多源实况数据在降雨天气中的释用评估方法和设备与流程

1.本发明涉及气象行业数据监测领域，尤其涉及一种多源实况数据在 降雨天气中的释用评估方法、系统、电子设备和计算机可读存储介质。


背景技术：

2.在全球气候变暖背景下，大气环流异常导致极端天气事件的发生频 率和强度均呈上升趋势，其中极端降雨事件对气候变化的响应更敏感。 极端降雨事件属于小概率事件，具有突发性强、危害性大等特点，其引 发的自然灾害对社会经济和人民生活等造成严重影响。新疆维吾尔自治 区气象局公布的2021年度新疆十大天气气候事件其中之一，6月中旬南疆 西部遭遇极端暴雨，6月16日洛浦县日降雨量74.1mm、墨玉县59.6mm、 和田市56.0mm均打破该站最大日降水量历史记录，皮山县日降水量 56.6mm突破该站夏季历史极值，洛浦县当日降雨量为该站年平均降水量 1.7倍。
3.和田地区属典型的内陆干旱区，位于欧亚大陆腹地，属干旱荒漠性 气候，境内有大小河流36条，境内光能、矿产资源丰富，是著名的玉石 之乡、丝绸之乡、地毯之都和瓜果之乡。和田地区种植有棉花、甜高粱、 甜瓜、西瓜、葡萄、杏子等，夏季本应该是农作物、瓜果蔬菜植物丰收 的季节。2021年夏季出现了极端降雨，对该地区的农牧业生产、资源环 境保护和社会经济发展造成严重影响。因此，如何提前应对极端天气气 候事件以及提高监测预报能力和提高针对极端天气气候事件预警服务能 力是本发明所要解决的主要问题。


技术实现要素：

4.本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
5.为此，本发明的目的在于提供一种多源实况数据在降雨天气中的释 用评估方法和设备，其能够提升极端天气自动识别能力，提高极端天气 监测的精准度，提前预警信息发布的时间。
6.为实现上述目的，本发明第一方面的技术方案提供了一种多源实况 数据在降雨天气中的释用评估方法，包括以下步骤：
7.获取目标时域内的多源实况数据中的气象要素数据，多源实况数据 包括art数据、cldas数据和fy4a数据，气象要素数据包括气温数据、 风u分量数据、风v分量数据和1小时降雨数据；
8.根据双线性插值算法分别对cldas数据的气温数据、风u分量数据 和风v分量数据计算出任一位置的温度插值数据、风u分量插值数据和风 v分量插值数据；和/或
9.根据距离倒数插值算法对cldas数据和fy4a数据中的qpe产品反 演的预估1小时降雨数据计算出任一位置的1小时降雨插值数据；和/或
10.根据邻近插值算法计算出对应于任一位置的邻近位置内所有fy4a 数据中qpe反演的预估1小时降雨数据的均值作为任一位置的卫星反演1 小时降雨插值数据；
11.其中，至少由气象要素数据、温度插值数据、风u分量插值数据和风 v分量插值数
据、1小时降雨插值数据和卫星反演1小时降雨插值数据构成 气象要素插值数据。
12.在上述技术方案中，优选地，获取目标时域内的多源实况数据中的 气象要素数据，包括以下步骤：
13.使用python自起始经纬度由南到北、由西到东、经纬度由小到大， 逐0.01递增读取art数据中的气象要素数据；
14.使用c#自起始经纬度由南到北、由西到东、经纬度由小到大，逐0.05 递增读取cldas数据中的气象要素数据；
15.使用python读取fy4a数据、并通过编译软件翻译出fy4a数据中经 纬度值，得到fy4a数据中的气象要素数据。
16.在上述任一技术方案中，优选地，还包括以下步骤：
17.统计分级指标内的观测站的气象要素均值和平均海拔、并分析分布 区域和站点数，得到观测站气象分析数据；
18.将观测站气象数据与气象要素插值数据进行对比分析，得到气象要 素评估指标。
19.在上述技术方案中，优选地，统计分级指标内的观测站的气象要素 均值和平均海拔、并分析分布区域和站点数，得到气象要素对比数据， 包括以下步骤：
20.统计平均温度分级指标中每一级内的平均温度和平均海拔的统计平 均值，得到统计平均值在降温阈值内的分布区域和观测站点数，平均温 度分级指标为平均温度≤15℃、15℃＜平均温度≤18℃、18℃＜平均温度 ≤22℃和平均温度＞22℃；
21.统计平均风速分级指标内的平均风速和平均海拔的分布区域，平均 风速分级指标为平均风速＞5m
×
s-1
；
22.统计平均累计降雨量分级指标中每一级的平均海拔和气象站点数的 统计平均值，平均累计降雨量分级指标为平均累计降雨量≤20mm、20mm ＜平均累计降雨量≤50mm、平均累计降雨量≥50mm和平均累计降雨量 ≥91mm。
23.在上述技术方案中，优选地，将观测站气象数据与气象要素插值数 据进行对比分析，得到气象要素评估指标，包括以下步骤：
24.将观测站气温数据与cldas数据的温度插值数据和art数据中的 气温数据进行逐时刻和逐站点对比，得到气温均方根误差和气温准确率；
25.将观测站气温数据与cldas数据的风u分量插值数据和风v分量插 值数据和art数据中的风u分量数据和风v分量数据进行逐时刻和逐站 点对比，得到风速均方根误差和风向平均绝对误差；
26.将观测站降雨数据与所述气象要素插值数据中的降雨插值数据进行 逐时刻和逐站点对比，得到降雨站点数、降雨总量、降雨量均方根误差、 降雨准确率和空值时刻数。
27.在上述任一技术方案中，优选地，还包括以下步骤：
