买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明属于大气科学技术领域，具体公开一种基于局地天气类型的局地背景误差协方差统计调用方法，针对传统静态背景误差协方差不能适应实时天气状态，动态背景误差协方差出现较大偏差的情况进行改进。本发明将根据当前观测结构调用历史统计中与观测相似的场景对应的背景误差协方差，避免预报偏差较大时集合统计的动态背景误差协方差代表性严重不足的问题。本发明将统计各个局地对应的天气类型，调用与各格点邻近区域天气类型相似的局地样本，确保各个地区的天气系统都有与之相匹配的背景误差协方差。

主权项：1.一种基于局地天气类型的局地背景误差协方差统计调用方法，其特征在于，包括如下步骤：S1、根据预报模式的网格分辨率和区域大小，确定大尺度、中尺度和小尺度的局地网格大小和分辨率；Nx×Ny的区域，其大尺度的局地网格为Nlx×Nly，中尺度的局地网格为Nmx×Nmy，小尺度的局地网格为Nsx×Nsy；S2、使用一段时间的再分析资料，并基于天气学上的尺度分类对其进行滤波，分出大尺度和中尺度部分；具体方法为：S21、确定统计时段，下载再分析资料集X＝x1,x2,x3,…,xn，其中xn表示数据集共有n个时次的样本x，x包含东西方向风场分量u,南北方向风场分量v,温度T,比湿q,气压p变量的信息；S22、使用带通滤波或傅立叶分解，将X分为大尺度XL和中尺度XM两部分，其中大尺度波长下限设为500km-1000km，中尺度波段的上限与大尺度波长的下限一致，中尺度下限的波长设为30km-100km；S23、对于与S21时段相同的模式预报数据Xf＝xf1,xf2,xf3,…,xfn，采用与S22相同的方式将其分解为大尺度XfL和中尺度XfM两个部分；S3、使用大尺度和中尺度的局地网格分别对S2中大尺度和中尺度的部分进行局地天气类型采样，形成原始的未分类的局地类型样本；具体方法为：S31、获取XL的一个时次的数据文件；S32、使用Nlx×Nly的大尺度局地网格，遍历每一个格点，每次包含当前格点所在模式高度层以及上方nz层以及下方nz层，nz的大小决定了局地网格的厚度；S33、对于靠近边界的格点i,j,k，即以此点为中心，无法完整获取Nlx×Nly个格点的，定义局地网格的西边界为Max1，i-Nlx2，东边界为minNx，i+Nlx2，南边界为Max1，j-Nly2，北边界为minNy，j+Nly2；上下边界采用相同的处理方式，即根据边界截断局地网格的区域大小，上边界为minNz，k+nz，下边界为max1，k-nz，其中Nz是S1所确定的模式区域的总垂直层数；S34、通过步骤S31～S33的方法，遍历XL所有时次的数据，并存储；S35、通过步骤S31～S34的方法，继续处理XM、XfL和XfM的数据，并存储；S4、使用层次聚类对S3得到的局地类型样本进行自下而上的聚类分析，得到满足以空间相关系数为参考标准的层次聚类树；具体方法为：S41、对得到的局地类型样本进行标准化处理，去掉各个变量的量纲；S42、以空间相关系数作为判断标准对所有XL的局地类型样本进行层次聚类分析，记录各个层次的空间相关系数；S43、聚类分析在可聚类的空间相关系数低于一定数值后结束，该相关系数阈值根据计算资源和实际应用情景进行上下浮动，最低不低于0.5；S44、对于类型内包含超过3个原始样本的类型，计算样本集的前三个特征向量和特征值，作为类型的代表，如包含2个原始样本，则采用样本的平均值作为类型代表，用于后期的聚类和类型识别；S45、基于最终的聚类结果，生成XL的局地天气类型的聚类树；S46、对于XM，重复步骤S42～S44，形成中尺度局地天气类型的分类和聚类树；S47、对于处于边界的类型，仅对相同位置的样本进行聚类分析，其操作步骤与S42～S46相同；S5、基于S4的分类结果，在与S2的再分析资料相同的时间段内进行模式预报，使用包括时间滞后集合预报，多物理过程集合预报，随机物理过程参数化倾向与参数扰动集合方式，得到大尺度与中尺度的局地误差样本；具体方法为：S51、针对步骤S2选定的时段，使用模式预报进行集合预报模拟，包括时间滞后集合预报，多物理过程集合预报，随机物理过程参数化倾向与参数扰动集合，集合预报成员数根据实际情况和计算存储资源条件设置，但应使S2选定时段的每个时次的再分析资料的模式预报样本不少于30个；S52、使用步骤S3相同的局地样本采样方式，对所有模式预报结果进行大尺度和中尺度的局地采样，并标记每个局地预报样本与再分析资料之间的对应关系；S53、针对步骤S4分类得到的大尺度与中尺度的每个类型，计算各个类型所包含的原始类型样本与其对应预报的差值；S6、基于S4的分类结果和S5得到的误差样本，计算各个类型下的各模式变量的误差方差和可靠尺度，并计算各个类型的局地背景误差协方差矩阵的拟合函数；具体方法为：S61、对于步骤S4得到的任意一个局地天气类型，计算其所对应的局地网格上每个变量在每个格点的标准偏差；S62、计算该局地天气类型的每个点上各个变量与其他点上各变量的相关系数，建立局地背景误差相关系数矩阵；S63、根据下式计算所得背景误差相关系数矩阵每个元素的β值，并将其乘到对应单元素上； 其中Nρ是样本的个数，ρ是相关系数，d是预报与观测的差，下标1和2代表距离为r的两个点，I为相关系数和预报观测差的正负符号一致性函数，I的意义是，如果两个位置上变量的误差符号相反，则误差相关系数为负才能通过第一个位置的观测更新修正第二个位置的模式变量，若此时相关系数为正，则误差必然增大，定义为不合理；S64、根据下式，计算所得到相关系数矩阵的拟合函数的拟合系数： 其中apq是经度x、纬度y、和高度z的系数，n、m和l分别是多项式的阶次，ρ是统计得到的相关系数，p是方程个数，q＝k-1mn+j-1n+i；各阶次的系数通过求解下式得到： S65、对于S4中所有局地天气类型，重复步骤S61～S64，得到全部拟合系数；S7、利用时间滞后集合、多物理过程集合、物理过程参数和倾向随机扰动集合方式，对S2再分析资料中有对流发生的时段进行模拟，并使用小尺度的局地网格对模拟的样本进行采样；然后利用S4～S6的方法，对每一个对流尺度的样本进行聚类分析，并对各个类型所对应的集合预报样本进行误差方差和可靠相关系数尺度统计，计算相应的局地背景误差协方差矩阵拟合函数；步骤S7为小尺度局地天气类型的建立及其分类，具体方法为：S71、选出步骤S2中有降水的时次，对其进行滤波，去除小尺度以外的部分，小尺度波长上限设定为的中尺度波长的下限，等效于小尺度的部分XfS＝Xf-XfL-XfM；S72、采用局地样本采集方法，使用小尺度的局地网格Nsx×Nsy从所有预报中提取小尺度的局地天气类型样本，小尺度局地天气样本包含云微物理变量，边界处理方式与步骤S3方法相同；S73、使用聚类分析方法，对所得小尺度天气样本进行层次聚类分析，形成小尺度的类型和聚类树；S74、基于标记样本时间的方法，对每一个小尺度样本进行时间标记，时间相同的分为一组；S75、对分配的每一组小尺度样本，计算两两样本间的误差；S76、计算每一种小尺度局地天气类型的各个格点的标准偏差以及误差相关系数矩阵，以及β值，再计算相关系数矩阵的拟合函数系数；S8、在实际预报中，使用S4和S7中的分类，对预报区域内每个格点所处大尺度、中尺度和小尺度的局地天气类型进行识别并在相应格点进行标记；具体方法为：S81、将当前的预报场分解为大尺度、中尺度和小尺度三个部分；S82、对预报场进行大尺度、中尺度和小尺度局地天气类型的采样；S83、对于任意一个不处于边界的格点，即包含完整Nlx×Nly，Nmx×Nmy或Nsx×Nsy局地网格的区域，计算其与相应尺度聚类树中各类型的相似度，取聚类树中与预报的局地天气形势相似度最高的类型作为该格点所处局地天气环境的类型，并将类型聚类树中的类型标签标记在该格点上，针对小尺度的局地天气类型，检测当前局地网格上对流信息是否与观测的对流信息是否存在较大偏差，如果有较大偏差，则检索聚类树中对流信息与观测信息一致性最高的类型，并在格点上标记该类型；S84、对于处于边界的格点，仅对聚类树中处于相同区域位置的类型进行比较，并将结果记录在该格点上；S9、在局地同化系统中调用识别出来的局地天气类型所对应的背景误差协方差，并进行同化计算，得到相应的同化分析场，具体方法为：S91、在LocalDA进入某一个模式格点变量的更新流程后，调取记录的该格点在大尺度、中尺度和小尺度的局地天气类型标签；S92、根据各个尺度的局地天气类型标签，读取记录的该标签所对应的局地天气网格上各变量的标准偏差和拟合函数系数；S93、根据估计背景误差协方差的均方根的计算式，计算下式中ρ○Ccorrel的每个元素： 式中，S是Xo包含的各个模式变量的均方差的对角矩阵，ρ是局地化系数矩阵，计算式为： 其中apq是经度x、纬度y、和高度z的系数，n、m和l分别是多项式的阶次，ρ是统计得到的相关系数，p是方程个数，q＝k-1mn+j-1n+i；其调整系数其中N是Xo包含的变量个数，trace表示计算矩阵的迹，矩阵的迹通过计算的全部元素的平方和得到；S94、将计算得到的各个尺度的相关系数矩阵相加；S95、调用各个尺度标准偏差，转为方差并求各尺度方差和的平均，再开平方，得到综合各尺度的均方差，再用其替换S的相应元素，并完成的计算。

全文数据：

权利要求：

百度查询： 南京气象科技创新研究院 基于局地天气类型的局地背景误差协方差统计调用方法