Özet Fan Shuiyong, Pekin Kentsel Meteoroloji Enstitüsü: Sayısal Hava Tahminine Giriş
AI Araştırma Enstitüsü Basını: "AI Challenger Global AI Challenge", küresel yapay zeka yetenekleri için açık kaynaklı bir veri kümesi ve programlama yarışması platformudur. Bu AI yarışması hava durumu izleme, çok önemli bir veri kaynağı olan "Rui Tu" tahmin verilerini kullanır. Rui Tu Pekin'dir. Belediye Meteoroloji Bürosunun Sayısal Hava Tahmin Sistemi.
Bu açık sınıfta, konuklar sayısal hava tahminlerinin mevcut durumunu, Ruitu'nun sayısal hava tahmin sisteminin durumunu ve Ruitu tahmin verilerinin tanıtımını paylaşacaklar, böylece dinleyiciler sayısal hava tahminini ve "Ruitu" tahmin verilerini anlayacaklar. .
Konuk paylaşma:
Fan Shuiyong, Yardımcı Araştırmacı, Pekin Kentsel Meteoroloji Enstitüsü, Çin Meteoroloji İdaresi, ana araştırma yönü sayısal hava tahmin sistemlerinin geliştirilmesi ve uygulanmasıdır.
Sınıf oynatma adresini açın:
Konuyu paylaş: Sayısal Hava Tahminine Giriş
Ana hatları paylaşın:
-
Sayısal hava tahmini nedir
-
"Rui Tu" Sayısal Hava Tahmin Sistemine Giriş
-
`` Rui Tu '' tahmin verileri nasıl yapılır
AI Araştırma Kulübü Paylaşılan içeriği aşağıdaki gibi düzenleyin:
Hepimizin bildiği gibi, atmosferik sistem aşağıdaki özelliklere sahip çok karmaşıktır: doğrusal olmayan, çok ölçekli, çok çemberli ve çoklu zorlama ve geri bildirim Ek olarak, atmosferik sistem dinamik, fizik ve kimyanın bir kombinasyonudur. Ünlü meteorolog Charney, atmosferik sistemin değişkenliği ile ilgili olarak 1951'de şunları söyledi: "Atmosfer bize tipin gelgit değişikliklerine benzer periyodikliğini göstermiyor, bu nedenle hava tahmininde gelgit tahminleri gibi yöntemleri kullanamayız. Atmosferin belirli bir andaki durumu ile başka bir anın durumu arasında bir dizi basit nedensel ilişki bulamadık. "
Hava tahminimiz esas olarak şu üç sorunu çözer: mevcut hava durumu veya iklim bilgisi, hava veya iklimin evrimi ve bilinenden geleceği tahmin etmenin yolları. Veri tahminleri yapılmadan önce, hava tahminleri esas olarak yere ve birkaç yüksek irtifa gözlemine dayanan yetkin teknolojilere dayanıyordu.Örneğin, aşağıdaki resim Amerikalı meteorologlar tarafından 1944'te hava durumu tahminleri yapmak için kullanılan bir hava haritasıdır.
Bu tür bir tahmin daha özneldir ve aşırı hava koşulları için tahmin süresi nadiren 12 saati aşar.
Hava tahmini tanımımız, mevcut ve son hava koşullarına bağlı olarak gelecekte belirli bir dönemdeki hava koşullarını tahmin etmek için atmosferik değişiklik yasalarını uygulamaktır. Tahmin, temel olarak uydu bulutu ve hava haritalarının analizine ve ilgili meteorolojik veriler, topografya ve mevsimsel özellikler ve insanların deneyimlerine ilişkin kapsamlı araştırmalara dayanmaktadır.
