CN119537868A 多数值天气预报模式智能集成方法 (中国气象局公共气象服务中心(国家预警信息发布中心))_第1页
CN119537868A 多数值天气预报模式智能集成方法 (中国气象局公共气象服务中心(国家预警信息发布中心))_第2页
CN119537868A 多数值天气预报模式智能集成方法 (中国气象局公共气象服务中心(国家预警信息发布中心))_第3页
CN119537868A 多数值天气预报模式智能集成方法 (中国气象局公共气象服务中心(国家预警信息发布中心))_第4页
CN119537868A 多数值天气预报模式智能集成方法 (中国气象局公共气象服务中心(国家预警信息发布中心))_第5页
已阅读5页,还剩37页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

本发明提供了一种多数值天气预报模式智模式预报数据与该同一目标预报点位所对应目标观测点位的观测数据进行匹配以得到时间分气象要素的时间序列并基于时间序列进行气象确定目标气象要素并基于目标气象要素的时间目标观测点位和每个目标预报点位各自的位置2获取预设时段内多个目标观测点位的观测数据以及预设时段内目标预报点位对应于将同一目标预报点位的模式预报数据与该同一目标预报点位所对应目标观测点位的从所述时序数据中提取出多个气象要素的时间序列,并基于所述间序列以及相应气象要素对应于所述观测数据基于气象要素相关性分析结果确定目标气象要素,并基于目标气象要基于所述风光样本集以及每个目标观测点位和每个目标预报点位所述分支网络各自的输出端均与所述解码器的输第一处理块包括依次连接的第四批量标准化层所述分支网络包括依次连接的两个第二处理块和一个第三处理块所述解码器包括依次连接的两个第二处理块和一个第四处理块;所素以及与风速相关的第二目标气象要素;基于目标气象要素的时间序列构建风光样本集,基于所述第一目标气象要素的第一时间序列和第二时间序列构建所述辐射基于所述第二目标气象要素的第一时间序列和第二时间序列构建所述风速将每个第一目标气象要素的第一时间序列作为一条第一通道3第一通道组成一个初始辐射样本并为该初始辐射样本标注所述第一目标气象要素对应的通过第一滑动窗口采样方式对带第一标签的每个初始辐射样本进行采将每个第二目标气象要素的第一时间序列作为一条第二通道第二通道组成一个初始风速样本并为该初始风速样本标注所述第二目标气象要素对应的通过第二滑动窗口采样方式对带第二标签的每个初始风速样本进行采素相关性分析结果包括每个数值天气预报模式下每个气象要素的第一时间序列各自与其按照第一相关系数从大到小的顺序对得到的第一相关系数进行排序,并将排序确定同一数值天气预报模式下同一候选气象要素所对应第一相每个最大值所对应目标预报点位的候选气象要素作间序列包括相应数值天气预报模式下相应气象要素在预设时段内各目标时刻的模式预报基于每个数值天气预报模式下每个气象要素对应于各目标时刻的模式预报值以及每通过插值方式将同一目标预报点位在每个数值天气预报模式下的模式预报数据转换将同一目标预报点位所对应具有相同时序的第一时序数据和观测数据对应4获取所述辐射样本集所包含辐射样本对应的时序信息和位置信一验证集和所述第一测试集各自所包含的每个样本绑定有其所对获取所述风速样本集所包含风速样本对应的位置信息,并神经网络模型的参数,直至训练结束后利用所述第二测试集测试所述神经网络模型的性模型的损失函数为所述辐射模型的输出结果与其所对应观测值之间的均方所述风速模型的损失函数的确定,包括:确定所述风速模型的5气预报模式进行天气预报的方式具有更高的预主要是利用决策树模型对多个数值天气预报模式的预报结果进段内多个目标观测点位的观测数据以及预设时段内目标预报点位对应于多个数值天气预目标预报点位所对应目标观测点位的观测数据进行匹配,得到时间分辨率相同的时序数6多个目标观测点位的观测数据以及预设时段内目标预报点位对应于多个数值天气预报模要素相关性分析结果确定目标气象要素并基于目标气象要素的时间序列构建风光样本集,之后基于风光样本集以及每个目标观测点位和每个目标预报点位各自的位置信息训练预图8为本发明实施例中第一测试集部分样本不同数值天气预报模式的模式预报值图9为本发明实施例中第二测试集部分样本不同数值天气预报模式的模式预报值7[0014]参见图1所示,本发明实施例提供的一种多数值天气预报模式智能集成方法可以[0016]上述多个数值天气预报模式可以包括CMA_WSP(中国气象局风能太阳能气象预报[0018]上述时序数据的时间分辨率可以采用多个数值天气预报模式中时间分辨率最高序列以及相应气象要素对应于上述观测数据的第二8多个目标观测点位的观测数据以及预设时段内目标预报点位对应于多个数值天气预报模要素相关性分析结果确定目标气象要素并基于目标气象要素的时间序列构建风光样本集,之后基于风光样本集以及每个目标观测点位和每个目标预报点位各自的位置信息训练预[0026]作为一种可能的实施方式,上述风光样本集可以包括辐上述目标气象要素可以包括与辐射相关的第一目标气象要素以及与风速相关的第二目标步骤1,基于上述第一目标气象要素的第一时间序列和第二时间序列构建上述辐标气象要素对应的第一通道组成一个初始辐射样本并为该初始辐射样本标注上述第一目[0028]步骤2,基于上述第二目标气象要素的第一时间序列和第二时间序列构建上述风速样本集。