[發明專利]一種基于時空網絡卷積模型的對流性致災強風預警預報方法

有效

• 申請號: 202210050608.X
• 申請日: 2022-01-17
• 公開（公告）號: CN114463947B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 李熠;鄭媛媛;鄭玉;楊吉;孫康遠;王宏斌
• 申請（專利權）人: 南京氣象科技創新研究院
• 主分類號: G08B21/10
• 分類號: G08B21/10;G06K9/62
• 代理公司: 南京業騰知識產權代理事務所(特殊普通合伙) 32321
• 代理人: 繆友益

1.一種基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于包括如下步驟：

S1、對天氣雷達組網數據進行質控；

S2、將步驟S1中經過質控的雷達數據插值到3km高度的等經緯度網格點上；

S3、對地面自動站要素觀測數據進行采樣和格點化；

S4、構建平均風臨近預報數據集；

S5、將步驟S4中得到的數據集進行訓練與檢驗；

S6、構建基于深度學習的平均風臨近預報模型；

S7、基于地面自動站瞬時極大風觀測和平均風觀測統計陣風系數，然后通過陣風系數構建分鐘級平均風速與瞬時極大風速之間的關系，將平均風速的預報結果轉化為陣風風速預報產品。

2.根據權利要求1所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S1中質控內容包括去除地物雜波和噪聲點。

3.根據權利要求1所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S2中利用距離加權平均插值和雙線性插值的方法將雷達反射率因子數據插值到3km高度的等經緯度網格點上。

4.根據權利要求1所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S3中地面自動站要素觀測數據包括氣溫、氣壓、風向和風速數據。

5.根據權利要求4所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S3中采用反距離加權方法將氣象要素插值到與雷達組網觀測一致的千米分辨率的網格場，具體方法為：

S31、計算站點到插值點的距離

S32、計算每個點的權重系數

S33、計算結果

其中，(x,y)為插值點坐標，(xi,yi)為站點坐標，p為任意一個正實數，n為站點的總數，λ為權重系數；

S34、自動站要素的時間分辨率為5min，雷達觀測時間分辨率為6min，將地面自動站數據利用時間加權平均插值形成6min分辨率的序列數據集，最終形成氣象要素與雷達組網觀測的時空分辨率均一致的網格場。

6.根據權利要求1所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S4中構建平均風臨近預報數據集的方法為：

S41、采用3～5年連續時間內地面觀測數據，結合近地面分鐘級平均風觀測篩選致災性大風時間；

S42、該時間點所在的前后共三小時時間段作為致災性大風的時間段，以該時間段內雷達3km高度的CAPPI以及格點化的1h變溫、3h擾動變壓和平均風觀測一起構建起時間間隔為6min，序列長度為3h的樣本數據進入訓練數據集，據此建立地面平均風臨近預報數據集。

7.根據權利要求6所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S5中數據集的訓練與檢驗的具體方法為：

將步驟S4得到的數據集利用時空卷積網絡模型進行訓練，并采用與構建平均風臨近預報數據集時所用數據不同的數據進行測試和檢驗；訓練和檢驗時均采用損失函數L1 Loss，表達式為：

式中ω(θ)為真實值的權重，y為真實值，為模型的輸出。

8.根據權利要求1所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S6中構建基于深度學習的平均風臨近預報模型是將雷達回波強度、平均風風向風速、3h擾動變壓和1h變溫的格點數據作為模型的輸入，未來2h插值后的格點平均風速數據作為輸出，基于PhyDnet的時空預測模型構建平均風速臨近預報模型，實現平均風速的臨近預報。

9.根據權利要求1所述的基于時空網絡卷積模型的對流性致災強風預警預報方法，其特征在于，步驟S7中陣風系數定義為陣風風速與平均風速之間的比值；利用往年的觀測數據，通過匹配計算得到區域內陣風系數，然后通過陣風系數構建分鐘級平均風速與瞬時極大風速之間的關系，將平均風速的預報結果轉化為陣風風速預報產品，實現0-2h瞬時極大風的預報結果輸出。