[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

说明书

本发明公开了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。本发明所提供的预测方法建立了基于数值天气预报的模型，通过实测数据和基于数值天气预报的模型一起训练深度神经网络，得到训练后的深度神经网络模型，再以中尺度气象数值模式模拟方法再次降尺度计算，预测未来24 h内的风速与摩擦风速，并结合优选的峰值因子，得到未来24 h内的极值风速。本发明提出的方法能够以中尺度气象数值模式分析数据和真实客观的地理信息作为输入，同时综合考虑大气复杂物理过程，通过求解大气运动方程模拟预测出有实际物理意义的特定目标位置的平均风速和均方根风速等，克服了统计预测和人工智能类预测方法中完全依赖数学统计方法的不足。

技术领域

本发明属于气象预报领域，尤其是涉及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。

背景技术

在沿海台风多发区域，风灾是威胁建筑物安全的重要因素，为了减少风灾带来的损失，在强风天气到来前对风速进行预测并提前做好准备有着重要的意义。但是，风速往往具有极大的随机性，尤其在台风情形下，台风的风速风向具有不确定性，风速的不平稳性尤为显著，对风速及其极值的超前预测带来了极大的挑战。

目前，风速预测方法大致可分为以下4类：(1)基于物理模型的数值天气预报(NWP)预测方法；(2)基于历史风速数据的统计预测方法；(3)基于历史数据的人工智能类预测方法；(4)基于数值天气预报与历史风速数据的混合预测方法。这些预测方法中数值天气预报方法能够考虑多种物理要素，能够对大气运动控制方程进行准确描述，能够实现较长时段的预测，但同时由于物理模型方案仍有待改善、时间空间分辨率受计算时间影响较大、模拟采用的地形难以精确地描述目标区域等因素，在预测具体目标位置的风速时仍有较大的误差存在。而第2种与第3种方法均基于历史数据，无法考虑未来大气运动等因素的影响，因此，预报的时限往往非常有限。第4种方法中：首先，采用数值天气预报模拟计算历史风速信息，然后，根据历史实测数据采用统计或人工智能方法寻找误差规律，最后，对数值天气预报的未来预测风速进行修订，从而提高风速预报的精度。因此，基于数值天气预报与历史风速数据的混合方法的预测方法得到越来越多研究人员的青睐。

在实际工程应用中，通常将风荷载分为平均风与脉动风的共同作用。而目前的风速预测往往针对数值天气预报输出的平均风速进行修正，因此，也无法对未来极值风速的发生进行有效预测，如CA 106971032A公开了一种结合非参数核密度估计与数值天气预报的风速预测方法，同时结合Chebyshev神经网络模型对数值天气预报的预测风速进行修正，仅能够针对未来平均风速做出相应的预测。因此，如何开展对建筑物安全计算有着重要意义的极值风速预测，仍有待解决。

发明内容

本发明的目的在于，针对现有技术中存在的不足，提供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。

为此，本发明的上述目的通过以下技术方案来实现：