一种基于船基走航式观测的数值预报订正方法

技术领域

本发明涉及船舶航行风场预报领域，具体涉及一种基于船基走航式观测的数值预报订正方法。

背景技术

海面风场是制定船只航线计划，保障航行安全重要的参考因素，海上大风经常引起灾害性海浪甚至风暴潮等气象灾害，造成船只颠覆等事故，因此海上风场的准确预报，对保障海上船只活动和海上工程等具有重要意义。

数值模式预报是海上风场预报的重要手段之一，但由于海上实测风场手段单一，大多数海面实测资料靠船舶和海洋浮标得到，导致海面和高空实测资料严重缺乏，对数值模式构造真实初始场造成很大的困难。此外对多源观测资料的同化、计算资源以及预报人员水平等因素也限制了数值模式预报的精度，导致预报值与实际值之间存在一定误差，因此研究有效和科学的数值预报订正方法以提升气象预报的精度对海上活动安全保障具有重要意义。

国内外在订正技术方面开展了研究，一般预报误差可以分为系统性误差和非系统性误差：

系统性误差不随时间变化，一般是由大量预报误差的时间平均得到，表征了数值模式平衡态相对于实际气候态的漂移；

非系统性误差是随流型变化部分，依赖于大气状态变量，又包含随机误差。

系统误差订正常用的方法是计算大量回报误差的平均值(考虑季节变化和日变化)，将其叠加到对应预报时效的当前输出结果上，但是这种方法没有考虑模式积分过程中内部误差和外部误差的非线性相互作用。非系统性误差订正考虑误差随时间的变化规律，认为在短期内，误差的统计特征和时空分布特征变化不大，利用近期的资料和模式结果来订正。但由于海上资料获取困难，很难获得与模拟数据匹配的长期实测数据，并且误差随时间的变化呈非线性，导致传统的方法订正的效果不稳定。

发明内容

为了提升数值预报的精度，本发明提供了一种基于船基走航式观测的数值预报订正方法，基于船基走航实测数据，利用机器学习的非线性拟合能力，通过挖掘历史实测数据和预报数据的数据特性，对中尺度数值天气预报模式WRF模拟预报风场进行订正，以提高数值预报的精度。

本发明的技术目的是通过以下技术方案实现的：

一种基于船基走航式观测的数值预报订正方法，该方法包括：

步骤1、选定船基走航区域，利用WRF对船基走航区域进行海上风场数值模拟并按照t秒时间间隔输出WRF数值模拟结果；

步骤2、基于船基实测风速数据计算总风速uv，

利用滑动平均算法计算uv及预报影响因子数据进行t秒滑动平均，将逐秒实测数据处理为t秒间隔数据；

步骤3、将步骤2中处理得到的t秒间隔数据与步骤1输出的WRF数值模拟结果进行时空匹配，构建数据集；

步骤4、构建随机森林模型，将构架的数据集划分为训练数据集进而测试数据集，利用训练数据集对随机森林模型进行训练得到数值预报订正模型；

步骤5、将步骤3中构建的测试数据集输入至步骤4中构建的数值预报订正模型中对数值预报订正模型进行精度测试，精度测试符合要求，将数值预报订正模型用于船船基走航式观测的数值预报订正。

进一步地，在步骤2中，计算总风速uv时预先剔除异常数据。

进一步地，剔除异常数据时，包括对船基实测风速数据进行完整性检查和内部一致性检查。

进一步地，在步骤2中，

u＝-wspd*sin(wdir)，

v＝-wspd*cos(wdir)，

其中，u为径向风，v为纬向风，wspd为实测风速，wdir为实测风向，uv为总风速。

进一步地，在步骤3中，进行时空匹配时，以船基实测点的经度、纬度及观测时间为基准，提取WRF数值模拟结果中同一时刻距离观测点最近的点的数据。

进一步地，在步骤2中，预报影响因子数据包括2米温度、2米相对湿度、10米径向风u、10米纬向风v、海平面气压以及925hPa、850hPa、700hPa、500hPa的温度、相对湿度、U、V和高度。

