【技術實現步驟摘要】
本申請涉及數據處理，具體而言，涉及一種考慮對流復雜環境特征的地面風速測算的訂正方法及裝置。
技術介紹
1、目前，對地面風速測算數據的訂正通常基于地形地貌、氣象觀測等利用誤差統計分析方法或人工智能模型得到，例如：結合高分辨率地形高程數據和地貌數據，利用地形地貌對風速影響的經驗關系，構造出目標點位或局地高分辨率風速初步修正結果，進一步基于目標點位的風速歷史觀測，利用統計分析方法計算目標點位的風速測算誤差，并結合風速初步修正結果，得到最終的風速訂正結果；或者，利用高分辨率地形地貌數據、氣象預報數據、歷史觀測數據訓練人工智能模型，得到地面風速測算的訂正模型，用于訂正風速測算。上述風速測算訂正模型通常不考慮不同天氣背景下的不同天氣過程和氣象特征，在具體的實踐過程中發現，這些風速測算訂正模型雖然可以降低風速測算的總體誤差水平，但在大風過程條件尤其是對流性大風過程條件下的風速訂正效果表現欠佳。因此，需要構建一種考慮對流復雜環境特征的地面風速測算的訂正方法。
技術實現思路
1、本申請實施例的目的在于提供一種考慮對流復雜環境特征的地面風速測算的訂正方法，用于改善當前站點風速測算經過訂正后誤差仍然偏大的問題。
2、本申請提供了一種考慮對流復雜環境特征的地面風速測算訂正方法，其包括：
3、獲取目標站點的包括氣象預報、氣象觀測、預警信息、致災事件的原始歷史數據；
4、對上述獲取的目標站點的原始歷史數據進行預處理，生成標準化歷史數據；根據包括風速、持續時間、對流參數的閾值
5、基于標準化歷史數據，根據不同大風過程類別，訓練并調試lstm、xgboost、stacking模型，生成風速測算分類訂正模型；
6、對于實時風速測算，結合包括風速、持續時間、對流參數的閾值，判斷大風過程類別，并據此在風速測算分類訂正模型中自動匹配合適的風速測算訂正模型對風速測算結果進行訂正。
7、具體地，普通個例的風速測算訂正模型a的生成具體為：
8、
9、冷空氣系統性大風個例的風速測算訂正模型b的生成具體為：
10、
11、對流性大風個例的風速測算訂正模型c的生成具體為：
12、
13、其中，xa、xb分別為分別以普通個例的和冷空氣系統性大風個例的包括常規氣象要素預報的標準化歷史數據、風速的氣象觀測標準化歷史數據、風速測算誤差標準化歷史數據構建的特征張量，xc為以對流性大風個例的包括常規氣象要素預報的標準化歷史數據、對流參數預報的標準化歷史數據、風速的氣象觀測標準化歷史數據、風速測算誤差標準化歷史數據構建的特征張量，y為以目標預報批次的風速測算誤差標準化歷史數據構建的標簽張量，t為風速測算誤差閾值，ypredict為風速測算誤差預測值，wsorig為風速測算標準化數據，wscorr為風速測算標準化數據訂正值，y′predict為經過閾值控制后的風速測算誤差預測值。
14、具體地，stacking模型的具體流程包括：
15、基于風速測算標準化歷史數據、風速觀測標準化歷史數據，計算風速測算誤差標準化歷史數據；
16、利用包括風速、氣溫、濕度、氣壓等常規氣象要素的氣象預報標準化歷史數據以及風速的氣象觀測標準化歷史數據構建特征張量，利用風速誤差標準化歷史數據構建標簽張量；將特征張量、標簽張量劃分為訓練集和測試集；
17、將所述訓練集和測試集輸入人工智能模型進行訓練并調整模型參數，得到多個風速測算誤差預測模型作為stacking一級學習器；
18、將所述多個風速測算誤差預測模型的輸出作為新的特征輸入二級學習器，訓練stacking二級學習器并調整參數；
19、基于所述stacking一級學習器和stacking二級學習器構成風速測算誤差預測模型。
20、具體地，利用氣象預報標準化歷史數據以及風速的氣象觀測標準化歷史數據構建特征張量，包括：
21、基于風速測算標準化歷史數據、風速觀測標準化歷史數據，計算風速測算誤差標準化歷史數據；
22、基于過去若干天相同預報批次的所述風速測算標準化歷史數據、風速觀測標準化歷史數據、風速測算誤差標準化歷史數據，構建特征xdi；其中xdi的維度為r×c，行r表示不同的預報時間步長，列c表示不同的氣象要素；
23、基于所述特征xdi，將過去若干天的特征進行拼接，構成維度為r×(nc)的特征xdn，其中n表示過去的天數；基于所述xdn，利用縮放方法得到機器學習模型的輸入特征；標簽特征為當前批次風速歷史預報的誤差；
