【技術實現步驟摘要】
本專利技術涉及降水預報，具體是一種基于多模式優選集合的強降水短時預報方法。
技術介紹
1、短時強降水作為強對流天氣的一種，具有空間尺度小、局地性強、發展迅速、致災性高的特點。在短時強降水預報方法中，單模式難以體現強對流發展變化的不確定性，因而出現了單一值預報向集合概率預報的轉變。
2、現有的集合預報包括基于單模式確定性預報的窮人集合、基于實況檢驗訂正的多模式集成和基于多種物理框架和物理擾動的超級集合預報。基于單一模式的窮人集合可利用時間滯后法構建多個成員，再利用最優評分得到逐小時降水訂正預報。多模式集成預報常利用若干個模式降水預報構建集成預報：先應用分位數頻率匹配法，對多模式小時降水預報進行訂正；再基于檢驗評分結果,調整各模式動態權重，從而得到訂正的降水概率預報。超級集合預報集成了多種數值模式的集合預報，每種數值模式都通過物理擾動生成了幾十個預報成員，總預報成員數近百個。
3、以上方法在一定程度上可提高模式對強降水的預報水平，但仍存在幾個問題不能解決：
4、一是預報不確定性與運算時間的矛盾。強對流具有很強的不確定性，需要有大量的集合成員捕捉其可能的發展方向，因此出現了包含多種數值模式多種物理擾動的超級集合預報，但其同化、擾動、積分以及數據傳輸都會耗費大量的時間，難以滿足快速更新的短時預報的需求。窮人集合和簡單的多模式集成都是在確定性預報的基礎上開展釋用，對強對流發展變化的不確定性考慮不夠全面。窮人集合的物理框架較為單一；而簡單地多模式集成集合成員數在10個以下，數量較少，離散度不足，且對強對流
5、二是檢驗評分的區分度不足。強對流的預報難度大，基于傳統的點對點檢驗，常出現所有模式成員評分都很低，區分度不足而難以優選。
6、三是訓練期與實際預報過程中最優模式往往存在差異。現有的多模式集成多根據訓練期內各模式的評分賦予權重。一般情況下，訓練期評分最高的模式將被賦予最高的權重，但訓練期內的最優模式未必在實際預報過程中表現最好，有可能被訓練期排名中等偏上的模式趕超，而這些“中上模式”的影響不應該被弱化。
技術實現思路
1、本專利技術旨在一定程度上解決相關技術中存在的技術問題之一。
2、因此，本專利技術的目的在于提供一種基于多模式優選集合的強降水短時預報方法，縮短短時強降水的預報時間，提高預報的準確度。
3、為了達到上述的目的，本專利技術的基于多模式優選集合的強降水短時預報方法，包括步驟：
4、s100、采用廣義鄰居法建立包含多種數值模式的初始預報集合；
5、s200、利用空間鄰居模糊化方法對初始預報集合進行實時檢驗評估，從初始預報集合中篩選出部分效果較好成員，作為短時降水預報成員集合；
6、s300、基于短時降水預報成員集合，采用膨脹處理方法進行短時降水預報。
7、作為優選地，步驟s100所述的采用廣義鄰居法建立包含多種數值模式的初始預報集合，具體包括：
8、基于多種數值預報，將起報時間前一段時間，預報時間前、后各一段時間內的各預報模式的預報場都納入到初始預報集合中，將確定性預報轉化為逐小時的預報集合。
9、作為優選地，步驟s200所述的利用空間鄰居模糊化方法對初始預報集合進行實時檢驗評估，從初始預報集合中篩選出部分效果較好成員，作為短時降水預報成員集合，具體為：
10、設定標準雨強，根據實時觀測數據，按以下策略篩選出短時降水預報成員集合：
11、a、在降水量達到標準雨強的站點數不足閾值時，不進行篩選，初始預報集合即作為短時降水預報成員集合；
12、b、在降水量達到標準雨強的站點數達到閾值時，使用歷史觀測數據，對初始預報集合的各成員進行評分，并采用一致性評估方法篩選中其中評分較高的成員，形成優勢成員集合，該優勢成員集合作為短時降水預報成員集合。
13、作為優選地，策略b中對初始預報集合的成員進行評分時，采用基于空間鄰居模糊化的評分方法，具體包括：
14、以起報時間前兩小時各成員的預報為訓練場，對訓練場進行空間鄰居模糊化處理，取40公里半徑的空間鄰居，當空間鄰居中達到標準雨強的格點比例超過10％時，則鄰居內所有格點的預報檢驗降水值為1；
15、對起報時間前兩小時的觀測場進行空間鄰居模糊化處理，遍歷所有站點，若距其40公里范圍內的站點中有一個以上站點雨強達到標準雨強，則該站點的觀測檢驗降水值為1；
16、將預報檢驗降水值插值到站點上，計算初始預報集合各成員的ts評分，ts從高到低排名。
17、作為優選地，策略b中所述使用歷史觀測數據，對初始預報集合的各成員進行評分，并采用一致性評估方法篩選其中評分較高的成員，形成優勢成員集合，該優勢成員集合作為短時降水預報成員集合，包括：
18、以過去一年4-9月全部的初始預報集合為評估對象，其中起報時間前2小時為訓練場，1-6小時預報為試驗場，逐小時評估訓練場與試驗場的一致性，對初始預報集合的成員進行評分，統計試驗場中排名第一的成員在訓練場中排名的百分位分布情況，根據75百分位確定優勢成員的數目，從中篩選出優勢成員集合。
19、作為優選地，所述標準雨強設定為多級，在降水量達到最低級標準雨強的站點數不足閾值時，采用策略a篩選短時降水預報成員；
20、在降水量達到任意一級標準雨強的站點數達到10個，且達到更強一級標準雨強的站點數不足10個時，將該一級標準雨強作為發生強降水標準。
21、作為優選地，步驟s300所述基于短時降水預報成員集合，采用膨脹處理方法進行短時降水預報，具體包括：
22、對優勢成員集合的預報進行強降水膨脹處理：
23、對于每一個優勢成員，取邊長為detx的正方形為空間鄰居，當空間鄰居中達到特定閾值thre的格點比例達到規定值prob時，則空間鄰居中thre以上的格點保留原有數值，thre以下格點數值用thre代替；由此建立初始預報場；
24、其中，detx取5～10；prob為10～20％；thre分10mm,15mm,20mm三個等級；
25、綜合所有初始預報場，建立集合概率預報：
26、利用最優百分位方法，將集合預報轉化為確定性預報，最優百分位方法如下：
27、
28、對于任意格點[i,j]，k為降水量，單位毫米；fp為最優百分位，依據歷史預報評估來選取最優值；quntile是日期s和預報時效f的函數。
29、本專利技術提出的基于多模式優選集合的強降水短時預報方法及系統，縮短短時強降水的預報時間，解決了數值模式強降水評分偏低，難以優選的問題，實現了數值預報結果的優勝劣汰，提高了預報的準確度。
30、本專利技術利用基于廣義鄰居法的快速集合構建技術化解了短時強降水不確定性大和預報時間緊的矛盾；利用空間鄰居模糊化技術解決了因數值模式短時強降水預報評分低區分度不足、難以優選的本文檔來自技高網...
【技術保護點】
1.一種基于多模式優選集合的強降水短時預報方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于多模式優選集合的強降水短時預報方法，其特征在于，步驟S100所述的采用廣義鄰居法建立包含多種數值模式的初始預報集合，具體包括：
3.根據權利要求1所述的基于多模式優選集合的強降水短時預報方法，其特征在于，S200所述的利用空間鄰居模糊化方法對初始預報集合進行實時檢驗評估，從初始預報集合中篩選出部分效果較好成員，作為短時降水預報成員集合，具體為：
4.根據權利要求3所述的基于多模式優選集合的強降水短時預報方法，其特征在于，策略B中對初始預報集合的成員進行評分時，采用基于空間鄰居模糊化的評分方法，具體包括：
5.根據權利要求3所述的基于多模式優選集合的強降水短時預報方法，其特征在于，策略B中所述使用歷史觀測數據對初始預報集合的各成員進行評分，并采用一致性評估方法篩選其中評分較高的成員，形成優勢成員集合，該優勢成員集合作為短時降水預報成員集合，包括：
6.根據權利要求2-5任意一項所述的基于多模式優選集合的強降水短時預報方法，其
7.根據權利要求1所述的基于多模式優選集合的強降水短時預報方法，其特征在于，步驟S300所述的基于短時降水預報成員集合，采用膨脹處理方法進行短時降水預報，具體包括：
...【技術特征摘要】
1.一種基于多模式優選集合的強降水短時預報方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于多模式優選集合的強降水短時預報方法，其特征在于，步驟s100所述的采用廣義鄰居法建立包含多種數值模式的初始預報集合，具體包括：
3.根據權利要求1所述的基于多模式優選集合的強降水短時預報方法，其特征在于，s200所述的利用空間鄰居模糊化方法對初始預報集合進行實時檢驗評估，從初始預報集合中篩選出部分效果較好成員，作為短時降水預報成員集合，具體為：
4.根據權利要求3所述的基于多模式優選集合的強降水短時預報方法，其特征在于，策略b中對初始預報集合的成員進行評分時，采用基于空間鄰居模糊化的評分方法，具體包括...
【專利技術屬性】
技術研發人員：陶瑋，李靖怡，孫明馨，徐凡森，邱學興，
申請(專利權)人：安徽省氣象臺，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。