本发明属于气象预测,具体涉及一种基于低频天气图的降水概率预测方法。
背景技术:
1、在气象部门,预报时效为10-30天的预报称为延伸期预报,其时间尺度处于0-10天中短期天气预报和月尺度以上短期气候预测之间,是构建天气精细化无缝隙预测体系中至关重要的一环,但也是薄弱环节。
2、由于大气的混沌特性,次季节预测缺乏可预测性,因此在次季节时间尺度上的预测信号非常有限。尽管次季节预报的时间尺度超过了每日天气预报的理论上限,但大气运动仍具有可预报性,大气运动的可预测性与时空尺度有关。气象学家对次季节尺度的大气运动进行了各种尝试和研究,madden julian振荡(mjo)是次季节时间尺度上预测技巧的最重要来源,有研究人员使用mjo的时空信息作为预测因子,建立了次季节时间上南方春季降水预测的经验模型。为了加快次季节至季节预报的研究进展,填补天气尺度预报和短期气候预报之间的时间尺度缝隙,世界天气研究计划(wwrp)和世界气候研究计划(wcrp)联合发起了一个为期5年的研究计划,称为“季节性到季节性(s2s)预测”研究项目,以提高次季节尺度的预测能力,并提高对季节至次季节可预测性来源的理解。
3、在可预报性的研究基础上,针对如何进行尺度分离,有研究人员开发了一套方法,在不使用带通滤波器的情况下从大气中提取10-60天的低频信号,开发的stpm在华南地区的亚季节降水预测中表现出良好的性能。有研究人员通过提取次季节时间尺度的可预测分量,参考条件非线性最优扰动(cnop)相关算法,开发了一种用于提取数值模型中可预测成分的实用方法和预测技术。
4、由于天气和气候系统是典型的非线性系统,气象数据的海量性和复杂性使其难以准确预测。人工智能技术在海量数据中有效学习和捕获特征的能力已在各个领域得到广泛应用。因此,近几年深度学习技术被广泛应用于气象行业,成为研究的热点。从气旋到锋面到enso,机器学习在气象预测中的能力得以显现。
技术实现思路
1、针对当前中长期降水预测产品单一、准确率低且缺乏不确定信息的问题,本发明提出了一种基于低频天气图的降水概率预测方法,利用多种气象预报环流场的低频特征,结合深度学习,将作为回归问题的传统降水预测转换为降水类型的分类问题,从而提升中长期时效降水预测的可预报性与准确率,同时所提供的不确定性描述能够为用户提供更全面的信息作为行为决策的依据。
2、为实现上述目的,本发明提供了如下方案:
3、一种基于低频天气图的降水概率预测方法,包括以下步骤:
4、收集数值模式的10-30天多层次的多种气象环流的逐日预报结果以及和预报时效相对应的历史降水实况数据;
5、对数值模式的气象预报环流数据进行滤波,得到未来10-30天气象要素的低频环流预报场;
6、基于所述历史降水实况数据,按照气象标准划分的降水类型,将逐日降水量转换为降水类型的独热编码,分为无雨、小雨、中雨、大雨及暴雨;
7、将所述低频预报场和降水类型的独热码按时间配对对齐,作为数据集;
8、利用卷积神经网络,构建10-30天气象降水类型的概率预测模型;
9、利用所述数据集对所述10-30天气象降水类型的概率预测模型进行训练;
10、利用通过训练的所述10-30天气象降水类型的概率预测模型,完成基于气象数值模式的环流预报的未来10-30天的降水类型概率预测。
11、优选的,对所述10-30天气象数值预报的环流数据进行滤波的方法为:
12、利用滑动平均,从逐日资料中去除大于90天的季节分量,再去除10天以内的高频天气尺度分量,从而保留季节内变化分量。
13、优选的,对所述10-30天气象环流预报数据进行滤波的具体过程为:
14、去除缓慢变化的气候年周期及10天以内的高频周期;
15、将季节内分量保留在10到60天之间;
16、滤波后将各个要素进行归一化。
17、优选的,所述去除缓慢变化的气候年周期的方法为:通过从原始数据中减去气候学90天低通滤波分量来实现;
18、
19、其中,异常场x'为去除了季节以上周期尺度气象分量,包括天气尺度变化的高频分量,以及季节内周期尺度的低频分量;x为原始数据;x为气候学90天低通滤波分量。
20、优选的,所述将季节内成分保留在10到60天之间的方法为:
21、通过减去最后30天的滑动平均值,去除所有低频信号,得到残差;
22、所述残差表达式为:为最后30天的滑动平均值,x”为残差;
23、对所述残差进行向前的5天滑动平均,去除天气尺度分量,表达式为:为向前的5天滑动平均;
24、最终得到10-60天滤波分量。
25、优选的,所述滤波后将各个要素进行归一化的方法为最大最小法,其公式如下:
26、
27、其中,表示xj所在列的最小值,表示xj所在列的最大值,xi,j表示原始数据,表示通过最大值最小值归一化得到的结果。
28、优选的,利用所述数据集对所述10-30天气象降水概率预测模型进行训练的方法为:
29、将所述低频环流的预报场作为所述10-30天气象降水概率预测模型输入量,输出层输出雨型;
30、采用softmax激活函数计算所述10-30天气象降水概率预测模型输出与降水类型真值的关系,求得损失函数;
31、通过反向梯度传播的方法不断训练所述10-30天气象降水类型概率预测模型中的各个神经元参数,直至所述10-30天气象降水类型概率预测模型的精度达到最优,满足要求。
32、优选的,利用通过训练的所述10-30天气象降水概率预测模型,完成基于10-30天气象数值模式的环流预报的降水概率预测方法为:
33、将基于10-30天气象数值模式的环流预报结果进行滤波,得到气象要素低频预报场并输入通过训练的所述10-30天气象降水概率预测模型中,通过训练的所述10-30天气象降水概率预测模型进行正向计算输出得到各种降水类型的概率预测结果。
34、与现有技术相比,本发明的有益效果为:
35、本发明利用多种气象预报要素场的低频特征,结合深度学习,将传统降水预测作为回归问题转换为有限结果的降雨类型的分类问题,从而提升了中长期时效降水预测的可预报性与准确率,同时提供不确定性描述为用户提供更全面的信息作为行为决策依据。
1.一种基于低频天气图的降水概率预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于低频天气图的降水概率预测方法,其特征在于,对所述10-30天气象数值预报的环流数据进行滤波的方法为:
3.根据权利要求2所述的基于低频天气图的降水概率预测方法,其特征在于,对所述10-30天气象环流预报数据进行滤波的具体过程为:
4.根据权利要求3所述的基于低频天气图的降水概率预测方法,其特征在于,所述去除缓慢变化的气候年周期的方法为:通过从原始数据中减去气候学90天低通滤波分量来实现;
5.根据权利要求3所述的基于低频天气图的降水概率预测方法,其特征在于,所述将季节内成分保留在10到60天之间的方法为:
6.根据权利要求3所述的基于低频天气图的降水概率预测方法,其特征在于,所述滤波后将各个要素进行归一化的方法为最大最小法,其公式如下:
7.根据权利要求1所述的基于低频天气图的降水概率预测方法,其特征在于,利用所述数据集对所述10-30天气象降水概率预测模型进行训练的方法为:
8.根据权利要求1所述的基于低频天气图的降水概率预测方法,其特征在于,利用通过训练的所述10-30天气象降水概率预测模型,完成基于10-30天气象数值模式的环流预报的降水概率预测方法为: