[发明专利]一种即时气象情报保障方法

说明书

本申请公开了一种即时气象情报保障方法，用于对指定区域进行气象预测，包括同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和RFDA模型；在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据；采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，以场内观测数据为真实值构建训练数据集，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型。本发明对气象综合判断更有依据，采集范围更广泛，填补小范围、高频次精确短临预报方面的技术空白，实现对特定小区域的精确短临预报。

技术领域

本申请涉及气象预报技术领域，特别是涉及一种即时气象情报保障方法。

背景技术

随着全球新一轮科技革命和产业变革蓄势待发，科学技术从微观到宏观各个尺度向纵深发展，一系列原创性突破正在开辟新前沿、新方向、新需求，信息网络、人工智能、生物技术、清洁能源、新型材料、先进制造等领域呈现群体跃进态势。气象科技创新及现代化也在不断发展，但面对日新月异的科技创新革命，大型特殊活动都会在特定时期内提出的高要求高标准的服务目标，气象服务保障能力和科技水平与社会广大需求之间的差距仍十分明显，尤其是在高科技网络化、数字化、信息化、智慧化快速发展催动下，面对重要业务活动和对气象部门气象智慧化服务的科技创新挑战就显得十分突出。

因此，如何实现小区域范围内的精细化气象预报，就是目前急需解决的一个问题。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种即时气象情报保障方法，用于对指定区域进行气象预测，包括：

同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型；

在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据；

采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，以场内观测数据为真实值构建训练数据集，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型。

优选地，同化多源资料并实现覆盖指定区域的中尺度数值预报模型的建立，所述中尺度数值预报模型是基于WRF和WRFDA模型中，多源资料包括常规气象观测数据、雷达资料、卫星观测资料、大尺度气象模式网格数据、地形勘测数据和地标粗糙度数据。

优选地，多源资料同化及中尺度预报需要全球范围内的模式场数据为区域模型提供初始值和侧边界条件，实现对场所特定区域的1km分辨率嵌套区域模拟，系统定时下载GFS全球预报等所需数据，获取起报时间的观测数据后，自动开始数据处理流程，并实现WRFDA的数据同化，将分析场数据提供给WRF模型作为预报的初始场，实现逐小时的自动更新同化预报循环。

优选地，在指定区域内设置若干个观测点，用于获取指定区域内流体的场内观测数据，包括：

在所述指定区域的关键点建立地面观测站，采集风速、风向、气温、气压、相对湿度的常规观测数据，以用于构建场所小区域的训练数据集，同时对所述常规观测数据进行质量控制。

优选地，采用流体力学模型对所述中尺度数值预报模型进行预报降尺度处理，是将空间分辨率在公里量级的中尺度数值预报模型，以数值预报结果为边界条件，采用流体力学模型通过精确的地形、地标粗糙度数据，模拟出在一定来流条件下比所述指定区域内更加精细的空间流场分布，达到米级精细化预报的中尺度数值预报模型。

优选地，通过人工神经网络对经预报降尺度处理后的中尺度数值预报模型进行深度学习，形成小尺度的精细化的短临预报模型中，实现基于深度学习的统计预测，包括：