28.对比分析目标时域内任一最大降水站点的气象要素插值数据，得到 温度释用数据以及降雨释用数据；
29.对比目标时域内最大降水量时刻的气象要素插值数据与观测站气象 数据的空间分布，得到此时刻的降雨量空间分布。
30.本发明第二方面的技术方案提供了一种多源实况数据在降雨天气中 的释用评估系统，其特征在于，包括：
31.多源实况数据获取模块，被设置为用于获取目标时域内的多源实况 数据中的气象要素数据，多源实况数据包括art数据、cldas数据和 fy4a数据，气象要素数据包括气温数据、风u分量数据、风v分量数据 和1小时降雨数据；
32.气温和风插值计算模块，被设置为用于根据双线性插值算法分别对 cldas数据的气温数据、风u分量数据和风v分量数据计算出任一位置的 温度插值数据、风u分量插值数据和风v分量插值数据；
33.降雨插值计算模块，被设置为用于根据距离倒数插值算法对cldas 数据和fy4a数据中的qpe的降雨数据计算出任一位置的降雨插值数据；
34.卫星反演降雨插值计算模块，被设置为用于根据邻近插值算法计算 出对应于任一位置的邻近位置内所有fy4a数据中qpe反演的预估1小时 降雨数据的均值作为任一位置的卫星反演1小时降雨插值数据；
35.其中，至少由气象要素数据、温度插值数据、风u分量插值数据和风 v分量插值数据、1小时降雨插值数据和卫星反演1小时降雨插值数据构成 气象要素插值数据。
36.本发明第三方面的技术方案提供了一种电子设备，包括存储器和处 理器，存储器上存储有计算机程序，处理器执行程序时实现如以上方法 的步骤。
37.本发明第四方面的技术方案提供了一种计算机可读存储介质，其上 存储有计算机程序，程序被处理器执行时实现如以上方法的步骤。
38.本发明提供的多源实况数据在降雨天气中的释用评估方法和设备与 现有技术相比的优点在于：
39.1、本发明采用的3种多源融合数据：空间分辨率1km
×
1km的逐时实 况融合数据art、空间分辨率5km
×
5km的逐时实况融合数据cldas、空 间分辨率4km
×
4km风云4号a星反演的预估1h降水产品。针对不同数据格 式采用不同方法解析3种类型数据，数据覆盖到空间分辨率1km
×
1km的 每一个角落。
40.2、为达到更高分辨率、提升强对流天气识别能力，本发明针对每种 产品的不同气象要素提出不同的插值算法，聚焦在更小的空间分辨率， 多源融合数据插值精确到任意1km。
41.3、为充分利用上述多源融合数据，更快速更准确的给出任意位置降 雨强度。本发明从时间和空间上明确给出不同多源融合数据在和田地区 的对比评估结果。
42.4、开展多次试验，通过多次检验方案的效果，明确卫星不同预估降 水产品最优插值算法，为预警信息发布提前时间提供参考。
43.5、本发明研究高精度多源融合数据在极端天气中的释用，提升极端 天气自动识别能力，提高极端天气监测的精准度，提前预警信息发布的 时间。风云卫星估测出现极端降雨情况时，必须加强关注观测站点和格 点的预报动态，密切重视观测站点预报情况也要加强对重点区域和高海 拔区域的动态监测，便于及时精准的发布预警信息，时间精准到小时， 空间上精准到1km。对于已经出现的极端天气，调出相应格点精确到具体 位置，第一时间启动应急响应机制。
附图说明
44.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的 描述中将变
得明显和容易理解，其中：
45.图1示出了本发明一个实施例所涉及方法的流程框图；
46.图2示出了本发明实施例所涉及步骤s1的流程框图；
47.图3示出了本发明另一个实施例所涉及方法的流程框图；
48.图4示出了本发明实施例所涉及步骤s5的流程框图；
49.图5示出了本发明实施例所涉及步骤s6的流程框图；
50.图6示出了本发明第三个实施例所涉及方法的流程框图；
51.图7示出了本发明一个实施例所涉及系统的结构框图；
52.图8示出了本发明实施例所涉及和田地区作为目标区域的海拔高度 图；
53.图9a示出了本发明实施例所涉及温度均方根误差和准确率逐日逐时 刻检验对比图；
54.图9b示出了本发明实施例所涉及风速均方根误差和风向平均绝对误 差逐日逐时刻检验对比图；
55.图9c示出了本发明实施例所涉及降雨准确率和降雨均方根误差逐日 逐时刻检验对比图；
56.图9d示出了本发明实施例所涉及降雨站点数和降雨量逐日逐时刻检 验对比图；
57.图10(a)-(h)分别示出了本发明实施例所涉及多源实况数据的温 度均方根误差和准确率、风速均方根误差和风向平均绝对误差逐站点检 验对比图；
58.图11(a)-(h)分别示出了本发明实施例所涉及多源实况数据的降 水准确率和降水量误差逐站点分布检验对比图；
59.图12示出了本发明实施例所涉及多源实况数据的温度、降雨两与气 象观测站逐日逐时刻检验对比图；
60.图13(a)-(g)示出了本发明实施例所涉及观测站点和多源实况数 据在降雨量最大时刻的温度降雨分布图。
具体实施方式
61.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合 附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是， 在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
62.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是， 本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发 明的保护范围并不限于下面公开的具体实施例的限制。
63.如图1所示，按照本发明一个实施例的多源实况数据在南疆地区极端 降雨天气中的释用评估方法，包括以下步骤：
64.s1，获取目标时域内的多源实况数据中的气象要素数据，多源实况 数据包括art数据、cldas数据和fy4a数据，气象要素数据包括气温数 据、风u分量数据、风v分量数据和1小时降雨数据；
65.在该步骤中，确定目标时域的标准是，选取特定研究区域：选择南 疆占地面积较大具有代表性地区、地形复杂，其经纬度lon1-lon2、lat1-lat2； 择取特定时间段，选择有
极端降雨天气的特定时段内。南疆区域大降雨 量偏少极端降雨会造成特别大危害，南疆观测站点稀少，决大部分区域 是没有观测站点(沙漠或高海拔区域)，特别需要高分辨率实况气象数 进行精准定位。
66.s2，根据双线性插值算法分别对cldas数据的气温数据、风u分量 数据和风v分量数据计算出任一位置的温度插值数据、风u分量插值数据 和风v分量插值数据；和/或
67.在该步骤中，对空间分辨率5km
×
5km的cldas数据的气象要素数 据(气温数据、风u分量数据、风v分量数据)采用双线性插值获得任一 位置的气象要素插值数据(温度插值数据、风u分量插值数据和风v分量 插值数据)，见公式(1)。获取与该任一位置最邻近的4个格点的位置， 在两个方向分别进行一次线性插值，按照其距目标点(任一位置)的距 离赋予相应的权重进行线性插值。其公式如下：要获得任一位置p＝(x， y)的气象要素插值数据f，在本步骤中的气象要素插值数据为温度插值数 据、风u分量插值数据和风v分量插值数据，任一位置p最邻近4个格点分 别为q
11
(x1，y1)、q
12
(x1，y2)，q
21
(x2，y1)以及q
22
(x2，y2)，
[0068][0069]
公式(1)中，x，y分别表示经纬度，若x＝x1,y＝y1则f(x，y)＝f(q
11
)； 若x＝x1，y＝y2则f(x，y)＝f(q
12
)；若x＝x2，y＝y1则f(x，y)＝f(q
21
)；若 x＝x2，y＝y2则f(x，y)＝f(q
22
)，f(q)表示为最邻近格点的气象要素数据， 在本步骤中的气象要素数据为气温数据、风u分量数据、风v分量数据。
[0070]
s3，根据距离倒数插值算法对cldas数据和fy4a数据中的qpe反演 的预估1小时降雨数据计算出任一位置的1小时降雨插值数据；
[0071]
在该步骤中，对空间分辨率5km
×
5km的cldas数据的降雨数据和 空间分辨率4km
×
4km的fy4a的qpe反演的预估降雨产品，采用距离倒 数插值法，见公式(2)。距离倒数插值法，获取任一位置p＝(x，y)的气 象要素插值数据f，在本步骤中的气象要素插值数据f为1小时降雨插值数 据，其核心思想是获取最邻近q(xi，yi)个格点的位置，根据距离衰减规律， 对样本点的空间距离进行加权；其公式如下：
[0072][0073]
其中，n取值为4，在本步骤中的f(q)为对应格点的1小时降雨数据， xi、yi分别为格点的经纬度值。
[0074]
s4，根据邻近插值算法计算出对应于任一位置的邻近位置内所有 fy4a数据中qpe反演的预估1小时降雨数据的均值，作为任一位置的卫 星反演1小时降雨插值数据；
[0075]
在该步骤中，经过多次实验，卫星反演的降水产品所在的位置经纬 度，距所在位置逐4km增加，获取距离位置经纬度内所有反演降雨值的平 均值作为该值降雨值，选择均方根误差最低和降雨准确率最高的邻近的 16公里作为卫星反演产品邻近取值为最优值。
[0076]
其中，至少由气象要素数据、温度插值数据、风u分量插值数据和风 v分量插值数据、1小时降雨插值数据和卫星反演1小时降雨插值数据构成 气象要素插值数据。
[0077]
在上述实施例中，优选地，如图2所示，s1，获取目标时域内的多源 实况数据中的气象要素数据，包括以下步骤：
[0078]
s11，使用python自起始经纬度由南到北、由西到东、经纬度由小到 大，逐0.01递增读取art数据中的气象要素数据；
[0079]
在该步骤中，art数据，中国区域多源融合实况分析1km分辨率产 品(china regional multi-source fusion live analysis 1km resolutionproduct，art)，该产品为grb2格式，滞后5分钟。该数据文件的气象要 素包括气温、风u分量、风v分量、1小时降雨量均是单独grb2格式数据。
[0080]
s12，使用c#自起始经纬度由南到北、由西到东、经纬度由小到大， 逐0.05递增读取cldas数据中的气象要素数据；
[0081]
在该步骤中，cldas数据，中国气象局陆面数据同化系统近实时产 品数据集(chinese land data assimilation system，cldas)，该数据集为 5km分辨率，grib2格式，滞后5分钟。该数据文件的气象要素包括气温、 风u分量、风v分量、1小时降雨量均是单独grb2格式数据。
[0082]
