申请/专利权人：南京大学

申请日：2024-01-05

公开（公告）日：2024-03-22

公开（公告）号：CN117518299B

主分类号：G01W1/10

分类号：G01W1/10;G01S13/95;G06F18/10;G06F18/214;G06F18/23;G06F18/2415

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明属于气象学技术领域，公开了一种分类强对流临近概率预报方法、系统、设备及终端，通过建立分类强对流的偏振量垂直廓线特征模型进而实现分类强对流属性的提前识别，而后通过改进后的外推方案将分类强对流属性外推，进而实现0‑2小时的短临时段的分类强对流的预报，全面提升短时强降水和雷暴大风的提前预报、预警能力。本发明对于系统性强对流过程以及分散性的强对流过程都具有较好的0‑2小时提前预判能力，较好的弥补了短临时段的模式预报偏差问题以及传统短临外推无法预测对流传播发展、加强的技术缺陷。

主权项：1.一种分类强对流临近概率预报方法，其特征在于，包括：S1，数据预处理，包括基础数据预处理和对流云团追踪；S2，训练数据集构建，包括分类标签及其和对流云特征量的配对以及特征量模型的构建；S3，基于特征概率分布模型判断对流云团的分类强对流属性概率：基于数据集，对所有CSC-QVP的偏振量特征因子进行频率统计，最终获得CSC-QVP偏振量特征因子的概率分布模型；S4，基于特征模型，进行0-1小时临近预报；S1中，基础数据预处理包括：首先将对雷达的偏振量进行质控，然后插值到等高面格点偏振数据；采用速度方位显示方法生成表征大气环境风场信息的垂直风廓线数据；这里的等高面数据统一为垂直间隔200m，从1km处理到17km；对流云团追踪包括：利用CLTREC法建立前后时次的区域回波追踪格点移动矢量场；然后，利用雷达等高面上回波强度及梯度特征，识别出对流云；最后，以格点移动矢量场为基础，利用聚类法，建立前后时次的对流云团的关联；S2中，分类标签及其和对流云特征量的配对包括：实况标签：将研究范围划分为0.05°等距格点，然后依据“邻域法”，定义如果每个格点半径40km范围内存在自动站小时雨量=20mmh，则格点为短时暴雨标签；定义如果每个格点半径40km范围内如存在自动站小时极大风=8级，并且25km半径范围内存在雷电记录，则格点实况为雷暴大风标签；以自动站实况灾害发生位置和时刻为基准，搜索半径40km范围内的最强对流云团，然后依据对流云团前后匹配关系，搜索过去30分钟到60分钟之间的历史对流云团；历史对流云团具有分类强对流灾害发生前的微物理结构特征，对应的偏振量相关的特征因子则为数据集中样本的特征量；S2中，特征量模型的构建包括：利用偏振量显著特征搜索法确定历史对流云团内垂直运动发展显著的位置，然后在此位置进行偏振量特征因子的采样，进而构建特征量模型；偏振量显著特征搜索法：即将每个格点位置的各层差分传播相移率相加，进而获得每个格点的垂直累积差分传播相移率；然后在历史对流云团范围每个水平反射率因子大于35dBZ的格点进行逐步搜索，找到最大的垂直累积差分传播相移率所在位置，进而确定历史对流云团内垂直运动发展显著的位置；S3具体包括：对识别出的对流云中的每个格点进行分类强对流属性的概率计算，首先计算出对流格点位置的CSC-QVP偏振量特征因子，然后在CSC-QVP偏振量特征因子的概率分布模型中搜索先验概率系数，最后将偏振量特征因子的所有先验概率系数相加，进而获得当前对流云格点位置对应的分类强对流的合成概率数值。

全文数据：

权利要求：

百度查询： 南京大学 一种分类强对流临近概率预报方法、系统、设备及终端

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD