技术领域:
本发明涉及一种测雨卫星雨量智能测量和预报方法,尤其涉及一种雾霾天气对应雨团的测雨卫星雨量智能测量和预报方法。
背景技术:
:
近些年来我国城市化发展越来越快,基础建设和经济发展迅速,可喜背后带来了一个很大的困扰性难题,雾霾越来越严重。而伴随雾霾的是降雨的污染和复杂性,使得之前的多年天气预报经验和数据库匹配不佳,无法精确和智能测量并进行预报。
经研究发现,关于雾霾和降雨的混合干扰,采用雨团的概念可以较好的处理,并在一定范围得到靠谱的结果。雨团是指生命期在2h以上,空间尺度数十至一百公里(属中γ尺度中高端至中β尺度中低端),1h降水量为10mm的等雨量线所包围的区域。其为孤立对流系统中的强降水风暴,是中尺度对流系统(mcs)的一个重要组成部分。雨团也是中国特别是南方主要的致洪系统,做好暴雨预报的当务之急是要深入研究雨团的生成、发展和演变机理。但是鉴于雨团的特殊性,其不易划定和监测,造成了很大的测量难度,同时也使得天气很难预报准确,尤其是预报周期越大难度越大。
技术实现要素:
:
本发明所要解决的技术问题是针对以上提及的现有技术存在的缺点,采用雨团阵列,使用测雨卫星对雾霾天气的雨量智能测量和预报方法。
本发明解决其技术问题所采取的技术方案是:一种基于雨团阵列的测雨卫星雨量智能测量和预报方法,具体测量和预报方法如下:
步骤一,建立雨团阵列。
步骤二,雨团阵列可利用性分析。
步骤三,累计降水量的点面评估。
步骤四,进行雨团阵列处理。
步骤五,与外在数据库匹配。
步骤六,智能测量和预报。
对于步骤一,具体地,在地面采集到若干个雨滴谱样本来构建z-r关系,可称为准同雨团样本采样;使卫星采集到的雨团样本与雨量计测量样本组合匹配,具有一定和内在的物理联系,通过终端大型计算机处理,此时相应组合匹配构成了雨团阵列。
对于步骤二,具体地,利用公式
优选地,第一误差范围为100,第二误差范围为1000。
对于步骤三,具体地,测雨卫星将各个关联监测站的数据通过无线信号发给终端大型计算机,在半径230km内0.5°ppi层用一个逐时更新的代表性关系的abs(ams)作降水点(1×1km2)估算,具体评估步骤如下:
s31:各离散雨量计小时测量为qgi,相应各站测量之和为qgs,对应各雨量站点的卫星小时测量为zbi,
s32:对zoh-qg数据实施质量控制,视需要执行单(一)级或双(一和二)级质量控制。
s33:根据卫星覆盖区每小时的abs和ams,判断如果出现卫星缺测或周期长,则对系列卫星数据采取内插算法。
s34:逐个象元(x,y)计算雷达估算的地面一小时累积降水量qrb(qrm),由此可得到详尽的分布图产品,具体公式如下:
s35:用逐时全区域全过程平均的e(s)和f(s)进行点面评估判,其中,m表示降水全过程的时数,n为全区域的降水站数,qri,t和qgi,t表示第i个雨量站在第t小时由雷达估算和雨量计实测的小时累积量,公式如下:
优选地,所述点面评估判可采用单级或双极质量控制。
对于步骤四,具体地,s41:接收步骤三中合格的雨团阵列数据,判断是否为强对流天气对应的雨团阵列,若是进行步骤s42,若不是,继续下一雨团阵列的判定。
s42:服务器接收强对流天气中闪电定位数据。
s43:服务器接收强对流天气中大气电场仪数据。
s44:服务器接收强对流天气中自动站气象要素实况数据。
具体的,所述自动站气象要素实况数据,包括测量气象要素数据,包括温度、湿度、风向风速、气压、能见度和降雨量。
s45:智能分析判断影响区域,根据所述上述s42~s44数据,利用特定的雨团阵列方法智能判断受此因素影响的区域。
s46:服务器接收强对流天气中卫星实况据基数据。
s47:利用卫星外推算法对接收到的卫星实况进行处理。
s48:对卫星外推数据进行区域、数据格点化。
具体的,所述区域、数据格点化处理对卫星外推数据进行分析,对线性插值或者非线性插值方法得出该区域的格点化数据。
对于步骤五,具体地,对上述接收到的数据进一步进行综合分析,判断、定位强对流天气区域;输入卫星同波强度参数x1;根据自动站历史数据、卫星历史资料进行回朔及数据回推,对卫星同波强度参数x1加权重w1,输出新基本数据,以此类推;输入季节时间参数x2、大气场强参数x3、闪电落点参数x4、风力参数x5、降水参数x6,并进行相应加权。
进一步地,根据加权后计算输出的所有新数据进行求和计算,根据公式r=x1*w1+x2*w2+x3*w3+x4*w4+x5*w5+x6*w6,得出强对流天气分析模型的综合参数r。
进一步地,根据强对流天气分析模型的综合参数r与预警阀值y对比。
对于步骤六,具体地,强对流天气预警信息推送发送请求根据模型分析结果与预警阀值y对比,若r≥y大,则发送预警请求,否则不发送预警。
本发明由于采取了上述技术方案,其具有如下有益效果:
本发明使用测雨卫星对雾霾天气的雨量智能测量和预报方法,很好地利用雨团阵列,克服了雾霾和降雨的混合干扰问题,在一定范围得到相对准确的结果,很好地填补了目前我国对雾霾与其他天气混杂造成的多样性和复杂性研究的空白,在雾霾没完全根治前对其他天气的研究也有很好的借鉴意义。
附图说明:
图1为本发明雨量智能测量和预报方法对应系统的结构示意图。
图2为本发明雨量智能测量和预报方法的流程图。
图3为在三种环境风场下雨团阵列的时空对应关系示意图。
图4为合格雨团阵列的处理流程示意图。
具体实施方式:
以下结合附图对本发明的内容作进一步说明。
如图2所示,一种基于雨团阵列的测雨卫星雨量智能测量和预报方法,具体测量和预报方法如下:
步骤一,建立雨团阵列。
具体地,被卫星所观测到的悬浮在大气中具有某一物理属性(反射率因子z)和运动特性(下落速度ω和水平速度v)的雨滴集合群体称为雨团样本,此处规定雨团样本水平尺度与卫星数据处理分辨率相同,在直角坐标下为0.1km。
在地面采集到若干个雨滴谱样本来构建z-r关系,可称为准同雨团样本采样;使卫星采集到的雨团样本与雨量计测量样本组合匹配,具有一定和内在的物理联系,通过终端大型计算机处理,此时相应组合匹配构成了雨团阵列。
准同物质雨团样本采样qsmvs(quasi-samematterrainvolumesampling)。卫星探测的雨团样本垂直下落或兼有平移运动后再被雨量计采样,图3(x坐标轴方向表示环境风场的合成风向)表示雨团样本srb、src、sra分别在三种环境风场下与雨量计采样sg的对应关系。即srb→sg,src→sg,sra→sg,此处符号→表示准同物质雨团样本对应。
步骤二,雨团阵列可利用性分析。
具体地,利用公式
若δqz在第一误差范围内,则数据可用,进行步骤三;若在第二误差范围内,则进行采样偏移,重复进行步骤二;若超出第二误差范围,则采样误差较大,拆除雨团阵列的组合,换另一个区域重新采样并重复进行步骤一和步骤二。
具体地,第一误差范围为100,第二误差范围为1000。
步骤三,累计降水量的点面评估。
测雨卫星将各个关联监测站的数据通过无线信号发给终端大型计算机,在半径230km内0.5°ppi层用一个逐时更新的代表性关系的abs(ams)作降水点(1×1km2)估算,具体评估步骤如下:
s31:各离散雨量计小时测量为qgi,相应各站测量之和为qgs,对应各雨量站点的卫星小时测量为zbi,
s32:对zoh-qg数据实施质量控制,视需要执行单(一)级或双(一和二)级质量控制。
s33:根据卫星覆盖区每小时的abs和ams,判断如果出现卫星缺测或周期长,则对系列卫星数据采取内插算法。
s34:逐个象元(x,y)计算雷达估算的地面一小时累积降水量qrb(qrm),由此可得到详尽的分布图产品,具体公式如下:
s35:用逐时全区域全过程平均的e(s)和f(s)进行点面评估判,其中,m表示降水全过程的时数,n为全区域的降水站数,qri,t和qgi,t表示第i个雨量站在第t小时由雷达估算和雨量计实测的小时累积量,公式如下:
具体的,所述点面评估判可采用单级或双极质量控制。
参见下表1,在单级质量控制下,个例1中abs和ams的f(p)均为0.20,而个例2则约为0.27。但若用双级质量控制,那么不论个例1或个例2的abs(ams),f(p)可以降低4-6%,使f(p)的平均值约为0.20。因此本发明采用双级质量控制来降低点评估的f(p)。
表1
步骤四,进行雨团阵列处理。
具体处理步骤如下:
s41:接收步骤三中合格的雨团阵列数据,判断是否为强对流天气对应的雨团阵列,若是进行步骤s42,若不是,继续下一雨团阵列的判定。
s42:服务器接收强对流天气中闪电定位数据。
具体的,所述闪电定位数据包括云地闪和云闪数据,所述云地闪分为正闪、负闪,所述云闪分为云内、云气和云云数据,并由此判断闪电落区。
s43:服务器接收强对流天气中大气电场仪数据。
具体的,所述大气电场仪用来测量大气电场及其变化,利用导体在电场中产生感应电荷的原理来测量电场强度。
s44:服务器接收强对流天气中自动站气象要素实况数据。
具体的,所述自动站气象要素实况数据,包括测量气象要素数据,包括温度、湿度、风向风速、气压、能见度和降雨量。
s45:智能分析判断影响区域,根据所述上述s42~s44数据,利用特定的雨团阵列方法智能判断受此因素影响的区域。
s46:服务器接收强对流天气中卫星实况据基数据。
s47:利用卫星外推算法对接收到的卫星实况进行处理。
进一步的,定量降雨估计是透过关系式z=arb求得;所述关系式中参数z为卫星发射率,参数r为降雨率,参数a是自动雨量器数据,b海拔2公里等高卫星反射率,以线性回归法实时校正;
进一步的,所述定量降雨估计,在降雨刚开始或雨量器数据不足的情况下,a、b参数采用合符本地气候的默认值;
进一步的,所述卫星回波追踪在现时业务系统采用多尺度光流变分法,以捕捉雨区的多尺度运动;所述多尺度光流变分法具体来说,第一层级的分析尺度最大,取整4/13个计算域的宽度(即半径256公里的卫星扫描范围),第二层则定为计算域的五分之一宽度,而从第三层级开始,每层的分辨率设为上一层级的双倍,直至最终的第七层级。而由于每层级的光流分析,皆由上一层级的光流场提供初估值,所以在最终层级的分析之中,特别是在没有卫星回波的区域上,自动承继了所有较大尺度的运动矢量。透过这个多尺度的分析程序,雨带在每个设定分辨率或尺度下的运动矢量得以成功捕捉得到,而其整体的群速和个别回波的相位速度亦因而能够在最终的分析场中反映出来。
s48:对卫星外推数据进行区域、数据格点化。
具体的,所述区域、数据格点化处理对卫星外推数据进行分析,对线性插值或者非线性插值方法得出该区域的格点化数据;
进一步的,所述线性插值方法适用于不受外界特定障碍物影响的区域,如高楼阻挡,得出较准确的格点化数据,否则,根据该区域障碍物影响大小动态调整非线性插值的参数;
步骤五,与外在数据库匹配。
具体匹配步骤如下:
s51:对上述接收到的数据进一步进行综合分析,判断、定位强对流天气区域。
具体的,根据定位区域后的基本数据,利用基于机器学习的回归分析方法对自动站历史数据、卫星历史资料进行回朔及数据回推,对定点区域气象灾害预警阀值进行推演识别和设置,并根据预警阀值的动态计算与智能调整。
s52:输入卫星同波强度参数x1。
具体的,所述卫星回波强度dbz值根据卫星基数据分析得出,并根据卫星回波的强度及移动趋势,对该区域的影响设定相应的参数值x1。
s53:根据自动站历史数据、卫星历史资料进行回朔及数据回推,对卫星同波强度参数x1加权重w1,输出新基本数据,以此类推。
s54:输入季节时间参数x2,对季节时间参数x2加权重w2。
s55:输入大气场强参数x3,对大气场强x3参数加权重w3。
s56:输入闪电落点参数x4,对闪电落点参数x4加权重w4。
s57:输入风力参数x5,对风力参数x5加权重w5。
s58:输入降水参数x6,对降水参数x6加权重w6。
s59:根据加权后计算输出的所有新数据进行求和计算,根据公式r=x1*w1+x2*w2+x3*w3+x4*w4+x5*w5+x6*w6,得出强对流天气分析模型的综合参数r。
s123,根据强对流天气分析模型的综合参数r与预警阀值y对比。
步骤六,智能测量和预报。
具体的,强对流天气预警信息推送发送请求根据模型分析结果与预警阀值y对比,若r≥y大,则发送预警请求,否则不发送预警。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。