CN111291944B - 基于npsdv驱动因子识别的海洋气候预测方法及系统 - Google Patents
基于npsdv驱动因子识别的海洋气候预测方法及系统 Download PDFInfo
- Publication number
- CN111291944B CN111291944B CN202010183427.5A CN202010183427A CN111291944B CN 111291944 B CN111291944 B CN 111291944B CN 202010183427 A CN202010183427 A CN 202010183427A CN 111291944 B CN111291944 B CN 111291944B
- Authority
- CN
- China
- Prior art keywords
- sss
- npsdv
- time series
- time
- driving factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于NPSDV驱动因子识别的海洋气候预测方法及系统。所述预测方法包括:获取海表盐度SSS分析参数;根据SSS分析参数确定北太平洋海表盐度年代际变化NPSDV的时间序列以及驱动因子指数时间序列,并计算NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关、滞后交叉相关;利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果;根据NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关、滞后交叉相关以及SSS异常重构结果确定驱动因子;根据驱动因子预测海洋气候。采用本发明所提供的预测方法及系统能够精确预测出海洋气候。
Description
技术领域
本发明涉及海洋气候领域,特别是涉及一种基于NPSDV驱动因子识别的海洋气候预测方法及系统。
背景技术
目前,以北太平洋海表盐度年代际变化(North Pacific Sea Surface SalinityDecadal Variation,NPSDV)为代表的海表盐度(Sea Surface Salinity,SSS) 及其大气强迫(即淡水通量和风应力)的低频震荡对东亚和北美大陆沿岸的气温、降水、风暴轨迹、亚洲季风、生态系统和厄尔尼诺-南方振荡(El Oscillation,ENSO)等天气气候有着重要影响;通过对NPSDV 驱动因子的识别,可提高太平洋海洋气候的可预测性,以更有效地应对包括中国在内的亚太区域各国的极端天气和气候变化风险。
但是,现有技术中对于NPSDV驱动因子的研究很少,主要是由于盐度观测资料的稀缺性。虽然受益于2000年以来ARGO浮标观测的迅速增长,盐度观测数量足以研究全球大部分海域SSS的季节和年际变化,如SSS的ENSO 模态、东太平洋EP-ENSO(Eastern PacificENSO)模态、中太平洋CP-ENSO 模态(Central Pacific ENSO)等,但在更长的时间尺度上,由于缺乏几十年长度的连续盐度观测,对NPSDV驱动因子的解释并不统一。传统理论认为,NPSDV主要由“北太平洋海表温度(Sea Surface Temperature,SST)异常变化的主要模态”即太平洋年代际振荡(Pacific Decadal Oscillation,PDO)驱动,但随后作为“东北太平洋SSS低频变化的主导模态”出现的北太平洋环流振荡(North Pacific Gyre Oscillation,NPGO)对传统的太平洋年代际气候理论提出了挑战,使得SSS与研究较为成熟的SST年代际变化在驱动因子方面有所不同。从大气环流驱动的角度,这主要源于SSS相对于SST的平均梯度分布特点以及NPGO和PDO两种模态相关大气驱动产生的异常表层流的流向分布差别;从淡水通量驱动的角度,这可能是由于热带淡水通量异常产生的SSS 异常不会受到海洋对大气反馈的削弱而维持较长时间、传播较远距离,保留了更多的热带低频能量。因此,SSS与SST的年代际低频变化及其动力机制有着重要差别,需要进行区分研究。
一般情况下,研究北太平洋年代际变化的驱动因子,需要考虑以下若干方面:
(1)热带太平洋的远程驱动:连接“热带EP-ENSO、中纬度阿留申低压 (AleutianLow,AL)和PDO”,或者“热带CP-ENSO、中纬度北太平洋振荡 (North Pacific Oscillation,NPO)和NPGO”的机制称为“大气遥相关”。具体来说,热带EP-ENSO/CP-ENSO驱动了与AL/NPO有关的北太平洋中部大尺度大气环流的变化,被海洋吸收以驱动海洋PDO/NPGO变化。这种机制的滞后时间导致显著的海洋低频变化,且近几十年来由于全球变暖,后一种连接的驱动作用似乎越来越重要。
(2)北太平洋中东部的局部驱动:位于北太平洋的AL和NPO等大气强迫,本身具有显著的随机高频变率特征,在驱动海洋模态变化方面起着同样不可忽视的作用,其产生的风应力既可以和潜热感热强迫一起随机作用于海洋产生特定时间尺度的SST变化信号,也可以和淡水通量强迫一起作用于海洋产生特定SSS变化信号。
(3)北太平洋西部的滞后驱动。AL和NPO模态主要对北太平洋东部的海洋变化施加影响,而黑潮及其延伸区(Kuroshio and Oyashio Extension,KOE) 经向模态(KOE-meridional-mode,KOE-M)和KOE纬向模态(KOE-zonal-mode, KOE-Z)则主要驱动太平洋西部的海洋变化。二者的关系为:中东部的变化通过罗斯贝波向西传播,并在到达后调节西部KOE海域的海洋变化,其中 KOE-M为KOE轴的偏移,即经向模态,而KOE-Z为KOE速度和强度的变化,即纬向模态。
以上研究的不足之处在于:考虑的因子和相应方法仅适用于SST场景,没有考虑到SSS场景的独特性(缺少观测)和复杂性(大气强迫及反馈机制与SST不同)。对于SSS场景的独特性,需要对SSS分析产品的可用性进行分析;对于SSS场景的复杂性,需要考虑太平洋的所有主要海洋和大气气候模态。现有NPSDV研究仅考虑局部海域、特定时间尺度、单一气候模态或是海气系统中的某一分量的驱动作用,没有充分兼顾到NPSDV的复杂性和多样性,无法精确识别出NPSDV的关键驱动因子,从而导致海洋气候预测精度低。
发明内容
本发明的目的是提供一种基于NPSDV驱动因子识别的海洋气候预测方法及系统,以解决无法精确识别出NPSDV的关键驱动因子,从而导致海洋气候预测精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种基于NPSDV驱动因子识别的海洋气候预测方法,包括:
获取海表盐度SSS分析参数;所述分析参数包括盐度分析值及误差、盐度剖面来源、盐度值驰豫方案、资料同化方案以及淡水通量强迫方案;
根据所述SSS分析参数确定北太平洋海表盐度年代际变化NPSDV的时间序列以及驱动因子指数时间序列;所述NPSDV时间序列包括SSS异常的第一主成分(PrincipalComponent,PC)以及SSS异常的第二主成分;
根据所述NPSDV的时间序列以及所述驱动因子指数时间序列确定 NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关以及所述NPSDV 的时间序列和所述驱动因子指数时间序列之间的滞后交叉相关;
利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果;
根据所述NPSDV的时间序列功率谱、所述驱动因子指数时间序列功率谱、所述NPSDV的时间序列滞后交叉自相关、所述驱动因子指数时间序列滞后交叉自相关、所述滞后交叉相关以及所述SSS异常重构结果确定驱动因子;所述驱动因子包括东太平洋厄尔尼诺-南方涛动EP-ENSO、中太平洋南方涛动 CP-ENSO、阿留申低压AL、北太平洋振荡NPO、黑潮及其延伸区经向模态 KOE-M以及黑潮及其延伸区纬向模态KOE-Z;
根据所述驱动因子预测海洋气候。
