[发明专利]一种基于气象大数据的区域道路结冰高精度监测预警系统

摘要

本发明公开了一种基于气象大数据的区域道路结冰高精度监测预警系统，包括硬件运行环境搭建、实况数据收集与分析、中尺度数值预报工具非线性计算、气温集合预报结果线性校正、区域地表温度反演以及区域道路结冰状况预警。本发明的有益效果是：引入了气象卫星的数据，扩大了气象观测数据的维度，参与数值预报模式的资料同化，间接提升了预报结果的精度；引入了数值模式集合预报，在对预报结果进行集合时，采用滑动训练期，权重系数随时间发生变化，提高了准确性；利用多种代表性站点，通过线性分析，探寻不同地理环境下气温、地表温度、水汽的关系，再由点到面，提升了区域道路结冰状况预测的准确性。

主权项

1.一种基于气象大数据的区域道路结冰高精度监测预警系统，其特征在于：包括以下步骤：步骤1、硬件运行环境搭建，通过基于Infiniband的超高速网络的服务器集群技术，完成并行运算，并解决数据交互存储的带宽和容量问题，用以满足进行气象资料数据处理所需要的大量密集运算；步骤2、实况数据收集、分析，通过自动气象站，获取实时的干球温度、地表温度、道路结冰、相对温度、风速、降水、蒸发量、辐射通量、能见度等气象要素；其中，每个站点代表一种道路所在区域类别，包括山区的阴面或阳面、江河湖海附近、平原；步骤3、中尺度数值预报工具非线性计算，将上述气象观测资料与欧洲中期气象预报中心的EC数值预报模式、美国国家环境预报中心的GFS数值预报模式初始场、边界场的数据导入数据池，然后通过运用三维变分算法进行资料同化；假定气象变量的观测值为O，且该变量的背景值为F，方差为σ_O和σ_F，于是得到一个加权平均值：上述A其实是下面价函数J(S)的极小值：假设对变量S有来自不同方法的测量S₁、S₂，…，S_N，其误差∈_n＝S_n‑S，假定误差是随机的，无偏的<∈_n>＝0，且服从正态分布，第n个观测的误差落在∈_n和∈_n+d∈_n之间的概率为误差方差：对于N个观测有：设当I取极小值时，得到最大似然估计；由I对S_a的一阶导数为零得到：S的最大似然估计是Sn的加权平均，权重是每一测量的误差方差的倒数；当N＝2时，引入目标函数：其中，x是分析变量，x_b是背景场，x、x_b为N维向量，y_o是观测值，y是由分析变量导出的值，y＝H(x)，H称为观测算子，y_o、y为M维向量，B是背景误差协方差，O是观测误差协方差，B为N*N矩阵，O为M*M矩阵。数学上可以证明，x的最佳估计(分析场)是：x＝x_b+[B^‑1+H^TO^‑1H]^‑1H^TO^‑1(y_o‑Hx_b)它是目标函数的极小点，直接求x非常困难，一般用下降算法寻找J的极小点，计算梯度公式是：其中，称为观测算子的切线性算子；步骤4、气温集合预报结果线性校正，首先，接入6组气温预报结果和该预报时间的实况探测数据；其次，采用建立多元线性回归模型的方式，将时间序列分为训练期、预报期；在训练期，建立6组预报值与观测值的多元线性回归模型，通过使用预报值与观测值的多元线性回归分析，确实6组预报结果的权重系数，并以此权重系数获得预报期的1组最终预报结果；其中，多元线性回归模型在某个给定的格点，对于某一预报时效的某一气象要素：其中，O是训练期的观测值平均，a_i是参与集合的第i个成员的权重系数，F_i和分别是第i个模式的预报值和其在训练期的预报平均值，N是参与超级集合预报的模式总数。其中权重系数a_i由上述训练期方程中的误差项G的最小化计算获得：其中，N是训练期时间样本数，S_t′和O_t′分别是训练期的超级集合和观测场的偏差，此方程在每个模式的格式上运算；而多模式超级集合预报方法的建立是依赖于误差协方差矩阵，它又是模式场偏差F_i′和F_j′建立，因此，每个模式的权重系数由误差矩阵C计算而得：其中，N是训练期时间样本数，F_i′(t)和F_j′(t)分别是第i个模式和第j个模式的预报值距平，建立线性代数方程；其中，o_i′为观测值距平，[C_i，j]为的矩阵，[a_i]为n×n的矩阵，为n×1矩阵，应用Gauss‑Jordan消除法求解，得到代入公式；步骤5、区域地表温度反演，将气温的数值预报数据代入步骤2的线性关系，反演出整个区域的地表温度结果；步骤6、区域道路结冰状况预警，将水汽的数值预报数据、步骤5的地表温度结果与步骤2的临界值区间进行比对，预测整个区域的道路结冰状况，并进行预警。