s13，使用python读取fy4a数据、并通过编译软件翻译出fy4a数据 中经纬度值，得到fy4a数据中的气象要素数据。
[0083]
在该步骤中，fy4a数据，逐4km风云四号a星降水估计产品(简写， fy4a)，预估1小时降雨，nc格式。fy4a数据qpe产品首先利用极轨卫 星微波降水和静止卫星红外通道亮温，主要采用概率密度匹配的方法， 建立随时空变化的fy-2&4卫星红外10～11μm亮温降水的查找表，从而形 成卫星估计降水。之后利用地面观测雨量计资料进一步提高区域卫星估 计降水精度，形成综合的降水估计产品。
[0084]
如图3所示，按照本发明另一个实施例的多源实况数据在南疆地区极 端降雨天气中的释用评估方法，还包括以下步骤：
[0085]
s5，统计分级指标内的观测站的气象要素均值和平均海拔、并分析 分布区域和站点数，得到观测站气象分析数据；
[0086]
s6，将观测站气象数据与气象要素插值数据进行对比分析，得到气 象要素评估指标。
[0087]
在该实施例中，观测站气象数据为从全国综合气象信息共享系统 (china integrated meteorological information sharing system,cimiss)获取 南疆区域的地面气象观测站值，包括气温、过去1小时降雨量、2分钟平 均风速和2分钟平均风向。
[0088]
在上述实施例中，优选地，如图4所示，s5，统计分级指标内的观测 站的气象要素均值和平均海拔、并分析分布区域和站点数，得到气象要 素对比数据，包括以下步骤：
[0089]
s51，统计平均温度分级指标中每一级内的平均温度和平均海拔的统 计平均值，得到统计平均值在降温阈值内的分布区域和观测站点数，平 均温度分级指标为平均温度≤15℃、15℃＜平均温度≤18℃、18℃＜平均 温度≤22℃和平均温度＞22℃；降温阈值为降温≥17℃、降温＜10℃。
[0090]
s52，统计平均风速分级指标内的平均风速和平均海拔的分布区域， 平均风速分级指标为平均风速＞5m
×
s-1；
[0091]
s53，统计平均累计降雨量分级指标中每一级的平均海拔和气象站点 数的统计平
均值，平均累计降雨量分级指标为平均累计降雨量≤20mm、20mm＜平均累计降雨量≤50mm、平均累计降雨量≥50mm和平均累计降 雨量≥91mm。
[0092]
在上述实施例中，优选地，如图5所示，s6，将观测站气象数据与气 象要素插值数据进行对比分析，得到气象要素评估指标，包括以下步骤：
[0093]
s61，将观测站气温数据与cldas数据的温度插值数据和art数据 中的气温数据进行逐时刻和逐站点对比，得到气温均方根误差和气温准 确率；
[0094]
在该步骤中，均方根误差：
[0095]
其中，f
(t)
从cldas数据和art数据中的气温数据，a
(t)
为从cimiss 获取的观测站气温数据，n为滑动时刻数或总站数。
[0096]
气温准确率：
[0097]
其中，na为温度绝对误差≤1℃的格点数，nb为温度绝对误差＞1℃ 的格点数。
[0098]
s62，将观测站气温数据与cldas数据的风u分量插值数据和风v分 量插值数据和art数据中的风u分量数据和风v分量数据合成风速和风 向后进行逐时刻和逐站点对比，得到风速均方根误差和风向平均绝对误 差；
[0099]
在该步骤中，计算风速的均方根误差公式与公式3相同，将公式中的 f
(t)
从cldas数据和art数据中的风u分量数据和风v分量数据合成的风 向，a
(t)
为从cimiss获取的观测站风向数据，n为滑动时刻数或总站数；
[0100]
风向绝对误差
[0101]
公式(7)中f(t)表示气象要素插值数据到站点的风向度，a(t)表示 cimiss站点观测的2分钟平均风向度数，n为滑动时刻数或总站数。
[0102]
s63，将观测站降雨数据与所述气象要素插值数据中的降雨插值数据 进行逐时刻和逐站点对比，得到降雨站点数、降雨总量、降雨量均方根 误差、降雨准确率和空值时刻数；
[0103]
在该步骤中，降雨准确率：
[0104]
式(5)中nc为正确的站点(次)数，nd为获取的多源实况数据有降雨 而观测站未降雨的站点数，ne为获取的多源实况数据没有降雨而观测站 点有降雨的站点数；
[0105]
降雨量平均误差：bti＝sumi+sum
sk
(6)；
[0106]
公式(6)中i表，i表art、cldas、fy4、nfy4的多源实况数据， cldas、fy4分别表示利用前述距离倒数插值法获取的cldas、fy4a 的反演降雨值；nfy4分别表示利用前述邻近值算法获取的fy4a的反演 降雨值；sum表示不同多源实况数据在降雨时刻目标区域的累计降雨值； sk表示是从cimiss中获取的站点观测值。
[0107]
如图6所示，按照本发明第三个实施例的多源实况数据在南疆地区极 端降雨天气中的释用评估方法，还包括以下步骤：
[0108]
s7，对比分析目标时域内任一最大降水站点的气象要素插值数据， 得到温度释用数据以及降雨释用数据；
[0109]
在该步骤中，选取南疆地区中极端降水具体的站点分析，具体的站 点温度分析，逐时刻对比分析出3种气象站点数据(sk)、cldas、art 的数据平均温度及正负误差时刻数；具体的站点降雨分析，对5种sk、 cldas、art、fy4、nfy4的数据降雨量，降雨误差，降雨正负误差时 刻数。
[0110]
s8，对比目标时域内最大降水量时刻的气象要素插值数据与观测站 气象数据的空间分布，得到此时刻的降雨量空间分布。
[0111]
如图7所示，按照本发明一个实施例的多源实况数据在南疆地区极端 降雨天气中的释用评估系统100，包括：
[0112]
多源实况数据获取模块10，被设置为用于获取目标时域内的多源实 况数据中的气象要素数据，多源实况数据包括art数据、cldas数据和 fy4a数据，气象要素数据包括气温数据、风u分量数据、风v分量数据 和1小时降雨数据；
[0113]
气温和风插值计算模块20，被设置为用于根据双线性插值算法分别 对cldas数据的气温数据、风u分量数据和风v分量数据计算出任一位置 的温度插值数据、风u分量插值数据和风v分量插值数据；
[0114]
降雨插值计算模块30，被设置为用于根据距离倒数插值算法对 cldas数据和fy4a数据中的qpe产品反演的预估1小时降雨数据计算出 任一位置的1小时降雨插值数据；
[0115]
卫星反演降雨插值计算模块40，被设置为用于根据邻近插值算法计 算出对应于任一位置的邻近位置内所有fy4a数据中qpe反演的预估1小 时降雨数据的均值作为任一位置的卫星反演1小时降雨插值数据；
[0116]
其中，至少由气象要素数据、温度插值数据、风u分量插值数据和风 v分量插值数据、1小时降雨插值数据和卫星反演1小时降雨插值数据构成 气象要素插值数据。
[0117]
基于上述如图1至图4所示方法，相应的，本技术实施例还提供了一 种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行 时实现上述任一实施例的多源实况数据在降雨天气中的释用评估方法的 步骤。
[0118]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出 来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u 盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人 计算机，服务器，或者网络设备等)执行本技术各个实施场景的方法。
[0119]
基于上述如图1至图4所示的方法，以及图5至图8所示的虚拟装 置实施例，为了实现上述目的，本技术实施例还提供了一种电子设备， 包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执 行所述程序时实现上述任一实施例的多源实况数据在降雨天气中的释用 评估方法的步骤。
[0120]
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、 射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。 用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可 选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以 包括标准的有线接口、无线接口(如蓝牙接口、wi-fi接口)等。
[0121]
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并 不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合 某些部件，或者不同的部件布置。
[0122]
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理 和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它 软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间 的通信，以及与该实体设备中其它硬件和软件之间通信。
[0123]
具体应用实例
[0124]
选取和田地区作为研究区域(图8)，范围为34.35
°‑
39.61
°
n， 77.41
°
～84.97
°
e，区域内1km格点共计251518个格点。选用2021年6月14日00:00-18日23：00日共5天。从实况观测站点资料中可知，极端降雨 集中在6月15日13:00—16日13:00，此24小时内为极端降雨时刻，49.7mm ≤逐时刻降雨总量≤463.8mm，其中降雨量最大时刻为6月15日23:00，降 雨站点最多时刻为16日2:00共123个站点。此次降雨天气中单站累计降雨 量累计最高达121.60mm,位于洛浦县山普鲁乡泥石流频发区1号气象观测 站。
[0125]
检验方法
[0126]
分要素对比检验：分别统计多源数据的温度、风速、风向平均在逐 日逐时刻和逐站点的指标检验分布情况。
[0127]
温度和风
[0128]
从cmiss提取的观测站点的数据分析可知，观测站点平均温度 skt≤15℃，共48个观测站，平均海拔高度为2308.62m；15℃＜skt≤18℃， 共76个观测站，平均海拔高度为1407.63m；18℃＜skt≤22℃，共29个 观测站，平均海拔高度为1299.25m。此次天气过程中最大降温18.6℃， 位于皮山农场，降温≥17℃分布在皮山县10个观测站和墨玉县1个观测 站。降温＜10℃，共有24个观测站，其中策勒县10个观测站、和田县3 个观测站、民丰县7个观测站、于田县4个观测站。由西到东降温过程 是整体减弱的。观测站点平均风速＞5m
