CN110579823B - 一种强降雨短临预报方法及系统 - Google Patents
一种强降雨短临预报方法及系统 Download PDFInfo
- Publication number
- CN110579823B CN110579823B CN201910823507.XA CN201910823507A CN110579823B CN 110579823 B CN110579823 B CN 110579823B CN 201910823507 A CN201910823507 A CN 201910823507A CN 110579823 B CN110579823 B CN 110579823B
- Authority
- CN
- China
- Prior art keywords
- heavy rainfall
- radar
- heavy
- forecast
- distribution characteristics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012512 characterization method Methods 0.000 claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000001556 precipitation Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 230000002123 temporal effect Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000008014 freezing Effects 0.000 claims description 9
- 238000007710 freezing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种强降雨短临预报方法及系统，包括：基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报，结合强降水时时空尺度分布特征及高分辨率模式的强降水表征因子，建立的强降水短临预报系统，能显著提升预报准确率，有效延长预报时效，提高支撑电网安全稳定运行的水平。
Description
技术领域
本发明涉及电力气象领域，具体涉及一种强降雨短临预报方法及系统。
背景技术
在全球变暖和极端气象事件频发的背景下，强降雨、台风、高温热浪等极端气象灾害及其次生灾害对电网的规划建设、调度运行、运维检修带来严重影响。目前，强将水已成为严重威胁电网安全稳定运行的主要灾害之一。短时强降水过程伴随的雷暴大风、冰雹等灾害天气，局地性强、空间尺度小、生命周期短、破坏力强，常常使得电力系统设备跳闸、断电、倒塔，甚至造成人员伤亡等事故，造成巨大的经济和社会损失。
由于强降水过程大多属于小微尺度天气系统，目前小微尺度数值模式多为边界层诊断模式，无法准确预报强降水；而中尺度数值模式与常规气象观测网络捕捉能力较为有限。因此，基于非常规观测资料(加密自动站、雷达、卫星、雷电定位、GPS水汽、风廓线雷达等)的分析及外推应用，是开展短时强降水临近预报的主流方法。然而，基于雷达等资料的外推预报有效时效短，高准确率的预报时效很难突破30分钟。而且，雷达外推过程中一般不考虑雷暴云的生消发展过程，存在严重的空报现象。虽然基于概念模型预报技术能实现雷暴发生、发展和消亡的预报，但其更多的依赖于多种中小尺度观测资料的综合分析、雷达资料同化技术等，业务化运行困难大，准确率也不理想。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供一种强降雨短临预报方法及系统。
本发明提供的技术方案是：
一种强降雨短临预报方法，所述方法包括：
基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；
基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；
将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报。
优选的，所述强降水短临预报系统的构建，包括：
获取历史强降雨资料和雷达图像；
对所述雷达图像进行反演得到云团轨迹和雷暴云的时空尺度分布特征；
基于所述历史强降雨资料得到强降雨表征因子和暴雨时间；
基于雷暴云的时空尺度分布特征与暴雨时间进行匹配，得到所述雷暴云的时空尺度分布特征与暴雨时间的进行匹配；
基于深度学习算法得到云团轨迹、强降雨表征因子以及匹配之后的雷暴云的时空尺度分布特征与暴雨时间的对应关系。
优选的，所述基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值，包括：
基于预测时刻前一段时间内的雷达监测图像反演的气象数据，得到预测时间的云团轨迹和雷暴云的时空尺度分布特征；
基于获取的所述预报结果进行分析得到各强降雨表征因子值；
所述一段时间包括：两个小时。