可选的,所述利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果,具体包括:
根据公式确定SSS异常重构结果,其中,为SSS异常重构结果;S(x,y,t)为SSS异常;x,y为空间;t为时间;α*是SSS的阻尼率;Fi *为驱动项,γi为所述驱动项的重构投影系数;i为每个驱动因子指数。
可选的,所述利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果之后,还包括:
获取原始的NPSDV空间模态以及重构的NPSDV空间模态;所述NPSDV 空间模态包括SSS异常的第一经验正交函数(Empirical Orthogonal Function, EOF)以及SSS异常的第二经验正交函数;
计算所述原始的NPSDV空间模态与所述重构的NPSDV空间模态之间的空间相关系数;
根据所述空间相关系数验证所述SSS异常重构结果的空间结构合理性。
可选的,所述根据所述空间相关系数验证所述SSS异常重构结果的空间结构合理性之后,还包括:
获取原始的NPSDV时间序列以及重构的NPSDV时间序列;
计算所述原始的NPSDV时间序列与所述重构的NPSDV时间序列之间的时间相关系数;
根据所述时间相关系数验证所述SSS异常重构结果的时间变化合理性。
可选的,所述根据所述时间相关系数验证所述SSS异常重构结果的时间变化合理性之后,还包括:
获取各点原始的SSS异常时间序列以及各点重构的SSS异常时间序列;
计算所述各点原始的SSS异常时间序列与所述各点重构的SSS异常时间序列之间的时间相关系数;
根据所述时间相关系数确定所述驱动因子的整体主导海域。
可选的,所述根据所述时间相关系数确定所述驱动因子的整体主导海域之后,还包括:
获取各点原始的SSS异常时间序列以及驱动因子指数时间序列;
计算所述各点原始的SSS异常时间序列与所述驱动因子指数时间序列之间的时间相关系数;
根据所述时间相关系数确定所述驱动因子的各自主导海域。
可选的,所述根据所述时间相关系数确定所述驱动因子的各自主导海域之后,还包括:
获取原始的NPSDV空间模态以及各驱动因子指数的重构投影;
计算所述原始的NPSDV空间模态与所述各驱动因子指数的重构投影之间的空间相关系数;
根据所述空间相关系数确定所述各驱动因子对NPSDV空间模态的重构贡献率。
可选的,所述根据所述空间相关系数确定所述各驱动因子对NPSDV空间模态的重构贡献率之后,还包括:
获取驱动因子指数的重构投影;
根据驱动因子指数的重构投影确定所述驱动因子对NPSDV的空间重构形态。
一种基于NPSDV驱动因子识别的海洋气候预测系统,包括:
SSS分析参数获取模块,用于获取海表盐度SSS分析参数;所述分析参数包括盐度分析值及误差、盐度剖面来源、盐度值驰豫方案、资料同化方案以及淡水通量强迫方案;
时间序列确定模块,用于根据所述SSS分析参数确定北太平洋海表盐度年代际变化NPSDV的时间序列以及驱动因子指数时间序列;所述NPSDV时间序列包括SSS异常的第一主成分以及SSS异常的第二主成分;
功率谱及滞后交叉相关确定模块,用于根据所述NPSDV的时间序列以及所述驱动因子指数时间序列确定NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关以及所述NPSDV的时间序列和所述驱动因子指数时间序列之间的滞后交叉相关;
重构模块,用于利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果;
驱动因子确定模块,用于根据所述NPSDV的时间序列功率谱、所述驱动因子指数时间序列功率谱、所述NPSDV的时间序列滞后交叉自相关、所述驱动因子指数时间序列滞后交叉自相关、所述滞后交叉相关以及所述SSS异常重构结果确定驱动因子;所述驱动因子包括东太平洋厄尔尼诺-南方涛动 EP-ENSO、中太平洋南方涛动CP-ENSO、阿留申低压AL、北太平洋振荡NPO、黑潮及其延伸区经向模态KOE-M以及黑潮及其延伸区纬向模态KOE-Z;
预测模块,用于根据所述驱动因子预测海洋气候。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种基于NPSDV驱动因子识别的海洋气候预测方法及系统,通过对比测试三种主要盐度产品的分析参数、时空误差、EOF模态保证了盐度数据稀缺条件下NPSDV分析的可靠性,通过运用功率谱、自相关和相关分析揭示了盐度异常维持时间较长、重现作用更显著等区别于温度异常的年代际变化特点,通过考虑太平洋海域局部和非局部、热带和热带外、东部和西部的几乎所有主要气候模态,量化了NPSDV潜在驱动因子的全景图像,从而提高了海洋气候的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于NPSDV驱动因子识别的海洋气候预测方法流程图;
图2为本发明所提供的基于NPSDV驱动因子识别的海洋气候预测系统结构图;
图3为本发明所提供的太平洋平均SSS误差的时间序列及空间结构图;图3(a)为本发明所提供的1980年至2017年太平洋平均SSS误差的时间序列图;图3(b)为本发明所提供的太平洋1980-2017年平均SSS误差的空间结构图;图3(c)为本发明所提供的太平洋1980-1995年平均SSS误差的空间结构图;图3(d)为本发明所提供的太平洋1995-2000年平均SSS误差的空间结构图;图3(e)为本发明所提供的太平洋2000-2005年平均SSS误差的空间结构图;图3(f)为本发明所提供的太平洋2005-2015年平均SSS误差的空间结构图;
图4为本发明所提供的平均SSS和SSS异常标准差图;图4(a)为本发明所提供的EN4.2.1计算出的1980至2017年期间的平均SSS图;图4(b) 为本发明所提供的EN4.2.1计算出的1980至2017年期间的SSS异常标准差图;图4(c)为本发明所提供的GODAS计算出的1980至2017年期间的SSS异常标准差图;图4(d)为本发明所提供的ORAS4计算出的1980至2017年期间的SSS异常标准差图;
图5为本发明所提供的EN4.2.1和ORAS4 SSS异常的EOF空间结构对比图;图5(a)为本发明所提供的1980-2017年所有网格的EN4.2.1SSS异常计算得到的EOF1空间结构;图5(b)为本发明所提供的1980-2017年所有网格的EN4.2.1SSS异常计算得到的EOF2空间结构;图5(c)为本发明所提供的 1980-2017年所有网格的ORAS4 SSS异常计算得到的EOF1空间结构;图5(d) 为本发明所提供的1980-2017年所有网格的ORAS4 SSS异常计算得到的EOF2 空间结构;图5(e)为本发明所提供的1980-2017年平均SSS误差小于0.2PSU 的网格的EN4.2.1SSS异常计算得到的EOF1空间结构;图5(f)为本发明所提供的1980-2017年平均SSS误差小于0.2PSU的网格的EN4.2.1SSS异常计算得到的EOF2空间结构;图5(g)为本发明所提供的1980-2017年平均SSS 误差小于0.2PSU的网格的ORAS4 SSS异常计算得到的EOF1空间结构;图5 (h)为本发明所提供的1980-2017年平均SSS误差小于0.2PSU的网格的 ORAS4SSS异常计算得到的EOF2空间结构;图5(i)为本发明所提供的 2005-2017年所有网格的EN4.2.1SSS异常计算得到的EOF1空间结构;图5 (j)为本发明所提供的2005-2017年所有网格的EN4.2.1SSS异常计算得到的EOF2空间结构;图5(k)为本发明所提供的2005-2017年所有网格的ORAS4 SSS异常计算得到的EOF1空间结构;图5(l)为本发明所提供的2005-2017年所有网格的ORAS4 SSS异常计算得到的EOF2空间结构;图5(m)为本发明所提供的2005-2017年平均SSS误差小于0.2PSU的网格的EN4.2.1SSS异常计算得到的EOF1空间结构;图5(n)为本发明所提供的2005-2017年平均 SSS误差小于0.2PSU的网格的EN4.2.1SSS异常计算得到的EOF2空间结构;图5(o)为本发明所提供的2005-2017年平均SSS误差小于0.2PSU的网格的 ORAS4 SSS异常计算得到的EOF1空间结构;图5(p)为本发明所提供的 2005-2017年平均SSS误差小于0.2PSU的网格的ORAS4 SSS异常计算得到的EOF2空间结构;