进一步地，数据集表示为二维矩阵：

Z

进一步地，在步骤4中，按照4:1的比例将构架的数据集划分为训练数据集和测试数据集。

进一步地，在步骤4中，构建随机森林模型时包括：

步骤4.1、通过bootstrap重抽样方法，在训练数据集中随机抽取N个训练数据集，N个训练数据集具有M个特征属性；

步骤4.2、随机选择一个训练数据集构建，同时随机从M个特征属性中选择m个特征属性，基于选择的训练数据集构建的决策树模型，从m个特征属性中选择一个最优特征属性作为划分节点，生成新的决策树模型子节点；

步骤4.3、重复步骤4.2直至决策树模型生成，按照步骤4.1-4.3建立若干决策树模型；

步骤4.4、将训练数据数据输入所有的决策树模型，计算所有决策树模型预测值的均值，得到随机森林模型的最终预测结果。

进一步地，在步骤5中，通过平均百分比误差MAPE和决定系数R

其中，Y

相比与现有技术，本发明的有益效果在于：

本发明基于船基走航式观测数据，利用机器学习方法的非线性拟合能力，构建秒级数据集，对WRF数值模拟风速进行订正，使数值模拟数据更接近真实值，克服了海上观测信息少以及传统订正方法准确度不够的不足，实现海上数值模拟风场的准确订正。

附图说明

图1是本发明的基于船基走航式观测的数据预报订正方法流程图。

图2是本发明中数值模式模拟的范围示意图。

图3是本发明实施例中实测数据轨迹示意图。

图4是本发明中随机森林模型的结构示意图。

具体实施方式

下面结合具体实施方式对本发明的技术方案进行进一步描述：

一种基于船基走航式观测的数值预报订正方法，如图1所示，该方法包括：

步骤1、选定船基走航区域，利用WRF对船基走航区域进行海上风场数值模拟并按照t秒时间间隔输出WRF数值模拟结果；WRF(Weather Research and Forecasting，简称WRF是一种由国家大气研究中心、国家海洋和大气管理局及其合作伙伴共同开发的广泛使用的数值天气预测和大气研究工具。它用于模拟短期天气预报、大气过程和长期气候模拟。WRF的精度高于传统的数值天气预报模型，并具有更高的时空分辨率，是气象和大气研究社区的重要工具。)

具体如下：

获取WRF数值模拟所需的静态地理数据，数值模拟区域如图2所示，以38.616°N，121.916°E为中心经纬度，采用3层嵌套技术划分数值模拟区域网格，最外层网格数(分辨率)为150×150(9km)，次外层d02网格数(分辨率)为199×199(3km)，最内层d03网格数(分辨率)为169×169(1km)。确定数值模拟策略为06UTC起报，模式30小时，前6小时作为spin-up舍弃，模式垂直层次设置为45层，模式最外层的时间步长为54s，模拟时间确定为2021年08月01日14:40(北京时间)至2021年08月02日11:30(北京时间)，按照10s时间间隔输出船基走航式区域的WRF数值模拟结果。

步骤2、基于船基实测风速数据计算总风速uv，作为优选，计算总风速uv时预先剔除异常数据，剔除异常数据时，包括对船基实测风速数据进行完整性检查和内部一致性检查。

完整性检查：为由于测风仪机器故障及其他可能因素，导致的风速、风向数据异常，需要将风速、风向数据异常的故障数据剔除，如数据出现空白、缺值、不在观测时间范围内则需要剔除。

内部一致性检查：包括三种情况，一种是风向＞360°或者风向＜0°，一种是风速为零而风向≥0°，还有一种是风速＞75m/s,数据存在上述三种情况中任意一项均需剔除。

