[发明专利]一种用于集合数值天气预报成员的层次聚类方法

说明书

本发明公开了一种一种用于集合数值天气预报成员的层次聚类方法，首先根据集合数值天气预报成员的数据特点建立最小距离连通图，然后利用最小距离连通图的最大差分值逐层分割数据成簇并剔除噪点，最后找出代表性的集合预报成员，完成聚类。与Ward聚类法相比，本发明时间复杂度更小，且本发明具有Ward不具备的去噪点功能。与管子法和距平相关系数分簇法相比，本发明具有生成多层次聚类结果的功能，可以在各层级上择优选取最合适的簇数，且不需要设置核心参数。

技术领域

本发明涉及信息技术领域下的数据聚类分析方法，尤其涉及一种用于集合数值天气预报成员的层次聚类方法。

背景技术

集合数值天气预报不仅给出单一的最佳可能预报，还定量地估计天气预报的不确定性。确定性预报只进行一次数值积分，而集合预报系统用不同的初始场进行多次数值积分，因此集合预报成员得到的多个数值预报结果使得我们可以去估计天气预报的不确定性，同时还可以使我们对确定性预报更有信心。由于天气预报的不确定性会随着天气形势不同而逐日变化，集合预报提供了对这种逐日变化的不确定性的估计，所以集合预报系统可以用来取样调查天气预报结果的概率分布函数，而且通常用来产生概率预报——用来评估某一结果发生的可能性。下表便是国家气象信息中心下发的ECMWF、NCEP、T639三大全球集合预报模式：

集合预报系统的一些指标可以用来优化确定性预报，当发布确定性预报时，最好的方式就是要充分地应用集合离散度显示的不确定性来明确确定性预报的确定程度到底有多少。集合离散度可以直接使用集合预报产品来进行分析，而其中聚类分析便是一种常用的手段。聚类分析方法是把集合预报中相似的成员合并成一类,同时给出该类出现的相对频率，特别对于多平衡态的大气状态,聚类法可以提供很清晰的具有几种典型平衡态的预报指导,使得聚类法更适合于经验不多的预报员。由此可见，利用聚类分析可以找到集合预报中具有代表性的预报成员并给出其可信程度。

目前国内外常用的集合预报成员聚类分析法主要有Ward聚类法、管子法(Tubingclustering)、距平相关系数分簇法、动力模糊法、神经元聚类法和中央聚类法(Centralclustering)等。这些聚类分析方法的特点都是着眼于寻找集合预报中的相似要素或相似天气形式并将其归为一类，其中以Ward聚类法、管子法和距平相关系数分簇法应用较多，上表的全球集合预报模式中ECMWF使用管子法、NCEP使用距平相关系数分簇法、T639的前身T213使用Ward法。上述这些方法虽然各有特色但仍存在有一定的共性问题有待解决。

1、未针对应用需求和计算效率进行优化

为了提高聚类算法筛选出的集合预报成员代表的可参考性和可信程度，往往需要提供具有多层次结构的并且能剔除无代表性成员的聚类结果，这就要求聚类同时具备相似簇归并生成多层次聚类结果的功能以及剔除噪点的功能，但Ward法不能去噪，而管子法和距平相关系数分簇法则不能生成多层次聚类结果。此外，由于数值天气预报的实时性(时次间隔12小时)，以及考虑到数据传输的延时性，往往会要求在数小时内生成并输出预报产品，因此对于集合预报的计算效率也是有很高要求的，而已有层次聚类(Ward法)的时间复杂度一般较高，在O(n²)到O(n³)(n表示数据量,应用在最小距离连通图表示顶点总数，应用在集合数值预报产品表示集合数值预报成员的总数)的数量级。

2、核心参数的设置需要经验，难度较大

管子法要设置半径、距平相关系数法要设置相关系数阈值等等，这些参数都为核心参数，因为其设置直接关系到类簇的划分方式以及聚类效率，但又没有明确的客观参考依据，只能凭借主观经验，所以设置的难度很大。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种用于集合数值天气预报成员的层次聚类方法，能够去除噪点的层次聚类方法，并且根据集合数值天气预报成员的数据特点优化聚类的时间复杂度，从而使得集合预报成员的归类筛选更加的高效和准确。