优选的，所述基于获取的所述预报结果进行分析得到各强降雨表征因子值，包括：
基于获取的所述预报结果进行分析得到强降雨区所有表征因子值；
基于所述所有表征因子值提取预测时间内影响强降雨的各表征因子值；
所述表征因子值为：极端大风和零散的高雷电潜势指数。
优选的，所述基于预测时刻前一段时间的雷达监测图像反演的气象数据，得到预测时间的云团轨迹，包括：
获取的雷达图像中强降雨区和雷暴云的信息，并基于所述信息确定空间一云团为观测点；
基于泰勒冻结假设和尺度不变特征变换技术预测所述观测点的雷达信号；
基于所述雷达信号，得到云团短期变换轨迹。
优选的，所述雷达信号的计算式如下：
f(x,t+τ)＝f(x-Uτ,t)
式中，f为雷达信号；x为观测点；t+τ为预测时间；x-Uτ为预测时间云团随平均风速移动的空间位置；t为预测时刻。
一种强降雨短临预报系统，所述系统包括：
获取模块：用于基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；
获得模块：用于基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；
预报模块：用于将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报。
优选的，所述预报模块，还包括：构建模块；
所述构建模块，用于获取历史强降雨资料和雷达图像；
基于所述雷达图像得到云团轨迹和雷暴云的时空尺度分布特征；
基于所述历史强降雨资料得到强降雨表征因子和暴雨时间；
基于雷暴云的时空尺度分布特征与暴雨持续时间进行匹配，得到所述雷暴云的时空尺度分布特征与暴雨时间的进行匹配；
基于深度学习算法得到云团轨迹、强降雨表征因子值以及匹配之后的雷暴云的时空尺度分布特征与暴雨时间的对应关系。
优选的，所述获得模块，包括：第一获得单元和第二获得单元；
所述第一获得单元，用于基于预测时刻前两小时内的雷达监测图像反演的气象数据，得到预测时间的云团轨迹和雷暴云的时空尺度分布特征；
所述第二获得单元，用于基于获取的所述高分辨率数值预报结果进行分析得到各强降雨表征因子值。
优选的，所述第一获得单元，包括：获取子单元、预测子单元和获得子单元；
所述获取子单元，用于获取的雷达图像中强降雨区和雷暴云的信息，并基于所述信息确定空间一云团为观测点；
所述预测子单元，用于基于泰勒冻结假设和尺度不变特征变换技术预测所述观测点的雷达信号；
所述获得子单元，用于基于所述雷达信号，得到云团短期变换轨迹。
与现有技术相比，本发明的有益效果为：
本发明提供的技术方案，包括：基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报，结合强降水时空尺度分布特征及高分辨率模式的强降水表征因子，建立的强降水短临预报系统，能显著提升预报准确率，有效延长预报时效，提高支撑电网安全稳定运行的水平。
附图说明
图1为本发明的整体流程示意图；
图2为本发明的短期天气预报技术路线示意图；
图3为本发明的雷达图像拼接及强降雨特征识别示意图；
图4为本发明的高分辨率数值天气预报中强降水预报示意图；
图5为本发明的高分辨率数值天气预报中最大风速预报示意图；
图6为本发明的高分辨率数值天气预报中雷电潜势预报示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1
近几年来，随着大数据技术和高性能计算的飞速发展，深度学习在各领域的实践应用异军突起，成果层出不穷。基于深度学习的图像识别技术为雷达回波图像的深入应用提供了新的有效途径。从大量的强降水监测数据、雷达回波图像、高分辨率中尺度数值预报结果中学习统计规律，进而实现短时强降水0～6小时短临的准确预报。
强降雨是影响电网安全运行的主要灾害之一，传统的采用雷达资料外推的短临预报存在有效时效短、空报严重的不足，而概念预报模型对观测资料要求高、业务困难大、准确率也不理想。本专利基于深度学习方法，从大量的强降水监测数据、雷达回波图像、高分辨率中尺度数值预报结果中学习统计规律，进而采用机器学习算法，构建准确性高、可业务推广的强降雨短临预报系统。
具体步骤如图1所示：
步骤一：基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；
步骤二：基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；
步骤三：将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报。
其中，步骤一：基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果，包括：
获取多普勒天气雷达、风廓线雷达以及测云雷达的监测图像和高分辨率数值预报结果；
步骤二：基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值，包括：
基于高频雷达观测图像的拼接及强降雨特征识别
获取雷达图像的反演的气象要素数据并开展雷达探测空间图像的拼接。
分析云团及降水的特征，识别雷达图像中强降雨灾害及其特征。具体流程及结果如图2所示。
