[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

摘要

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。

主权项

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uwrf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(σmeas)     (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：