亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于卡爾曼濾波原理對長春市溫、濕度的網(wǎng)格預(yù)報試驗

        2022-10-08 10:59:28劉海峰于月明
        氣象災(zāi)害防御 2022年3期
        關(guān)鍵詞:格點卡爾曼濾波氣溫

        應(yīng) 爽 劉海峰 于月明 霍 也

        (1.長春市氣象局,吉林 長春 130012;2.吉林省氣象局,吉林 長春 130062)

        1 引言

        溫度和濕度等要素預(yù)報是天氣預(yù)報的重要組成部分。近年來,氣象要素預(yù)報和服務(wù)面臨的精細(xì)度和準(zhǔn)確度需求在不斷提升, 制作無縫隙精細(xì)化網(wǎng)格預(yù)報已成為發(fā)展趨勢[1,2]。 由于目前的數(shù)值天氣預(yù)報模式在時空分辨率和預(yù)報準(zhǔn)確度等方面,與上述需求之間仍存在差距, 依靠數(shù)值模式制作精細(xì)化要素預(yù)報, 需要對模式進(jìn)行降尺度和偏差訂正等后處理[3]。

        卡爾曼濾波及其改進(jìn)算法——遞減平均法,是數(shù)值模式統(tǒng)計后處理的重要方法, 在針對單一模式進(jìn)行偏差訂正、 對多模式進(jìn)行集成以及對模式進(jìn)行統(tǒng)計降尺度等方面, 均有廣泛應(yīng)用和令人滿意的效果[1,3-7]。 而且,基于卡爾曼濾波原理的訂正預(yù)報模型對數(shù)值模式和季節(jié)的變化具有較好的適應(yīng)性[8]。 近年來,為了減小集合預(yù)報的偏差并合理調(diào)整離散度,馬旭林等[9]在基于遞減平均法的一階矩和二階矩偏差訂正方案基礎(chǔ)上, 發(fā)展了綜合偏差訂正方案, 方案對集合平均偏差和離散度均有良好的訂正效果。 針對劇烈降溫條件下訂正效果不理想問題,肖瑤等[10]通過將遞減平均參數(shù)構(gòu)建為跟隨空間和天氣過程變化的函數(shù), 有效降低了預(yù)報誤差。在精細(xì)化預(yù)報技術(shù)研究方面,趙長健等[11]基于5km×5km 格點數(shù)值預(yù)報和上海市崇明區(qū)24 個自動站觀測資料,進(jìn)行了數(shù)值預(yù)報偏差訂正工作;齊鐸等[12]采用遞減平均法,對中國東北中北部極端溫度數(shù)值預(yù)報進(jìn)行了偏差訂正, 得到了時間分辨率為3h、空間分辨率為0.05°×0.05°的格點預(yù)報;肖瑤等[13]應(yīng)用遞減平均法,對河南省高速公路沿線逐3h 極端氣溫精細(xì)化指導(dǎo)預(yù)報產(chǎn)品進(jìn)行了偏差訂正。 利用高精度數(shù)值模式預(yù)報和格點實況數(shù)據(jù),基于卡爾曼濾波原理,進(jìn)行精細(xì)化網(wǎng)格預(yù)報的研究尚不多見。

        本文利用區(qū)域數(shù)值模式預(yù)報數(shù)據(jù)、 陸面同化格點數(shù)據(jù),以長春市氣溫(2m 溫度)和相對濕度預(yù)報為研究對象,采用卡爾曼濾波、遞減平均法,進(jìn)行數(shù)值模式格點預(yù)報偏差訂正建模試驗, 探索氣溫和相對濕度的精細(xì)化網(wǎng)格預(yù)報方法。

        2 數(shù)據(jù)與方法

        2.1 數(shù)據(jù)及其預(yù)處理

        本文的研究區(qū)域為一個能夠包含長春市(2017 年) 范圍的矩形, 具體是124°20′46″E—127°07′48″,43°11′68″—45°20′45″。