·
s-1
共3个站点分别为海拔1738m 的民丰县尼雅渠首站、海拔1171.1m的洛浦县麻雪特站、海拔1419.1m 的洛浦县阿其克公路天山水泥厂西南侧站。
[0129]
表1cldas和art温度均方根误差和准确率、风速的均方根误差和风向的平均绝对误差逐 日逐时刻对比表
[0130]
[0131]
分时效对比，由表1和图9(a)可知，cldas、art的温度均方根 误差平均值为0.66℃、0.39℃，cldas、art极端降雨较其他时刻的1℃ 准确率上升1.46％、下降0.95％。art相较cldas的准确率高。cldas 的rmse_cldas_t≥1.68℃且tt_cldas≤58％共3个时刻，分别为18 日16:00/18:00、17日5:00。art的rmse_art_t≥1.66℃且 tt_art≤57％共5个时刻，分别为15日20:00、17日5:00、18日 16:00/18:00/21:00。
[0132]
由表1和图9(b)可知，cldas、art的风速的均方根误差分别为 1.79m
·
s-1、0.53m
·
s-1其中极端降雨相较其他时刻的均方根误差分别上 升0.56m
·
s-1、上升0.13m
·
s-1。风向的平均绝对误差分别为47.7
°
、 7.86
°
，其中极端降雨相较其他时刻的平均绝对误差分别上升4.52
°
、上 升1.14
°
。art的风速均方根误差和风向平均绝对误差均低于cldas。 art的rmse_art_ws≥1.44m
·
s-1且mae_art_wd≥43
°
共5个时 刻，分别为18日18:00/19:00/16:00/21:00、17日5:00。
[0133]
cldas、art在17日5:00和18日16:00/18:00/21:00的时刻温度、 风速均方根误差和风向平均绝对误差均最大。
[0134]
表2cldas和art温度均方根误差和准确率、风速的均方根误差和风向的平均绝对误差逐 站点对比表
[0135][0136]
分区域对比，由表2可知，cldas、art温度均方根误差平均值 分别为0.59℃、0.51℃，极端降雨时刻相对其他时刻下降0.14℃、上升 0.18℃。温度准确率平均值分别为92.80％、96.14％，极端降雨时刻相对 其他时刻提高2.2％、下降0.35％。风速均方根误差平均值分别为 1.75m
·
s-1、0.57m
·
s-1，极端降雨时刻相对其他时刻上升0.47m
·
s-1、 上升0.1m
·
s-1。风向平均绝对误差分别为47.74
°
、7.79
°
，极端降雨时 刻相对其他时刻上升4.34
°
、上升1.23
°
。
[0137]
art整体指标对比中优于cldas。cldas的温度均方根误差的极 端降雨时刻优于其他时刻。剩下指标的误差值极端降雨时刻均高于其他 时刻。
[0138]
由图4可知，rmse_cldas_t》1.5℃且tt_cldas《50％的2个站分 别位海拔1422m的于田和海拔2557m的皮山县布琼村。 rmse_art_t》1.5℃且tt_art≤82％的2个站分别位于为皮山县布琼村 和海拔1668m的民丰县尼雃乡奥热孜。
[0139]
rmse_cldas_ws》3m.s-1的共有7个观测站分别位于海拔1419.1m 的洛浦县可其克公路天山水泥厂西南侧、海拔1396m的于田县沙尼巴格 村、海拔1591m的民丰县萨勒吾则克
乡阿克塔什、海拔1294m的皮山县 乔达乡和谐小区、海拔1738m的民丰县尼雅渠首、民丰县尼雅乡奥热孜、 海拔1341.8m的洛浦县315国道拜什托克拉克乡路口南侧。该7个站定 义为w_i区域，cldas、art的风速均方根误差在此区域的平均值分别 为：3.36m.s-1、0.86m.s-1；风向平均绝对误差在此区域平均值分别为 53.71
°
、8.86
°
。均高于极端降雨时刻的平均值。
[0140]
mae_cldas_wd＞80
°
共有5个观测站点，分别位于海拔1393m 的和田市尕宗水库、海拔1334.3m的于田县达里亚布依乡、海拔1294m 的皮山县乔达乡和谐小区、海拔1304.2m的洛浦站、海拔2557m的皮山 县布琼村气象观测站。该5个站定义为w_2区域，cldas、art的风 速均方根误差在此区域的平均值分别为1.77m.s-1、0.89m.s-1；风向平均 绝对误差在此区域平均值分别为91.4
°
、33.8
°
，w_2区域误差达到最 高值。
[0141]
降雨
[0142]
从cmiss提取的观测站点的数据分析可知，此次天气过程共有60 个观测站累计降量sksumr≥50mm，平均海拔高度1747.92m；共有48个 观测站20mm≤sksumr《50mm，平均海拔高度1741.11m；共有45个观 测站sksumr《20mm，平均海拔高度为1489.41m。共有9个观测站 sksumr≥91mm，分别为洛浦县5个观测站，剩下于田县、和田县、皮山 县、民丰县各1个观测站。
[0143]
表3多源数据的降雨均方根误差和准确率逐日逐时刻对比检验