Endüstride varsayılan olarak başlıca üç temel hava tahmin modu vardır: Birincisi, sinoptiklerin ilkelerine ve deneyimlerine dayanır ve fiziksel niteliksel ilişkiye dayanır; ikincisi, mevcut meteorolojik unsurlar ve gelecekteki hava durumu arasındaki istatistiklere dayanır. İlişki kuruluşunun istatistiksel modeli; üçüncüsü, mevcut meteorolojik unsurların dağılımı ile gelecekteki hava durumu arasındaki fiziksel nicel ilişkinin oluşturduğu dinamik modeldir. Kısaca özetlemek gerekirse, birinci mod hava durumu haritası yöntemine karşılık gelir; ikinci mod istatistiksel tahmin yöntemine karşılık gelir ve üçüncü mod sayısal tahmin yöntemine karşılık gelir.
Hem birinci sinoptik yöntem hem de ikinci istatistiksel yöntem, geleneksel yöntemler kategorisine aittir ve sınırlamaları, objektif, kantitatif ve doğru analiz ihtiyaçlarını karşılayamamalarıdır.
Hava tahmini sorununu çözmek için endüstri daha uygulanabilir bir yöntem benimsemiştir: Birincisi, atmosferin evrimini bir dizi matematiksel denklem olarak yaklaşık olarak tahmin edin; ikincisi, sınırlı gözlemlerden elde edilen atmosferin mevcut başlangıç durumuna göre; üçüncüsü, bilinen veya ayarlanmış zorlama koşulları altında (sınır koşulları dahil), Bu denklem setinin çözümlerini çözerek, gelecekteki hava veya iklim koşullarının bir tahmini elde edilebilir; Son olarak, denklem setinin karmaşıklığından dolayı analitik çözümünü (kesin çözüm) bulmak zordur ve yüksek performanslı bilgisayarlar yardımıyla yalnızca sayısal yöntemler kullanılabilir. Yaklaşık çözüm. Bu adımlar dizisi, mevcut hava durumu tahmin sistemimizi oluşturur.
Genelde yapacağız Sayısal hava tahminine NWP (sayısal hava tahmini) denir ,Atıfta Atmosferin mevcut durumuna göre, belirli başlangıç ve sınır değeri koşulları altında, havanın evrimini tanımlayan akışkanlar dinamiği ve termodinamik denklemlerini çözmek için sayısal hesaplamalar yapmak ve gelecekte belirli bir zaman diliminde atmosferik hareket durumunu ve hava olaylarını tahmin etmek için büyük ölçekli bir bilgisayar kullanılır. .
Bu açıklamadan, sayısal hava tahminlerinin önceki hava durumu tahminlerinden farklı olduğunu göreceğiz.
Nicel ve objektif bir tahmindir, bu nedenle sayısal hava tahmini ilk önce tahmin dönemini yansıtan daha iyi (kısa vadeli, orta vadeli) bir sayısal tahmin modelinin kurulmasının yanı sıra küçük hatalar, istikrarlı hesaplamalar ve nispeten hızlı hesaplamalar gerektirir. Hesaplama yöntemi. İkinci olarak, sayısal hava tahmini meteorolojik verileri elde etmek için çeşitli yöntemler (geleneksel gözlemler, radar gözlemleri, gemi gözlemleri, uydu gözlemleri vb.) Kullandığından, meteorolojik verilerin uygun şekilde ayarlanması gerekir.
Hava tahminlerini tahmin süresinin uzunluğuna göre sınıflandırırsak, bunları aşağıdaki kategorilere ayırabiliriz:
-
0-2 saat şimdi yayın
-
2-12 saat Çok kısa vadeli tahmin (kısa vadeli tahmin)
-
12-48 saat kısa vadeli tahmin
-
3-10 gün orta vadeli tahmin
-
10 günden fazla uzun vadeli tahmin
Sayısal model tahmin sisteminin çalışma prensibi
Sayısal hava tahmini yapılmadan önce, geleneksel hava analizi süreci gözlem-veri toplama-haritalama-manuel çizim-süreci analizi-öznel hava tahmininden oluşuyordu. Sayısal modelin tanıtılmasından sonra hava durumu analizi süreci, Gözlem-veri toplama-bilgisayar girdisi-veri başlatma-model simülasyonu-nesnel olarak geçmiş hava durumunu yeniden üretir veya gelecekteki hava durumunu tahmin eder.
