[发明专利]一种基于显著性与敏感性因子分析法的短时强降水预报方法

说明书

本发明公开了一种基于显著性与敏感性因子分析法的短时强降水预报方法，涉及气象领域。针对现有技术中预报命中率提高的同时，空报率显著增大的问题而提出本方案。依次包括：数据预处理的步骤、物理量计算的步骤、物理量遴选的步骤、因子分析的步骤、因子得分估计的步骤、建立潜势预报模型的步骤以及发布客观潜势预报产品的步骤。其优点在于，以显著性与敏感性相结合作为遴选物理量因子，通过对系列物理量偏离平均态的显著性、物理量阈值变化与短时强降水命中率、空报率对应关系的ROC曲线同时进行检验，以达到在预报命中率提高和空报率上升之间取得最优平衡效果。

技术领域

本发明涉及气象领域，尤其涉及一种基于显著性与敏感性因子分析法的短时强降水预报方法。

背景技术

短时强降水是大气强烈对流产生的一种灾害性天气，易造成山洪、泥石流、城市内涝等次生灾害。短时强降水对流性质强烈，多由中小尺度系统造成，具有尺度小、突发性强、生命史短、致灾严重的特点。在无清晰的天气尺度系统配合的背景下，业务上对于短时强降水的预报存在一定困难，针对定点、定时、定量的短时强降水，预报能力更是十分有限。

大气物理量参数的变化信息对于预判强对流发生起重要作用，通过诊断NCEP分析场发现短时强降水对部分环境物理量十分敏感，近年已有较多研究工作尝试基于物理量参数构建短时强降水预报模型，如对强对流的潜势预报方法，但建模资料依赖的探空站点数量少，在缺乏探空数据的区域不具代表性。为满足高时空分辨率的预报需求，有不少学者基于模式输出要素计算对流参数，构建短时强降水预报模型，如在利用中尺度数值模式计算物理量的基础上，应用相对偏差模糊矩阵评价技术、对对流参数进行逐次筛选和权重分配，构建分类强对流天气预报概率模型；基于天气形势分型方法，利用中尺度模式GRAPES输出资料计算强对流指数，并建立强对流潜势预报系统；基于ECMWF全球模式细网格预报产品计算多个物理量，通过阈值判定方法建立短时强降水预报模型，并采用箱型图差异指数评估变量对于区分短时强降水发生与否的敏感程度。上述方法均直接以物理量作为预报因子输入模型，部分因子之间可能具有高相关性，当物理量较多时，为简化模型的输入变量，对物理量进行二次处理，可减少因子数量，提高因子有效性。

因子分析法是一种用少数几个因子去描述多个指标之间联系的方法，从变量的方差/协方差结构入手,在尽可能多地保留原始变量信息的基础上,用少数新变量来解释原始变量。与传统的以物理量作为预报因子构建模型的方法不同，因子分析法首先在大量物理量参数中提取少量相互独立的共性因子，再将因子作为建模的预报因子目前大多数方法在遴选因子时，仅考虑单个因子对短时强降水预报准确率的贡献，往往使得预报命中率提高的同时，空报率显著增大。

发明内容

为了解决上述现有技术存在的问题，本发明目的在于提供一种基于显著性与敏感性因子分析法的短时强降水预报方法。利用ECMWF-Interim再分析资料，计算反映了大量物理量与气候平均态偏差值，以显著性与预报敏感性指标为依据，遴选物理量并通过因子分析法得到若干具有物理涵义的公共因子，再利用ECMWF细网格预报资料建立短时强降水潜势预报模型进行天气预报。

本发明所述的一种基于显著性与敏感性因子分析法的短时强降水预报方法，依次包括：数据预处理的步骤、物理量计算的步骤、物理量遴选的步骤、因子分析的步骤、因子得分估计的步骤、建立潜势预报模型的步骤以及发布客观潜势预报产品的步骤；

所述物理量遴选的步骤以显著性指标和敏感性指标作为遴选标准；所述显著性指标利用公式T值越大，对应的物理量显著性越好；利用ROC曲线作为敏感性指标，ROC曲线与y＝x函数线包含的面积值可视作因子敏感性效果，面积值越大敏感性效果越好；

所述因子得分估计的步骤将标准化的因子得分作为因子潜势f_i(i＝1,2,…,6)；