一种面向低空强风的预报订正方法及装置与流程
本发明涉及气象预报相关,尤其涉及一种面向低空强风的预报订正方法及装置。
背景技术:
1、随着全球气候变化导致的大气环流异常加剧,低空风切变、下击暴流以及湍流等极端大风事件的发生频率与强度显著增加。低空风场,特别是近地面至1000米高度层内的风速风向变化,直接影响着低空经济(无人机物流、城市空中交通)、风能资源评估与场站功率预测、超高层建筑抗风设计以及航空起降安全。因此,实现不同高度层强风的精细化预报与预警,对于保障低空飞行器航行安全、提升风电并网稳定性及预防风灾次生灾害具有迫切的现实意义。
2、现有的数值模式边界层参数化方案多基于平稳、均质、准定常假设下的通量-梯度关系构建,在强风及复杂地形下垫面条件下,湍流间歇性增强、阵风结构尺度变化显著,导致参数化方案的适用性大幅降低,模式难以捕捉强风过程中的动态非线性突变,例如在冷锋过境或雷暴外流边界控制下,低空不同高度的风切变往往出现非单调变化,数值模式对此类垂直风速拐点的预报存在系统性偏差或相位滞后,对大风的预报误差明显增大,无法准确反映低空风场结构。
技术实现思路
1、本发明的目的是为了至少解决现有技术的不足之一,提供一种面向低空强风的预报订正方法。
2、为了实现上述目的,本发明采用以下的技术方案:
3、具体的,提出一种面向低空强风的预报订正方法,包括以下:
4、获取模式网格预报数据;
5、基于所述模式网格预报数据,通过线性插值方式生成模式背景场;
6、获取风廓线雷达、地面自动站观测数据,并将其线性插值至所述模式背景场的各高度层,计算观测增量得到误差信息,通过最近格点法将所述误差信息全域传播,最终生成各高度层的网格化实况风场;
7、对所述模式背景场进行归一化处理,基于预选取年限范围内的历史观测数据的统计极值将所述模式背景场中数据的原始值线性缩放至固定的[0,1]区间;
8、对预选取年限范围内的历史观测数据进行训练集以及验证集划分;
9、设置面向强风优化的加权均方误差损失函数,对四个等级风速设置不同权重,对于每个有效网格点,其损失贡献按真实风速所属区间动态加权;
10、以所述训练集、验证集以及损失函数对预构建的u-net深度学习模型进行训练得到训练后模型;
11、基于所述模式背景场、网格化实况风场以及误差信息,通过训练后模型生成二维网格化的风场预报订正结果。
12、进一步,具体的,所述模式网格预报数据通过收集cma-gd的高分辨率区域数值天气预报模式提供的格点预报产品获取,所述格点预报产品格点分辨率为0.03°×0.03°,时间分辨率为逐小时,变量包括u风和v风,以及2m温度、10m风速、平均海平面气压、不同等压面层温湿风。
13、进一步,具体的,计算观测增量得到误差信息,包括,
14、将每个观测站点的风速实况值与模式背景场中临近格点的值进行对比,计算出该点的误差得到误差信息。
15、进一步,具体的,预选取年限范围为2019–2023年,其中2019–2022年的数据制作训练集用于模型训练,2023年的数据制作验证集用于模型验证。
16、进一步,具体的,所述损失函数为:
17、;
18、其中和分别为第i个网格点的真实与预测风速,为有效样本总数,权重函数按下式确定:
19、。
20、进一步,具体的,所述u-net深度学习模型的具体结构包括,
21、编码器由4级下采样模块构成,通过3×3卷积、relu激活、批归一化与2×2最大池化逐层提取多尺度大气运动特征,压缩得到全局上下文特征图谱;瓶颈层加入时间嵌入层,将预报时效编码为16维稠密向量并与特征残差融合,显式建模气象要素时空周期性与地理依赖性;解码器为4级上采样模块,通过2×2转置卷积恢复空间尺寸,搭配跳跃连接拼接编码器同尺度特征以弥补下采样信息损失、还原风场精细结构;输出层通过1×1卷积映射至40个输出通道,直接输出各高度层的u/v风分量。
