[发明专利]一种天气智能分型及空气质量预报方法

说明书

本发明公开了一种天气智能分型及空气质量预报方法，包括：步骤1：获取历史气象数据，将历史气象数据分为春、夏、秋、冬四个季节数据集；步骤2：使用SOM模型对历史天气数据进行客观聚类，归纳出若干种天气类型；步骤3：根据同种天气类型下的大气污染数据，建立污染天气预报的概念模型；步骤4：将未来气象预报数据输入已训练好的SOM模型中，预测未来天气类型；步骤5：将未来天气类型代入污染天气预报概念模型，预判未来空气质量和首要污染物。本发明根据SOM模型得出的天气分型结果，结合近年的监测数据，建立污染天气预报的概念模型，自动预判未来空气质量和首要污染物，使得天气分型结果和空气质量预报变得准确和高效。

技术领域

本发明涉及AI天气分型与环境空气质量预报技术领域，尤其涉及一种天气智能分型及空气质量预报方法。

背景技术

天气类型与大气污染关系密切，不同地区影响当地大气污染的天气类型存在差异，因此在不同地区开展类似的相关研究对区域空气质量预报、污染源总量控制等具有重要的意义。污染天气分型是指当污染天气出现时，从大范围天气形势中归纳出不同天气类型对污染物浓度的影响程度，并指导空气质量预报。主观分型方法通常是由天气预报员、气象专家人工调阅大量的天气图，根据天气学原理和自身经验积累，对大气环流特征进行分析、判别，从而总结、梳理出若干主要的天气类型。

客观分型方法同样离不开天气学原理，但通常采用统计学和机器学习的方法由计算机算法程序实现自动化的天气模式分型。客观分型方法相比于主观分型方法，在工作效率、节约成本和降低人为因素对结果的影响等方面具有显著优势，因此也是当前广泛使用的天气模式分型方法。

无论是主观分型方法还是客观分型方法，分型结果都不准确。主观天气分型方法通常针对不同的天气特征，选择特定的目标气象参数，通过人工判断识别天气图，根据天气图中目标参数的变化特征进行分类。但是主观分型方法存在着分型结果普适性弱、主观性强、工作量大等缺点，不同的人员分型的结果差异较大，面对数年甚至数十年较长时间的天气类型分析几乎不可能完成。传统的SOM使用欧几里得距离搜索最佳匹配单元，其中根据欧几里得距离与输入向量“最近”的节点将被指定为最佳匹配单元。然而，欧几里得距离在用于比较“结构化”信号时存在严重缺陷，即具有空间或时间顺序的信号，如气象数据和时间序列。

目前，气象中常用的客观分型方法可归为3种，即基于相关分析、基于特征向量和基于神经网络。其中，基于相关系数的天气分型方法易受分型参数的影响，导致分型结果不稳定；基于特征向量的分型方法常采用主成分分析或EOF分解等，分型结果的物理意义难以解释；基于神经网络的分型方法中最常用的方法为自组织特征映射方法，即SOM，基于欧几里得距离的相似性度量可能会导致具有空间或时间顺序的数据之间的时空相关性降低。

发明内容

本发明所要解决的技术问题在于，提供一种天气智能分型及空气质量预报方法。

为了解决上述技术问题，本发明提供了一种天气智能分型及空气质量预报方法，包括：

步骤1：获取历史气象数据，将所述历史气象数据分为春、夏、秋、冬四个季节数据集；

步骤2：使用SOM模型对所述历史天气数据进行客观聚类，归纳出若干种天气类型；

步骤3：根据同种天气类型下的大气污染数据，建立污染天气预报的概念模型；

步骤4：将未来气象预报数据输入已训练好的所述SOM模型中，预测未来天气类型；

步骤5：将所述未来天气类型代所述入污染天气预报概念模型，预判未来空气质量和首要污染物。

可选地，所述历史气象数据包括近10年的地面东西向风速、地面南北向风速、海平面气压和500hPa位势高度场的信息。

可选地，所述使用SOM模型对所述历史天气数据进行客观聚类，包括：

步骤2-1：选择输入数据；