        預(yù)報數(shù)據(jù)采用區(qū)域數(shù)值模式 (Weather Research and Forecasting,WRF)的2m 溫度和相對濕度預(yù)報數(shù)據(jù), 實況數(shù)據(jù)采用中國氣象局陸面數(shù)據(jù)同化系統(tǒng) (CMA Land Data Assimilation System,CLDAS)的氣溫和相對濕度同化數(shù)據(jù),預(yù)報和實況數(shù)據(jù)的時間分辨率均為1h, 空間分辨率分別為3km×3km、5km×5km。建模數(shù)據(jù)樣本的時間范圍為2017 年1 月1 日—6 月30 日,時間分辨率是1h,剔除缺失值后,樣本為98d。 應(yīng)用克里金插值法,將實況數(shù)據(jù)插值為空間分辨率為3km×3km 的數(shù)據(jù),預(yù)報和插值后實況數(shù)據(jù)的格點數(shù)均為104×81個。 試報樣本的時間范圍為2019 年8 月1—10日,時間分辨率均為1h。

        2.2 建模方法

        2.2.1 卡爾曼濾波

        卡爾曼濾波(Kalman Filter,KF)[14]是一個最優(yōu)化自回歸數(shù)據(jù)處理算法, 它利用線性系統(tǒng)狀態(tài)方程,通過系統(tǒng)輸入輸出觀測數(shù)據(jù),對系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計, 具有動態(tài)建模、 樣本數(shù)量需求低等優(yōu)勢。 其公式如下:

        式中,i 代表時間;xi和yi分別為系統(tǒng)性偏差和預(yù)報誤差,滿足xi=xi-1+wi,yi=xi+vi,wi和vi是均值為0的 隨 機 變 量;Wi、Vi和Pi為wi、vi和xi的 方 差;Ki為卡爾曼增益,是觀測和預(yù)測的加權(quán)系數(shù)。

        2.2.2 遞減平均法

        遞減平均法(Decaying Average,DA)[6]是基于卡爾曼濾波原理發(fā)展的自適應(yīng)偏差訂正方法,它通過對不同時段預(yù)報偏差的加權(quán)平均和迭代更新來估計訂正時刻的遞減平均偏差, 從而進(jìn)行偏差訂正。 它具有卡爾曼濾波的優(yōu)點,同時參數(shù)更少。其公式如下:

        式中,i 代表時間;Bi、Fi和Ai分別為偏差訂正值、預(yù)報值和分析值;ω 為遞減平均權(quán)重參數(shù)。

        本文采用上述兩種濾波方法, 利用預(yù)報和實況樣本數(shù)據(jù), 針對每個格點上0—24 時的氣溫和相對濕度,均建立該要素的兩種濾波訂正模型,分別稱為KF 模型和DA 模型,選取其中擬合效果更好的模型作為最終的預(yù)報模型。期間,為了驗證濾波模型效果,構(gòu)建了一元線性回歸預(yù)報模型(以下簡稱回歸模型或LR 模型)進(jìn)行對比。

        2.3 檢驗方法

        依據(jù)《全國智能網(wǎng)格陸面基本要素預(yù)報檢驗辦 法 (2017 年)》, 采 用 平 均 絕 對 誤 差(Mean Absolute Deviation,MAE) 和 均 方 根 誤 差(Root Mean Square Error,RMSE)對模型進(jìn)行檢驗。 其公式如下:

        式中,n 為樣本數(shù);Oj和Pj分別為觀測值和預(yù)報值。

        3 模型的擬合效果

        3.1 模型的誤差平均值

        采用構(gòu)建的兩種濾波模型、LR 模型和WRF模式,進(jìn)行氣溫和相對濕度的預(yù)報擬合,計算全部格點和時次的平均值, 得到各種方法的誤差平均值(圖1)。 由圖1 可知,兩種濾波模型對氣溫和相對濕度的預(yù)報誤差均明顯小于WRF 模式和LR模型的預(yù)報誤差。 其中, 氣溫預(yù)報的MAE 和RMSE 在3~4℃, 相對濕度預(yù)報的MAE 和RMSE在20%以下。與WRF 模式相比,KF 模型的氣溫預(yù)報MAE 和RMSE 分別下降1.3℃和1.7℃,相對濕度預(yù)報MAE 和RMSE 分別下降8.6%和9.5%;DA模型的氣溫預(yù)報MAE 和RMSE 分別下降1.5℃和1.8℃, 相對濕度預(yù)報MAE 和RMSE 分別下降11.0%和11.6%。

