《计算机在天气预报中的应用》由会员分享，可在线阅读，更多相关《计算机在天气预报中的应用（36页珍藏版）》请在金锄头文库上搜索。
1、计算机在天气预报中的应用,天气预报是根据气象观(探)测资料，应用天气学、动力学、统计学的原理和方法，对某区域或某地点未来一定时段的天气状况作出定性或定量的预测。准确地预报天气一直是大气科学研究的一个重要目标。天气预报的历史可以从最早的看云识天气和根据物像来推测天气开始，以后经历了单站预报，天气图预报，到目前的应用气象卫星、天气雷达等先进的探测资料和用计算机进行天气预报的阶段。伴随着科技的不断进步，天气预报得到了快速的发展。,气象要素表明大气物理状态、物理现象的各项要素。主要有：气温、气压、风、湿度、云、降水以及各种天气现象。,南京天气预报,天气现象:（1）降水现象：根据降水物的形态共分成11种
2、，其中液态降水有雨、毛毛雨、阵雨，固态降水有雪、冰粒、米雪、阵雪、霰、冰雹，还有混合型降水有雨夹雪、阵性雨夹雪等。此外，根据降水性质，分阵性降水、连续性降水和间歇性降水等三种类型。（2）地面凝结和冻结现象：包括露、霜、雾淞、雨淞等四种。（3）视程障碍现象：包括雾（雾、大雾、浓雾）；轻雾；吹雪；雪暴；烟幕；霾；沙尘暴（沙尘暴、强沙尘暴、超强沙尘暴）；扬沙；浮尘。（4）雷电现象：雷暴、闪电、极光。（5）其它现象：大风、飑、龙卷、尘卷风、冰针、积雪、结冰。,众所周知，天气预报所需数据量极大，对计算机要求很高，很多巨型机都首先为天气预报所服务。目前制作天气预报主要采用天气学预报方法、统计学预报方法和动
3、力学预报方法，以及由这三种基本预报方法相互结合形成的天气统计预报方法、 动力统计预报方法和天气动力预报方法等。,天气学预报方法（或称天气图方法）：是以天气图为主要工具，配合卫星云图、雷达图等，用天气学的原理来分析和研究天气的变化规律，从而制作天气预报的方法。这种方法主要用于制作短期预报。 数值预报方法（又称动力学预报方法）：是利用大型、快速的电子计算机求解描述大气运动的动力学方程组来制作天气预报的方法。这种方法可用于制作短期预报，也可做中、长期预报。近几年还开始用来做气候预报。 统计预报方法：是采用大量的、长期的气象观测资料，根据概率统计学的原理，寻找出天气变化的统计规律，建立天气变化的统计学
4、模型来制作天气预报的方法。这种方法主要用于制作中、长期预报和气象要素预报。,这三种制作天气预报的方法的主导思想不一样。天气现象（或天气过程）的发生，包含着必然性和偶然性，统计预报方法是从天气现象（或天气过程）具有偶然性这一点出发，认为天气变化是一种随机过程，在相同条件下不一定出现同样的天气变化，只能求出某种天气出现的可能性或概率。天气学方法和数值预报方法则从天气现象（或天气过程）具有必然性这一点出发，认为天气变化不是随机的，它满足一定的规律（如动量守衡、能量守衡、质量守衡等等），在相同的条件下应该发生相同的变化，根据大气某一时刻的状态，可以推算出其下一时刻的确定的状态。,相似预报方法的基本思路
5、是： 假如两个样本的天气形势和气象要素场是相似的，那么，它们的天气发展过程也相似，所以，从众多历史样本中选取与预报日的形势及要素场最相似的样本，把其对应天气发展过程作为预报日的天气预报结论。 目前， 有不少气象台站利用相似技术作预报, 虽然基本思路雷同，但由于采用的技术路线不同，其预报效果也不一样。大多数相似预报方法都考虑了不同因子场在预报中的重要性的差异，选取与预报对象关系最为紧密的因子场参与相似计算。但是，这些方法都未涉及如何定量描述因子场重要性的问题，也没有把整个因子场作为一个因子引入预报方程的做法，本文提出了定量化地表征气象因子场与天气现象之间关系的相关特征量处理技术和计算方法，同时还
6、提出了用相似系数和相关特征量来组建最优预报方程的办法。试验表明，这样作出的相似预报效果较好。,高度（hpa）500700850 （H:风向，风速，温度，露点温度差，东西风分量，南北风分量，湿度）地面2001.1,1(08h) 2006.5.10 (08h) 2011.1.1(08h)时间,1. 相似系数 假定一气象因子场 H 由 n个气象要素 组成,样本长度为 m用一矩阵表示为:,上式用 i,j作为要素 h的下标hij表示H 场的第i个样本在第 j个点的要素值。 用下式计算相似系数：Aij(H)=Rij(H).(1-Dij(H)/Dmax) (2) 其中Aij(H)是相关系数, Dij(H)是
7、平均距离，它们的表达式分别为:, , 分别是第 i 个样本与第 j 个样本的n个要素的平均值。Rij(H)为H场的第i个样本与第j个样本之间的相关系数，它表征了两个样本H场的空间波形相似程度，其值越大，则两个样本H场的波形越相似。Dij(H)为第i个样本与第j个样本H场之间的平均距离，它表征了两个样本H场之间空间位置的接近程度，其值越小，则两个样本的 H场越接近。,Dmax是一个可以自定义的适当大小的值。这里定义 Dmax是 H场的各样本之间平均距离的最大值， 这样定义可以保证式（2）中的Dij(H)/Dmax1,从而保 证相 似系数(Aij)与相关系数(Rij)的符号相同 。 Aij(H)是
8、第i个样本与第j个样本H场之间的相似系数,它包括相关系数和平均距离两个量,所以它既表征了两个样本 H场之间的波形相似程度) 也表征了它们之间空间位置的间距大小,从公式(2)可知，Aij(H)随Rij(H)增大和 Dij(H)的减小而增大。也就是说，如果Rij(H) 越大、Dij(H)越小，则Aij(H)即H场之间波形越相似、间距越小，则两个样本的H场越相似。可见，用Aij(H)来刻划各样本因子场的相似程度是合适的。,2 相关特征量的计算如何描述因子场与天气现象之间的关系， 如何表达因子场在天气预报中的重要性，目前尚无现成的方法可以借鉴。通过以下步骤可计算出表征气象因子场与天气现象之间关系的相关
9、特征量值) 用其大小来权衡因子场在天气预报中的重要性。 2.1 求最佳相似样本就H场而言,用公式(2)可以计算出各样本之间的相似系数) 每个样本与其它样本之间的相似系数有 m-1，从 m-1个相似 系 数 中 挑 选 出 最 大 的 相 似 系 数(Aij(H) )max ( 以下简写为Aid (H) )，Aid (H)对应的样本就是第 i个样本H场的最佳相似样 本,最佳相似样本对应的天气现象用Wid(H)表示。,2.2 求样本天气与最佳相似样本天气之间 的相关系数-相关特征量假定各样本对应的天气现象依次是W1，W2，Wm而各样本 H场的最佳相似样本 对应的天气现象依次是W1d(H)，W2d(
10、H) ，Wmd(H)；可以求出H场的样本天气序列 与最佳相似样本天气序列之间的相关系数:,其中 () 是H场的最佳相似样本天气序列的平均值， 是样本天气序列的平均值。从原理和实践经验都可以这样认为：假如H场与天气现象 W的关系密切的话,那么，H场很相似的两个样本所对应的天气现象也一定类似； 反过来讲，如果 H场很相似的任意两个样本所对应的天气大,都较类似,那么,H场与天气现象的关系一定很密切，这就是说，虽然式（5）计算的是天气现象之间的相关系数 Rw(H)，但Rw(H)却表征了因子场H与天气现象W之间关系的密切程度。所以我们把Rw(H)称为因子场H 与天气现象W的相关特征量。,3 组建相似预报
11、方程 3.1 综合相似预报方程因为相关特征量表征了因子场与天气现 象关系的密切程度，相似系数表征了两样本间的相似程度，所以，可用各种因子（H1，H2，Hn）的相关特征量作为各因子场在方程中的权重系数，用相似系数作因子组成线性方程：Yij(w)=Aij(H1)*Rw(H1)+Aij(H2)*Rw(H2)+，Aij(Hn)*Rw(Hn) (6),用式(6)可以计算出任一样本与其它样本间的综合相似系数，从中选出最大的综合相似系数，其对应的样本就是要求的最佳相似样本，最佳相似样本对应的天气现象就是预报的天气现象，这也就是各种因子场综合的相似预报结果。,3.2 逐步引进因子场，建立最优相似预报方程预报效
