[發明專利]一種基于深度學習的大氣能見度集成預報方法

在審

• 申請號: 202011037980.4
• 申請日: 2020-09-28
• 公開（公告）號: CN112180472A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 宗培書;蔡凝昊;孫泓川
• 申請（專利權）人: 南京北極光智能科技有限公司
• 主分類號: G01W1/10
• 分類號: G01W1/10;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 江蘇銀創律師事務所 32242
• 代理人: 何震花

1.一種基于深度學習的大氣能見度集成預報方法，其特征是：包括以下步驟：

步驟S1，收集相關地區的歷史氣象觀測資料，重建該地區能見度資料；

步驟S2，利用WRF-Chem模式進行該地區氣象要素和空氣質量的回報；

步驟S3，針對步驟S2中WRF-Chem模式回報所得的氣象要素和空氣質量因子，利用IMPROVE算法反演能見度；

步驟S4，針對步驟S2中WRF-Chem模式回報所得的氣象要素和空氣質量因子，利用神經網絡算法反演能見度；

步驟S5：利用隨機森林算法，對空氣質量監測站點和氣象自動站的觀測資料和能見度進行建模，并將所述步驟S2中WRF-Chem模式回報所得的空氣質量因子引入該模型，進行能見度預測；

步驟S6：將所述步驟S3、S4和S5中預測反演所得的能見度進行集成，實現該地區能見度的集合預報。

2.根據權利要求1所述的一種基于深度學習的大氣能見度集成預報方法，其特征在于：在所述步驟S2中還包括以下步驟：

步驟S21，WRF-Chem模式對氣象要素回報效果的評估；

步驟S22，WRF-Chem模式對空氣質量回報能力的檢驗。

3.根據權利要求2所述的一種基于深度學習的大氣能見度集成預報方法，其特征在于：在步驟S2中，評估回報或預測的結果與實況相比的接近程度時，采用計算相關系數R、均方根誤差RMSE、平均相對誤差MFE，以及平均相對偏差MFB，它們具體的計算公式如下：

其中，S和O分別代表回報(或預測)與實況的序列，n為樣本總數，i為具體的樣本；Cov(S，O)代表S和O的協方差，Var(S)和Var(O)分別為S和O的具體數值；在數值模式的回報和預測性能評估當中，一般將MFE≤+50％和MFB≤±30％作為回報或預測結果準確的標準。

4.根據權利要求1所述的一種基于深度學習的大氣能見度集成預報方法，其特征在于：在所述步驟S3中的氣象要素包括2米溫度，2米濕度，10米風速風向，空氣質量因子包括粗粒子、細粒子、硫酸鹽、硝酸鹽、有機物、碳元素、細土壤塵氣溶膠等；

在所述步驟S3中采用的IMPROVE算法反演能見度，建立大氣能見度反演公式：

v＝K/B_ext

其中，K為常數，一般取值為3.912；v為大氣能見度(km)，B_ext(km^-1)為消光系數，它的計算公式為：

B_ext＝B_sg+2.2×f_s(RH)×S(sulfate)+4.8×f_L(RH)×L(sulfate)+2.4×f_s(RH)×S(nitrate)+5.1×f_L(RH)×L(nitrate)+2.8×S(OM)+6.1×L(OM)+10×[EC]+[FS]+0.6×[CM]+0.33×[NO₂]

其中，B_sg為瑞利散射消光系數(Mm^-1)，f_s(RH)、f_L(RH)分別為粗粒子和細粒子的吸濕增長系數，其為相對濕度RH的函數，L(X)和S(X)分別表示氣溶膠粗粒子和細粒子質量濃度，單位：μg/m³)；其中X分別表示硫酸鹽(sulfate)、硝酸鹽(nitrate)、有機物(OM)；[EC]、[FS]和[CM]分別為元素碳濃度、細土壤塵氣溶膠濃度和粗粒子濃度，單位：μg/m³；[NO₂]為NO₂的體積分數，為10^-9。

5.根據權利要求1所述的一種基于深度學習的大氣能見度集成預報方法，其特征在于：在所述步驟S4中引入WRF-Chem模式回報所得2米溫度、10米經向風速和緯向風速、2米濕度這3個地面氣象要素，對觀測所得能見度進行建模，訓練期為2013年冬季90天序列，對2014-2017年冬季的能見度日序列進行修正。