图6为本发明所提供的小波功率谱图;图6(a)本发明所提供的SSS-PC1 的小波功率谱图;图6(b)为本发明所提供的SSS-PC1的全局小波谱图;图 6(c)本发明所提供的SSS-PC2的小波功率谱图;图6(d)本发明所提供的 SSS-PC2的全局小波谱图;图6(e)本发明所提供的SST-PC1的小波功率谱图;图6(f)本发明所提供的SST-PC1的全局小波谱图;图6(g)本发明所提供的SST-PC2的小波功率谱图;图6(h)本发明所提供的SST-PC2的全局小波谱图;图6(i)本发明所提供的EP-ENSO的小波功率谱图;图6(j)本发明所提供的EP-ENSO的全局小波谱图;图6(k)本发明所提供的CP-ENSO 的小波功率谱图;图6(l)本发明所提供的CP-ENSO的全局小波谱图;图6 (m)本发明所提供的AL的小波功率谱图;图6(n)本发明所提供的AL的全局小波谱图;图6(o)本发明所提供的NPO的小波功率谱图;图6(p)本发明所提供的NPO的全局小波谱图;图6(q)本发明所提供的KOE-M的小波功率谱图;图6(r)本发明所提供的KOE-M的全局小波谱图;图6(s)本发明所提供的KOE-Z指数的小波功率谱图;图6(t)本发明所提供的KOE-Z 指数的全局小波谱图;
图7为本发明所提供的滞后交叉自相关年循环图;图7(a)为本发明所提供的SSS-PC1的滞后交叉自相关年循环图;图7(b)为本发明所提供的SSS-PC2 的滞后交叉自相关年循环图;图7(c)SST-PC1的滞后交叉自相关年循环图;图 7(d)SST-PC2的滞后交叉自相关年循环图;图7(e)EP-ENSO的滞后交叉自相关年循环图;图7(f)CP-ENSO的滞后交叉自相关年循环图;图7(g)AL的滞后交叉自相关年循环图;图7(h)NPO的滞后交叉自相关年循环图;图7(i)KOE-M 的滞后交叉自相关年循环图;图7(j)KOE-Z指数的滞后交叉自相关年循环;
图8为本发明所提供的各指数之间的滞后交叉相关年循环图;图8(a) 为本发明所提供的EP-ENSO与SSS-PC1之间的滞后交叉相关年循环图;图8 (b)为本发明所提供的EP-ENSO与SSS-PC2之间的滞后交叉相关年循环图; (c)为本发明所提供的CP-ENSO与SSS-PC1之间的滞后交叉相关年循环图;图8(d)为本发明所提供的CP-ENSO与SSS-PC2之间的滞后交叉相关年循环图;图8(e)为本发明所提供的AL与SSS-PC1之间的滞后交叉相关年循环图;图8(f)为本发明所提供的AL与SSS-PC2之间的滞后交叉相关年循环图;图8(g)为本发明所提供的NPO与SSS-PC1之间的滞后交叉相关年循环图;图8(h)为本发明所提供的NPO与SSS-PC2之间的滞后交叉相关年循环图;图8(i)为本发明所提供的KOE-M与SSS-PC1之间的滞后交叉相关年循环图;图8(j)为本发明所提供的KOE-M与SSS-PC2之间的滞后交叉相关年循环图;图8(k)为本发明所提供的KOE-Z与SSS-PC1之间的滞后交叉相关年循环图;图8(l)为本发明所提供的KOE-Z与SSS-PC2之间的滞后交叉相关年循环图;
图9为本发明所提供的原始的和重构的SSS异常的EOF空间结构对比图;图9(a)为本发明所提供的原始的SSS异常的EOF1空间结构对比图;图9 (b)为本发明所提供的原始的SSS异常的EOF2空间结构对比图;图9(c) 为本发明所提供的重构的SSS异常的EOF1空间结构对比图;图9(d)为本发明所提供的重构的SSS异常的EOF2空间结构对比图;
图10为本发明所提供的原始的和重构的SSS异常的PC时间序列对比图;图10(a)为本发明所提供的原始的(实线)和重构的(虚线)SSS异常的PC1 时间序列对比图;图10(b)为本发明所提供的原始的(实线)和重构的(虚线)SSS异常的PC2时间序列对比图;
图11为本发明所提供的各点原始的SSS异常时间序列和重构的SSS异常时间序列的相关系数示意图;
图12为本发明所提供的各点原始的SSS异常时间序列和各驱动因子指数的重构投影(即γi)之间的相关系数示意图;图12(a)为本发明所提供的原始的SSS异常和EP-ENSO指数的重构投影(即γ1)之间的相关系数示意图;图12(b)为本发明所提供的原始的SSS异常和CP-ENSO指数的重构投影(即γ2)之间的相关系数示意图;图12(c)为本发明所提供的原始的SSS异常和 AL指数的重构投影(即γ3)之间的相关系数示意图;图12(d)为本发明所提供的原始的SSS异常和NPO指数的重构投影(即γ4)之间的相关系数示意图;图12(e)为本发明所提供的原始的SSS异常和KOE-M指数的重构投影(即γ5)之间的相关系数示意图;图12(f)为本发明所提供的原始的SSS异常和 KOE-Z指数的重构投影(即γ6)之间的相关系数示意图;
图13为本发明所提供的各驱动因子指数的重构投影(即γi)形态图;图 13(a)为本发明所提供的EP-ENSO指数的重构投影(即γ1)形态图;图13 (b)为本发明所提供的CP-ENSO指数的重构投影(即γ2)形态图;图13(c) 为本发明所提供的AL指数的重构投影(即γ3)形态图;图13(d)为本发明所提供的NPO指数的重构投影(即γ4)形态图;图13(e)为本发明所提供的 KOE-M指数的重构投影(即γ5)形态图;图13(f)为本发明所提供的KOE-Z 指数的重构投影(即γ6)形态图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于NPSDV驱动因子识别的海洋气候预测方法及系统,能够提高海洋气候的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的基于NPSDV驱动因子识别的海洋气候预测方法流程图,如图1所示,一种基于NPSDV驱动因子识别的海洋气候预测方法,包括:
步骤101:获取海表盐度SSS分析参数;所述分析参数包括盐度分析值及误差、盐度剖面来源、盐度值驰豫方案、资料同化方案以及淡水通量强迫方案。
选取备用的SSS分析产品,包括英国气象办公室EN4.2.1、欧洲中尺度天气预报中心ORAS4、美国GODAS三种主流产品,定性对比各产品同化方案。其中,重点分析与盐度同化密切相关的盐度剖面来源(观测剖面或由温盐关系推算)、盐度值弛豫方案(弛豫到观测值或是气候值以及弛豫尺度大小)、高度计同化方案(不同化或沿轨资料同化)、淡水通量强迫方案等。
对三种SSS分析产品的变化方差、时空误差、经验正交函数(EOF)模态等进行综合比较印证,确定适用于NPSDV研究的SSS分析产品,具体为:
首先,根据各产品的SSS变化方差分布,剔除与实际方差明显不一致的 GODAS产品(过短的弛豫期导致SSS的阻尼过强、变化方差过小);其次,利用EN4.2.1产品自带的SSS误差估计,判断SSS误差在整个海域(北太平洋)和时间段(1980-2017年)的时空分布情况,确定SSS误差较大的海域(观测较少的边缘海)和时间段(ARGO计划引入之前的1980-2005年);最后,分别针对不同海域(即北太平洋和剔除边缘海后的北太平洋深远海)和时间段 (即1980-2017和2005-2017),对EN4.2.1和ORAS4开展进一步的EOF模态比较,挑选出模态稳健(即区域和时间选取对模态影响较小)的ORAS4产品。综合考虑,可以选用1980-2017年、全太平洋的ORAS4再分析产品作为代表进行后续分析,因为其模态动力和大气强迫信息部分弥补了EN4.2.1客观分析产品中的观测稀缺问题,同时其对海面高度等多元资料的同化和对盐度、淡水通量的合理弛豫方案避免了GODAS再分析产品中的盐度变率偏低问题。
步骤102:根据所述SSS分析参数确定北太平洋海表盐度年代际变化 NPSDV的时间序列以及驱动因子指数时间序列;所述NPSDV时间序列包括 SSS异常的第一主成分(SSS-PC1)以及SSS异常的第二主成分(SSS-PC2);所述驱动因子指数包括东太平洋厄尔尼诺-南方涛动EP-ENSO、中太平洋南方涛动CP-ENSO、阿留申低压AL、北太平洋振荡NPO、黑潮及其延伸区经向模态KOE-M以及黑潮及其延伸区纬向模态KOE-Z等6个驱动因子指数;
