气象自动观测站数据处理方法研究

【摘要】：在人类社会不断得以改造的同时,人类赖以生存的生活环境发生了更多的改变：地质灾害频发、温室效应日益明显、台风、龙卷、冰雹、强降水等极端天气象事件日益频繁,给人们带来了巨大的生命威胁和财产损失。受制于当前科技水平的制约,极端天气事件的长期预测还没形成有效的方法和完善的理论体系,气象领域的“准确有效的长期天气预报”也是当今世界的难题之一。然而,对天气系统的实时监测能有效地提高气象预报的准确性,能及时预测龙卷,台风等极端天气事件的发生,为决策部门的防灾减灾提供有力的技术支持。地面气象观测是实现天气系统监测的重要手段,是气象预报与气候分析以及灾害监测的重要途径和数据基础。近些年来,无线传感器技术的飞速发展与应用为地面气象观测系统带来了新的发展机遇。无线传感器与地面气象观测系统相结合形成的自动观测站弥补了传统人工观测频率低、空间分辨率差、数据误差不确定等许多不足,实现了全天候的实时观测,在极端天气系统观测、大型运动会场服务等应用中发挥了重要作用,成为当前气象数字化预报以及地面气象观测现代化新的数据基础,也是当前世界各国研究的热点。然而,天气系统的局部不稳定性、观测环境的复杂性、电子仪器的不确定性以及报文传输的误差等众多因素使得观测数据与实际天气状况有着较大误差。因此,基于气象自动观测站数据质量控制对于极端天气事件的防治、天气预报制作和区域气候分析以及其他基础数据应用均有着重要的作用。根据自动观测站测量序列在不同时间尺度条件下的不同特性,本文基于混沌理论、测量动态数据处理以及GIS技术等方法对不同时间尺度条件下的观测序列提出了气象自动观测站测量数据质量控制方法。主要的创新内容有： 1.基于混沌理论,分析了气象自动观测站地面气象观测多要素如降水、地温、气温、湿度,矢量风等数据序列的混沌特性,提出了基于连续性数据序列滤波方法。 2.根据自动观测站分钟级观测数据的连续性,利用现代测量数据处理技术和非线性时间序列分析技术,针对温度观测序列等非线性系统,利用AR模型和神经网络以及卡尔曼滤波方法,提出了温度序列的二层卡尔曼滤波方法；对降水数据序列等随机性强的观测序列,利用在线向量机方法和基于Unscented变换的卡尔曼滤波技术提出了基于在线向量机和卡尔曼滤波的降水序列数据处理方法。 3.针对观测频率大于10分钟的观测数据序列引入概率转换模型并结合地面气象观测站多源数据特点系统性地提出了相关数据序列奇异值检测方法。在降水序列的有效性检测研究中,通过对分钟级降水序列中记录转换特性分析,利用概率转换模型提出了基于隐马尔可夫模型的降水序列有效性计算方法；在对温度序列的连续性奇异值检测过程中,通过对观测序列的学习,建立了观测数据隐含的“稳定状态”的转换关系并利用该模型对观测数据进行有效性识别。该方法对连续观测异常记录有很高的识别效率,同时能有效地降低了离散奇异值干扰。 4.利用观测数据序列的空间相关性特点,对于有空间相关性的数据序列(如温度,气压等),以温度序列为研究对象提出了基于GIS的温度观测复原方法；对空间相关性较弱的观测序列,基于GIS平台和信息融合理论,提出了基于气象雷达的地面气象观测站降水序列有效性估计方法。