[发明专利]基于光流和气象数值预报的强对流天气识别方法及系统

说明书

本发明公开了一种基于光流和气象数值预报的强对流天气识别方法及系统，其中方法主要体现在计算光流，搭建模型并训练模型，所述模型包括NWP stream模块和Optical flow模块，在训练器中输入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据，其中光流数据的计算方法为：在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的数据集文件，基于这两个文件所对应的计算光流的函数，计算出对应的光流数据，NWP数据输入NWP stream模块的分支，光流数据输入Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算，同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果。本发明可以实现强对流天气的细粒度分类。

技术领域

本发明涉及气象技术领域，具体的说，涉及一种基于光流和气象数值预报的强对流天气识别方法及系统。

背景技术

自从人类诞生以来，天气就影响着人们的日常生活。天气塑造了各种大气事件，并对农业、交通、旅游、航空等现实生产生活系统产生重大影响，在众多大气事件中强对流天气对人类社会的影响最大，强对流天气是空气强烈垂直运动而导致出的天气现象，强对流天气(SCW)通常包括暴风雨、闪电、冰雹、对流阵风、短时强降雨、龙卷风，其对世界大部分地区的生命和财产构成严重威胁。由于小尺度的对流系统快速变化并与环境进行复杂的相互作用，预测强对流天气的具体类别仍然是当今业务气象领域下的一个具有挑战性且有重大意义的问题。强对流天气的物理特征包含位势高度(Geopotential)、温度 (Temperature)、风的u分量(U-wind)、风的v分量(V-wind)、相对湿度(Relative humidity)、比湿(Specifichumidity)、垂直速度(Vertical velocity)、涡度(Vorticity)、势涡度(Potentialvorticity)、比云液态含水量(Specific cloud liquid water content) 等。

目前，中国气象局国家气象中心(NMC)利用基于成分(IB)的预测方法发布主观强对流天气预测，该方法首先由Doswell等人于1996年提出[1]。然后在中国进一步发展IB方法确定了SCW事件的基本成分，其中通常包括相对独立的气象变量或参数，如潜在的不稳定性、大气湿度、提升指数、垂直风切变等。不同的天气情况需要对流环境的热力学和动力学参数，这些参数是由气象学家根据他们对SCW的经验和知识主观确定的。这些成分可以为气象预报员/气象学家提供一个清晰的天气情况。对主观预测的评价表明，IB方法相当有效。然而，在应用这种方法时仍然有一些局限性。首先，由于中国地形极其复杂，不同地区的气候特征似乎有显著差异。因此，各种天气条件，如冷锋和东波，可能导致对流风暴。因此，利用不同成分变量的统一阈值，很难实现对中国不同地区强对流的准确预测。其次，随着数值天气预报(NWP)和气象观测网络的快速发展，近年来可用的气象信息的数量激增。气象学家在没有超算的情况下几乎没有能力从大量数据中发现和合成有用和有价值的信息。与主观提取的因素相比，机器学习方法不太依赖于用户的经验和知识。使用传统的机器学习算法已经进行了许多尝试，如人工神经网络(ANN)、支持向量机(SVM)和随机森林 (RF)来进行天气预测。Manzato(2005)和Chaudhuri(2010)利用从大气探测数据中得出的指数开发了一种基于ANN的短期雷暴和降雨预报工具，可应用于不同地区。他们的结果表明，神经网络可以是一种进行多元数据分析的强大的统计方法。机器学习算法也应用于冰雹预测，龙卷风预测和探测，破坏性风预测，极端降水预测和雷暴天气预报，这些研究的结果都令人鼓舞。