22、本发明还提出一种面向低空强风的预报订正装置,包括以下:
23、数据获取模块,用于获取模式网格预报数据;
24、模式背景场生成模块,用于基于所述模式网格预报数据,通过线性插值方式生成模式背景场;
25、网格化实况风场生成模块,用于获取风廓线雷达、地面自动站观测数据,并将其线性插值至所述模式背景场的各高度层,计算观测增量得到误差信息,通过最近格点法将所述误差信息全域传播,最终生成各高度层的网格化实况风场;
26、归一化模块,用于对所述模式背景场进行归一化处理,基于预选取年限范围内的历史观测数据的统计极值将所述模式背景场中数据的原始值线性缩放至固定的[0,1]区间;
27、训练数据划分模块,用于对预选取年限范围内的历史观测数据进行训练集以及验证集划分;
28、损失函数设置模块,用于设置面向强风优化的加权均方误差损失函数,对四个等级风速设置不同权重,对于每个有效网格点,其损失贡献按真实风速所属区间动态加权;
29、模型训练模块,用于以所述训练集、验证集以及损失函数对预构建的u-net深度学习模型进行训练得到训练后模型;
30、预报订正结果计算模块,用于基于所述模式背景场、网格化实况风场以及误差信息,通过训练后模型生成二维网格化的风场预报订正结果。
31、本发明的有益效果为:
32、本发明提出一种面向低空强风的预报订正方法与装置,一方面,融合cma-gd数值模式背景场与风廓线雷达、地面自动站观测数据,通过计算观测增量与最近格点法将误差信息反馈至整个网格场,生成在空间上连续、能够反映实况观测信息的各高度层网格化实况风场分析产品;另一方面,为提升对高影响大风事件的敏感性,设计加权均方误差损失函数,将风速划分为四个等级:弱风、强风、大风和狂风,并分别赋予对应的损失权重,避免模型对极端大风的欠拟合,显著增强对6级及以上大风的捕捉能力;针对传统数值模式(cma-gd)对强风预报误差大、局地细节丢失、极端风场拟合不足等问题,融合多源观测数据与数值预报背景场生成三维风场实况再分析数据,基于u-net深度学习架构研发面向未来24小时短期预报的低空三维高分辨率风场订正模型,实现1000米高度层逐25m分层、0.03°水平分辨率的风场精准订正。综上本发明所提出的方案所得到的风场预报订正结果更贴近实况风场。
1.一种面向低空强风的预报订正方法,其特征在于,包括以下:
2.根据权利要求1所述的一种面向低空强风的预报订正方法,其特征在于,具体的,所述模式网格预报数据通过收集cma-gd的高分辨率区域数值天气预报模式提供的格点预报产品获取,所述格点预报产品格点分辨率为0.03°×0.03°,时间分辨率为逐小时,变量包括u风和v风,以及2m温度、10m风速、平均海平面气压、不同等压面层温湿风。
3.根据权利要求1所述的一种面向低空强风的预报订正方法,其特征在于,具体的,计算观测增量得到误差信息,包括,
4.根据权利要求1所述的一种面向低空强风的预报订正方法,其特征在于,具体的,预选取年限范围为2019–2023年,其中2019–2022年的数据制作训练集用于模型训练,2023年的数据制作验证集用于模型验证。
5.根据权利要求1所述的一种面向低空强风的预报订正方法,其特征在于,具体的,所述损失函数为:
6.根据权利要求1所述的一种面向低空强风的预报订正方法,其特征在于,具体的,所述u-net深度学习模型的具体结构包括,
7.一种面向低空强风的预报订正装置,其特征在于,包括以下:
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