测数据集和再分析气象资料构建变量序列,计算能见度与各气象要素之间的皮尔逊相关系数,通过强相关预报因子和全部预报因子建立模型对比,确定最终影响能见度的预报因子,基于得到的近海能见度相关因子构建站点数据集;
7、将再分析格点资料输入利用训练好的机器学习回归模型中,输出初始近海海上格点能见度场,将初始近海海上格点能见度场与站点观测能见度进行融合修正,得到融合修正后的近海海上能见度实况格点产品;
8、利用实时模式网格资料驱动训练完成的短期预报模型与中长期预报模型,输出各预报时段对应的原始能见度预报场,对所述原始能见度预报场进行空间双线性插值处理和时间线性插值处理,得到具有分级时间分辨率的近海能见度预报场。
9、在上述技术方案的基础上,本发明还可以做如下改进:
10、可选地,所述多源观测数据包括地面自动气象站观测数据和全球天气观测站观测数据;
11、所述数据预处理包括时间一致性检查、空间一致性检查、范围合理性检查、异常值检测、缺测值处理和重复数据剔除。
12、可选地,所述选定目标近海研究海域,包括:
13、选取经度105°-131°e、纬度17°-42°n范围内的近海海域作为目标近海研究海域。
14、可选地,所述基于所述高质量观测数据集和再分析气象资料构建变量序列,计算能见度与各气象要素之间的皮尔逊相关系数,得到影响能见度的近海能见度相关因子;基于得到的近海能见度相关因子构建站点数据集,包括:
15、利用再分析气象资料开展预报因子预处理,所述预报因子预处理包括物理量提取、诊断量计算、垂直层/高度整合;
16、对预报因子预处理后的再分析气象资料进行站点插值,并与能见度观测测值进行标签匹配,构建包含多个要素变量以及能见度标签的站点数据集。
17、可选地,所述计算能见度与各气象要素之间的皮尔逊相关系数,包括:
18、计算基于站点实况观测的预报因子和基于再分析气象资料计算的预报因子,得到皮尔逊相关系数;
19、对所述皮尔逊相关系数进行逐月计算,能够对比预报因子的逐月变化;
20、对比皮尔逊相关系数,得到强相关性预报因子以及所述强相关性预报因子的排序情况。
21、可选地,所述将再分析格点资料输入利用训练好的机器学习回归模型中,输出初始近海海上格点能见度场,将初始近海海上格点能见度场与站点观测能见度进行融合修正,得到近海海上能见度实况格点产品,包括:
22、采用多种机器学习回归模型开展逐月建模训练,选取当月性能最优的机器学习回归模型;
23、利用研究区域内自动站观测位置的实测数据对初始近海海上格点能见度场进行观测替换,完成反演场校准与误差修正,得到融合自动站观测信息与再分析驱动模型反演结果的近海海上能见度实况格点产品;
24、所述多种机器学习回归模型包括随机森林模型、极端梯度提升模型和k近邻模型。
25、可选地,所述利用实时模式网格资料驱动训练完成的短期预报模型与中长期预报模型,输出各预报时段对应的原始能见度预报场,对所述原始能见度预报场进行空间双线性插值处理和时间线性插值处理,得到具有分级时间分辨率的近海能见度预报场,包括:
26、采用多种深度学习预报模型按月开展建模训练,选取当月表现最优的深度学习预报模型;
27、划分0-72h作为短期预报时段、72-240h作为中长期预报时段分别训练,对应得到所述短期预报模型、中长期预报模型;
28、将各预报时段对应的原始能见度预报场进行拼接,再执行空间双线性插值处理和时间线性插值处理,得到具有分级时间分辨率的近海能见度预报场。
29、本说明书一个或多个实施例提供了一种海上能见度预测系统,包括:
30、海域选定模块,用于选定目标近海研究海域;
31、数据预处理模块,用于获取多源观测数据,对所述多源观测数据执行数据预处理,得到高质量观测数据集;
32、数据集构建模块,用于基于所述高质量观测数据集和再分析气象资料构建变量序列,计算能见度与各气象要素之间的皮尔逊相关系数,通过强相关预报因子和全部预报因子建立模型对比,确定最终影响能见度的预报因子,基于得到的近海能见度相关因子构建站点数据集;
33、实况反演模块,用于将再分析格点资料输入利用训练好的机器学习回归模型中,输出初始近海海上格点能见度场,将初始近海海上格点能见度场与站点观测能见度进行融合修正,得到近海海上能见度实况格点产品;
34、预报生成模块,用于利用实时模式网格资料驱动训练完成的短期预报模型与中长期预报模型,输出各预报时段对应的原始能见度预报场,对所述原始能见度预报场进行空间双线性插值处理和时间线性插值处理,得到具有分级时间分辨率的近海能见度预报场。
35、一种电子设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述方法的步骤。
36、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述方法的步骤。
37、本发明具有如下优点:
38、本发明中海上能见度预测方法,融合地面自动气象站与全球天气观测站多源观测数据并开展预处理,弥补海上观测站点稀缺的不足,为模型训练提供可靠数据基础。通过皮尔逊相关系数评估能见度预报因子并构建站点数据集,完成特征筛选,改善模型拟合效果。本发明先利用机器学习回归模型反演得到初始近海海上格点能见度场,结合站点观测融合修正生成近海海上能见度实况格点产品,填补大范围近海海域实况观测空白。进一步分别训练短期、中长期预报模型,适配不同时效海雾演变特征,经空间双线性插值和时间线性插值得到分级时间分辨率的精细化预报场,能够为海上航运、海上作业的低能见度海雾预警提供业务支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com