步骤103:根据所述NPSDV的时间序列以及所述驱动因子指数时间序列确定NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关以及所述 NPSDV的时间序列和所述驱动因子指数时间序列之间的滞后交叉相关。
分析NPSDV时间序列和6个驱动因子指数时间序列各自的功率谱,具体为:
SSS-PC1比SSS-PC2具有更长时间尺度的功率谱谱;虽然北太平洋SSS 异常和SST异常的主要能量都集中在年代际尺度,但相比而言,SSS-PC的功率谱呈现出比SST-PC更明显的年代际尺度能量;此外,KOE-M、KOE-Z主要由年代际尺度能量控制,CP-ENSO相对EP-ENSO、NPO相对AL能量时间尺度更大。
分析NPSDV时间序列及6个驱动因子指数时间序列各自的滞后交叉自相关,具体为:
SSS-PC1比SSS-PC2具有更长持续时间的显著自相关性;SST-PC1只在冬季持续而不在夏季之间持续,SSS-PC1则能在夏季持续,并且SSS的自相关范围比SST宽,说明海洋上层盐度的“重现”作用更强,并产生比温度更高的年代际能量;此外,KOE-M和KOE-Z自相关持续时间与SSS-PC1、 SSS-PC2相当,EP-ENSO、CP-ENSO、AL、NPO自相关持续时间较短,但 CP-ENSO相对EP-ENSO、NPO相对AL自相关持续时间较长。
根据上述分析过程可知:NPSDV中主要是年代际能量而非年际能量;相对于SST异常,SSS异常同时具有年际和年代际尺度谱能量、自相关系数随时间衰减较慢,因此SSS异常变化受表面通量反馈的阻尼较小、重现作用更为明显、年代际变化更显著;CP-ENSO、NPO有着与NPSDV时间尺度更相近的功率谱和自相关谱,相比对温度年代际变化的驱动作用,可能对NPSDV 有着更重要的驱动作用。
分析NPSDV时间序列与6个驱动因子指数时间序列之间的滞后交叉相关,具体为:
EP-ENSO领先SSS-PC1平均7个月,CP-ENSO领先SSS-PC1(SSS-PC2) 平均19(9)个月,因此,与SST场景中既有同年冬春季ENSO驱动SST异常变化(表现为PDO)、也有夏季PDO驱动下一年冬季ENSO的机制不同,在SSS的场景中,只有ENSO驱动下的SSS异常重现,而由于SSS对大气没有强烈的直接和局部反馈,“夏季NPSDV驱动ENSO”机制并不存在;AL仅在季节时间尺度上与SSS-PC2、SSS-PC2有微弱的滞后相关,而NPO在领先 SSS-PC1(SSS-PC2)约2~3年(1~2年)时有显著相关;KOE-M/KOE-Z在滞后SSS-PC1(SSS-PC2)约1~3年(>3年)时有显著相关。
步骤104:利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果。
利用一阶滞后自回归过程模型(AR-1)重构各空间点SSS异常,具体为:
在α*不随时间变化的前提下,对(1)积分1年并求年平均,得到:
其中:δ是离散化的1年时间步长,上横线表示年平均;α是阻尼率为α*的自回归系数,Fi是对Fi *积分得到的时空相关驱动项;α和γi通过迭代更新α*、计算S相对于Fi的多元回归系数得到。
计算原始和重构的NPSDV空间模态(表征为北太平洋SSS异常的第一、二经验正交函数EOF,简称SSS-EOF1、SSS-EOF2)之间的相关系数,验证重构结果空间结构的合理性,具体为:定性地,原始和重构的SSS-EOF1 (SSS-EOF2)空间结构非常相似;定量地,原始和重构的SSS-EOF1 (SSS-EOF2)的之间的相关系数高达77%(55%),且相较于原始SSS-EOF1 和SSS-EOF2的解释方差(18%和12%)、重构SSS-EOF1和SSS-EOF2的解释方差均有所增大(27%和19%)。
计算原始和重构的NPSDV时间序列之间的相关系数,验证重构结果时间变化的合理性,具体为:定性地,原始和重构的SSS-PC1(SSS-PC2)时间变化非常相似;定量地,原始和重构的SSS-PC1(SSS-PC2)的之间的相关系数高达80%(50%)。
根据上述验证过程,重构结果的空间结构和时间变化都较为合理,AR-1 重构模型可用于研究NPSDV的特性和动力过程。
计算各点原始的和重构的SSS异常之间的时间相关系数,确定主要驱动过程发生的海域,具体为:主要驱动过程发生的海域(定义为相关系数大于 0.6、显著性水平为95%的海域)主要集中在SSS-EOF1、SSS-EOF2的高值中心等位置。
计算各点原始的SSS异常和各驱动因子指数之间的时间相关系数,确定各驱动因子的主导海域,具体为:EP-ENSO的作用在太平洋东部最显著, CP-ENSO在太平洋中部和西部的作用显著,AL的贡献除了在个别地方之外都不显著,NPO在日期线以东作用显著,KOE-M、KOE-Z指数在KOE海域作用显著。
步骤105:根据所述NPSDV的时间序列功率谱、所述驱动因子指数时间序列功率谱、所述NPSDV的时间序列滞后交叉自相关、所述驱动因子指数时间序列滞后交叉自相关、所述滞后交叉相关以及所述SSS异常重构结果确定驱动因子。
步骤106:根据所述驱动因子预测海洋气候。
计算原始NPSDV空间模态与6个驱动因子重构投影之间的空间相关系数,量化各驱动因子对NPSDV的贡献率,具体为:原始SSS-EOF1(SSS-EOF2) 与EP-ENSO、CP-ENSO、AL、NPO、KOE-M、KOE-Z重构投影的空间相关性分别为0.50,0.32,0.17,-0.10,0.31,0.39(0.32,0.54,-0.05,0.58,0.26, -0.32),即SSS-EOF1主要包含50%的EP-ENSO和32%的CP-ENSO变化, SSS-EOF2主要包含58%的NPO和54%的CP-ENSO变化,其他驱动因子作为随机要素(例如AL)或区域要素(例如KOE-M,KOE-Z)贡献较小。
分析各驱动因子指数重构投影的空间形态,明确各驱动因子对NPSDV的具体重构形态,具体为:EP-ENSO投影在北太平洋东部有一个正值中心,CP-ENSO投影(以及NPO投影)在偏西接近日期线附近有一个正值中心,在西南副热带海域为正异常、东北副极地海域为负异常;KOE-M和KOE-Z在 35°N以北KOE海域有大幅度的盐度负异常。
综合功率谱分析、滞后交叉自相关分析、滞后交叉相关分析、AR-1模型分析的结果,确定NPSDV的驱动因子及其动力过程,具体为:
1)NPSDV不是单一的动力模态,而是由不同动力来源的驱动叠加引起。
2)EP-ENSO和CP-ENSO有显著的年际变化,能被北太平洋海水吸收以驱动NPSDV。EP-ENSO和CP-ENSO之间有所差异(AL和NPO之间的差异类似):CP-ENSO功率谱范围较宽、自衰减较慢,在时间和空间上与NPSDV 的第一和第二模态都相关,而EP-ENSO仅与第一模态相关。
3)AL有最短的时间尺度变化和持续时间,对NPSDV的影响最小(而在温度场景中AL和ENSO在年际尺度上对PDO的驱动同等重要)。NPO则与 NPSDV的第一和第二模态都时间相关,但由于滞后时间不同(即1~2年与2~3 年),NPO仅与NPSDV的第二模态空间相关。此外,NPO与CP-ENSO的功率谱范围、滞后相关、投影形态有很大的相似性,进一步支持了热带和热带外大气遥相关理论。
4)KOE-M和KOE-Z具有显著的年代际变化和较长持续时间,滞后时间为2~3年,在长时间尺度上影响着NPSDV,反映了罗斯贝波动力学的滞后机制。但由于不同的滞后时间,它们在AR-1模型中仅与NPSDV的第一模态有部分空间相关。
5)考虑到上述各种滞后规律,对NPSDV的发展演变作如下总结。热带太平洋EP-ENSO和CP-ENSO的SST异常需要2~3个月的时间通过北太平洋大气遥相关机制驱动AL/NPO,后者通过改变北太平洋近地表气温、湿度、风等之后被海洋吸收,成为PDO/NPGO的SST异常的主要贡献要素;在北太平洋中东部,SSS异常的响应滞后SST异常3至4个月,且主要在CP-ENSO/NPO 框架下发生。随后,由AL/NPO相关的风应力旋度激发的西向罗斯贝波将北太平洋中东部的海洋信号传播到西边界,并触发滞后约3年的KOE-M和KOE-Z 相关变化;在北太平洋西部,SSS异常的响应滞后SST异常5至6个月。
优选地,为与SSS数据一致,用于计算EP-ENSO、CP-ENSO指数的SST 数据和用于计算KOE-M、KOE-Z指数的海面高度(SSH)数据也来自ORAS4 分析产品;用于计算AL、NPO指数的海平面气压(SLP)数据来自NCEP-NCAR 分析产品;所有数据的时间分辨率为月,空间分辨率为1°×1°,时间范围为1980至2017年,海域范围为北太平洋(20°N–64°N,100°E–100°W)。优选地,“异常”是指:对于SSS、SST、SLP、SSH等,从原始场中去除月平均气候态,去线性趋势,用6个月的时间滤波进行平滑处理,得到的时间序列称为“异常”。优选地,AR-1模型中,将北太平洋各网格点上的月平均SSS 异常进行7月至次年6月平均得到的时间序列作为预测目标,以强调北太平洋海气相互作用占主导地位的冬季月份。优选地,AR-1模型中,将EP-ENSO、 CP-ENSO、AL、NPO、KOE-M、KOE-Z指数作为预测因子,其定义如下: EP-ENSO(CP-ENSO)指数定义为热带太平洋(20°S–20°N,100°E–70° W)的SST异常的PC1(PC2);AL(NPO)指数定义为20°N以北的太平洋的SLP异常的PC1(PC2);KOE-M(KOE-Z)指数定义为30°–45°N范围内、140°E和180°E之间纬向平均得到的SSH异常的PC1(PC2)。计算EOF 之后将异常序列投影到相应的EOF上、得到PC时间序列。同SSS异常一样, PC时间序列也进行了7月至次年6月的平均。优选地,AR-1模型中,6种驱动因子指数经过了Gram-Schmidt正交化处理,以保证彼此独立。首先,使 EP-ENSO时间序列保持不变,从CP-ENSO中去掉其对EP-ENSO的线性回归项,以此类推,最后从KOE-Z中去掉其对EP-ENSO、CP-ENSO、AL、NPO、 KOE-M的线性回归项。这一顺序反映了一种假设,即北太平洋SLA异常是由热带遥相关作用造成的,而KOE区域SSH异常则是由热带太平洋ENSO和北太平洋大气环流异常强迫共同造成的。正交化处理前后的结果差异证明正交化处理是必要的。优选地,回归分析的显著性是利用具有95%显著性水平的双尾 t检验估计的,相关分析的显著性是利用具有95%显著性水平的蒙特卡罗方法估计的。
图2为本发明所提供的基于NPSDV驱动因子识别的海洋气候预测系统结构图,如图2所示,一种基于NPSDV驱动因子识别的海洋气候预测系统,包括:
SSS分析参数获取模块201,用于获取海表盐度SSS分析参数;所述分析参数包括盐度分析值及误差、盐度剖面来源、盐度值驰豫方案、资料同化方案以及淡水通量强迫方案。
时间序列确定模块202,用于根据所述SSS分析参数确定北太平洋海表盐度年代际变化NPSDV的时间序列以及驱动因子指数时间序列;所述NPSDV 时间序列包括SSS异常的第一主成分以及SSS异常的第二主成分。
功率谱及滞后交叉相关确定模块203,用于根据所述NPSDV的时间序列以及所述驱动因子指数时间序列确定NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关以及所述NPSDV的时间序列和所述驱动因子指数时间序列之间的滞后交叉相关。
重构模块204,用于利用自回归过程模型重构空间点SSS异常,确定SSS 异常重构结果。
驱动因子确定模块205,用于根据所述NPSDV的时间序列功率谱、所述驱动因子指数时间序列功率谱、所述NPSDV的时间序列滞后交叉自相关、所述驱动因子指数时间序列滞后交叉自相关、所述滞后交叉相关以及所述SSS 异常重构结果确定驱动因子;所述驱动因子包括东太平洋厄尔尼诺-南方涛动 EP-ENSO、中太平洋南方涛动CP-ENSO、阿留申低压AL、北太平洋振荡NPO、黑潮及其延伸区经向模态KOE-M以及黑潮及其延伸区纬向模态KOE-Z。
预测模块206,用于根据所述驱动因子预测海洋气候。
基于本发明所提供的预测方法及系统,以具体实际生活为例对该预测方法及系统进行说明:
第一步,选取备用的SSS分析产品,包括英国气象办公室EN4.2.1、欧洲中尺度天气预报中心ORAS4、美国GODAS三种主流产品,定性对比各产品同化方案。其中,EN4.2.1基于迭代求解最优插值方程的分析校正(AC)方法,使用递归滤波器对观测增量中的信息传播进行建模,给出盐度值及其误差估计,在没有观测时盐度值弛豫到气候值;ORAS4基于NEMO海洋模式和NEMOVOR变分同化系统,同化温盐剖面、沿轨道海平面高度异常以及用于约束热量和淡水收支的SST和全球平均海平面变化等资料,应用20年时间尺度的弱弛豫方案将整个水柱的盐度值弛豫到气候态;GODAS基于 GFDL-MOM海洋模式和三维变分同化方案,同化温度剖面、温盐关系推算得到的合成盐度剖面等,但未同化卫星高度计资料,应用10天时间尺度的弛豫方案将上层海洋的盐度值弛豫到气候态。
第二步,确定适用于NPSDV研究的SSS分析产品。相对于温度等其他观测,盐度观测较为缺乏,这是研究NPSDV的主要困难所在,为此须对上述三种SSS分析产品的时空误差(图3,SSS数据来自 EN4.2.1(单位:PSU))、变化方差(图4,单位:PSU)、经验正交函数(EOF)模态(图5,EOF以标准化形式显示,其幅度描述了每单位PC偏差引起的SSS异常(单位:PSU),各EOF解释的百分比在各面板的左上角表示)等进行综合比较印证,从中选取最为合适的分析产品。首先,就整体而言,EN4.2.1(图4b)和ORAS4(图4d) 表现出与实际更一致的SSS变化方差,而GODAS(图4c)过短的弛豫期(10天)导致SSS的阻尼过强、变化方差过小。其次,就特定时空而言,一方面,SSS误差估计在观测较少的边缘海区通常大于 0.2PSU(图3b),那里EN4.2.1(图4b)比ORAS4(图4c)的变化方差显著偏大;另一方面,SSS误差估计随时间变化明显,特别是在 2005年引入ARGO计划后显著减小(图3a)。基于这些原因,分别针对两个误差阈值(无阈值和阈值取0.2PSU)、两个时间段 (1980-2017和2005-2017),对EN4.2.1和ORAS4开展了进一步的 EOF模态比较(图5),结果表明,除了EN4.2.1(图5第1、2行) 比ORAS4(图5第3、4行)的振幅稍弱、1980-2017年(图5第1、 2列)比2005-2017年(图5第3、4列)的结构稍平滑、1980-2017 年EN4.2.1的EOF1和EOF2在使用不同误差阈值时顺序交换之外(图 5a,3b和3e,3f),提取出的模态相当稳健。综合考虑,可以选用 1980-2017年无误差阈值的ORAS4再分析产品作为代表进行后续分析,因为其模态动力和大气强迫信息部分弥补了EN4.2.1客观分析产品中的观测稀缺问题,同时其对海面高度等多元资料的同化和对盐度、淡水通量的合理弛豫方案避免了GODAS再分析产品中的盐度变率偏低问题。
第三步,分析NPSDV时间序列和EP-ENSO、CP-ENSO、AL、 NPO、KOE-M、KOE-Z等6个驱动因子指数时间序列各自的功率谱。图6给出了SSS异常、SST异常的PC1和PC2以及各驱动因子指数的小波功率谱和相应全局小波谱,图6中的小波谱计算于1980-2017 年间,能量单位以标准化形式显示。由图6可知,SST-PC1(图6e) 在年际(2-8年)到年代际(8-10年)的广阔时间尺度范围内能量显著。SST-PC2(图6g)在2-4年的时间尺度内年际能量更密集。与 SST-PCs相比,SSS-PCs的功率谱呈现出更明显的低频变化趋势。具体来说,SSS-PC1(图6a)在准年代际(8-10年)和年际(4-8年) 尺度内具有大致相等的能量,而SSS-PC2(图6c)在4-8年尺度内具有一个显著的能量峰值。因此,对于SSS异常和SST异常,它们的 PC1由年际变化和年代际变化同时控制(图6b),而它们的PC2仅由年际变化控制(图6d)。另一个共同特点是SSS-PC1(图6a)和SST-PC1 (图6e)在越接近21世纪时年代际能量就越显著。此外,EP-ENSO (图6i)和CP-ENSO(图6k)的功率谱显示出2-7年的ENSO年际变化连续峰值。AL(图6m)和NPO(图6o)在较短的、1年以内的时间尺度上显示出1-2年峰值的变化。KOE-M(图6q)主要由年代际变化控制,8-16年尺度内出现了一个显著峰值。KOE-Z(图6s) 显示出4-8年尺度的峰值。
