本發(fā)明涉及一種預(yù)報(bào)方法，尤其涉及一種基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法。
背景技術(shù)：
1、極端雨強(qiáng)具有局地性、突發(fā)性、致災(zāi)性強(qiáng)的特點(diǎn)，其成因十分復(fù)雜，涉及多尺度因子(天氣尺度系統(tǒng)、中小尺度對(duì)流系統(tǒng)、地形作用等)的影響。全球氣候變暖背景下，極端雨強(qiáng)事件頻發(fā)，災(zāi)害影響日益嚴(yán)重。
2、目前，數(shù)值天氣預(yù)報(bào)模式(簡(jiǎn)稱數(shù)值模式)是開展降水預(yù)報(bào)業(yè)務(wù)的主要手段。然而，由于數(shù)值模式在初始場(chǎng)、物理過程、動(dòng)力框架等方面存在的諸多限制，導(dǎo)致其對(duì)于強(qiáng)降水預(yù)報(bào)，尤其是極端雨強(qiáng)預(yù)報(bào)方面表現(xiàn)出明顯不足，具體表現(xiàn)為對(duì)極端雨強(qiáng)中心極值的顯著低估，以及對(duì)極端雨強(qiáng)落區(qū)預(yù)報(bào)的嚴(yán)重偏差，特別是對(duì)超過24小時(shí)的極端雨強(qiáng)，幾乎沒有預(yù)報(bào)技巧。
3、再者，傳統(tǒng)的偏差訂正方法，如“頻率匹配”法，是通過將數(shù)值模式降水預(yù)報(bào)的頻率訂正為觀測(cè)降水頻率以此來消除數(shù)值模式降水預(yù)報(bào)的系統(tǒng)性偏差。其缺陷在于僅能改正中小量級(jí)降水的預(yù)報(bào)偏差，而無(wú)法訂正強(qiáng)降水特別是極端降水的預(yù)報(bào)偏差。此外，盡管近年來興起的人工智能技術(shù)在數(shù)值模式降水預(yù)報(bào)的非線性偏差訂正方面有所進(jìn)展，但對(duì)于小樣本事件(如極端降水)的學(xué)習(xí)效果仍不佳。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述技術(shù)所存在的不足之處，本發(fā)明提供了一種基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法。
2、為了解決以上技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，包括有以下步驟：
3、步驟1、準(zhǔn)備用于極端雨強(qiáng)智能預(yù)報(bào)模型訓(xùn)練的數(shù)值模式預(yù)報(bào)數(shù)據(jù)，數(shù)據(jù)涵蓋地面要素和高空要素；
4、步驟2、準(zhǔn)備用于極端雨強(qiáng)智能預(yù)報(bào)模型訓(xùn)練的降水觀測(cè)數(shù)據(jù)，降水觀測(cè)數(shù)據(jù)為逐小時(shí)網(wǎng)格觀測(cè)數(shù)據(jù)；
5、步驟3、基于步驟1收集的數(shù)值模式預(yù)報(bào)數(shù)據(jù)，計(jì)算基于數(shù)值模式的物理診斷量；
6、步驟4、基于數(shù)值模式的直接輸出量和步驟3計(jì)算的物理診斷量，構(gòu)建極端雨強(qiáng)智能預(yù)報(bào)模型的預(yù)報(bào)因子，獲得預(yù)報(bào)因子數(shù)據(jù)集；
7、步驟5、對(duì)預(yù)報(bào)因子進(jìn)行敏感性分析并進(jìn)行初步篩選，選擇高敏感性物理量作為極端雨強(qiáng)智能預(yù)報(bào)模型的預(yù)報(bào)因子；
8、步驟6、對(duì)極端雨強(qiáng)智能預(yù)報(bào)模型的預(yù)報(bào)因子進(jìn)行降維處理，以優(yōu)化篩選；
9、步驟7、對(duì)降水觀測(cè)數(shù)據(jù)構(gòu)建時(shí)空鄰域的模糊匹配觀測(cè)標(biāo)簽；
10、步驟8、構(gòu)建最佳極端雨強(qiáng)平衡樣本訓(xùn)練集；
11、步驟9、對(duì)最佳極端雨強(qiáng)平衡樣本訓(xùn)練集進(jìn)行數(shù)據(jù)清洗和標(biāo)準(zhǔn)化預(yù)處理；
12、步驟10、構(gòu)建極端雨強(qiáng)智能預(yù)報(bào)模型并優(yōu)化關(guān)鍵參數(shù)，以獲得最優(yōu)極端雨強(qiáng)智能預(yù)報(bào)模型；
13、步驟11、應(yīng)用最優(yōu)極端雨強(qiáng)智能預(yù)報(bào)模型進(jìn)行預(yù)報(bào)，輸出0-72小時(shí)逐3小時(shí)的極端雨強(qiáng)的潛勢(shì)預(yù)報(bào)，并進(jìn)行預(yù)報(bào)效果評(píng)估。
14、作為優(yōu)選地，步驟1中，所準(zhǔn)備數(shù)值模式預(yù)報(bào)數(shù)據(jù)為數(shù)值模式近5年0-72小時(shí)預(yù)報(bào)時(shí)效的輸出變量，涵蓋地面要素?cái)?shù)據(jù)和高空要素?cái)?shù)據(jù)，包括總降水量、對(duì)流性降水量、大尺度降水量、海平面氣壓、地表氣壓、地面2m氣溫、地面2m露點(diǎn)、大氣溫度場(chǎng)、位勢(shì)高度場(chǎng)、三維風(fēng)場(chǎng)；數(shù)據(jù)的空間分辨率為0.125°，時(shí)間分辨率為逐3小時(shí)。
15、作為優(yōu)選地，步驟2中，降水觀測(cè)數(shù)據(jù)為逐小時(shí)網(wǎng)格觀測(cè)數(shù)據(jù)，空間分辨率為1km，時(shí)間分辨率為1小時(shí)。
16、作為優(yōu)選地，步驟3中，所計(jì)算的物理診斷量為各氣壓層的渦度、散度、水汽通量散度、假相當(dāng)位溫，以及描述大氣層結(jié)穩(wěn)定狀況的k指數(shù)、a指數(shù)。
17、作為優(yōu)選地，步驟4中，預(yù)報(bào)因子數(shù)據(jù)集的構(gòu)建過程為：
18、基于步驟1中收集的數(shù)值模式各預(yù)報(bào)時(shí)效直接輸出氣象要素，以及步驟3中計(jì)算得到的物理診斷量的計(jì)算結(jié)果，構(gòu)建各預(yù)報(bào)時(shí)效的極端雨強(qiáng)智能預(yù)報(bào)模型的預(yù)報(bào)因子數(shù)據(jù)集，各預(yù)報(bào)時(shí)效為3小時(shí)、6小時(shí)、9小時(shí)、...、72小時(shí)。
19、作為優(yōu)選地，步驟5中，預(yù)報(bào)因子敏感性分析與初步篩選過程為：
20、基于步驟2收集的逐小時(shí)降水網(wǎng)格觀測(cè)數(shù)據(jù)，和步驟3收集的數(shù)值模式物理量零場(chǎng)預(yù)報(bào)數(shù)據(jù)，逐格點(diǎn)計(jì)算極端雨強(qiáng)與非極端雨強(qiáng)事件發(fā)生時(shí)對(duì)應(yīng)的物理量的概率密度分布；將均值差異超過一倍標(biāo)準(zhǔn)差的物理量作為極端雨強(qiáng)智能預(yù)報(bào)模型的預(yù)報(bào)因子。
21、作為優(yōu)選地，步驟6中，預(yù)報(bào)因子的降維處理通過主成分分析創(chuàng)建一組不相關(guān)的預(yù)測(cè)因子，通過試驗(yàn)保留不同的主成分個(gè)數(shù)時(shí)對(duì)模型評(píng)分的影響，來選定最終保留的主成分?jǐn)?shù)。
22、作為優(yōu)選地，步驟7中，降水觀測(cè)數(shù)據(jù)的時(shí)空鄰域模糊匹配方法為：
23、首先，基于逐小時(shí)降水網(wǎng)格觀測(cè)數(shù)據(jù)，構(gòu)建逐小時(shí)極端雨強(qiáng)的一級(jí)原始觀測(cè)標(biāo)簽，即逐小時(shí)逐格點(diǎn)判斷是否有>50毫米/小時(shí)的觀測(cè)降水出現(xiàn)，如果有，則在該小時(shí)該格點(diǎn)上將原始觀測(cè)標(biāo)簽記為1，如果無(wú)，則即記為0；
24、然后，構(gòu)建極端雨強(qiáng)的二級(jí)觀測(cè)標(biāo)簽，即在滿足一級(jí)原始觀測(cè)標(biāo)簽為1的條件下，根據(jù)數(shù)值模式的預(yù)報(bào)時(shí)效，判斷各時(shí)效覆蓋的3小時(shí)內(nèi)是否出現(xiàn)>50毫米/小時(shí)觀測(cè)降水，如果有，則將二級(jí)觀測(cè)標(biāo)簽記為1，如果無(wú)，則即記為0；
25、最后，構(gòu)建極端雨強(qiáng)的三級(jí)觀測(cè)標(biāo)簽，即在滿足二級(jí)標(biāo)簽為1的條件下，判斷各時(shí)效覆蓋的3小時(shí)內(nèi)目標(biāo)格點(diǎn)及周圍0.25°范圍內(nèi)，是否出現(xiàn)>50毫米/小時(shí)觀測(cè)降水，如果有，則將三級(jí)觀測(cè)標(biāo)簽記為1，如果無(wú)，則即記為0。
26、作為優(yōu)選地，步驟8中，最佳極端雨強(qiáng)平衡樣本訓(xùn)練集的構(gòu)建方法為：
27、使用隨機(jī)下采樣方法，從非極端雨強(qiáng)樣本中分別隨機(jī)抽取極端雨強(qiáng)樣本數(shù)1倍、2倍、3倍的樣本，構(gòu)建新的非極端雨強(qiáng)樣本集，所述非極端樣本即：觀測(cè)標(biāo)簽記0的樣本；
28、將極端雨強(qiáng)樣本和新的非極端雨強(qiáng)樣本按不同比例構(gòu)成多個(gè)極端雨強(qiáng)平衡樣本集，不同比例包括1:1、1:2、1:3，并開展模型訓(xùn)練試驗(yàn)，確定極端雨強(qiáng)樣本數(shù)與非極端雨強(qiáng)樣本的最佳比例，最終構(gòu)建最佳極端雨強(qiáng)平衡樣本集。
29、作為優(yōu)選地，步驟11中，基于二分類思想，通過構(gòu)建特定閾值50毫米/小時(shí)下的混淆矩陣，來計(jì)算不同的降水預(yù)報(bào)評(píng)價(jià)指標(biāo)，包括風(fēng)險(xiǎn)評(píng)分ts、命中率pod、空?qǐng)?bào)率far、以及漏報(bào)率mar，計(jì)算公式如式7-10所示：
30、風(fēng)險(xiǎn)評(píng)分ts＝正命中數(shù)/(正命中數(shù)+虛警數(shù)+漏報(bào)數(shù))?????(7)
31、命中率pod＝正命中數(shù)/(正命中數(shù)+漏報(bào)數(shù))??????????(8)
32、空?qǐng)?bào)率far＝虛警數(shù)/(正命中數(shù)+虛警數(shù))????????(9)
33、漏報(bào)率mar＝漏報(bào)數(shù)/(正命中數(shù)+漏報(bào)數(shù))???????????(10)。
34、本發(fā)明公開了一種基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，解決了現(xiàn)有數(shù)值模式對(duì)未來3天極端雨強(qiáng)預(yù)報(bào)中存在的顯著偏差問題，特別是對(duì)于降水量級(jí)的低估以及落區(qū)預(yù)報(bào)的偏差。通過引入優(yōu)選的數(shù)值天氣預(yù)報(bào)模式物理因子預(yù)報(bào)現(xiàn)場(chǎng)與高時(shí)空分辨率的降水觀測(cè)數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)建模，實(shí)現(xiàn)0-72小時(shí)(未來三天)逐3小時(shí)極端雨強(qiáng)潛勢(shì)預(yù)報(bào)命中率的有效提升。
1.一種基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：包括有以下步驟：
2.根據(jù)權(quán)利要求1所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟1中，所準(zhǔn)備數(shù)值模式預(yù)報(bào)數(shù)據(jù)為近5年數(shù)值天氣預(yù)報(bào)模式0-72小時(shí)預(yù)報(bào)時(shí)效的輸出變量，涵蓋地面要素?cái)?shù)據(jù)和高空要素?cái)?shù)據(jù)，包括總降水量、對(duì)流性降水量、大尺度降水量、海平面氣壓、地表氣壓、地面2m氣溫、地面2m露點(diǎn)、大氣溫度場(chǎng)、位勢(shì)高度場(chǎng)、三維風(fēng)場(chǎng)；數(shù)據(jù)的空間分辨率為0.125°，時(shí)間分辨率為逐3小時(shí)。
3.根據(jù)權(quán)利要求2所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟2中，降水觀測(cè)數(shù)據(jù)為逐小時(shí)網(wǎng)格觀測(cè)數(shù)據(jù)，空間分辨率為1km，時(shí)間分辨率為1小時(shí)。
4.根據(jù)權(quán)利要求3所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟3中，所計(jì)算的物理診斷量為各氣壓層的渦度、散度、水汽通量散度、假相當(dāng)位溫，以及描述大氣層結(jié)穩(wěn)定狀況的k指數(shù)、a指數(shù)。
5.根據(jù)權(quán)利要求4所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟4中，預(yù)報(bào)因子數(shù)據(jù)集的構(gòu)建過程為：
6.根據(jù)權(quán)利要求5所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟5中，預(yù)報(bào)因子敏感性分析與初步篩選過程為：
7.根據(jù)權(quán)利要求6所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟6中，預(yù)報(bào)因子的降維處理通過主成分分析創(chuàng)建一組不相關(guān)的預(yù)測(cè)因子，通過試驗(yàn)保留不同的主成分個(gè)數(shù)時(shí)對(duì)模型評(píng)分的影響，來選定最終保留的主成分?jǐn)?shù)。
8.根據(jù)權(quán)利要求7所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟7中，降水觀測(cè)數(shù)據(jù)的時(shí)空鄰域模糊匹配方法為：
9.根據(jù)權(quán)利要求8所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟8中，最佳極端雨強(qiáng)平衡樣本訓(xùn)練集的構(gòu)建方法為：
10.根據(jù)權(quán)利要求9所述的基于優(yōu)選物理因子的極端雨強(qiáng)潛勢(shì)智能預(yù)報(bào)方法，其特征在于：步驟11中，基于二分類思想，通過構(gòu)建特定閾值50毫米/小時(shí)下的混淆矩陣，來計(jì)算不同的降水預(yù)報(bào)評(píng)價(jià)指標(biāo)，包括風(fēng)險(xiǎn)評(píng)分ts、命中率pod、空?qǐng)?bào)率far、以及漏報(bào)率mar，計(jì)算公式如式7-10所示：