        圖1 試驗?zāi)P蛯θ扛顸c全部時次的氣溫(單位:℃)、相對濕度(單位:%)預(yù)報擬合效果

        根據(jù)逐小時預(yù)報的格點平均誤差統(tǒng)計(圖2),WRF 模式預(yù)報誤差具有明顯的日變化特征,濾波模型的誤差同樣表現(xiàn)出日變化特征, 但時間變化相對更小,且各時次的誤差均明顯小于WRF 模式誤差,說明濾波模型能顯著訂正WRF 模式的系統(tǒng)性偏差;DA 模型的訂正效果更好。 其中,WRF 模式在傍晚時段(17—18 時)的預(yù)報誤差最大,而兩種濾波模型在該時段的誤差訂正效果最為顯著。另外,兩種濾波模型對08 時氣溫的預(yù)報誤差相對最小;KF 模型和DA 模型對相對濕度的預(yù)報誤差最小時段分別約為04 時前后和10 時前后。

        圖2 試驗?zāi)P蛯θ扛顸c逐小時氣溫預(yù)報的MAE(a)、RMSE(b)和相對濕度預(yù)報的MAE(c)、RMSE(d)

        3.2 模型對隨機格點和時次的預(yù)報擬合效果

        采用濾波模型對隨機選取的某一格點某一時次的氣溫和相對濕度進(jìn)行預(yù)報擬合, 并與LR 模型、WRF 模式預(yù)報和實況分析值進(jìn)行對比。 根據(jù)擬合情況(圖3)來看,即便在WRF 模式具有較大預(yù)報誤差的情況下,濾波模型(尤其是DA 模型)也能夠通過快速調(diào)整,達(dá)到與氣溫實況基本重合;對于相對濕度,無論在偏濕還是偏干階段(即有無降水時),都是DA 模型的預(yù)報與實況最為接近。

        圖3 試驗?zāi)P蛯﹄S機格點和時次的氣溫(a)和相對濕度(b)預(yù)報擬合情況

        4 模型的試報效果

        上述擬合結(jié)果表明, 兩種卡爾曼濾波模型均優(yōu)于原始模式和回歸模型。 其中,DA 模型的擬合效果更好,因此,選取其作為預(yù)報模型。 采用預(yù)報模型、試報樣本,對全部格點逐小時的氣溫和相對濕度進(jìn)行試報, 并與WRF 模式預(yù)報進(jìn)行對比,得到預(yù)報的日變化曲線(圖4)。 由圖4 可見,預(yù)報模型對氣溫預(yù)報的誤差訂正在中午 (12 時前后)表現(xiàn)最好; 對相對濕度預(yù)報的訂正在早晨(03—08時)效果最好。 預(yù)報模型對氣溫預(yù)報的MAE 在大部分時段內(nèi)均在2℃以內(nèi), 較WRF 模式的MAE降低了0.1~0.3℃; 相對濕度預(yù)報的MAE 基本在5%以下,較WRF 模式的MAE 降低了1%~3%。

        圖4 預(yù)報模型對全部格點逐小時氣溫(a)、相對濕度(b)試報結(jié)果

        值得注意的是,由于試報樣本數(shù)量較少,濾波效果尚未調(diào)整到最佳水平??梢酝茰y,在具備更多資料的情況下,模型預(yù)報誤差仍有降低空間。

        5 結(jié)語

        本文基于卡爾曼濾波原理, 采用具有高時空分辨率的數(shù)值模式預(yù)報和格點實況數(shù)據(jù), 對長春市氣溫和相對濕度的精細(xì)化網(wǎng)格預(yù)報進(jìn)行了模式預(yù)報偏差訂正建模試驗。

        (1) 試驗建立了基于卡爾曼濾波方法的KF模型、 基于遞減平均法的DA 模型。 根據(jù)擬合結(jié)果, 選取效果更好的DA 模型作為氣溫和相對濕度的格點化預(yù)報模型,模型的空間分辨率為3km×3km,時間分辨率為1h。