[0144][0145][0146]
分时效对比中，从图9(c)和表3中可知，cldas、art、fy4、nfy4 的降水量均方根误差平均值分别为0.58mm、0.37mm、2.15mm、1.69mm， 其中极端降雨时刻相比其他时刻均方根误均上升分别为0.71mm、 0.60mm、2.7mm、2.47mm。降雨准确率分别为75.82、96.96、53.91、27.42， 其中极端降雨时刻相比其他时刻降雨准确率分别为提高23.37、提高3.34、 下降27.79、提高3.93。art最优、cldas次之、fy4最低。邻近值算 法获取的nfy4降雨量均方根误差小于fy4，降水准确率低于fy4。
[0147]
表4多源数据降雨站点数和降雨量逐日逐时刻对比检验
[0148][0149]
分时效对比中，从图9(d)和表4中可知，在逐日逐时刻共120个 时刻中cldas有65个时刻降雨站数偏多，105个时刻降雨量偏少。art 有103个时刻降雨站数偏多，80个时刻降雨量偏少。cldas的降雨站点 数误差平均值为3.97个，其站点数偏多时刻集中在15日13:00-21:00； 降雨量误差平均值为-1.31mm，逐时刻中主要集中在15日20～16日10： 00内时次的降雨量多于观测值外，其他时刻降雨量均小于观测值。art 降雨站点数误差平均值为5.63个，逐时刻中有10个时刻少于观测站点仅 1个站，剩下103个时刻降雨站点数多于观测点数；降水量误差平均值为
ꢀ‑
1.85mm，降雨量偏多时刻集中在14日所有时刻、17日和18日零星时 刻。
[0150]
fy4降雨站点数误差平均值为-46.68个，所有时次降雨站点数均少于 观测站点；降水量误差平均值为-92.68mm，降雨所有时刻降雨量均偏少。 nfy4降雨站点数误差平均值为-21.3个，其中有3个时次降雨站点数偏 多，分别为14日17:00、18日3:00和11:00；降雨量误差平均值为-59.91mm， 降14日19:00多于观测站点0.1mm外其他时刻降雨量均少于观测值。
[0151]
nfy4平均站数和降雨量误差均小于fy4，整个降雨过程和观测站基 本一致，降雨量比观测站小。
[0152]
表5多源数据的降雨均方根误差和准确率逐站点对比检验
[0153][0154]
从表5和图5可知，cldas、art、fy4、nfy4的降雨均方根误差 平均值分别为0.83mm、0.45mm、2.78mm、2.42mm，降雨准确率平均值 分别为89.20、98.93、24.85、66.34。其中极端降雨时刻相对其他时刻的 均方根误差均上升分别为0.33mm、0.21mm、2.03mm、1.29mm，降雨准 确率分别为提高16.89、提高1.41、下降15.15、提高20.19。nfy4均方 根误差小于fy4和
降雨量准确率高于fy4。
[0155]
由表5可知，cldas、art降雨均方根误差在极端降雨时刻大于其 他时刻，但降雨准确率均远大于其他时刻。nfy4的降雨均方根误差小于 fy4，同时降雨准确率远大于fy4，且极端降雨时刻准确率远大于其他时 刻。多源数据在极端降雨时刻均能准确判断出来，在其他降雨量较少时 刻降雨准确率较低。
[0156]
rmse_cldas_r≥3mm共3个观测站，分别位于海拔1713m的墨 玉县乌鲁瓦提村、海拔1415m的洛浦县山普鲁乡泥石流频发区1号气、 海拔1339.4m的洛浦县山普鲁镇。art的rmse_art_r》3mm有1个站 点位于海拔1396.5m的和田市古江巴格乡且均方根误差为4.89mm。
[0157]
rmse_nfy4_r》4mm有12个观测站，主要分布在和田市4个站， 海拔高度在1393m～1535m；和田县2个站，海拔分别为1591m、1676m； 墨玉县2个站，海拔分别为1302m、1731m；皮山县乔达乡和谐小区站， 海拔1294m；民丰县叶亦克乡叶亦克站，海拔2830m。；将此12个站点 定义为nfy4_1，由表5可知在此区域cldas、art、fy4、nfy4的均 方根相对最高，降雨准确率在均高于其他时刻，低于极端降雨时刻。
[0158]
个例分析
[0159]
选用此次降雨量和温度变化大的观测站点逐日逐时刻不同融合数据 对比分析，选用降雨量最大的时刻对不同融合数据分布情况对比分析。
[0160]
以皮山国家基本气象站为例
[0161]
此次降雨天气过程中皮山县日降水量突破该站夏季历史极值，同时 皮山县也是降温幅度最大的区域。观测站点中共31个时刻有降雨分布在 15日13:00-16:00，16日00:00-14:00、17日3个时刻、18日6个时刻。
[0162]
由图6可知，sk、cldas、art平均温度分别为17.34℃、17.44℃、 17.39℃，cldas、art温度平均误差分别为0.1℃、0.05℃，在120个 时刻中分别有78、63个时刻为正误差，其中温度正误差中分别有28个、 20个降雨时刻。sk、cldas、art、fy4、nfy4平均降雨量分别为 81.6mm、74.88mm、56.72mm、0mm、16.42mm，cldas、art、fy4、 nfy4降雨量误差平均值分别为-6.77mm、-24.88mm、-81.6mm、-65.18mm， 在该站点31个降雨时刻中分别有21个、8个、31个、31个负误差时刻。
[0163]