Sayısal model aracılığıyla, başlangıç durum değerini gelecekteki durumun bir tahminine dönüştürebiliriz, ancak operatör için belirli gereksinimler vardır, yani evrim yasasının kapsamlı bir teorik anlayışının elde edilmesi gerekir.
Görüntü noktaları açısından hava tahmini ilkesi, kapsamlı bir atmosferik algılama sistemine sahip olmaktır Tahmin sistemi, veri asimilasyon sistemi ile tespit verileri ile başlatılır ve atmosfer üç boyutlu bir uzayda ızgara noktalarına dönüştürülür. Bir dizi matematiksel denklem oluşturmak için çözün ve ardından her an büyük ölçekli bir bilgisayarda "hesaplayın" ve sonunda gelecekteki hava durumu evrimini öğrenin.
Sayısal simülasyon sisteminde 5 bileşen vardır:
Nesnel analiz ve veri asimilasyon sistemi - esas olarak gözlem verilerinden mevcut veriyi modellemeye dönüştürme ve optimizasyonu çözer.
Başlatma süreci - verilerdeki paraziti kaldırın.
Sayısal model - bir dizi matematiksel denklem (kuru model)
Fiziksel süreçlerin parametrelendirilmesi - atmosferdeki radyasyonun tanımı, gezegensel sınır tabakası, kümülüs konveksiyonu, hava-deniz etkileşimi, iz gazı, vb. (Islak mod).
Sayısal ürünlerin analiz, teşhis, çeşitli ürünlerin yeniden işlenmesi ve grafik görüntüleme dahil olmak üzere son işlemleri.
Spesifik sayısal tahmin sistemi süreci için aşağıdaki şekle başvurabiliriz:
Sayısal tahmin yapmak için hangi gerekli koşulların gerekli olduğuna gelince, üç noktayı özetledik: Uygun performansa ve iyi iletişim koşullarına sahip bir bilgisayar, gerçek zamanlı ham verilerin ve daha iyi bir sayısal modelin sağlanmasını sağlar.
Söylemek abartı değil Sayısal tahmin ürünlerinin uygulanması, geleneksel çalışma prosedürlerini ve tahmin operasyonları düşüncesini değiştirmiştir.
Geleneksel hava tahmini fikirlerine göre, önce gerçek durumun analizi ile başlayacağız, durum tahminlerini yapmak için kinematik ve fiziksel analiz kullanacağız ve genellikle önce yüksek irtifa durum tahminlerini, ardından yer durumu tahminlerini, yüksek irtifa ve yeri etkileyen sistemlere odaklanarak yapacağız. Yoğunluk değişiklikleri ve hareket koşulları ve ardından durum tahminine dayalı olarak belirli öğe tahminleri yapın.
Sayısal tahmin ürünleriyle, durum tahminlerinin doğruluğu yapay öznel tahminlerden önemli ölçüde daha yüksektir. Tahmincilerin odak noktası, sinoptik, dinamik meteoroloji ve diğer ilgili bilgileri, hava koşullarını, uydu bulut görüntülerini ve diğer verileri kullanarak sayısal tahminlere dayanmaktadır. Sayısal tahmin sonuçlarında bariz mantıksız fenomenlerin olup olmadığını belirlemek için - yoksa, sayısal tahmin sonuçları kullanılacak; eğer öyleyse, revize edilmiş bir tahmin yapılacaktır.
Sayısal model tahmin sisteminin gelişim geçmişi
Popüler bilim altında sayısal tahminin gelişiminde size bazı kilometre taşları vereyim:
Sayısal tahmin kavramı, 1904 yılında Norveçli bilim adamı Bjerknes tarafından ortaya atıldı. 1950 yılında Amerika Birleşik Devletleri'nden Charney, sürekli gelişmenin ardından 24 saatlik hava tahminini başarıyla gerçekleştirdi, daha sonra bilgisayar teknolojisi ve sayısal teknoloji yöntemlerinin sürekli ilerlemesi ile geliştirildi. Büyük gelişme.
Çin'de sayısal tahminin gelişmesi biraz geç.
Sadece 1954'te ilgili teorik araştırmaya başladık ve kuzey yarımküre veri tahmin ürününü 1965'te piyasaya sürdük. Yukarıdaki şekilde gösterildiği gibi, 1950'lerden ve 1960'lardan beri Çin, her yıl, temelde geniş bir alanı kapsayan küresel tahminler olan yeni modeller önermektedir. 1997 yılına kadar Çin resmi olarak orta ölçekli sayısal hava tahmin sistemini başlattı ve endüstrinin resmi olarak yeni bir aşamaya girdiği görüldü.
Orta ölçekli sayısal model geliştirildi ve küresel olarak uygulandı. En ünlüsü, Birleşik Devletler Atmosferik Araştırma Merkezi NCAR ve Ulusal Çevresel Tahmin Merkezi NCEP tarafından ortaklaşa kurulan ve geliştirilen WRF'dir (Hava Araştırma ve Tahmin Modeli). , Operasyonel tahmin için Ulusal Çevresel Tahmin Merkezleri (NCEP) tarafından kullanılan ETA () modelini izledi.
Amerika Birleşik Devletleri'nin hakim olduğu diğer orta ölçekli sayısal modeller şunları içerir:
-
Pennsylvania Üniversitesi ve Ulusal Atmosferik Araştırma Merkezi (PSU / NCAR) tarafından ortaklaşa geliştirilen MM5 (Mesoscale Model 5) modeli;
-
Colorado Eyalet Üniversitesi (CSU) tarafından geliştirilen RAMS (Bölgesel Atmosfer Modelleme Sistemi).
-
Oklahoma Üniversitesi (OU) tarafından geliştirilen ARPS (Gelişmiş Bölgesel Tahmin Sistemi);
-
Orta Ölçekli Atmosferik Simülasyon Sistemi MASS, North Carolina Eyalet Üniversitesi, ABD;
-
ABD Hava Kuvvetleri Küresel Hava Durumu Merkezi'nin (AFGWC) sıfırlama penceresi modu RWM modu;
-
ABD Donanması operasyonel alan tahmin sistemi NORAPS6;
-
Amerika Birleşik Devletleri'nde NCEP'nin bölgesel spektrum modunun RSM modu;
-
ABD Donanması Filosu Sayısal Meteoroloji ve Okyanus Merkezi (FNMOC) Okyanus / Atmosfer Kaplin Mezoskale Tahmin Sistemi COAMPS
Diğer ülkeler de kendi bağımsız sayısal tahmin modellerini geliştirdiler. Daha ünlü olanlar şunları içerir:
-
Avrupa: ECMWF (Avrupa Merkezi Orta ve Uzun Vadeli Tahmin Operasyon Modeli)
-
Fransa: MESO-NH modeli (Mesoscale statik olmayan model);
-
Japonya: JRSM modu (Japonya bölgesel spektrum modu)
-
Birleşik Krallık: UKMO modeli (İngiliz Meteoroloji Servisi'nin Mesoscale modeli);
-
Kanada: MC2 modu (Orta ölçekli sıkıştırılabilir ortak mod)
-
Çin: GRAPES-meso (Küresel / Bölgesel Asimilasyon ve Tahmin Sistemi, orta ölçekli sürüm)
Bunlar arasında, Birleşik Devletler Atmosferik Araştırma Merkezi NCAR ve Ulusal Çevresel Tahmin Merkezi NCEP tarafından ortaklaşa kurulan ve geliştirilen WRF modeli, şu anda dünyada en yaygın kullanılan orta ölçekli sayısal modeldir.
Sözde WRF (Hava Araştırma ve Tahmin Modeli) modeli, Statik olmayan dengeli yeni nesil, yüksek çözünürlüklü orta ölçekli sayısal modeller. Bu model, gelişmiş sayısal yöntemleri ve veri asimilasyon teknolojisini birleştirir, gelişmiş bir fiziksel süreç şeması benimser ve bulut ölçeğinden hava ölçeğine kadar önemli hava durumunun simülasyonuna ve tahminine odaklanır.
Farklı güç çerçevelerine göre, WRF'yi ARW (Gelişmiş Araştırılmış WRF) ve NMM (Hidrostatik Olmayan Mezoscale Modeli) olarak ikiye ayırabiliriz. İlki, NCAR'ın MM5'inden geliştirilmiştir ve çoğunlukla araştırma için kullanılır; ikincisi, NCEP'nin Eta'sından geliştirilmiştir ve çoğunlukla operasyonel tahmin için kullanılır.
İlk sürüm 2000'in başlarında piyasaya sürüldüğünden beri, WRF şimdi ilk nesilden 18 yıl uzakta olan 4.0 sürümüne güncellendi.
Rui Tu Sayısal Tahmin Sistemi
Rui Tu Sayısal Tahmin Sisteminin İngilizce kısaltması RMAPS-ST'dir ve tam Çince adı "Hızlı Güncelleme Çok Ölçekli Analiz ve Tahmin Sistemi-Kısa Vadeli Tahmin Alt Sistemi" dir. "Rui Tu" aslında çok büyük bir tahmin sistemidir. Mayıs 2017'de Pekin Meteoroloji Bürosu'na operasyonel olarak uygulanan kısa vadeli tahmin alt sistemi RMAPS-STv1.0 sistemine odaklanacağız.
MAPS-STv1.0 sistemi iki seviyeli yuvalama alanına sahiptir, İlk katman, Çin'in tamamını kapsayan 9 kilometre çözünürlüğe, ikinci katman ise 3 kilometre çözünürlüğe sahip olup, çoğunlukla Kuzey Çin'i kapsamaktadır. MAPS-STv1.0 sisteminin tahmin süreci evrensel saatle 00'da başlar ve saat 21'e kadar devam eder.Farklı iş tahmin gereksinimlerine göre, tahmin süresi etkisi buna göre ayarlanacaktır. Sistem, temelde veri asimilasyon prosedürleri için kullanılan geleneksel gözlem verilerini (GTS) ve orta ölçekli gözlem verilerini (yer tabanlı GPS, otomatik istasyon, radar uçak gözlemi vb.) Hızlı bir şekilde her 3 saatte bir alır.
Aşağıdaki şekil, geleneksel iskandil, yer, uçak raporları ve otomatik istasyonların (doğudaki en yoğun olanı) dağılımını içeren MAPS-STv1.0 sisteminin veri dağılımını göstermektedir; ayrıca yer GPS verileri de vardır (doğuda aynı); Ve şiddetli konvektif hava tahmini için radar verilerinin dağılımı.
Önceki nesil tahmin sistemi BJ-RUC v3.0 ile karşılaştırıldığında, MAPS-STv1.0 sistemi birçok açıdan büyük ilerleme kaydetmiştir. Model sürümü, model çözünürlüğü, tahmin aralığı, tahmin çerçevesi, veri asimilasyon teknik performansı, fiziksel şema vb. Bunlar, tahmin sisteminin temel parametreleridir.
MAPS-STv1.0 sistemi Günde 8 tahmin olacak ve gerçek başlangıç süresi normal zamanın 1 saat 15 dakika gerisindedir. Farklı işletmelerin tahmin gereksinimlerine göre, sistem karşılık gelen tahmin zamanlama düzenlemelerine sahip olacaktır. Aşağıdaki şekilde gösterildiği gibi, saat 00 ve saat 03 yönündeki tahmin süresi daha uzundur, ardından saat 12 yönünde Pekin saati gelir.
Geniş şebeke kapsamı nedeniyle, hesaplamalara olan talep de artmıştır. Genel olarak, tüm tahmin süreçlerini tamamlamak 40 dakika ila 2 saat sürer Sistem, önceki 12 saatin tahmini ürünlerini görmek için yaklaşık 2 saat, sistem 24 saatlik tahmini ürünleri görmek için yaklaşık 2 saat 15 dakika gecikir.
Sayısal tahminlerin normal hesaplamasını sürdürmek için, sistem Sugon yüksek performanslı bilgisayarı kullanır ve hesaplama zirvesi 90 trilyon kata ulaşır. İkinci olarak, sayısal tahminlerin devasa verileriyle başa çıkmak için, sistem yüzlerce terabaytlık bir depolama sistemi kullanıyor.
İşte web sitemiz için bir reklamwww.ium.cn/rmaps. Hava durumu tahmin ürünlerimizi burada yayınlayacağız. Ayrıca, web sitesinde üç günlük hava tahminini görebiliriz. Tahmin verileri şunları içerir: yağış , Sıcaklık, bulut örtüsü, güçlü konvektif hava vb.
Tahmin verilerinin doğruluğunu sağlamak için, sistemimizin tahmin performansını test etmek için bazı istatistiksel denklemler kullanacağız.
Aşağıdaki şekil, sistemin 2 metrelik sıcaklığın kök ortalama kare hatası 1,7 derece ile 2 derece arasındadır; 10 metre rüzgârın kök ortalama kare hatası saniyede 1,9 ile 2,1 metre arasındadır. Sonuç olarak, veri sapması temelde kontrol edilebilir aralık dahilindedir.
AI Challenger 2018 Küresel AI Mücadelesi - `` Rui Tu '' Tahmin Verileri
Bu yarışma için Ruitu verilerinin üretimi için iki veri seti sağlayacağız:
1) Eğitim ve öğrenim için geçmiş tahmin veri seti
Pekin saatiyle saat 11'den (03UTC UTC) başlayarak tahmini benimseyin
Tahmini yaşlanma 36 saat, veri aralığı 1 saat
Orijinal tahmin, netcdf biçimindeki üç boyutlu ızgara noktası verileridir
-Yerde toplam 29 meteorolojik unsur ve karakteristik atmosferik basınç dahil
10 gözlem sahası, yaklaşık 3 yıllık tahmin örnekleri
2) İki haftada bir yapılan yarışmada kullanılan gerçek zamanlı tahmin veri seti
Biçim, değişkenler vb. Geçmiş tahmin veri kümesiyle aynıdır
Gerçek zamanlı tahmin verilerinin oluşturulması 3 saat gecikiyor
İlk olarak model ızgara noktası tahmin verilerini elde ediyoruz ve ardından bir site özelliği tahmini oluşturmak için sitede enterpolasyon yapmak için işleme yazılımını kullanıyoruz; daha sonra site özelliği gözlem verilerini oluşturmak için Pekin Otomatik İstasyonundan ilgili site özelliklerine saatlik gözlem verilerini okuyoruz. Veri sentezi, site öğesi tahmini ve gözleminin veri setini (netcdf formatı) içerir ve son olarak herkese gönderilir.
Hepsi bugünün içeriği için, hepinize teşekkür ederim.
Yukarıdakiler, bu sayıda davetliler tarafından paylaşılan tüm içeriklerdir. Daha fazla genel sınıf videosu için lütfen izlemek için Leifeng.com AI Araştırma Topluluğu'nu ( ziyaret edin. WeChat genel hesabını takip edin: AI Araştırma Enstitüsü (okweiwu), en son genel sınıf canlı yayın süresi önizlemesini edinebilirsiniz.