第四步,分析NPSDV时间序列及6个驱动因子指数时间序列各自的滞后交叉自相关。图7给出了SSS异常、SST异常的PC1和PC2 以及各驱动因子指数的滞后交叉自相关系数,图7中的自相关计算于 1980-2017年间,阴影部分为通过95%显著相关检验的值,由图7可知,SSS-PC1的季节性变化(图7a)在冬季后期最大、夏季最小。具体来说,第0年2月与第1年2月(即滞后12个月)之间的相关性为0.79,而7月之间的相关性仅为0.60。同样,SST-PC1(图7c) 的季节性变化在春季(秋季)最明显(最不明显),隔年5月(10月) 的相关性为0.51(0.32)。对于2年间的滞后(即滞后24个月),8月之间SSS-PC1的相关性为0.19(图7a),而SST-PC1的相关性接近于零(图7c)。因此,SST-PC1只在冬季持续而不在夏季之间持续,SSS-PC1则能在夏季持续;并且SSS的自相关范围比SST宽,说明海洋上层盐度的“重现”作用更强,并产生比温度更高的年代际能量。 SSS-PC2(图7b)的季节性变化很弱,频谱比SSS-PC1窄。SST-PC2 (图7d)的季节性变化不显著,虽然有较弱的峰值和谷值。对于SSS 和SST,第一模态比第二模态具有更长的时间尺度能量,这表明 NPSDV中主要是年代际能量而不是年际能量。EP-ENSO(图7e)和 CP-ENSO(图7f)的季节性变化也很明显,二者分别在春季和秋季到达峰值,但都持续不到1年。AL(图7g)和NPO(图7h)的持续性更弱,两者的年际相关性在所有季节都不显著,这反映了它们的随机高频变率。KOE-M(图7i)和KOE-Z(图7j)的季节性明显,分别在初冬和秋季出现最大值,两者较宽的功率谱暗示更多的年代际变化。
结合第三、四步的结果:相对于SST异常,SSS异常同时具有年际和年代际尺度谱能量、自相关系数随时间衰减较慢,可知SSS异常变化受表面通量反馈的阻尼较小、重现作用更为明显、年代际变化更显著;CP-ENSO、NPO有着与NPSDV时间尺度更相近的功率谱和自相关谱,相比对温度年代际变化的驱动作用,可能对NPSDV有着更重要的驱动作用。
第五步,分析NPSDV时间序列与6个驱动因子指数时间序列之间的滞后交叉相关。图8给出了SSS异常、SST异常的PC1和PC2 与各驱动因子指数之间的滞后交叉相关系数,图8中的滞后交叉相关计算于1980-2017年间,阴影部分为通过95%显著相关检验的值。由图8可见,EP-ENSO在全年领先SSS-PC1若干个月(图8a),最大相关滞后(r>0.5)从7月份的2个月到2月份的10个月不等,瞬时相关系数在11月份最高、滞后7个月。CP-ENSO在夏季领先SSS-PC1 (SSS-PC2)1~2(<1)年,在冬季领先SSS-PC1(SSS-PC2)2~3(1~2) 年,瞬时相关系数在8(7)月份最高、滞后19(9)个月(图8c, 6d)。可见,与SST场景中既有同年冬春季ENSO驱动SST异常变化 (表现为PDO)、也有夏季PDO驱动下一年冬季ENSO的机制不同,在SSS的场景中,只有ENSO驱动下SSS异常的重现作用,而由于SSS对大气没有强烈的直接和局部反馈,“夏季NPSDV驱动ENSO”机制并不存在。AL滞后于SSS-PC1(图8e),而仅在冬季、月时间尺度上领先SSS-PC2(图8f)。NPO在年际时间尺度上领先SSS-PC1 (图8g)和SSS-PC2(图8h),滞后时间(即2~3年和1~2年)与 CP-ENSO类似。SSS-PC1领先KOE-M(KOE-Z)1~3年,瞬时相关系数在2(3)月份最高、滞后30(18)个月(图8i,6k)。SSS-PC2 领先KOE-M(KOE-Z)超过3年(图8j,6l)。由于较长的滞后时间, SSS-PC1与KOE-M/KOE-Z的相关性(r>0.4)不如与EP-ENSO(r>0.5)、 CP-ENSO(r>0.6)或NPO(r>0.6)的相关性高。此外,根据SSS-PC1 与各驱动因子指数之间的最大相关系数所对应的滞后时间可知 (SST-PC1的图略),在北太平洋中东部SSS-PC1滞后SST-PC13~4 个月,在北太平洋西部滞后5~6个月。
第六步,利用一阶滞后自回归过程模型(AR-1)重构各空间点 SSS异常。
第七步,计算原始和重构的NPSDV空间模态之间的相关系数,验证重构结果空间结构的合理性。图9给出了原始的和重构的SSS 异常的EOF1、EOF2的空间结构,EOF以标准化形式显示,其幅度描述了每单位PC偏差引起的SSS异常(单位:PSU),各EOF解释的百分比在各面板的左上角表示,SSS数据来自1980-2017年的 ORAS4。由图可见,二者的空间结构非常相似,事实上,原始和重构的SSS-EOF1(SSS-EOF2)的之间的相关系数高达77%(55%)。差别主要体现在重构的EOF的正值中心振幅稍弱,以及重构的EOF2 中的正值区域更向北延伸至亚极地区域。此外,相较于原始SSS-EOF1 和SSS-EOF2的解释方差(18%和12%)、重构SSS-EOF1和SSS-EOF2 的解释方差均有所增大(27%和19%)。
第八步,计算原始和重构的NPSDV时间序列之间的相关系数,验证重构结果时间变化的合理性。图10给出了原始的和重构的SSS 异常的PC1、PC2的时间序列,其中,时间序列已标准化为单位标准差。由图可见,重构的PC基本捕捉到了原始PC的所有重要波动和转折,事实上,原始和重构的SSS-PC1(SSS-PC2)的之间的相关系数高达80%(50%)。差别主要体现在重构值中20世纪90年代末的 PC1和90年代中期的PC2的振幅偏弱,以及2000至2005年间太平洋年代际转换时PC2的振幅偏强。结合第七、八步的结果:重构结果的空间结构和时间变化都较为合理,AR-1重构模型可用于研究 NPSDV的特性和动力过程。
第九步,计算各点原始的和重构的SSS异常之间的时间相关系数,确定主要驱动过程发生的海域。图11给出了原始的和重构的SSS 异常间相关系数的空间结构。由图可见,主要驱动过程发生的海域(定义为相关系数大于0.6、显著性水平为95%的海域)主要集中在SSS-EOF1、SSS-EOF2的高值中心等位置。
第十步,计算各点原始的SSS异常和各驱动因子指数之间的时间相关系数,确定各驱动因子的主导海域。图12给出了原始的SSS 异常和6种驱动因子指数重构投影之间相关系数的空间分布,阴影部分表示相关未通过95%显著性水平检验的区域。由图可见,EP-ENSO 的作用在太平洋东部最显著,而CP-ENSO在太平洋中部和西部的作用显著。AL的贡献除了在个别地方之外都不显著,NPO在日期线以东作用显著。KOE-M、KOE-Z指数在KOE海域作用显著。
第十一步,计算原始NPSDV空间模态与6个驱动因子重构投影之间的空间相关系数,量化各驱动因子对NPSDV的贡献率。计算表明,原始SSS-EOF1(SSS-EOF2)与EP-ENSO、CP-ENSO、AL、NPO、 KOE-M、KOE-Z重构投影的空间相关性分别为0.50,0.32,0.17,-0.10, 0.31,0.39(0.32,0.54,-0.05,0.58,0.26,-0.32),也就是说,EOF1 主要包含50%的EP-ENSO和32%的CP-ENSO变化,EOF2主要包含 58%的NPO和54%的CP-ENSO变化,其他驱动因子作为随机要素(例如AL)或区域要素(例如KOE-M,KOE-Z)贡献较小。
第十二步,分析各驱动因子指数重构投影的空间形态,明确各驱动因子对NPSDV的具体驱动形态。图13给出了6种驱动因子指数的重构投影的空间分布,阴影部分表示回归未通过95%显著性水平双尾t检验的区域。由图13可见,在空间形态方面,SSS-EOF1(图9a) 与EP-ENSO投影(图13a)最为相似,即在北太平洋东部有一个正值中心,而SSS-EOF2与(图9b)CP-ENSO投影(图13b)最为相似(也与NPO投影相似,图13d),即在偏西接近日期线附近有一个正值中心,北太平洋的这两种模态对应于热带太平洋的两种模态 (EP-ENSO和CP-ENSO)。此外,SSS-EOF1(图9a)也显示了与 CP-ENSO投影(图13b)相似的部分空间特征,即较咸的西南副热带海域和偏淡的东北副极地海域,这与热带太平洋SSS年代际变化的第一、二种模态都与(CP-ENSO驱动的)NPGO相关的发现一致。另一方面,KOE-M(图13e)和KOE-Z(图13f)驱动了SSS-EOF1 (图9a)中的小部分变化,即35°N以北KOE海域大幅度的盐度负异常。
第十三步,综合功率谱分析、滞后交叉自相关分析、滞后交叉相关分析、AR-1模型分析的结果,确定NPSDV的驱动因子及其动力过程。分析表明,NPSDV不是单一的动力模态,而是由不同动力来源的驱动叠加引起:
首先,EP-ENSO和CP-ENSO有显著的年际变化(图6i),事件本身持续不会超过1年(图7e和5f),但是能被北太平洋海水吸收以驱动NPSDV。EP-ENSO和CP-ENSO之间有所差异(AL和NPO之间的差异类似):CP-ENSO功率谱范围较宽(图6k)、自衰减较慢(图 7f),在时间和空间上与NPSDV的第一和第二模态(即:SSS-PC1、 SSS-PC2,图8c,6d;SSS-EOF1、SSS-EOF2,图9a,7b)都相关,而EP-ENSO仅与第一模态(即:SSS-PC1,图8a;SSS-EOF1,图 9a)相关。
其次,AL有最短的时间尺度变化(图6m)和持续时间(图7g),对NPSDV的影响最小(图8e,6f)(而在温度场景中AL和ENSO 在年际尺度上对PDO的驱动同等重要)。NPO作为北太平洋的另一个大气强迫,其作用与AL完全不同,其与SSS-PC1、SSS-PC2都相关(图8g,6h),这意味着至少在近几十年,NPO像驱动SST和海面高度(SSH)一样驱动着更多的NPSDV。然而,当采用1年时间步长的AR-1模型时,由于NPO序列与SSS-PC1、SSS-PC2间的滞后时间不同(即1~2年与2~3年),NPO投影(图13d)仅与SSS-EOF2 (图9b)相关而与SSS-EOF1(图9a)不相关。此外,NPO与CP-ENSO 的功率谱范围(图6k)、滞后相关(图8c,6d和6g,6h)、投影形态 (图13b和11d)有很大的相似性,进一步支持了热带和热带外大气遥相关理论。
再次,KOE-M和KOE-Z具有显著的年代际变化(图6q)和较长持续时间(图7i和5j),滞后时间为2~3年(图8i,6j和6k,6l),在长时间尺度上影响着NPSDV,反映了罗斯贝波动力学的滞后机制。由于不同的滞后时间,它们在AR-1模型中对SSS异常的投影(图13e 和11f)与SSS-EOF1(图9a)部分相关但与SSS-EOF2(图9b)并不相关。需要注意的是,KOE-M和KOE-Z模态(即西北太平洋SSH 异常的EOF1、EOF2)的顺序以及驱动它们的大洋东部PDO、NPGO 模态的顺序可能对所选的分析时段敏感,即1980-2017年KOE-M和 KOE-Z(或PDO和NPGO)之间存在一定相关,在这一时期很难根据相关分析区分它们的相对重要性;图8中正滞后表示SSS-PC1领先指数,负滞后表示指数领先SSS-PC1;十字号表示最大相关值;月份坐标指的是某个指数的起始月份,例如(a)中的十字号对应11月 EP-ENSO和第二年6月(即滞后7个月)SSS-PC1之间的相关;自相关计算于1980-2017年间;阴影部分为通过95%显著相关检验的值。 (b)、(d)、(f)、(h)、(j)、(l)与(a)、(c)、(e)、(g)、(i)、(k) 意义相同,只是换成SSS-PC2。
最后,考虑到上述各种滞后规律,对NPSDV的发展演变作如下总结。热带太平洋EP-ENSO和CP-ENSO的SST异常需要2~3个月的时间通过北太平洋大气遥相关机制(Atmospheric Teleconnection) 驱动AL/NPO,后者通过改变北太平洋近地表气温、湿度、风等之后被海洋吸收,成为PDO/NPGO的SST异常的主要贡献要素;在北太平洋中东部,SSS异常的响应滞后SST异常3至4个月,且主要在 CP-ENSO/NPO框架下发生。随后,由AL/NPO相关的风应力旋度激发的西向罗斯贝波将北太平洋中东部的海洋信号传播到西边界,并触发滞后约3年的KOE-M和KOE-Z相关变化;在北太平洋西部,SSS 异常的响应滞后SST异常5至6个月。
本发明提供的基于NPSDV驱动因子识别的海洋气候预测方法及系统,具有以下有益效果:
保证了盐度数据稀缺条件下NPSDV分析的可靠性。现有NPSDV 研究多是基于单一的观测或模式产品,没有充分考虑盐度观测稀疏对结果的影响,而本发明通过对比测试三种主要盐度产品的分析参数、时空误差、EOF模态等,排除了盐度变率偏低的GODAS再分析产品、边缘海区盐度误差估计较大的EN4.2.1客观分析产品,选取了多元资料同化方案周全、盐度及淡水通量弛豫方案合理、结果稳健的ORAS4 再分析产品,保证了分析的可靠性。
揭示了盐度相对于温度年代际变化的特殊性。现有NPSDV研究没有充分考虑盐度异常受表面通量反馈的阻尼较小、维持时间较长、重现作用更显著等区别于温度异常的年代际变化特点。为此,我们综合利用功率谱、自相关和相关分析等方法,一致验证了盐度的这些特点,有效支撑了后续的驱动因子分析,例如在温度场景中时间尺度较小的AL驱动作用明显,而在盐度场景中时间尺度较大的NPO驱动作用明显。
量化了NPSDV潜在驱动因子的全景图像。现有NPSDV研究仅考虑局部海域、特定时间尺度、单一气候模态的驱动作用,没有充分兼顾到NPSDV的复杂性和多样性。因此我们考虑了太平洋海域的几乎所有主要的海洋和大气气候模态,涉及局部和非局部因素、热带外和热带海域、东部和西部边界流区,从中识别出NPSDV的关键驱动因子,量化了它们各自的影响权重和空间形态,从而给出了太平洋海域NPSDV的全景图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于NPSDV驱动因子识别的海洋气候预测方法,其特征在于,包括:
获取海表盐度SSS分析参数;所述分析参数包括盐度分析值及误差、盐度剖面来源、盐度值驰豫方案、资料同化方案以及淡水通量强迫方案;
根据所述SSS分析参数确定北太平洋海表盐度年代际变化NPSDV的时间序列以及驱动因子指数时间序列;所述NPSDV时间序列包括SSS异常的第一主成分以及SSS异常的第二主成分;
根据所述NPSDV的时间序列以及所述驱动因子指数时间序列确定NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关以及所述NPSDV的时间序列和所述驱动因子指数时间序列之间的滞后交叉相关;
利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果;
根据所述NPSDV的时间序列功率谱、所述驱动因子指数时间序列功率谱、所述NPSDV的时间序列滞后交叉自相关、所述驱动因子指数时间序列滞后交叉自相关、所述滞后交叉相关以及所述SSS异常重构结果确定驱动因子;所述驱动因子包括东太平洋厄尔尼诺-南方涛动EP-ENSO、中太平洋南方涛动CP-ENSO、阿留申低压AL、北太平洋振荡NPO、黑潮及其延伸区经向模态KOE-M以及黑潮及其延伸区纬向模态KOE-Z;
根据所述驱动因子预测海洋气候。
3.根据权利要求1所述的基于NPSDV驱动因子识别的海洋气候预测方法,其特征在于,所述利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果之后,还包括:
获取原始的NPSDV空间模态以及重构的NPSDV空间模态;所述NPSDV空间模态包括SSS异常的第一经验正交函数以及SSS异常的第二经验正交函数;
计算所述原始的NPSDV空间模态与所述重构的NPSDV空间模态之间的空间相关系数;
根据所述空间相关系数验证所述SSS异常重构结果的空间结构合理性。