cldas、art融合数据在大部分时刻比观测站温度偏高，降雨量偏 少。
[0164]
在极端降雨时刻15日13:00-16日13:00中，sk、cldas、art、 fy4、nfy4在该站的降雨时刻分别有20、20、22、0、20个时刻，其中 15日14:00为降雨量最大时刻。cldas、nfy4预估的极端降雨过程和 观测站极端降雨过程一致，但逐时刻降雨量低于观测值。
[0165]
降水量最大时刻进行分析
[0166]
观测站点最大降雨量为15日23时，该时刻所有观测站点的降雨总 量和为463.8mm。
[0167]
由图13(a-c)可知，cldas、art与cimiss站点观测的温度基本 一致，以art为指标进行分析，art≤0℃，格点数占总格点数的33.57％, 主要分布在和田南部海拔高度3000m以上的山区。0《art≤10℃，格点 数占总格点数的10.27％，主要分布在和田南部海拔高度1500m～3000m 低山脉河流区域(桑株河、杜瓦、喀什河、策勒河等)。10《art≤15℃， 格点数占总格点数的6.78％，主要分布在海拔高度1200m～1500m区域， 在此区域的观测站点集中
最多。art》15℃格点数占总格点数的49.38％， 主要分布在和田地区北部海拔高度1300m以下且大部分是塔克拉玛干沙 漠区域。和田地区从南到北，海拔高度从高到低，温度从低到高的变化。
[0168]
由图13(d-g)可知，该时刻的sk降雨量≥6.5mm，观测站点主要 集中在洛浦县5个站点、和田市5个站点、和田县6个站点。cldas、 art在该时刻分布区域相差不大，策勒县3个站分布比观测站点降雨量 偏少外，其他与观测站点的降雨量分布基本一致。
[0169]
fy4a在15日23时反演的降雨分布与观测站点重点降雨区域一致， 但是降雨量和降雨面积相比观测站点相差少。
[0170]
近年来极端天气发生频率逐年上升。极端天气严重威胁着人类生命 财产、粮食生产和社会发展等。和田地区地势复杂，南部高海拔接壤青 藏高原，海拔高度越高降雨、降温和风等气象要素强度越剧烈，且在2021 年出现多次极端天气事件。应对极端天气气候事件，重点要加强监测预 报能力和提高针对极端天气气候事件预警服务能力。
[0171]
为防御极端天气建议(1)重视天气预报工作，尤其是高精度的天气 信息，强化极端天气的识别和预判，提高预报精准度和延长预见期。(2) 加强极端降雨风险隐患分析识别，强化重点区域和部位灾害监测预警。 (3)加快推进基层防汛台体系标准化建设、加大农业基础设施投资，提 高农业抗风险能力。(4)增加城市设施防灾抗灾能力。(5)提升预警 信息传播能力和效果，提高公众防灾意识和自救能力。(6)建立高效的 应急联动响应机制、完善应急预案体系和演练机制，提升应急队伍和物 资保障能力。
[0172]
结论
[0173]
为提高极端天气气候事件预警服务能力，为达到更高分辨率、更快 速更准确的预测结果，并提前预警发布的时间。本发明选择3种多源数 据进行分析。对多源融合数据cldas的温度、风u分量、风v分量采 用双线性插值，降雨采用距离倒数插值法获取站点值，对fy4采用距离 倒数插值法和邻近值算法获取站点值，与cimiss中查询出的站点观测进 行对比分析，分析结果如下：
[0174]
由观测站点可知，随着海拔高度越高温度越低；在平均高海拔区降 雨量偏大；降温过程由西到东整体减弱的。
[0175]
温度和风分析中，cldas、art在17日5:00和18日 16:00/18:00/21:00的时刻温度、风速均方根误差和风向平均绝对误差均最 大。cldas、art的温度均方根误差在1.5℃以上观测站共有3个：分 别为海拔1422m的于田、海拔2557m的皮山县布琼村和海拔1668m的民 丰县尼雃乡奥热孜。cldas的风速在3m.s-1以上共有7个观测站，此观 测站中cldas、art风速的均方根误差、风向的平均绝对误差均高于极 端降雨时刻的指标值。
[0176]
降雨分析中，cldas、art、fy4、nfy4在极端降雨时刻的均方根 误差均大于其他时刻降雨均方根误差，cldas、art、nfy4在极端降 雨时刻的降雨准确率均高于其他时刻。在逐日逐时刻共120个时刻中 cldas有65个时刻降雨站数偏多，105个时刻降雨量偏少。art有103 个时刻降雨站数偏多，80个时刻降雨量偏少。nfy4逐时刻平均站数和 降雨量误差均小于fy4，整个降雨过程和观测站基本一致，降雨量比观 测站小。
[0177]
皮山站分析中，cldas、art融合数据在大部分时刻比观测站温度 偏高，降雨量偏少。cldas、nfy4预估的极端降雨过程和观测站极端 降雨过程一致，但逐时刻降雨量低于观测值。在最大降雨量分析中， cldas、art与cimiss站点观测的温度基本一致，fy4a预估1h的
降 雨分布与观测站点重点降雨区域一致，但是降雨量和降雨面积相比观测 站点相差少。
[0178]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对 于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明 的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在 本发明的保护范围之内。