用于运载火箭公路运输的精细化气象要素预报预警方法与流程
本发明涉及天气预报,尤其涉及一种用于运载火箭公路运输的精细化气象要素预报预警方法。
背景技术:
1、随着航天发射市场扩展以及运载火箭种类的爆发式增长,运载火箭从原来的主要依靠铁路运输和海运,逐步越来越多地采用公路运输方式。公路运输有着成本低、效率高、机动性强、可选择性大的优点,但与铁路和海运相比更加容易受到气象因素以及因气象因素造成的次生灾害影响。运载火箭属于高价值、超大件物品,对运输环境要求极为苛刻,气象风险成为公路运输过程中的关键制约因素。因此,需要针对运载火箭公路运输规划路线,开展气温、降水量、风速、能见度、路面温度等重要气象要素的精细化预报,并对恶劣天气进行精准预警,以最大程度避免运输过程中的不利影响。
2、在智能网格预报方面,我国已初步建立国家级无缝隙智能网格预报业务体系,提供全国5公里分辨率0~30天的逐小时数字化网格预报产品,近地面分辨率提升至1公里。然而该网格是固定规则网格,与道路的实际几何线形脱节,而火箭运输路线在空间上就是动态变化的不规则几何线段集合,因此现有智能网格产品难以直接转化为逐公里路段的精确预报。
技术实现思路
1、本发明的目的在于提供一种用于运载火箭公路运输的精细化气象要素预报预警方法,以解决现有的预报产品不能直接适应运载火箭公路运输需求的问题。
2、为了实现上述目的,本发明提供了以下技术方案:
3、一种用于运载火箭公路运输的精细化气象要素预报预警方法,包括以下步骤:
4、s10,收集气象预报数据、气象实况数据和公路路网数据,并根据公路路网数据获得运载火箭运输路线中各目标点位的地理信息;
5、s20,基于所述气象预报数据、所述气象实况数据构造训练样本集,基于所述训练样本集训练预报订正模型;
6、s30,利用所述预报订正模型对运输路线上的目标点位进行气象预测,并对预测结果进行时间降尺度处理,得到运输路线的指定时间分辨率的气象要素预报结果;基于所述气象预报数据和目标点位的地理信息进行空间降尺度处理,得到运输路线的指定空间分辨率的气象要素预报结果;
7、s40,基于所述气象要素预报结果生成运输路线的预报预警产品。
8、作为举例,所述s30中,针对气温的空间降尺度处理,包括:首先选择智能网格要素预报产品中最邻近的智能网格点的气温预报数据作为目标点位的气温数据,然后根据地形高度对目标点位的气温数据进行修正,有,为修正后的目标点位气温值,为根据历史资料确定的气温随高度的变化率,为目标点位的地形高度,最邻近的智能网格点的地形高度。
9、作为举例,所述s30中,针对气温的时间降尺度处理,包括:将预报订正模型输出的多模式气温集成预报结果与cma-meso精细化逐时模式的日变化曲线进行比较;
10、若二者趋势一致,则利用气温集成预报逐3小时时刻气温与精细化逐时模式对应时刻气温、时段最高气温和最低气温计算比例关系系数,将3小时气温集成预报拆分成逐小时预报;
11、若二者趋势不一致,则采用前一日实况升降趋势逼近的方法将3小时气温集成预报拆分成逐小时预报。
12、与现有技术相比,本发明至少具有以下有益效果:
13、1、填补技术空白:本发明基于气象站实况、智能网格预报、多模式集成预报产品,制作形成运载火箭运输线路逐公里桩点、涵盖5种恶劣天气的未来72小时精细化逐小时气象要素预报产品,空间分辨率为1公里,时间分辨率为1小时。这种高精度与高分辨率的预报能力,显著提升了对运载火箭公路运输过程中极端天气事件的预警和应对能力。解决了如何将低分辨率(例如5km/3h)的智能网格要素预报产品运用到火箭运输车所需的1km/1h路段预报的问题,以及如何建立一套专门适用于火箭运输安全管控的、可量化的多要素综合风险预警等级的问题。
14、2、生成精细化预警产品:根据运载火箭公路运输过程中最重要的气象风险因子和地理因素,构建了科学的预警等级和预警产品,并针对不同气象要素采用不同的空间和时间降尺度方法,提高了风险预警的精细化程度,不仅提升了运载火箭公路运输过程中的气象风险预警能力,还为其他类似场景(如特殊货物运输、应急救援等)提供了可借鉴的技术方案。解决了如何消除复杂地形(如山区、风口、桥隧)对局地气象要素(如风、能见度)的非线性影响的问题。
