一种面向暴雪形成过程的暴雪诊断方法及系统

摘要: 本发明涉及气象灾害监测与诊断,特别涉及一种面向暴雪形成过程的暴雪诊断方法及系统。背景技术:1、暴雪属于典型的高影响天气过程,其形成和发展通常受大尺度环流背景、局...
一种面向暴雪形成过程的暴雪诊断方法及系统

本发明涉及气象灾害监测与诊断,特别涉及一种面向暴雪形成过程的暴雪诊断方法及系统。

背景技术:

1、暴雪属于典型的高影响天气过程,其形成和发展通常受大尺度环流背景、局地动力抬升、水汽输送、热力层结稳定度以及复杂地形作用等多种因素共同影响,具有显著的非线性、多尺度和空间非均匀特征。因此,如何在较精细的空间尺度上识别暴雪发生条件、提取主导因子并开展机理诊断,一直是气象预报和灾害天气研究中的重点问题。目前,暴雪及强降雪相关技术总体上仍以数值天气预报、统计判别和多源资料综合分析为主,而且分析大多依赖于预报人员的判断,分析结果具有较强的主观性。天气预报传统上依赖数值预报模型,通过热力学、质量守恒等物理定律对大气状态进行数值求解,因此具有较强的物理基础和可解释性;但该类方法仍受到初始场误差、次网格过程参数化、空间分辨率和计算资源等因素限制。与此同时,机器学习方法近年来已大量引入天气与气候预测领域,用于处理海量气象数据、刻画时空特征以及对数值模式结果进行订正或补充,从而在气象学领域形成数值模式与机器学习并行发展的技术格局。

2、现有一类技术采用常规观测资料、探空资料或模式要素,基于经验阈值或统计关系进行降雪、雨夹雪和降雨等相态判别。该类方法实现简便,但其对象主要为降水相态分类,输入特征多为常规气象要素,难以充分反映暴雪形成过程中水汽输送与辐合、层结稳定度、垂直运动及复杂地形响应等过程性信息。

3、另一类技术引入机器学习模型对降雪量、冬季天气或相关事件进行预测或识别。该类方法在精度上具有一定优势,但公开研究和公开应用已较多采用xgboost、shap等通用模型与解释方法,因此若仅停留在模型选型或解释工具本身,难以形成稳定的区别特征;其关键仍在于是否从物理层面建立了面向暴雪形成机理的诊断流程。

4、现有技术虽然已经能够通过多源气象探测数据融合和机器学习模型提高高分辨率天气预报能力,但其技术目标主要是面向“未来天气预报”,而没有面向暴雪过程的事件诊断。此外,现有技术在特征构建上主要采用时空特征算法提取常规气象探测参数,再通过spearman相关分析和递归特征筛选方法选出相关特征,并按照相关系数大小以及数据源可靠性分配权重后进行加权融合。其特征筛选和加权方式本质上仍以统计相关性和数据源权重为主导,缺少围绕暴雪形成机理所需的大气动力、热力和水汽过程的物理表达。因此在复杂地形条件下,难以充分表征水汽输送与辐合、层结稳定度、边界层结构等对暴雪形成具有关键作用的过程性信息。因此,至少存在以下不足:

5、第一,现有技术通常以常规气象要素、时空统计特征或经相关性筛选后的特征作为模型输入,缺少围绕暴雪形成机理构建的水汽、热力、动力响应诊断特征体系;

6、第二,现有技术多面向一般降雪量预测或天气预报任务,缺少针对暴雪事件或暴雪高风险格点的专用样本构造及判识流程;

7、第三,现有技术通常仅输出预测或分类结果,难以进一步给出导致某一格点被判定为暴雪的主导物理因子及其贡献方向。

技术实现思路

1、为解决上述技术问题,本发明提供一种面向暴雪形成过程的暴雪诊断方法及系统。

2、根据本技术实施例的第一方面,提供了一种面向暴雪形成过程的暴雪诊断方法,包括:

3、获取待诊断区域内的包含历史或实时气象格点数据、地面观测数据、探空或再分析资料以及与历史暴雪过程相关的业务数据的基础数据,并通过对所述基础数据进行预处理,得到预处理后的基础数据;

4、利用所述预处理后的基础数据,得到物理诊断特征集合和状态量集合,并通过对所述物理诊断特征集合和所述状态量集合依次在统一格点坐标系、时间索引及层次索引下进行特征组织处理,得到所述待诊断区域内每个格点对应的结构化特征向量;

5、构建并训练暴雪诊断模型,并通过将所述待诊断区域内每个格点对应的结构化特征向量输入至训练后的暴雪诊断模型中,得到待诊断区域内各格点对应的暴雪诊断结果;

6、通过对所述待诊断区域内各格点对应的暴雪诊断结果进行解释分析,得到所述结构化特征向量对暴雪判识的解释分析结果。

7、优选地,利用所述预处理后的基础数据,得到物理诊断特征集合和状态量集合包括:

8、基于所述预处理后的基础数据,按照大气动力、热力及水汽过程的物理关系,分别构建物理诊断特征,并基于所构建的物理诊断特征,得到物理诊断特征集合;