基于泰勒冻结假设的云团轨迹追踪
基于雷达监测图像中识别的强降雨区及雷暴云等信息，如图3所示，基于泰勒冻结假设，并采用尺度不变的特征变换技术，计算未来0～2小时的云团变换轨迹。
所谓泰勒冻结假设，是在空间上一固定点对湍流的观测结果统计上等同于同时段沿平均风方向空间各点的观测，即云团在短时间内趋向于在空间以当地平均速度平移，短时间内并不会发生外形的剧烈改变。即监测点x处在未来τ时刻后的雷达信号f，能够通过平均速度U，从当前时刻t位于坐标x-Uτ的的信号中体现：
f(x,t+τ)＝f(x-Uτ,t)
通过泰勒冻结假设，则将时间预测问题转化为空间预测问题。
基于降水观测资料的强降雨时空尺度特征分析
基于雷达高频观测图像，结合强降雨历史常规观测资料，研究短时强降水的不同时空尺度关联特征，即不同生命史(持续时间的长短)与雷暴云的空间尺度(空间范围大小)是匹配的，获得强降雨的时空尺度分布特征。
挖掘高分辨率数值天气预报中强降水的表征因子
基于中尺度WRF模式的高分辨率数值预报结果，挖掘强降水天气过程中模式表征因子，如图4～6所示，诸如分散性的极端大风、零散的高雷电潜势指数等要素，实现此类重要表征因子的智能识别及提取，提取每次预报的0～6小时强降水表征因子即可。
步骤三：将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报，包括：
基于深度学习的强降雨短临预报模型
基于步骤2～4的结果，以基于雷达的云团轨迹追踪信息、短时强降水时空尺度分布特征、高分辨率模式的表征因子等为输入，采用深度学习的输入增强方法，结合雷达资料预报结果，实现强降水0～6小时短期预报。
实施例2
以实现北京地区强降雨短临预报系统为例，可通过以下步骤实施应用：
(1)收集获取北京地区的高频雷达观测图像及数据，开展数据拼接及质量控制等工作，分析并识别雷达图像中强降雨的落区，识别雷暴云的位置及形态等。
(2)基于步骤(1)中的结果，结合其他观测资料，采用泰勒冻结假设及尺度不变的特征变化技术，计算未来0～2小时内，识别出的雷暴云的运行轨迹。
(3)根据天气系统变化的时空尺度一致性原则，结合各类强降雨观测资料，统计北京地区强降雨的时空尺度分布特征。根据雷暴云的空间尺度，则可得其生命史的时间变化尺度。
(4)高分辨率数值模式虽然无法准确预报强降水，但是在强降水发生区域，经常会出现极端大风或零散的高雷电潜势指数等，据此挖掘出高分辨率数值模式的强降雨表征因子。
(5)采用深度学习方法，结合步骤(2)～(4)的计算结果，获得北京是强降雨的短临预报，在预报准确率及预报时效上均有显著提升。
实施例3
基于同一构思发明，本申请还提供一种强降雨短临预报系统，所述系统包括：
获取模块：用于基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；
获得模块：用于基于所述雷达图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；
预报模块：用于将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报。
优选的，所述预报模块，还包括：构建模块；
所述构建模块，用于获取历史强降雨资料和雷达图像；
基于所述雷达图像得到云团轨迹和雷暴云的时空尺度分布特征；
基于所述历史强降雨资料得到强降雨表征因子和暴雨时间；
基于雷暴云的时空尺度分布特征与暴雨持续时间进行匹配，得到所述雷暴云的时空尺度分布特征与暴雨时间的进行匹配；
基于深度学习算法得到云团轨迹、强降雨表征因子值以及匹配之后的雷暴云的时空尺度分布特征与暴雨时间的对应关系。
优选的，所述获得模块，包括：第一获得单元和第二获得单元；
所述第一获得单元，用于基于预测时刻前两小时内的雷达监测图像反演的气象数据，得到预测时间的云团轨迹和雷暴云的时空尺度分布特征；
所述第二获得单元，用于基于获取的所述高分辨率数值预报结果进行分析得到各强降雨表征因子值。
优选的，所述第一获得单元，包括：获取子单元、预测子单元和获得子单元；
所述获取子单元，用于获取的雷达图像中强降雨区和雷暴云的信息，并基于所述信息确定空间一云团为观测点；
所述预测子单元，用于基于泰勒冻结假设和尺度不变特征变换技术预测所述观测点的雷达信号；
所述获得子单元，用于基于所述雷达信号，得到云团短期变换轨迹。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (5)
1.一种强降雨短临预报方法，其特征在于，所述方法包括：
基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；
基于所述雷达的监测图像的反演气象数据和所述高分辨率数值预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；
将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报；
所述强降水短临预报系统的构建，包括：
获取历史强降雨资料和雷达图像；
对所述雷达图像进行反演得到云团轨迹和雷暴云的时空尺度分布特征；
