[發明專利]一種沿海臺風極值風速的數值天氣預報-人工智能耦合預測方法

有效

• 申請號: 201810306812.7
• 申請日: 2018-04-08
• 公開（公告）號: CN108983320B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 黃銘楓;徐卿;王義凡;樓文娟;吳列陽
• 申請（專利權）人: 浙江大學
• 主分類號: G01W1/10
• 分類號: G01W1/10;G01P5/00
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 劉曉春

1.一種沿海臺風極值風速的數值天氣預報-人工智能耦合預測方法，其特征在于，所述預測方法包括如下步驟：

(1)首先在目標位置布置風速儀，獲取目標位置臺風來臨前的風速時程，以時間段t為基本時距，計算平均風速與均方根風速σ_meas，并統計該時間段內峰值因子p的分布；

(2)隨后采用中尺度氣象數值模式WRF進行目標位置近地面風場的降尺度模擬計算，考慮局部區域的實際地形地貌對近地面風場的影響，以目標位置為中心通過設計WRF三重網格單向嵌套方案進行目標位置近地面風場的降尺度模擬，得到目標位置附近的風速u_wrf與摩擦風速σ_*wrf的氣象要素變量，其中目標位置局部區域模型的最外層網格的初始和邊界輸入條件采用美國環境預報中心的全球預報系統提供的精度為1°×1°的氣象數據，地形高程來自由美國太空總署和美國國防部國家測繪局聯合測量的SRTM90米分辨率數據庫；

(3)采用人工智能中的深度神經網絡模型，分別以WRF降尺度計算得到的目標位置附近的風速u_wrf與摩擦風速σ_*wrf為輸入量，以實測時間段t內平均風速與均方根風速σ_meas為輸出量，采用誤差反向傳播算法的Levenberg-Marquardt神經網絡訓練函數進行訓練，采用神經網絡的均方誤差MSE作為性能函數，通過試算確定神經網絡模型中神經元個數與隱含層層數，最終分別得到WRF降尺度的風速數據u_wrf與實測時間段t內平均風速WRF降尺度的摩擦風速σ_*wrf與實測均方根風速σ_meas的深度神經網絡模型：

σ_*wrf＝f₂(σ_meas) (2)

(4)通過中尺度氣象數值模式WRF再次進行降尺度計算，預測出目標位置附近未來24h內的風速與摩擦風速數據，將預測的24h內的風速與摩擦風速數據輸入已訓練好的深度神經網絡中，得到修正預測的時間段t內平均風速與均方根風速

(5)根據實測得到的峰值因子p的分布，采用0.95分位點處的峰值因子p，基于修正預測目標位置的時間段t內的平均風速與均方根風速根據式(5)可計算得到未來24h內臺風作用下的極值風速：

2.根據權利要求1所述的沿海臺風極值風速的數值天氣預報-人工智能耦合預測方法，其特征在于，時間段t選取為10min。

3.根據權利要求1所述的沿海臺風極值風速的數值天氣預報-人工智能耦合預測方法，其特征在于，步驟(1)中：峰值因子p的分布統計為采用廣義極值分布進行擬合并得到峰值因子p的累積概率分布圖。

4.根據權利要求1所述的沿海臺風極值風速的數值天氣預報-人工智能耦合預測方法，其特征在于，步驟(2)中，WRF三重網格單向嵌套的方案為：沿著水平方向按照網格精度將計算域劃分為三層，從大到小分別記為：d01、d02和d03；且d01對d02、d02對d03提供隨時間變化的側向邊界條件以實現不同網格尺度間的信息單側交換；

WRF三重網格單向嵌套的方案在水平方向上：d01計算域、d02計算域和d03計算域的范圍分別為：4300km×3775km、830km×655km和186km×161km；對應地，水平網格精度分別為：25km、5km和1km。

5.根據權利要求4所述的沿海臺風極值風速的數值天氣預報-人工智能耦合預測方法，其特征在于，WRF三重網格單向嵌套的方案在垂直方向上：采用地形跟隨的靜力平衡的氣壓垂直坐標，三層網格計算域d01、d02和d03的模擬范圍最高達到10km，垂直方向采用雙曲線網格間距劃分方式，并沿著垂直方向依次將d01計算域、d02計算域和d03計算域劃分為36層、36層和40層，最內層地形高程來自由美國太空總署和美國國防部國家測繪局聯合測量的SRTM90米分辨率數據，且使得d03計算域在近地面2km高度內加密成27層，從而更精細化求解近地面的風場結構。

6.根據權利要求1所述的沿海臺風極值風速的數值天氣預報-人工智能耦合預測方法，其特征在于，步驟(4)中：還包括采用三種誤差評價指標對預測得到的平均風速、均方根風速、極值風速與實測的平均風速、均方根風速、極值風速的差異進行對比，三種誤差評價指標分別為：(1)平均絕對值偏差MAE；(2)相對平均絕對值偏差rMAE；(3)均方根誤差RMSE；三種誤差評價指標的公式分別如下所示：