9、通过对所述预处理后的基础数据进行与暴雪诊断相关的状态量提取,得到状态量集合。

10、优选地,所述物理诊断特征集合至少包含以下任一或组合:表征水汽过程的特征类别、表征热力过程的特征类别及表征动力过程的特征类别;所述状态量集合包含基础状态量和层次状态量;其中,所述基础状态量至少包含以下任一或组合:格点经纬度信息、地形高度、边界层高度、压强、位温或实际温度、水汽混合比或比湿、三维风分量、几何高度及累计降雪量;所述层次状态量至少包含以下任一或组合:近地层到边界层内的层平均风场、层平均热力状态量、层平均湿度状态量,以及各模式垂直层上的压强、温度、水汽、风场和高度状态量。

11、优选地,通过对所述物理诊断特征集合和所述状态量集合依次在统一格点坐标系、时间索引及层次索引下进行特征组织处理,得到所述待诊断区域内每个格点对应的结构化特征向量包括:

12、以所述待诊断区域内的每个格点和与其对应的时次构建样本索引,通过将每个格点和其时次对应的物理诊断特征与状态量进行一一对应,并按照预设字段顺序对各物理诊断特征和状态量进行拼接,形成每个格点对应的结构化特征向量。

13、优选地,构建并训练暴雪诊断模型包括:

14、获取多个区域内的包含历史气象格点数据、地面观测数据、探空或再分析资料以及与历史暴雪过程相关的业务数据的基础数据,并通过对所述基础数据进行预处理,得到预处理后的基础数据;

15、利用所述预处理后的基础数据,得到物理诊断特征集合和状态量集合,并通过对所述物理诊断特征集合和所述状态量集合依次在统一格点坐标系、时间索引及层次索引下进行特征组织处理,得到所述多个区域内的每个格点对应的结构化特征向量;

16、确定所述多个区域内的每个格点对应的暴雪诊断结果标签;

17、构建暴雪诊断模型,并以所述每个格点对应的结构化特征向量为模型输入,以所述每个格点对应的暴雪诊断结果标签为模型输出,对所构建的暴雪诊断模型进行训练,得到训练后的暴雪诊断模型。

18、优选地,所述暴雪诊断模型为树模型或树集成模型。

19、优选地,通过对所述待诊断区域内各格点对应的暴雪诊断结果进行解释分析,得到所述结构化特征向量对暴雪判识的解释分析结果包括:

20、通过对所述待诊断区域内各格点对应的暴雪诊断结果进行解释分析,得到每个格点对应的结构化特征向量对暴雪判识的贡献方向和贡献大小;

21、通过对所有格点对应的结构化特征向量对暴雪判识的贡献方向和贡献大小进行聚合统计,得到全局特征重要性排序,并对每个格点输出局部特征贡献分解结果,并将所述局部特征贡献分解结果作为解释该格点被判定为暴雪诊断结果的依据。

22、根据本技术实施例的第二方面,提供了一种面向暴雪形成过程的暴雪诊断系统,包括:

23、获取模块,被配置为获取待诊断区域内的包含历史或实时气象格点数据、地面观测数据、探空或再分析资料以及与历史暴雪过程相关的业务数据的基础数据,并通过对所述基础数据进行预处理,得到预处理后的基础数据;

24、特征组织模块,被配置为利用所述预处理后的基础数据,得到物理诊断特征集合和状态量集合,并通过对所述物理诊断特征集合和所述状态量集合依次在统一格点坐标系、时间索引及层次索引下进行特征组织处理,得到所述待诊断区域内每个格点对应的结构化特征向量;

25、暴雪诊断模块,被配置为构建并训练暴雪诊断模型,并通过将所述待诊断区域内每个格点对应的结构化特征向量输入至训练后的暴雪诊断模型中,得到待诊断区域内各格点对应的暴雪诊断结果;

26、解释分析模块,被配置为通过对所述待诊断区域内各格点对应的暴雪诊断结果进行解释分析,得到所述结构化特征向量对暴雪判识的解释分析结果。

27、根据本技术实施例的第三方面,提供了一种计算设备,包括:

28、存储器和处理器;

29、所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令实现任意一项所述面向暴雪形成过程的暴雪诊断方法的步骤。

30、根据本技术实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现任意一项所述面向暴雪形成过程的暴雪诊断方法的步骤。

31、根据本技术实施例的第五方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述面向暴雪形成过程的暴雪诊断方法的步骤。

32、本发明具有以下的有益效果:采用了物理特征构建与状态量提取相结合的特征组织手段,并在机器学习诊断之后增加了解释分析步骤。由于上述技术手段并非停留于对常规气象变量进行统计筛选,而是面向暴雪诊断任务构建具有物理含义的输入特征,并进一步对模型结果进行可解释分解,因此能够取得如下有益效果:其一,通过构建面向暴雪形成过程的物理诊断特征,并结合多层状态量进行结构化组织,能够增强输入特征对暴雪相关水汽、热力、动力过程的表征能力;其二,通过以所述结构化特征向量作为输入进行格点级暴雪判识,能够提高方案对暴雪诊断任务的针对性;其三,通过对模型输出执行全局重要性和单样本贡献分解,能够在输出暴雪判识结论的同时给出主导影响因子解释,从而提高诊断结果的透明度和可解释性。