天气预报分析型数据模型构建

1陈贞宏2杨益3李杨4廖波

关键词：天气预报分析型数据模型识别

引言

当前，预报人员在天气预报业务中需要使用到海量的数据信息，为了确保预报员可以及时检索、查看、分析各种类型的气象数据，人们开发出了一系列以数据检索、图形显示等为主要功能的人机交互系统。因数据量庞大，预报人员决策的时间较短，很难对其进行充分利用。预报人员只能在数值预报产品的作用下得出预报结果，对该过程只是一知半解。单纯利用人机交互系统很难对数据进行有效分析，数据仓库技术的出现恰好解决了该问题。其核心是将原始杂乱数据朝着分析性数据进行转变，以方便用户对海量数据信息进行快速分析。在该过程中主要是对原始数据进行整理、整合，找出重要的数据信息进行聚集变换，确保所分析的信息可以在不同粒度的少量数据中集中。将分析工具结合处理的数据信息，可以确保工作人员在短时间内对海量的数据进行分析。在数据仓库中分析型数据占据重要地位，将原始数据转变为分析型数据是重要的一环，尤其是在聚集变换的过程中，将未来天气信息在少数数据中聚集较为关键。随着数值预报网格的精细化程度逐渐加强，为了增强数据分析的效率和质量，需要在少数数据中聚集多个格点的数据信息。在转换分析型数据后，在数据挖掘和联机分析处理等环节中才能取得成功。由此不难看出，整个数据仓库项目的成功关键是分析型数据的设计和最终数据生成质量。

1、天气预报分析型数据概念模型

在对海量数据进行一系列的处理、存储和应用的过程中，需要工作人员对数据概念模型有一个系统、全面的了解，随后设计计算机逻辑模型，并将其尽快落实到数据物理模型中来。实际上，天气预报中使用的气象数据主要是在时空空间中分布的，在设计概念模型的过程中应考虑空间特征。相较于地理信息空间数据，气象数据的主要特征包括场特性、瞬变性、物理性以及多尺度性四个方面。其中场特性是气象数据在时空中连续分布的场数据；瞬变性则是随时间的变化气象数据也会变化；物理性是指气象数据在分布和变化的过程中有一定的物理规律，受动力方程约束；多尺度性是在对气象数据进行分析时习惯将其分解为大、中、小不同尺度的运动。在通用的地理信息系统数据模型中基本忽略了这四点，但也不能套用现有的地理信息系统数据模型，可以在现有的基础上，将气象数据的特殊性考虑进去。

在地理信息系统数据模型中，对空间数据概念模型进行描述时主要包含有网络模型、对象模型和场模型。其中描述空间连续分布的量是场模型，例如气象数据就包含有二维场和三维场，在天气预报业务中二维场使用频次最高。另外，二维场包含有不规则分布点模型、规则矩形区模型两种类型；对象模型又称为要素模型，是将空间中的实体作为独立对象。根据空间特征可以将其划分为点、线、面、体等对象，每个对象的属性描述各不相同。天气分析中的各种天气系统就是对象模型，需要注意的是，在预报业务中不存在现成的天气系统数据，需要经过自动识别，并借助于业务场数据和空间对象特征，才能识别出天气系统；网络模型是借助于路径将多个空间对象连通成河网、电网、路网等网络模型，进而形成气象服务中常用模型。预报人员在对天气系统进行过分析识别时需要借助于业务环境提供的二维数据场进行。将天气系统移动、变化及其同局地天气之间的关系进行结合，预测未来天气变化情况。因此，天气预报中所需的分析型数据应选择二维识别的天气系统空间对象模型作为概念模型。

2、聚集变换的类型

2.1空间固定区域统计

在对空间固定区域的场数据进行统计的过程中，可以将该空间区域定义为一个空间对象，其数据空间属性集合不会随着时间的变化而发生变化，这种类型的数据在统计属性或谱属性中最为常见。是用来表示预报量、预报关键区或指标类的内容。例如24h降水量、2m温度、10m风向风速等统计，谱属性可以对某地的降水场、风场分布等谱特征进行过描述。区域面积小的应以统计属性为主，反之应以谱属性为主。将给定区域面积或谱展开保留的阶数来确定数据粒度。

2.2空间划分区域统计

可以划分若干个场且互不重叠。例如对规则地按照经纬度每间隔几度进行划分，网格点每间隔几个格点划分；还可以按照山区、平原、城市等进行划分。规则的划分统计可以将不同尺度的运动反映出来，粒度的确定同固定区域统计相似。

2.3天气学概念模型识别

对于部分天气系统来说，很难通过单一的场数据中识别，此时需要结合多个基本天气系统逻辑组合。所谓的天气学概念模型主要是指一组满足一定空间关系的基本天气系统的逻辑组合。这里的天气学概念模型主要是识别复杂天气系统的静态识别。例如，在识别锋线时需要建立起相关的天气学概念模型，通过识别该模型来完成。在确定概念模型粒度时也是如此，可以结合概念模型中使用的场数据尺度或规则满足的隶属度。若概念模型的基本天气系统中有很多不同的粒度，此时概念模型的粒度应选取最粗的粒度。

3、基本天气系统的识别

这里的基本天气系统主要是指单一要素标量场的特征点、线、面对象。天气预报分析中，特征点通常取极值中心，线对象则是槽、脊线，面对象则是高值区、低值区。大部分的天气系统都可以用基本天气系统表示或经过预处理获取。大梯度区、大梯度带、辐合/辐散中心、辐合/辐散线、正/反涡旋中心、正/反涡旋区、急流轴、急流中心等数据的力度包含有两种定义方法。其一在对基本天气系统进行识别时是在不同力度规则划分统计平均值场时，粒度同这个场的力度一样；其二是选择天气系统识别的隶属度作为粒度。

在识别基本天气系统的过程中，主要是从一个网格点场数据中将具有点、线、面特征的对象识别出来，也就是预报人员熟悉的高、低中心、槽、脊线、高值区、低值区等。天气预报中涉及到的数据信息大都是规范的网格点数据，在处理的过程中相对简单。本文中的基本天气系统识别算法主要步骤是，对原始的数据场进行滤波后，将滤波场划分为高值区和低值区，最后测量计算高、低值区对应的属性值。结合这些属性值可以对区域进行简单的分类，这种算法称之为滤波算法。

4结论

本文结合天气预报领域的特点，深入探讨了分析型数据模型的定义和生成技术。同时结合气象数据的空间性、模糊性、时变性、物理性和多尺度性等特征，给出了数据模型和产生该模型属性的相关算法，在以后的天气预报业务中应对其不断进行优化，不断增强天气预报的时效性和准确性水平。

科研项目：基于CIMISS的重大灾害天气预报评分系统

参考文献

[1]谭晓光,罗兵.天气预报分析型数据模型及生成[J].应用气象学报,2014,25(1):120-128.

[2]谭晓光.数据仓库技术在天气预报决策中的应用探讨[J].应用气象学报,2006(03).

[3]贾代平,徐国林,吴丽娟.分析型数据环境及其系统应用构架[J].信息技术,2004(02).

作者简介：陈贞宏（1983-），男，汉族，贵州省开阳县人，本科学历，工程师，从事气象工作。