[发明专利]一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法

权利要求书

1.一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法，其特征在于，所述预测方法包括如下步骤：

(1)首先在目标位置布置风速仪，获取目标位置台风来临前的风速时程，以时间段t为基本时距，计算平均风速与均方根风速σ_meas，并统计该时间段内峰值因子p的分布；

(2)随后采用中尺度气象数值模式WRF进行目标位置近地面风场的降尺度模拟计算，考虑局部区域的实际地形地貌对近地面风场的影响，以目标位置为中心通过设计WRF三重网格单向嵌套方案进行目标位置近地面风场的降尺度模拟，得到目标位置附近的风速u_wrf与摩擦风速σ_*wrf的气象要素变量，其中目标位置局部区域模型的最外层网格的初始和边界输入条件采用美国环境预报中心的全球预报系统提供的精度为1°×1°的气象数据，地形高程来自由美国太空总署和美国国防部国家测绘局联合测量的SRTM90米分辨率数据库；

(3)采用人工智能中的深度神经网络模型，分别以WRF降尺度计算得到的目标位置附近的风速u_wrf与摩擦风速σ_*wrf为输入量，以实测时间段t内平均风速与均方根风速σ_meas为输出量，采用误差反向传播算法的Levenberg-Marquardt神经网络训练函数进行训练，采用神经网络的均方误差MSE作为性能函数，通过试算确定神经网络模型中神经元个数与隐含层层数，最终分别得到WRF降尺度的风速数据u_wrf与实测时间段t内平均风速WRF降尺度的摩擦风速σ_*wrf与实测均方根风速σ_meas的深度神经网络模型：

σ_*wrf＝f₂(σ_meas) (2)

(4)通过中尺度气象数值模式WRF再次进行降尺度计算，预测出目标位置附近未来24h内的风速与摩擦风速数据，将预测的24h内的风速与摩擦风速数据输入已训练好的深度神经网络中，得到修正预测的时间段t内平均风速与均方根风速

(5)根据实测得到的峰值因子p的分布，采用0.95分位点处的峰值因子p，基于修正预测目标位置的时间段t内的平均风速与均方根风速根据式(5)可计算得到未来24h内台风作用下的极值风速：

2.根据权利要求1所述的沿海台风极值风速的数值天气预报-人工智能耦合预测方法，其特征在于，时间段t选取为10min。

3.根据权利要求1所述的沿海台风极值风速的数值天气预报-人工智能耦合预测方法，其特征在于，步骤(1)中：峰值因子p的分布统计为采用广义极值分布进行拟合并得到峰值因子p的累积概率分布图。

4.根据权利要求1所述的沿海台风极值风速的数值天气预报-人工智能耦合预测方法，其特征在于，步骤(2)中，WRF三重网格单向嵌套的方案为：沿着水平方向按照网格精度将计算域划分为三层，从大到小分别记为：d01、d02和d03；且d01对d02、d02对d03提供随时间变化的侧向边界条件以实现不同网格尺度间的信息单侧交换；

WRF三重网格单向嵌套的方案在水平方向上：d01计算域、d02计算域和d03计算域的范围分别为：4300km×3775km、830km×655km和186km×161km；对应地，水平网格精度分别为：25km、5km和1km。

5.根据权利要求4所述的沿海台风极值风速的数值天气预报-人工智能耦合预测方法，其特征在于，WRF三重网格单向嵌套的方案在垂直方向上：采用地形跟随的静力平衡的气压垂直坐标，三层网格计算域d01、d02和d03的模拟范围最高达到10km，垂直方向采用双曲线网格间距划分方式，并沿着垂直方向依次将d01计算域、d02计算域和d03计算域划分为36层、36层和40层，最内层地形高程来自由美国太空总署和美国国防部国家测绘局联合测量的SRTM90米分辨率数据，且使得d03计算域在近地面2km高度内加密成27层，从而更精细化求解近地面的风场结构。

6.根据权利要求1所述的沿海台风极值风速的数值天气预报-人工智能耦合预测方法，其特征在于，步骤(4)中：还包括采用三种误差评价指标对预测得到的平均风速、均方根风速、极值风速与实测的平均风速、均方根风速、极值风速的差异进行对比，三种误差评价指标分别为：(1)平均绝对值偏差MAE；(2)相对平均绝对值偏差rMAE；(3)均方根误差RMSE；三种误差评价指标的公式分别如下所示：