12、果的好坏， 取决于相似预报方程的合理性。式（6）作为相似预报方程是否合理呢？众所周知， 在建立多元回归方程时，并非因子越多预报效果就越好；另外，由于因子之间还存在相关的问题。因此不一定是单相关最好的几个因子组成的预报方程最优。在利用相关特征量和相似系数组建相似预报方程时也会遇到同样的问题， 即：并非引进因子场越多，相似方程预报效果就越好；由于因子场相互间相关性，也不一定是单相关最好的几个因子场构成的相似预报方程最好。如果只引入少量因子场，怎样才能保证预报效果达到最优呢？为此， 我们设计了一个因子场逐步引入法， 这一方法的基本原理与逐步回归方法类似，从众多因子场中逐步挑选因子场进入预报方程，使预
13、报拟合率（用样本,天气与最佳相似样本对应天气之间的相关系数表示）随着因子场的增加而提高，直至预报拟合率不再由于因子场的引入而提高为止。具体作法如下： 用相关特征量最大的因子场作为首选因子场引入预报方程：Yij(w)=Aij(Hd1)*Rw(Hd1) （7） 用下标 d1表示第一个入选的因子场，Rw(Hd1)是各种因子场中与天气现象 W 相关特征量最大的一个。从前边的推导过程可知，如果只用一个因子场来组建方程， 那么，方程（7）一定是预报效果最好的方程，预报拟合率（用 ny1来表示)就等于相关特征量。,在式（7）首选因子场的基础上，将Hd1场与其它因子场逐一结合， 建立由两个因子场组成的预报方程
14、， 分别计算各方程预报的天气与样本天气的拟合率，找出拟合率最大且超过 ny1的方程:Yij(w)=Aij(Hd1)*Rw(Hd1)+Aij(Hd2)*Rw(Hd2) (8)这样， 引入了第二个因子场 Hd2预报拟 合率为 ny2且 ny2 ny1。,仿照引入第二个因子场的办法，依次 引入第三个、 第四个等因子场， 直到预报拟合率不再提高为止，得到预报方程：Yij(w)=Aij(Hd1)*Rw(Hd1)+Aij(Hd2)*Rw(Hd2) +Aij(Hdp)*Rw(Hdp) (9)该方程称作最优相似预报方程。试验表 明， 对短期降水预报来说，一般引入4-6个 因子场后， 拟合率就很难再提高。,3.
15、3 举例这里以南京 5月份 20-20时的降水（R22）预报为例,说明用其前12小时(08时) 的高空各要素场来组建最优相似预报方程的具体过程。表 的第一列是因子场名， 第二列是各种不同因子场与 R22的相关特征量(即预报拟合率)。按照前面所述，从表1第二列中可以找出，单因子场预报拟合率（即相关特征量）最大的是 850hPa风的 V分量场,预报拟合率ny1=0.3141。因此，V8就是首选因子场，其预报方程可写成：Y1=0.3141*A(V8) (10),用 V8场分别与其它场逐个组合建立预报方程，预报拟合率列入表1的第三列。为了与单因子场的预报拟合率保持一致，在多因子场组合作预报时， 仍以预
16、报量与实况的相关系数表示预报拟合率， 预报拟合率最高的V8和H5的组合，预报拟合率ny2=0.3752，于是引进第二个因子场H5；Y2=0.3141*A(V8)+0.061*A(H5) (11) 用 V8和H5场与其它场逐个组合建立预报方程， 预报拟合率列入表 1的第四列。 预报拟合率最高的是 V8、H5和D8的组合，预报拟合率 ny3=0.4205；于是引进第三个因子D8；依次类推，当引进第五个因子场时， 最高预报拟合率0.3970，拟合率没有提高，反而下降。所以可以认为式（12）是最优预报方程。Y2=0.3141*A(V8)+0.061*A(H5) +0.2256*A(D8) +0.0048*A(U7) (12),