基于所述历史强降雨资料得到强降雨表征因子和暴雨时间；
基于雷暴云的时空尺度分布特征与暴雨时间进行匹配；
基于深度学习算法，得到云团轨迹、强降雨表征因子、以及匹配之后的雷暴云的时空尺度分布特征与暴雨时间的对应关系；
所述基于所述雷达的监测图像的反演气象数据和预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值，包括：
基于预测时刻前一段时间内的所述雷达的监测图像反演的气象数据，得到预测时间的云团轨迹和雷暴云的时空尺度分布特征；
基于获取的所述预报结果进行分析得到各强降雨表征因子值；
所述一段时间包括：两个小时；
所述基于获取的所述预报结果进行分析得到各强降雨表征因子值，包括：
基于获取的所述预报结果进行分析得到强降雨区所有表征因子值；
基于所述所有表征因子值提取预测时间内影响强降雨的各表征因子值；
所述表征因子值为：极端大风和零散的高雷电潜势指数。
2.如权利要求1所述的方法，其特征在于，所述基于预测时刻前一段时间的所述雷达的监测图像反演的气象数据，得到预测时间的云团轨迹，包括：
获取的所述雷达的监测图像中强降雨区和雷暴云的信息，并基于所述信息确定空间一云团为观测点；
基于泰勒冻结假设和尺度不变特征变换技术预测所述观测点的雷达信号；
基于所述雷达信号，得到云团短期变换轨迹。
3.如权利要求2所述的方法，其特征在于，所述雷达信号的计算式如下：
f(x，t+τ)= f(x-Uτ，t)
式中，f为雷达信号；x为观测点；t+τ为预测时间；x-Uτ为预测时间云团随平均风速移动的空间位置；t为预测时刻。
4.一种用于如权利要求1所述强降雨短临预报方法的系统，其特征在于，所述系统包括：获取模块：用于基于预测时刻前两小时内获取雷达的监测图像以及高分辨率数值预报结果；
获得模块：用于基于所述雷达的监测图像的反演气象数据和高分辨率数值预报结果进行分析，得到云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值；
预报模块：用于将所述云团轨迹、雷暴云的时空尺度分布特征和各强降雨表征因子值带入到预先构建的强降水短临预报系统，得到强降水短临预报；
所述预报模块，还包括：构建模块；
所述构建模块，用于获取历史强降雨资料和雷达图像；
基于所述雷达图像得到云团轨迹和雷暴云的时空尺度分布特征；
基于所述历史强降雨资料得到强降雨表征因子和暴雨时间；
基于雷暴云的时空尺度分布特征与暴雨持续时间进行匹配；
基于深度学习算法，得到云团轨迹、强降雨表征因子值、以及匹配之后的雷暴云的时空尺度分布特征与暴雨时间的对应关系；
所述获得模块，包括：第一获得单元和第二获得单元；
所述第一获得单元，用于基于预测时刻前两小时内的所述雷达的监测图像反演的气象数据，得到预测时间的云团轨迹和雷暴云的时空尺度分布特征；
所述第二获得单元，用于基于获取的所述高分辨率数值预报结果进行分析得到各强降雨表征因子值。
5.如权利要求4所述方法，其特征在于，所述第一获得单元，包括：获取子单元、预测子单元和获得子单元；
所述获取子单元，用于获取所述雷达的监测图像中强降雨区和雷暴云的信息，并基于所述信息确定空间一云团为观测点；
所述预测子单元，用于基于泰勒冻结假设和尺度不变特征变换技术预测所述观测点的雷达信号；
所述获得子单元，用于基于所述雷达信号，得到云团短期变换轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823507.XA CN110579823B (zh) | 2019-09-02 | 2019-09-02 | 一种强降雨短临预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823507.XA CN110579823B (zh) | 2019-09-02 | 2019-09-02 | 一种强降雨短临预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110579823A CN110579823A (zh) | 2019-12-17 |
| CN110579823B true CN110579823B (zh) | 2022-08-19 |
Family
ID=68812493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910823507.XA Active CN110579823B (zh) | 2019-09-02 | 2019-09-02 | 一种强降雨短临预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110579823B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310983A (zh) * | 2020-01-21 | 2020-06-19 | 宁波市气象台 | 一种针对登陆广东台风引发宁波暴雨的预报方法 |
| CN111352113B (zh) * | 2020-04-01 | 2022-08-26 | 易天气(北京)科技有限公司 | 一种强对流天气短临预报方法及系统、存储介质和终端 |