24、調整所述天數n，進行敏感性實驗獲得n的最優值，并由此構建機器學習模型的輸入特征x和標簽特征y。
25、具體地，生成風速測算訂正模型，包括：
26、利用所述風速測算誤差預測模型，計算風速測算誤差預測值；
27、利用所述風速測算誤差預測值和風速測算標準化歷史數據，計算得到風速測算標準化歷史數據初步訂正值；
28、基于風速觀測標準化歷史數據檢驗風速測算標準化歷史數據初步訂正值，并根據檢驗結果設置風速測算誤差閾值，重復這一過程以獲得風速測算誤差最佳閾值，以控制風速測算誤差預測值的范圍；
29、基于所述風速測算誤差預測模型和風速測算誤差最佳閾值，構成風速測算訂正模型。
30、具體地，基于包括氣象觀測、預警信息、致災事件的標準化歷史數據判斷大風過程類別，包括：
31、基于包括預警信息、致災事件的標準化歷史數據，結合國家標準、行業標準，確立包括風速、大風持續時間、對流參數的閾值；
32、基于氣象觀測標準化歷史數據，結合包括風速、大風持續時間、對流參數的閾值，判斷大風過程類別。
33、具體地，所述判斷大風過程類別，包括：
34、基于氣象觀測標準化歷史數據，結合包括風速、大風持續時間的閾值，判定普通個例和大風個例；
35、基于所述氣象預報標準化歷史數據，在大風個例內利用對流參數，應用pearson相關性分析得到高相關對流參數，基于所述高相關對流參數進一步利用k-means聚類方法篩選出冷空氣系統性大風個例和對流性大風個例。
36、具體地，基于所述高相關對流參數利用k-means聚類方法篩選出冷空氣系統性大風個例和對流性大風個例，包括：
37、對包括高相關對流參數、氣象要素歷史數據的資料進行整理，并形成滿足k-means輸入格式的訓練數據集；
38、基于所述滿足k-means輸入格式的訓練數據集對k-means模型進行訓練，通過敏感性實驗確定中心個數并作為個例種類的個數；
39、基于所述敏感性實驗的結果，篩選出冷空氣系統性大風個例和對流性大風個例。
40、具體地，對于實時風速測算，結合包括風速、持續本文檔來自技高網...
【技術保護點】
1.一種考慮對流復雜環境特征的地面風速測算訂正方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于：
3.根據權利要求1所述的方法，其特征在于，Stacking模型的具體流程包括：
4.根據權利要求3所述的方法，其特征在于，利用氣象預報標準化歷史數據以及風速的氣象觀測標準化歷史數據構建特征張量，包括：
5.根據權利要求2所述的方法，其特征在于，生成風速測算訂正模型，包括：
6.根據權利要求1所述的方法，其特征在于，基于包括氣象觀測、預警信息、致災事件的標準化歷史數據判斷大風過程類別，包括：
7.根據權利要求6所述的方法，其特征在于，所述判斷大風過程類別，包括：
8.根據權利要求7所述的方法，其特征在于，基于所述高相關對流參數利用k-means聚類方法篩選出冷空氣系統性大風個例和對流性大風個例，包括：
9.根據權利要求1所述的方法，其特征在于，對于實時風速測算，結合包括風速、持續時間、對流參數的閾值判斷大風過程類別，并據此在風速測算分類訂正模型中自動匹配合適的風速測算訂正模
10.一種考慮對流復雜環境特征的地面風速訂正裝置，其特征在于，包括：
...【技術特征摘要】
1.一種考慮對流復雜環境特征的地面風速測算訂正方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于：
3.根據權利要求1所述的方法，其特征在于，stacking模型的具體流程包括：
4.根據權利要求3所述的方法，其特征在于，利用氣象預報標準化歷史數據以及風速的氣象觀測標準化歷史數據構建特征張量，包括：
5.根據權利要求2所述的方法，其特征在于，生成風速測算訂正模型，包括：
6.根據權利要求1所述的方法，其特征在于，基于包括氣象觀測、預警信息、致災事件的標準化歷史數據判斷大...
【專利技術屬性】
技術研發人員：王曉峰，周榮衛，何曉鳳，
申請(專利權)人：華風氣象傳媒集團有限責任公司，
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。