一种基于水汽收支分解项约束的暴雪成因路径识别与风险诊断方法与流程

摘要: 本发明涉及气象灾害监测、灾害天气机理诊断以及智能识别,具体涉及一种基于水汽收支分解项约束的暴雪成因路径识别与风险诊断方法。背景技术:1、暴雪属于高影响天气过程,...
一种基于水汽收支分解项约束的暴雪成因路径识别与风险诊断方法与流程

本发明涉及气象灾害监测、灾害天气机理诊断以及智能识别,具体涉及一种基于水汽收支分解项约束的暴雪成因路径识别与风险诊断方法。

背景技术:

1、暴雪属于高影响天气过程,其发生发展通常受水汽输送与辐合、动力抬升、热力层结、相变过程以及复杂地形共同作用,具有明显的非线性、多尺度和区域差异特征。现有暴雪诊断和降雪识别技术主要包括经验阈值判别、统计回归分析以及机器学习识别等方法。

2、现有机器学习类暴雪识别方案通常直接采用温度、湿度、风场、垂直速度等常规状态量作为输入,虽然能够输出降雪或暴雪风险结果,但缺少围绕单一控制方程构建的、具有守恒意义和过程指向性的特征体系。

3、现有技术即使涉及水汽输送、水汽辐合或者水汽收支诊断,也多停留在单一诊断量分析层面,尚未将水汽收支方程的多个分解项进行结构化组织,难以体现各分项之间的竞争、协同以及阶段性演变关系。例如,现有基于水汽收支方程的暴雪诊断研究主要关注整层水汽通量散度或垂直输送的单一贡献,未将局地变化、水平输送、水平辐合、垂直输送和相变转化作为可比较的竞争项进行系统分析。

4、此外,现有方案通常侧重于暴雪是否发生或者暴雪量等级这一结果输出,缺少对导致暴雪发生的主导成因路径进行结构化识别与输出的技术环节,因而在可解释性和业务应用方面仍存在不足。

技术实现思路

1、本发明的目的在于提供一种基于水汽收支分解项约束的暴雪成因路径识别与风险诊断方法,以解决现有技术中输入特征物理约束不足、难以体现暴雪形成过程中水汽输送、辐合、局地储量变化及阶段性增强机制、且难以输出成因路径的问题。

2、为实现上述目的,本发明采用如下技术方案,一种基于水汽收支分解项约束的暴雪成因路径识别与风险诊断方法。

3、总体方法流程

4、步骤s1,获取用于暴雪诊断的三维气象场、地面观测或融合分析资料、地形与区域辅助信息,以及用于确定相变水汽源汇的以下数据中的至少一种:物理过程水汽倾向、模式物理过程调用前后比湿差、总水物质倾向;对所获取的数据进行时间对齐、空间配准、坐标统一、数据预处理,并依据地表气压构造地形有效层掩膜。

5、步骤s2,在所述地形有效层掩膜约束下,采用一致的时间差分、水平差分、垂直通量差分和压力层积分算子,将压力坐标水汽守恒方程分解为局地变化项、水平输送项、水平辐合项、垂直输送项、相变源汇项和闭合残差项。

6、步骤s3,围绕所述局地变化项、水平输送项、水平辐合项、垂直输送项、相变源汇项和闭合残差项构建项簇特征向量,所述项簇特征向量至少包含反映各分解项原始统计特性、垂直结构、项间竞争关系、时间演变、空间分布和闭合一致性的特征。

7、步骤s4,依据目标格点或目标区域在预设统计时窗内的累计降雪量构造暴雪标签,依据所述闭合残差对样本和/或模型输出进行质量控制依据闭合残差执行样本质量分级、样本权重赋值、辅助物理损失约束和诊断置信度修正中的至少一种,将所述项簇特征向量输入机器学习模型,得到暴雪发生概率或风险等级。

8、步骤s5,将模型特征贡献按照水平输送项簇、水平辐合项簇、垂直输送项簇和相变源汇项簇进行聚合,依据各项簇的贡献份额和贡献方向,根据预设判定标准输出主导成因路径,并输出闭合质量标识依据各项簇的贡献份额、贡献方向和阶段演变关系输出主导成因路径以及闭合质量标识。

9、优选的,有关地形与区域辅助信息及有效层掩膜。

10、所述地形与区域辅助信息包括数字高程模型、地表气压、坡度、坡向、地形起伏度tr、地形位置指数tpi、迎风地形抬升指标、土地利用类型、地表粗糙度长度、经纬度、目标区域掩膜、业务分区编码以及距海岸线、湖泊或预设水汽源区的最短距离中的一种或多种;其中,坡度满足

11、,迎风地形抬升指标满足,第层的地形有效层掩膜满足,为示性函数,为第层气压,和为近地层或最低有效模式层的水平风分量。

12、优选的,有关水汽收支六项分解方程。

13、所述六个分解项满足  其中, 为局地变化项,  为水平输送项,  为水平辐合项, 为垂直输送项,  为相变源汇项, 为闭合残差项;其中为比湿,为水平风矢量,为压力坐标垂直速度,为气压,和分别为蒸发、升华、凝结和凝华引起的水汽倾向。

14、进一步的,有关六项分解的离散计算方法。

15、局地变化项在内部时次采用中心差分  其中为时间步长;水平输送项和水平辐合项在经纬度网格上采用球面坐标差分、在投影网格上采用笛卡尔坐标差分;

16、垂直输送项采用层界面水汽通量的有限体积差分  其中和分别为第层下界和上界气压,;

17、相变源汇项由独立的物理过程水汽倾向、模式物理过程调用前后比湿差或总水物质守恒关系计算;

18、当无法独立获得相变源汇项时,将对应样本标记为非完整收支样本,且不参与基于闭合约束的模型训练和路径判定。

19、进一步的,有关层次聚合特征。

20、设为第个分解项在时刻和第个有效层上的值,在预设垂直层内,压力厚度加权层均值和层积分分别为 和 其中为重力加速度;所述层次聚合特征还包括相邻层的层均值差、按层中心位势高度计算的垂直梯度,以及预设时间窗内不同层次序列的相关系数或符号一致率。

21、更进一步的,预设垂直层划分方案。

22、所述预设垂直层的划分为:近地层为地面至925 hpa,低层为925~700 hpa,中层为700~500 hpa,高层为500~300 hpa,整层为地面至300 hpa;当固定等压面层有效层数少于2层时,改用的地形跟随层划分,其中为气压,为地表气压。

23、进一步的,有原始关统计特性和时间演变特征。

24、所述原始统计特性包括瞬时值、时间均值、累计值、绝对值均值、正值频率、最大值、最小值、绝对极值及其发生时刻;

25、所述时间演变特征包括  定向累计增强量 变化率符号发生改变且变化幅度超过预设阈值的转折时刻,以及定向量连续超过预设分位数阈值的持续时长;

26、其中,对水平输送项、水平辐合项和垂直输送项取,对相变源汇项取。

27、进一步的,有关项间竞争关系特征。

28、所述项间竞争关系特征在水平输送项、水平辐合项、垂直输送项和相变源汇项之间计算,包括绝对幅度占比 任意两项之间的对数幅度比 带符号差值,按绝对幅度确定的主导项排序、主导项与次主导项绝对幅度差以及相对优势,其中为防止分母或对数自变量为零的小正数。

29、进一步的,有关空间分布特征和闭合一致性特征。

30、所述空间分布特征包括目标格点预设距离邻域内各分解项的均值、方差、极差、最大空间梯度、梯度主导方向一致率和基于归一化熵的空间集中度;所述闭合一致性特征包括  闭合残差在预设时间窗内的变异系数以及由所述变异系数构造的残差稳定性指标。

31、优选的,有关样本级归一化闭合残差与质量分级。

32、对第个样本在目标时间窗和有效层集合内计算样本级归一化闭合残差 根据与预设阈值的关系对样本进行质量分级,并通过关于单调不增的函数生成训练样本权重;所述函数为分段阶梯函数或高斯型衰减函数;对超过剔除阈值的样本令。

33、进一步的,所述质量分级包含至少三个质量等级,各等级对应不同的权重区间,等级越高权重越大;所述预设阈值包含至少一个分级阈值和一个剔除阈值。

34、更进一步的,样本质量分级的具体阈值。所述一个或多个预设阈值包括:当时质量等级为a级且权重为1.0,当时质量等级为b级且权重为0.8,当时质量等级为c级且权重为0.5,当时质量等级为d级且权重为0.2,当时质量等级为e级且权重为0。

35、进一步的,有关辅助物理损失与置信度修正。

36、当所述机器学习模型为树模型或树集成模型时,将作为样本权重输入训练过程;当所述机器学习模型为具有可微训练目标的模型时,采用 其中为带样本权重的任务损失,为非残差预算项重构损失,为重构预算项的闭合损失,和为正的预设超参数。

37、诊断阶段依据和 对原始暴雪概率进行置信度修正,其中为修正后的暴雪概率,为预设闭合残差尺度参数,为机器学习模型直接输出的原始暴雪概率,为对应地理区域和月份的暴雪先验概率。

38、更进一步的,所述的取值范围为0.20~0.40。

39、优选的,贡献聚合与主导路径判定

40、对于第个物理项簇,将该项簇特征集合内的局部贡献聚合为闭合残差项簇仅用于质量控制和不确定性说明。

41、所述预设判定标准为:当最大贡献份额超过第一预设阈值且超过第二预设阈值时,判定为与对应的物理项簇主导路径;否则判定为复合路径;依据判定结果输出水平输送主导路径、水平辐合主导路径、垂直输送主导路径、相变转化主导路径或复合路径。

42、进一步的,所述第一预设阈值和所述第二预设阈值是基于训练样本中各物理项簇贡献份额的统计分布确定的。

43、更进一步的,所述第一预设阈值的优选范围为0.35~0.45,所述第二预设阈值的优选范围为0.10~0.20。

44、优选的,有关机器学习模型类型与架构支撑。

45、所述机器学习模型包括xgboost、lightgbm、catboost、随机森林、神经网络中的一种或多种。

46、优选的,有关数据预处理的具体方法。

47、所述数据预处理包括缺失值处理、异常值处理、格点重采样和垂直层插值;所述缺失值处理采用线性插值或样条插值,所述异常值处理采用基于物理阈值或统计分布的方法进行判别和剔除,所述垂直层插值采用对数线性插值或压力权重插值。

48、与现有技术相比,本发明至少具有以下有益效果:通过将地形有效层、区域掩膜和地形抬升信息纳入统一网格,可降低复杂山地中等压面落入地下和空间错配造成的诊断误差;通过建立六个水汽收支分解项与控制方程之间的一一映射,并采用一致的差分和积分算子,可使特征具有明确的守恒意义和过程指向性;通过对层次、竞争、阶段、邻域及闭合特征进行量化定义,可使所属技术领域的技术人员据此独立完成特征计算;通过样本质量分级、残差权重、辅助损失和概率置信度回缩,可避免低闭合质量样本对模型训练和风险输出产生过度影响;在输出暴雪风险的同时给出主导成因路径及其质量等级,提高了结果的可解释性、可复核性和业务可用性。