[发明专利]一种台风风场预测方法、装置及可读存储介质

说明书

本发明公开了一种台风风场预测方法、装置及可读存储介质，所述方法包括如下步骤：根据台风强度对台风进行分类；根据所获得的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。本发明方法根据分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，能够实现针对不同类别的台风采用不同的订正方法，利用不同订正方法的优势得到更好的台风风场订正效果，能够获得更加准确的台风风场预报。

技术领域

本发明属于大风灾害防治技术领域，具体地说是一种台风风场预测方法、装置及可读存储介质。

背景技术

目前国内外台风风场预报结果主要是由数值预报模式得到，数值模式预报结果的好坏主要受到两个关键因素的制约：一个是预报模式对大气物理过程的反映程度，即数值预报模式本身的准确程度；第二是用作模式积分的初始条件的好坏，即预报的初始同化资料场。由于资料误差和模式误差在现阶段是不可避免的，这就导致数值预报的结果在现阶段，乃至以后很长的时间里还不可能做到尽善尽美。

所以如何对数值预报的台风风场产品进行更好地释用，即对预报结果进行订正工作，减小预报误差的影响就成为了一项非常重要的工作。

常用的台风风场统计订正方法有两类：一类是传统的线性统计方法，包括比如模式输出统计方法、卡尔曼滤波方法、自适应偏最小二乘回归(Glahn et al.1972；肖擎曜等，2017)等。这些方法的缺点是需要大量的训练样本，而且对短期变化的天气过程订正效果不佳或存在卡尔曼滤波滞后现象(Malmberg A et al.2005)等。

另一类是非线性统计方法，主要是人工神经网络方法。国内神经网络方法的研究与国际上相比起步较晚，目前在气象领域方面的应用在主要是利用发展相对成熟的BP神经网络方法(BP Neural Network Algorithm),在订正方面主要用于气温、降水等方面。

上述两类统计订正方法在模式台风风场预报产品的订正方面应用均比较少，现有的一些研究也都仅使用其中一种订正方法，最终的订正效果还存在很大提升空间。

发明内容

有鉴于此，本发明的目的在于提供一种台风风场预测方法、装置及可读存储介质，以提高台风风场预报的准确率。

第一方面，本发明提供一种台风风场预测方法，所述方法包括如下步骤：

根据台风强度对台风进行分类；

根据所获得的分类结果，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测。

可选的，所述影响因子包括：站点信息、模式预报信息、预报时刻以及次网格地形标准差。

可选的，所述次网格地形标准差计算公式为：

其中，ter_std表示次网格地形标准差，N表示模式水平分辨率网格内的次网格数目，μ为所选取网格内的地形海拔高度均值，x_i表示网格内更加精细的地形高度。

可选的，根据台风强度对台风进行分类，包括：将台风按照强度分为热带风暴及以下、强热带风暴、台风和强台风四类。

可选的，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，所述方法还包括：

收集预设时间内不同类别台风的实测数据，并根据所述实测数据计算对应的模式数据。

可选的，对于强热带风暴和台风类别的样本，通过预先选取的影响因子以及预设算法进行预测修正以完成台风风场预测，包括：

通过所述影响因子和对应类别的模式数据利用逐步回归法训练获得对应类别的预报误差订正关系；

通过所获得的预报误差订正关系进行预测修正。