标气象要素对应的第二通道组成一个初始风速样本并为该初始风速样本标注上述第二目多波动和非线性的特点,为了使上述神经网络模型更好地捕捉辐射和风速各自随时间的演变特征,提高多数值天气预报模式集成的准确度,所需制作的风光样本集需要包含各特征象要素或风速相关气象要素)的时间序列作为一条通道,将多条通道所共用的观测数据的时间序列作为标签,多条通道共同组成一个初始样本(初始辐射样本或初始风速样本并9[0031]由于神经网络模型的输入数据大小和结构的限制,在按照图2所示特征通道排列[0033]其中,为原始值(特征原始值或标签原始值X和xa分别为该特征的最2为风速特征数量。份的时空信息输入分支网络进行计算后得到f2,再将f1和f2拼接后输入解码器进行计算,机失活层和第二卷积层以及第一池化层,第一卷积层的输入端与第一池化层的输入端连[0037]在实际应用过程中,为了充分提取不同数值天气预报模梯度弥散/爆炸与神经网络模型退化的问题,BlockA与BlockB均包括堆叠在一起的层组成,BlockA中MaxPool层的输入和输出分别对应为第一个Conv1d层的输入和第二个Conv1d层的输出;BlockB由依次连接的BN层、APReLU层、Dropout层、Conv1d层、BN层、输入和输出分别对应为第一个BN层的输入和第二个Conv1d层的输出;BlockC由依次堆叠的BN层和APReLU层组成;主干网络中所有Conv1d层均采用大小为3×1的卷积核提取特征。图4所示的主干网络中采用了自适应参数线性整流单元(AdaptivelyParametric预报模式下每个气象要素的第一时间序列各自与其所对应第二时间序列之间的第一相关进行排序并按照Top_K算法筛选出前K个最大的第一相关系数的气象要素作为候选气象要[0050]其中,是该数值天气预报模式下该气象要素在第i个目标时刻的模式预报值,是该数值天气预报模式下该气象要素在预设时段内的模式预报平均值,是该气象要各自的位置信息,训练预先建立的神经网络模型并在训练过程中调整神经网络模型的参[0055]辐射模型的损失函数可以为辐射模型的输出结果与其所对应观测值之间的均方速模型对相应数据集中第j个样本进行预测后输出的结果表示相应数据集的模型预报平均值(即风速模型对相应数据集的m个样本进行预测后输出的结果的平均值y,表示相数据分析与特征工程主要包括以下步骤1.1[0067]本方案采用的模式预报数据包含同一时段内CMA_WSP、CMA_MESO、ECMWF和NCEP_GFS这四种数值天气预报模式下的模式预报数据,模式预报数据的时空分辨率及预报时效15分钟的模式预报数据需要通过数据插值方式进行插值以得到时间分辨率为15分钟的时站点位置相对应的中心点位(即距离观测站点最近的预报格点,可记作g1)及其邻近点位天气预报模式下的模式预报数据,并从挑选出的模式预报数据中提取了各数值天气预报模点计算每个数值天气预报模式下每个气象要素与其所对应观测辐射值之间的相关系数,获个数值天气预报模式下每个气象模式要素与其所对应观测风速值之间的相关系数(即此时的第一相关系数r1获得与观测风速相关的气象要素,包括10米风速、50米风速、70米风下:干扰模型的训练,根据上一步计算得到的各气象要素的相关系数筛选r1≥0.5的气象要素CMA_MESO_swdown(CMA_MESO的地表向下短波辐射NCEP_GFS的NCEP_GFS_SWDOWN(NCEP_(RMAPS的120米风速)、RMAPS_ws_1000hpa(RMAPS的1000hPa风速)和RMAPS_ws_925hpa风光样本集制作主要包括以下步骤2.1至步骤[0077]将所有数据按上一个步骤排列完后,滑动裁取固定长度的时间序列来进行取滑动步长设定为24,可按照设定的时间序列长度和滑动步长对每个初始样本进行滑动采2X为特征原始值,X和xa分别为该特征的最大值和最小值,xum为搭建的智能多模式集成模型由图3所示的主干网络、分支网络和解码器这三部分组成。各数值天气预报模式下不同特征的时间序列输入主干网络提取关键信息后得到f1,而搭建好分支网络,分支网络中依次连接的两个LD和一个LE各自第一层神经元的个数分别模型训练与优化主要包括以下步骤4.1至步器采用相同的参数设置,均采用学习率调度器ReduceLROnPlateau实现学习率的自适应调整,从而改善辐射模型的训练效果。所有试验中,辐射模型的损失函数均为RMSE,batch特征通道进行排列,以便时间信息被包含在样本中与不同特征时间序列一同输入辐射模风速站点+月份的组合的数据用于构建风速模型的训练集。器采用相同的参数设置,均采用学习率调度器ReduceLROnPlateau实现学习率的自适应调整,从而改善风速模型的训练效果。所有试验中,风速模型的损失函数均为RMSE,batch可通过减小步骤2.2中的滑动步长来增大风速样本量,以提升风速模型的多数值天气预报是由于单损失函数的局限性,因此在风速模型的损失函数中增加了风速模型的相应数据集风光集成预报结果检验主要包括以下步骤5.1和步骤5[0105]在预留的辐射模型的测试集上计算原始数值天气预报模式下的模式预报辐射值越大说明辐射模型效果越好从而检验辐射模型的效果。的平均RMSE为110.9445W/m2,多模式集成结果所对应RMSE相对于CMA_WSP所对应RMSE的平[0108]在预留的风速模型的测试集上计算原始数值天气预报模式下的模式预报风速值计算风速模型的多模式集成结果与观测风速值之间的RMSE,对比多模式集成结果所对应型的测试集共包含186个样本,其中有72.04%的样本多模式集成结果相对于最优原始模式的RMSE相对于CMA_WSP所对应RMSE的平均降幅达到20.63%。从风速模型的测试集中随机抽取样本将不同数值天气预报模式的模式预报值以及多模式集成结果和观测值进行可视

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论