| CN111428676B (zh) * | 2020-04-01 | 2023-04-07 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
| CN111638565A (zh) * | 2020-06-09 | 2020-09-08 | 云南电网有限责任公司电力科学研究院 | 一种山区暴雨监测方法 |
| CN111983732B (zh) * | 2020-07-27 | 2022-08-05 | 南京信息工程大学 | 一种基于深度学习的降水强度估计方法 |
| CN113267834A (zh) * | 2020-11-30 | 2021-08-17 | 武汉超碟科技有限公司 | 一种基于多模型集成的融合降水预报方法 |
| CN112782700B (zh) * | 2020-12-30 | 2024-04-16 | 北京墨迹风云科技股份有限公司 | 一种基于雷达图的降水预测方法以及装置 |
| CN113204903B (zh) * | 2021-04-29 | 2022-04-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
| CN114021349A (zh) * | 2021-11-05 | 2022-02-08 | 广东电网有限责任公司广州供电局 | 一种强降雨预测方法、系统、装置及计算机存储介质 |
| CN114217318B (zh) * | 2021-12-09 | 2025-01-28 | 中国科学院空天信息创新研究院 | 基于天气雷达回波图像的降水预报方法、装置、设备和介质 |
| CN114488350B (zh) * | 2022-01-18 | 2024-04-30 | 重庆交通大学 | 一种基于雷达图信息处理的山地城市短时降雨预报方法 |
| CN115236770B (zh) * | 2022-06-29 | 2024-05-28 | 广西壮族自治区气象科学研究所 | 基于时空堆叠和样本重构的非线性短时临近降水预报方法 |
| CN115201938B (zh) * | 2022-07-26 | 2023-05-09 | 保定市气象局 | 基于雷暴高压分析的强对流天气临近预报方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101672810B1 (ko) * | 2015-08-24 | 2016-11-04 | 부경대학교 산학협력단 | 지형효과를 고려한 레이더 초단기 강수 예측과 수치모델 강우 예측 병합 방법 |
| CN108535731A (zh) * | 2018-04-18 | 2018-09-14 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
| CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
| CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
| KR101994387B1 (ko) * | 2018-08-21 | 2019-06-28 | 부경대학교 산학협력단 | 수증기 가중치 병합을 이용한 산악지역 강수실황 예측을 위한 장치 및 방법 |
| CN110020462A (zh) * | 2019-03-07 | 2019-07-16 | 江苏无线电厂有限公司 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5796611A (en) * | 1994-10-04 | 1998-08-18 | Nippon Telegraph And Telephone Corporation | Weather forecast apparatus and method based on recognition of echo patterns of radar images |
| CN109061776B (zh) * | 2018-10-08 | 2020-12-01 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 一种短时临近数值天气预报系统及方法 |
-
2019
- 2019-09-02 CN CN201910823507.XA patent/CN110579823B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101672810B1 (ko) * | 2015-08-24 | 2016-11-04 | 부경대학교 산학협력단 | 지형효과를 고려한 레이더 초단기 강수 예측과 수치모델 강우 예측 병합 방법 |
| CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
| CN108535731A (zh) * | 2018-04-18 | 2018-09-14 | 青岛心中有数科技有限公司 | 短临降水预报方法与装置 |
| KR101994387B1 (ko) * | 2018-08-21 | 2019-06-28 | 부경대학교 산학협력단 | 수증기 가중치 병합을 이용한 산악지역 강수실황 예측을 위한 장치 및 방법 |
| CN109447315A (zh) * | 2018-09-18 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
| CN110020462A (zh) * | 2019-03-07 | 2019-07-16 | 江苏无线电厂有限公司 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 雷达外推预报与暴雨数值模式融合预报降水方法研究;王丹;《中国优秀硕士学位论文数据库》;20131031;正文第43-65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110579823A (zh) | 2019-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110579823B (zh) | 一种强降雨短临预报方法及系统 | |
| CN105334551B (zh) | 基于数值天气预报模式的电网气象预测预警系统 | |
| CN104200484B (zh) | 基于云团特征分析的分布式光伏系统超短期出力预测方法 | |
| CN115933008A (zh) | 一种强对流天气预报预警方法 | |
| CN109447315A (zh) | 一种基于多时空尺度的电力气象数值天气预报方法和装置 | |
| CN107193060B (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
| CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
| CN109917394B (zh) | 一种基于天气雷达的短临智能外推方法 | |
| Zhu et al. | Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China | |
| CN105095668B (zh) | 基于亚洲极涡因子的电网覆冰长期预报方法 | |
| CN117518299B (zh) | 一种分类强对流临近概率预报方法、系统、设备及终端 | |
| CN110399634A (zh) | 一种基于天气系统影响的预报区域确定方法及系统 | |
| Xue | Preface to the special issue on the" Observation, prediction and analysis of severe convection of China"(OPACC) National" 973" Projec | |
| CN113313291B (zh) | 一种基于初值扰动的电网风灾集合预报以及验证方法 | |
| Liu et al. | Classified early warning and forecast of severe convective weather based on LightGBM algorithm | |
| CN116879900A (zh) | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 | |
| CN110390117A (zh) | 一种雷暴起电过程的数值模拟方法和系统 | |
| CN106203718B (zh) | 基于海拔高度因子的邻近网格输电线路覆冰预测方法 | |
| Ranalkar et al. | Characteristics of lightning activity in tropical cyclones developed over North Indian Ocean basin during 2010–2015 | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
| Hong et al. | A study on rainfall prediction based on meteorological time series | |
| CN103268416A (zh) | 基于stcp-bp的风速预测方法 | |
| Socaci et al. | XNow: A deep learning technique for nowcasting based on radar products’ values prediction | |
| CN110070199A (zh) | 一种电网台风灾害预警方法和系统 | |
| CN114492965A (zh) | 一种基于斜椭球法的降水短临概率预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |