一种面向缺少数值天气预报地区的高精度日前气温预报方法及系统与流程

摘要: 本发明涉及天气预报领域,具体涉及一种面向缺少数值天气预报地区的高精度日前气温预报方法及系统。背景技术:1、气温预报在能源调度、农业生产、交通运输等领域具有重要的...
一种面向缺少数值天气预报地区的高精度日前气温预报方法及系统与流程

本发明涉及天气预报领域,具体涉及一种面向缺少数值天气预报地区的高精度日前气温预报方法及系统。

背景技术:

1、气温预报在能源调度、农业生产、交通运输等领域具有重要的应用价值,而在广大偏远地区,地面气象观测站点稀疏,历史气象数据匮乏,难以满足数值天气预报对密集观测网络与计算资源的依赖条件,导致这些地区无法获得本地化的高精度气温预报。

2、目前,数值天气预报是气温预报的主流技术手段,其通过求解大气动力学方程实现对未来气象要素的模拟推算,但该方法的有效运行需要密集的地面观测站网、探空观测及气象卫星等多源数据支持,并依赖计算资源和专业气象团队。为克服数值天气预报在数据匮乏地区的适用性不足,现有技术中也出现了基于数据驱动的气温预报方法,其通过采集历史气温观测数据,利用时间序列模型或通用机器学习算法建立气温预测模型,不依赖数值天气预报的物理求解过程,可在一定程度上为缺少数值天气预报的地区提供气温预报参考。

3、然而,现有数据驱动方法存在以下不足:其一,大多采用单一时间序列模型或通用机器学习算法,仅利用历史气温观测值进行时序拟合,未充分利用地球自转与公转所驱动的气温日、月、季节多时间尺度周期性规律,导致模型对气温演化规律的系统性挖掘不足,预测精度有限;其二,模型输入特征的选择多依赖人工经验设定,缺乏对气温内在演化规律的系统性建模,使得模型在不同季节、不同天气条件下的泛化能力和鲁棒性不足,难以满足实际应用中对日前逐时气温预报的高精度要求;其三,以实测气温数据为唯一建模依据,在历史数据本身就较为稀疏的偏远地区,模型训练不充分,预报精度进一步下降。

技术实现思路

1、针对现有技术中提到的问题,本发明提出一种面向缺少数值天气预报地区的高精度日前气温预报方法及系统,基于地球自转与公转驱动的气温周期性规律,利用一日内最高温、最低温出现的相对确定性时序特征,构建包含日、月、季节多层级的气温周期特征数据库。通过历史聚类分析,将逐时气温变化曲线归纳为若干典型日气温模版。在目标日预测时,依据时间节点匹配对应模版,并结合晴空辐射理论估算太阳辐射强度,进一步利用前一日逐时实况气温对模版进行自适应修正,最终生成高精度的气温预报,以解决背景技术中的问题。

2、为了实现上述目的,本发明采用如下技术方案:

3、本发明提出一种面向缺少数值天气预报地区的高精度日前气温预报方法,包括以下步骤:

4、s1、采集目标区域的历史逐时气温观测数据及对应的晴空辐射理论值,对采集到的历史逐时气温观测数据和晴空辐射理论值进行预处理,得到历史气温时序数据库;

5、s2、从所述历史气温时序数据库中提取日尺度、月尺度和季节尺度的气温演化特征,构建气温周期特征数据库;

6、s3、对所述历史气温时序数据库中的历史日气温变化曲线进行聚类分析,以曲线形态相似度为度量标准,将历史日气温变化曲线划分为若干类别,提取每个类别的聚类中心作为典型日气温模版,存储各个所述典型日气温模版的逐时气温均值序列、对应的逐时晴空辐射均值序列、日期标签和聚类中心特征,得到典型日气温模版库;

7、s4、获取目标日的地理纬度参数、太阳赤纬角参数及时角参数,计算得到所述目标日内各时刻的理论太阳辐射强度,将理论太阳辐射强度按照时间顺序排列,得到目标日晴空辐射日曲线;

8、s5、根据所述目标日的月份标签与季节标签,从所述气温周期特征数据库中检索匹配对应的周期特征,结合所述目标日晴空辐射日曲线与所述典型日气温模版的逐时晴空辐射均值序列的相似度,从所述典型日气温模版库中筛选得到匹配度最高的基准模版;将所述基准模版作为日前气温预报的初始曲线;

9、s6、获取所述目标日前一日的逐时实况气温数据,计算目标日前一日逐时实况气温与所述基准模版对应时段的气温差值序列,生成气温差值序列;

10、将所述气温差值序列输入至预先训练好的轻量级人工神经网络,提取所述气温差值序列的时序特征并输出逐时修正系数序列;将所述逐时修正系数序列叠加至基准模版的逐时气温序列上,得到修正后的逐时气温预报序列;

11、将所述修正后的逐时气温预报序列作为预报结果。

12、作为本发明进一步改进,所述s1中的预处理包括:

13、对历史逐时气温观测数据依次进行缺失值插补、异常值剔除、质量控制、统一时间分辨率,并标注日期标签、月份标签和季节标签;以及对历史逐时气温观测数据与晴空辐射理论值对齐。

14、作为本发明进一步改进,所述s2中的气温演化特征,包括对应尺度下的最高气温出现时序位置、最低气温出现时序位置以及最高温与最低温的温差幅值。

15、作为本发明进一步改进,所述s3中采用k-means聚类算法对历史日气温变化曲线进行聚类分析,以欧氏距离作为所述曲线形态相似度的度量标准;

16、所述典型日气温模版的表达式如下:

17、

18、式中:表示聚类数量;表示聚类类别的索引;表示第

k个类别的历史日气温变化曲线集合;表示第

i条历史日气温曲线在

t时刻的气温值;表示第

k个聚类中心在

t时刻的典型日气温模版的逐时气温均值序列。

19、作为本发明进一步改进,所述s4中的理论太阳辐射强度通过晴空理论模型计算得到,所述晴空理论模型为:

20、

21、式中:表示

t时刻的理论太阳辐射强度,w/m²;表示太阳常数,取1361 w/m²;表示大气透射率,取0~1;表示

t时刻的太阳高度角;表示

t时刻的太阳天顶角。

22、作为本发明进一步改进,所述s5中匹配度的表达式如下:

23、

24、式中:表示目标日

d对应的匹配度最高的基准模版;表示目标日

d对应的周期特征;表示第

k类典型日气温模版对应的周期特征;表示目标日

d晴空辐射日曲线;表示第

k类典型日气温模版的逐时晴空辐射均值序列;、表示权重系数。

25、作为本发明进一步改进,所述修正系数序列中的每个修正系数对应未来24h中的一个时刻,将各时刻的修正系数与所述基准模版中相同时刻的逐时气温值逐一相加得到。

26、本发明提出一种面向缺少数值天气预报地区的高精度日前气温预报系统,包括:

27、第一构建模块,用于采集目标区域的历史逐时气温观测数据及对应的晴空辐射理论值,对采集到的历史逐时气温观测数据和晴空辐射理论值进行预处理,得到历史气温时序数据库;

28、第二构建模块,用于从所述历史气温时序数据库中提取日尺度、月尺度和季节尺度的气温演化特征,构建气温周期特征数据库;

29、聚类分析模块,用于对所述历史气温时序数据库中的历史日气温变化曲线进行聚类分析,以曲线形态相似度为度量标准,将历史日气温变化曲线划分为若干类别,提取每个类别的聚类中心作为典型日气温模版,存储各个所述典型日气温模版的逐时气温均值序列、对应的逐时晴空辐射均值序列、日期标签和聚类中心特征,得到典型日气温模版库;

30、太阳辐射强度计算模块,用于获取目标日的地理纬度参数、太阳赤纬角参数及时角参数,计算得到所述目标日内各时刻的理论太阳辐射强度,将理论太阳辐射强度按照时间顺序排列,得到目标日晴空辐射日曲线;

31、匹配模块,用于根据所述目标日的月份标签与季节标签,从所述气温周期特征数据库中检索匹配对应的周期特征,结合所述目标日晴空辐射日曲线与所述典型日气温模版的逐时晴空辐射均值序列的相似度,从所述典型日气温模版库中筛选得到匹配度最高的基准模版;将所述基准模版作为日前气温预报的初始曲线;

32、修正输出模块,用于获取所述目标日前一日的逐时实况气温数据,计算目标日前一日逐时实况气温与所述基准模版对应时段的气温差值序列,生成气温差值序列;将所述气温差值序列输入至预先训练好的轻量级人工神经网络,提取所述气温差值序列的时序特征并输出逐时修正系数序列;将所述逐时修正系数序列叠加至基准模版的逐时气温序列上,得到修正后的逐时气温预报序列;将所述修正后的逐时气温预报序列作为预报结果。

33、本发明提出一种面向缺少数值天气预报地区的高精度日前气温预报设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现上述的面向缺少数值天气预报地区的高精度日前气温预报方法。

34、本发明提出一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如上述的面向缺少数值天气预报地区的高精度日前气温预报方法。

35、本发明相对于现有技术,取得了以下的技术效果:

36、本发明通过采集目标区域的历史逐时气温观测数据及晴空辐射理论值,无需数值天气预报所需的密集观测网络、计算资源和专业气象团队,从根本上摆脱了对数值天气预报的依赖;另外,通过提取日、月、季节三个层级的气温演化特征,将地球自转与公转驱动的气温周期性规律以数据特征形式嵌入预测框架,为预报提供基础;再者,将历史日气温变化曲线归纳为若干类典型日气温模版,每个典型日气温模版对应特定的季节类型和天气模式,使预报能够覆盖各种典型气象场景,显著提升了模型在不同季节、不同天气条件下的泛化能力。

37、本发明根据月份标签、季节标签和晴空辐射曲线相似度进行匹配,使筛选出的基准模版在时间位置和辐射条件两个维度上均与目标日匹配,确保初始预报曲线不仅符合季节规律,又能反映当日的日照特征;另外,通过利用前一日逐时实况气温与基准模版的差值序列,通过轻量级神经网络输出修正系数完成自适应修正,既能保持周期性规律引导,又能适应非典型天气过程,有效克服了气温突变场景下预测偏差大的缺陷,本发明计算复杂度低,无需专业气象背景,可快速部署于数据匮乏的偏远站点。