融合WRF预报误差的城市低空微气象集合模拟与预测方法与流程

本发明涉及无人机微气象服务，尤其涉及一种融合wrf预报误差的城市低空微气象集合模拟与预测方法。

背景技术：

1、近年来，随着无人机物流配送、城市空中交通和低空巡检等应用的快速发展，对城市低空（通常指地面至300米高度范围）微气象信息的精细化预报需求日益迫切。城市低空风场直接影响无人机飞行安全、续航能力和起降窗口决策。当前，该领域主要依赖以下技术路径获取风场信息：

2、1. 中尺度数值天气预报模式，wrf（weather research and forecasting）模式是目前应用最广泛的中尺度数值天气预报系统之一，能够提供区域尺度（数公里至数十公里网格）的风速、风向、温度等气象要素预报。以wrf为代表的数值天气预报模式是当前区域气象预报的主要工具，其时间分辨率一般为小时级，空间分辨率为公里级。然而，在城市建筑群低空区域，局地风场受建筑物绕流、街谷效应和尾流影响明显，中尺度模式的粗糙网格和参数化方案无法刻画建筑物尺度的流场精细结构。因此，单一wrf预报风速值难以直接满足无人机航路微气象服务的精度需求。

3、2. 城市低空计算流体力学（cfd）模拟，cfd方法通过求解navier-stokes方程组，能够在数米乃至亚米级网格上刻画城市建筑群周围的风场分布，包括建筑物背风侧的尾流区、狭窄街道内的狭管效应、屋顶上方剪切层等精细流场特征。现有城市低空风场cfd模拟通常采用稳态rans（reynolds-averaged navier-stokes）方法或大涡模拟（les）方法。但是，cfd模拟结果高度依赖于入流边界条件的准确性。入流边界通常包括来流风速廓线、风向和湍流强度等参数。实际应用中，如果仅采用wrf在某一参考高度（如100米高度）给出的单一风速值和单一风向值作为入流边界条件，则cfd输出结果为确定性流场，完全无法反映中尺度预报误差向城市低空风场传递后所产生的流场不确定性。当wrf风速存在±2 m/s误差时，经建筑物绕流放大或衰减后，关键起降点位置的风速偏差可能达到±4~5 m/s，仅凭单值预报无法评估此类风险。

4、3. 集合预报与不确定性量化方法，在气象领域，集合预报（ensembleforecasting）已广泛应用于台风路径预测、暴雨概率预报等业务中，其核心思想是通过扰动初始场或物理参数方案生成多个预报成员，以表征预报不确定性。在地球物理流体和cfd领域，近年来已有部分研究开始关注入流边界条件不确定性对下游流场模拟结果的影响，例如通过扰动来流风速和风向进行多情景cfd模拟。

5、然而，现有研究往往存在以下局限：其一，多数研究将入流边界条件扰动与cfd传播过程割裂处理，缺少一套从wrf预报误差出发、经cfd传播、最终输出概率预报结果的端到端技术方案；其二，现有研究中多情景cfd模拟各情景往往简单等权处理，缺少基于误差分布进行概率加权的方法；其三，多情景cfd仿真计算成本随情景数量线性增长，在城市低空大规模应用场景中面临计算效率瓶颈，现有技术中尚未见成熟的计算加速方案。

技术实现思路

1、针对上述现有技术的不足，本发明目的在于提供一种融合wrf预报误差的城市低空微气象集合模拟与预测方法，通过风速和风向误差集合构造、情景概率加权、cfd集合仿真（辅以代理模型加速）和统计置信输出，使城市低空微气象结果由单值预报转换为概率预报，在保持计算可行性的前提下，为无人机低空运行提供包含均值、方差、置信区间和超阈值概率的风险决策信息。

2、本发明是采用以下技术方案实现的：融合wrf预报误差的城市低空微气象集合模拟与预测方法，包括以下步骤：

3、获取wrf模式输出的目标区域参考高度处的风速预报值uref和风向预报值θref，以及风速误差标准差σu和风向误差标准差σθ；

4、根据所述风速预报值uref和风速误差标准差σu构造风速误差状态集合，根据所述风向预报值θref和风向误差标准差σθ构造风向误差状态集合，将所述风速误差状态集合与所述风向误差状态集合进行组合，形成n组入流边界条件集合ξj=(uj, θj)，j=1,2,…,n；