15、3、采用本方法后,针对西南某复杂山区运输路段,未来24小时气温预报平均绝对误差(mae)从智能网格预报产品的2.1℃降低至0.8℃;风速预报误差降低35%;对能见度低于500m的雾天预警命中率达到92%,误报率降低至15%。相较于传统方法,高风险路段识别准确率提升了40%。
1.一种用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述s20中,根据设定距离间隔将运输路线划分为若干路段,针对每个路段,首先分别从所述气象预报数据、所述气象实况数据中,选取该路段在过去m天内、相同起报时次和相同预报时效的预报值构成预报序列和对应的实况值构成实况序列,构建成初始训练样本集;然后基于初始样本集进行模型训练,确定出最优序列长度n;最后选取该路段在过去n天内、相同起报时次和相同预报时效的预报序列和对应的实况序列,构建成训练样本集,n<m且均为正整数。
3.根据权利要求2所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述基于初始样本集进行模型训练,确定出最优序列长度n的处理,包括:从过去1日开始,逐日递增序列长度,分别基于不同序列长度下的训练样本进行模型训练,计算各序列长度下的训练误差和验证误差,选取损失指标最小值对应的序列长度作为所述最优序列长度n。
4.根据权利要求2所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,对于运输路线上的每个间隔点位的预报值与实况值的确定,实况值采用气象站或智能网格实况产品的实测值,预报值采用智能网格要素预报产品的预报值;
5.根据权利要求1所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述预报订正模型由多个人工智能算法模型融合集成。
6.根据权利要求5所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述预报订正模型通过以下方式训练得到:以构建的训练样本集分别输入xgboost、lightgbm和catboost三种模型进行训练,训练完成后,通过stacking集成策略将三种模型的输出进行加权融合。
7.基于权利要求1所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述s30中,针对气温的空间降尺度处理,包括:首先选择智能网格要素预报产品中最邻近目标点位的智能网格点的气温预报数据作为目标点位的气温数据,然后根据地形高度对目标点位的气温数据进行修正,有,为修正后的目标点位气温值,为根据历史资料确定的气温随高度的变化率,为目标点位的地形高度,最邻近的智能网格点的地形高度。
8.根据权利要求1所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述s30中,针对降水量的空间降尺度处理,包括:首先选择智能网格要素预报产品中最邻近目标点位的智能网格点的降水量,并结合降水量等级影响作为目标点位的基准降水量,,a、b、c为回归系数,x1、x2、x3分别表示不同等级的降水量;然后根据地形高度和坡向对目标点位的基准降水量进行修正,有,p为修正后的目标点位降水量,是为目标点位的基准降水量,表示地形高度对降水的;反映坡度对降水的影响,参数、、通过实际数据拟合来确定,h表示地形高度,表示坡向。
9.根据权利要求1所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述s30中,针对风速的时间降尺度处理,包括:
10.根据权利要求1所述的用于运载火箭公路运输的精细化气象要素预报预警方法,其特征在于,所述s30中,针对气温的时间降尺度处理,包括:将预报订正模型输出的多模式气温集成预报结果与cma-meso精细化逐时模式的日变化曲线进行比较;
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