        (2) 基于卡爾曼濾波原理建立的兩種濾波模型,均具有顯著的誤差訂正效果,能夠訂正原始模式的系統(tǒng)性偏差,且效果好于一元線性回歸模型。其中, 基于遞減平均法的DA 模型效果更好。 在WRF 模式具有較大預(yù)報誤差的情況下,濾波模型(尤其是DA 模型)也能夠通過快速調(diào)整,達(dá)到與實況基本重合。

        (3)模型擬合過程中,相比WRF 模式,KF 模型的氣溫預(yù)報MAE 和RMSE 分別下降1.3 ℃和1.7℃, 相對濕度預(yù)報MAE 和RMSE 分別下降8.6%和9.5%;DA 模型的氣溫預(yù)報MAE 和RMSE分別下降1.5℃和1.8℃, 相對濕度預(yù)報MAE 和RMSE 分別下降11.0%和11.6%。

        (4)選取DA 模型作為預(yù)報模型,進(jìn)行試報,氣溫預(yù)報的MAE 在大部分時段內(nèi)在2℃以內(nèi);相對濕度預(yù)報的MAE 基本在5%以下。

        (5)需要指出的是,在試驗過程中,CLDAS 和WRF 資料均有不同程度的缺失, 樣本連續(xù)性對濾波效果有一定影響。 因此,采用具有較高連續(xù)性和完整性的資料,尤其是采用完整的全年資料,區(qū)分不同季節(jié)進(jìn)行建模,將有助于提高模型的誤差訂正效果。此外,在針對格點化預(yù)報進(jìn)行檢驗的過程中,可考慮采用鄰域法替代本文采用的點對點檢驗方法。本文所建立的模型及其預(yù)報效果可以為進(jìn)一步建立人工智能網(wǎng)格預(yù)報方法提供對比參照。

        猜你喜歡
        格點卡爾曼濾波氣溫
        氣溫的神奇“魔法”
        帶有超二次位勢無限格點上的基態(tài)行波解
        基于FY-3D和FY-4A的氣溫時空融合
        一種電離層TEC格點預(yù)測模型
        帶可加噪聲的非自治隨機Boussinesq格點方程的隨機吸引子
        基于遞推更新卡爾曼濾波的磁偶極子目標(biāo)跟蹤
        格點和面積
        基于模糊卡爾曼濾波算法的動力電池SOC估計
        與氣溫成反比的東西
        基于擴展卡爾曼濾波的PMSM無位置傳感器控制
        美腿丝袜一区二区三区| 中文字幕av人妻一区二区| 欧美日韩久久久精品a片| 国产公开免费人成视频| 国产成人精品一区二区不卡| 欧洲亚洲色一区二区色99| 婷婷久久国产综合精品| 99久久精品国产一区色| 手机看片国产日韩| 亚洲色欲久久久久综合网| 亚洲va韩国va欧美va| 亚洲黄色官网在线观看| 亚洲视频99| 少妇激情一区二区三区视频| av日韩高清一区二区| 91亚洲精品久久久中文字幕| 亚洲午夜精品久久久久久人妖| 日韩乱码人妻无码中文字幕久久| 丁香花五月六月综合激情| 女同欲望一区二区三区| 国产三级视频在线观看视主播| 欧美日韩另类视频| 精品无码人妻一区二区三区品| 欧美精品国产综合久久| 日本中文一区二区在线| 国产偷闻女邻居av在线观看| 亚洲av一区二区国产精品| 精品国产一区二区三区AV小说| 国产69精品久久久久9999| 国产成人av无码精品| 婷婷开心五月亚洲综合| 精品蜜桃视频在线观看| 免费观看久久精品日本视频| 久热香蕉视频| 亚洲精品无码成人片久久不卡| 夫妇交换性三中文字幕| 亚洲综合网国产精品一区| 91九色中文视频在线观看| 最新国产精品国产三级国产av| 曰韩精品无码一区二区三区 | 久久五月精品中文字幕|