5、基于误差分布计算各组入流边界条件的情景权重wj，使得接近wrf中心预报的情景权重高于偏离中心预报的情景权重；

6、分别以每组入流边界条件ξj驱动城市低空cfd仿真，输出各情景下目标区域各空间位置x处的微气象场yj(x)；

7、对各空间位置x处的集合结果进行加权统计，输出风速和/或湍动能的均值μy(x)、方差σy2(x)以及超过预设风险阈值ylim的超阈值概率prisk(x)。

8、进一步的，所述风速误差状态集合和风向误差状态集合采用三状态组合方式构造：风速误差状态为{uref-σu, uref, uref+σu}，风向误差状态为{θref-σθ, θref, θref+σθ}，组合形成九组入流边界条件。

9、进一步的，所述情景权重wj按照以下公式计算：

10、wj=exp[-0.5((uj-uref)2/σu2+ang(θj-θref)2/σθ2)]/σjexp[-0.5((uj-uref)2/σu2+ ang(θj-θref)2/σθ2)]；

11、其中ang(·)为风向角度差函数。

12、进一步的，所述微气象场yj(x)包括风速场、风向场和湍动能场中的至少一种；所述超阈值概率prisk(x)按照以下公式计算：

13、prisk(x) = σj wj · i(yj(x) > ylim)；

14、其中i(·)为示性函数，当括号内条件成立时取值为1，否则取值为0。

15、进一步的，还包括代理模型加速步骤：预先构建代理模型，以入流边界条件为输入、以目标区域微气象场为输出进行训练；实时运行时，以所述代理模型预测部分或全部情景的微气象场，并设置误差校验阈值，当代理模型预测误差超过所述阈值时回退至完整cfd求解。

16、进一步的，所述代理模型为高斯过程回归模型或卷积神经网络模型；所述代理模型以边界风速、边界风向和建筑物特征为输入，以关键区域风速场和湍动能场为输出；所述误差校验阈值为平均相对误差阈值。

17、进一步的，所述风速误差标准差σu和风向误差标准差σθ按季节、风向扇区、地形类别或资料来源进行分组统计并动态更新；不同地形类别下的误差参数独立取值，其中建筑密集区σu取1.5~2.5 m/s、σθ取15~25°，开阔水面附近σu取1.2~2.0 m/s、σθ取10~20°，地形起伏区域σu取2.0~3.0 m/s、σθ取20~30°。

18、进一步的，所述n组入流边界条件通过拉丁超立方采样或五状态组合扩展方式构造，使边界条件集合覆盖误差分布空间；所述五状态组合方式中，风速误差状态为{uref-2σu, uref-σu, uref, uref+σu, uref+2σu}，风向误差状态为{θref-2σθ, θref-σθ, θref,θref+σθ, θref+2σθ}。

19、进一步的，还包括航路概率风险图生成步骤：针对预设低空航路，沿航路选取多个横截面和高度层，将各情景cfd结果映射至航路坐标系中，对每个截面统计风速分位数、湍动能分位数和超过机型阈值的超阈值概率，生成航路概率风险图；当某一高度层某截面的超阈值概率超过预设告警阈值时，将该高度层标记为限制通行。

20、进一步的，还包括滚动更新步骤：以预设时间间隔重复执行wrf预报值获取、边界条件集合构造、cfd集合仿真或代理模型预测、以及概率统计结果生成步骤，形成时间连续的微气象概率预报序列；当相邻时间步的预报结果变化量超过预设变化阈值时，触发加密计算或预警提示。

21、本发明的有益效果在于：

22、本发明将wrf预报误差合理构造为概率加权的入流边界条件集合，经cfd或代理模型传播后输出城市低空风速与湍动能的均值、方差及超阈值概率，使微气象预报从单一确定性数值提升为具有置信区间的概率预报，为无人机起降决策和航路适飞性评估提供可直接使用的风险量化依据；通过基于误差分布的情景权重公式赋予集合统计明确的概率解释基础，避免等权处理的统计缺陷；同时引入代理模型预测与误差回退机制，在保持cfd精度的前提下显著降低多情景集合仿真的计算成本（典型场景下从45分钟压缩至约8分钟），兼顾了预报质量与实时性需求，能够有效支撑城市低空无人机运营场景中高频次、高可靠性的微气象风险预警服务。