本事实施例中实测数据轨迹示意图如图3所示，轨迹集中于以38.6°N，121.9°E为中心的区域内，经过异常数据剔除后，得到有效实测数据82866条。

再利用滑动平均算法计算uv及预报影响因子数据进行t秒滑动平均，将逐秒实测数据处理为t秒间隔数据；具体如下：

u＝-wspd*sin(wdir)，

v＝-wspd*cos(wdir)，

其中，u为径向风，v为纬向风，wspd为实测风速，wdir为实测风向，uv为总风速。

利用滑动平均算法，对计算得到的总风速uv及预报影响因子数据进行10秒滑动平均，涉及到的预报影响因子数据包括：2米温度、2米相对湿度、10米径向风u、10米纬向风v、海平面气压以及925hPa的温度、925hPa的相对湿度、925hPa的径向风u、925hPa的纬向风v、925hPa的高度、850hPa的温度、850hPa的相对湿度、850hPa的径向风u、850hPa的纬向风v、850hPa的高度、700hPa的温度、700hPa的相对湿度、700hPa的径向风u、700hPa的纬向风v、700hPa的高度、500hPa的温度、500hPa的相对湿度、500hPa的径向风u、500hPa的纬向风v、500hPa的高度。

步骤3、将逐秒实测数据处理为10秒间隔数据与按照10s时间间隔输出船基走航式区域的WRF数值模拟结果进行时空匹配，构建数据集。

进行时空匹配时：

WRF数值模拟结果为10秒间隔的多变量区域范围数据，范围覆盖观测航线区域。以船基实测点的经度、纬度及观测时间为基准，根据距离最小准则，提取WRF数值模拟结果中同一时刻距离观测点最近的点的数据，提取的主要变量包括：2米温度、2米相对湿度、10米径向风u、10米纬向风v、海平面气压以及925hPa的温度、925hPa的相对湿度、925hPa的径向风u、925hPa的纬向风v、925hPa的高度、850hPa的温度、850hPa的相对湿度、850hPa的径向风u、850hPa的纬向风v、850hPa的高度、700hPa的温度、700hPa的相对湿度、700hPa的径向风u、700hPa的纬向风v、700hPa的高度、500hPa的温度、500hPa的相对湿度、500hPa的径向风u、500hPa的纬向风v、500hPa的高度。

其中，数据集构建过程如下：

Z

步骤4、构建随机森林模型，按照4:1的比例将构架的数据集随机划分为训练数据集和测试数据集，利用训练数据集对随机森林模型进行训练得到数值预报订正模型；随机森林模型的结构如图4所示，随机森林模型包括很多决策树模型构成，每个数据集输入后每一个决策树模型分别进行判断和分类并得到一个结果，决策树模型中输出的结果中分类最多的一个为最终的输出结果，随机森林模型的训练过程如下：

步骤4.1、通过bootstrap重抽样方法，在训练数据集中随机抽取N个训练数据集，N个训练数据集具有M个特征属性；

步骤4.2、随机选择一个训练数据集构建，同时随机从M个特征属性中选择m个特征属性，基于选择的训练数据集构建的决策树模型，从m个特征属性中选择一个最优特征属性作为划分节点，生成新的决策树模型子节点；

步骤4.3、重复步骤4.2直至决策树模型生成，按照步骤4.1-4.3建立若干决策树模型；通过设置决策树模型的决策树高度、或者设定每个节点包含的样本数达到设定的阈值后，达到设定的条件后完成当前决策树模型的生成。

步骤4.4、将训练集的数据输入随机森林模型，计算所有决策树模型预测值的均值，得到随机森林模型的最终预测结果。

步骤5、将步骤3中构建的测试数据集输入至步骤4中构建的数值预报订正模型中对数值预报订正模型进行精度测试，精度测试符合要求，将数值预报订正模型用于船船基走航式观测的数值预报订正。

具体地，通过平均百分比误差MAPE和决定系数R

其中，Y

本实施例只是对本发明的进一步解释，并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性的修改，但是只要在本发明的权利要求范围内都受到专利法的保护。