4.根据权利要求3所述的基于NPSDV驱动因子识别的海洋气候预测方法,其特征在于,所述根据所述空间相关系数验证所述SSS异常重构结果的空间结构合理性之后,还包括:
获取原始的NPSDV时间序列以及重构的NPSDV时间序列;
计算所述原始的NPSDV时间序列与所述重构的NPSDV时间序列之间的时间相关系数;
根据所述时间相关系数验证所述SSS异常重构结果的时间变化合理性。
5.根据权利要求4所述的基于NPSDV驱动因子识别的海洋气候预测方法,其特征在于,所述根据所述时间相关系数验证所述SSS异常重构结果的时间变化合理性之后,还包括:
获取各点原始的SSS异常时间序列以及各点重构的SSS异常时间序列;
计算所述各点原始的SSS异常时间序列与所述各点重构的SSS异常时间序列之间的时间相关系数;
根据所述时间相关系数确定所述驱动因子的整体主导海域。
6.根据权利要求5所述的基于NPSDV驱动因子识别的海洋气候预测方法,其特征在于,所述根据所述时间相关系数确定所述驱动因子的整体主导海域之后,还包括:
获取各点原始的SSS异常时间序列以及驱动因子指数时间序列;
计算所述各点原始的SSS异常时间序列与所述驱动因子指数时间序列之间的时间相关系数;
根据所述时间相关系数确定所述驱动因子的各自主导海域。
7.根据权利要求6所述的基于NPSDV驱动因子识别的海洋气候预测方法,其特征在于,所述根据所述时间相关系数确定所述驱动因子的各自主导海域之后,还包括:
获取原始的NPSDV空间模态以及各驱动因子指数的重构投影;
计算所述原始的NPSDV空间模态与所述各驱动因子指数的重构投影之间的空间相关系数;
根据所述空间相关系数确定所述各驱动因子对NPSDV空间模态的重构贡献率。
8.根据权利要求7所述的基于NPSDV驱动因子识别的海洋气候预测方法,其特征在于,所述根据所述空间相关系数确定所述各驱动因子对NPSDV空间模态的重构贡献率之后,还包括:
获取驱动因子指数的重构投影;
根据所述驱动因子指数的重构投影确定所述驱动因子对NPSDV的空间重构形态。
9.一种基于NPSDV驱动因子识别的海洋气候预测系统,其特征在于,包括:
SSS分析参数获取模块,用于获取海表盐度SSS分析参数;所述分析参数包括盐度分析值及误差、盐度剖面来源、盐度值驰豫方案、资料同化方案以及淡水通量强迫方案;
时间序列确定模块,用于根据所述SSS分析参数确定北太平洋海表盐度年代际变化NPSDV的时间序列以及驱动因子指数时间序列;所述NPSDV时间序列包括SSS异常的第一主成分以及SSS异常的第二主成分;
功率谱及滞后交叉相关确定模块,用于根据所述NPSDV的时间序列以及所述驱动因子指数时间序列确定NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关以及所述NPSDV的时间序列和所述驱动因子指数时间序列之间的滞后交叉相关;
重构模块,用于利用自回归过程模型重构空间点SSS异常,确定SSS异常重构结果;
驱动因子确定模块,用于根据所述NPSDV的时间序列功率谱、所述驱动因子指数时间序列功率谱、所述NPSDV的时间序列滞后交叉自相关、所述驱动因子指数时间序列滞后交叉自相关、所述滞后交叉相关以及所述SSS异常重构结果确定驱动因子;所述驱动因子包括东太平洋厄尔尼诺-南方涛动EP-ENSO、中太平洋南方涛动CP-ENSO、阿留申低压AL、北太平洋振荡NPO、黑潮及其延伸区经向模态KOE-M以及黑潮及其延伸区纬向模态KOE-Z;
预测模块,用于根据所述驱动因子预测海洋气候。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183427.5A CN111291944B (zh) | 2020-03-16 | 2020-03-16 | 基于npsdv驱动因子识别的海洋气候预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183427.5A CN111291944B (zh) | 2020-03-16 | 2020-03-16 | 基于npsdv驱动因子识别的海洋气候预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291944A CN111291944A (zh) | 2020-06-16 |
CN111291944B true CN111291944B (zh) | 2022-09-23 |
Family
ID=71023833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010183427.5A Active CN111291944B (zh) | 2020-03-16 | 2020-03-16 | 基于npsdv驱动因子识别的海洋气候预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291944B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051795B (zh) * | 2021-03-15 | 2023-04-28 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
CN113051766B (zh) * | 2021-04-02 | 2023-04-28 | 南京信息工程大学 | 一种判断北冰洋表层环流变化状况的方法 |
CN113221385B (zh) * | 2021-06-08 | 2022-09-23 | 上海交通大学 | 一种年代际预报的初始化方法及系统 |
CN114462247B (zh) * | 2022-02-14 | 2022-10-21 | 中国人民解放军61540部队 | 一种北太平洋海表盐度年代际模态识别方法及系统 |
CN114722593B (zh) * | 2022-03-25 | 2022-11-15 | 中国人民解放军61540部队 | 一种基于海气耦合模式生成海洋场模式值的方法及系统 |
CN116776539B (zh) * | 2023-05-09 | 2023-12-12 | 珠江水利委员会珠江水利科学研究院 | 一种基于交叉小波分析的咸潮预报方法和系统 |
CN117932560A (zh) * | 2024-03-20 | 2024-04-26 | 南京大学 | 基于南北半球年代际模态的人工智能年代际气候预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175214A (zh) * | 2019-02-01 | 2019-08-27 | 中国空间技术研究院 | 一种利用重力卫星数据监测极端气候变化的方法和系统 |
CN110703358A (zh) * | 2019-09-26 | 2020-01-17 | 南京信息工程大学 | 一种计算海表面温度对沿海地区降水影响的方法 |
-
2020
- 2020-03-16 CN CN202010183427.5A patent/CN111291944B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175214A (zh) * | 2019-02-01 | 2019-08-27 | 中国空间技术研究院 | 一种利用重力卫星数据监测极端气候变化的方法和系统 |
CN110703358A (zh) * | 2019-09-26 | 2020-01-17 | 南京信息工程大学 | 一种计算海表面温度对沿海地区降水影响的方法 |
Non-Patent Citations (1)
Title |
---|
北太平洋冬季上层海温异常的NPGO模态;吕庆平等;《气候与环境研究》;20130320(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111291944A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291944B (zh) | 基于npsdv驱动因子识别的海洋气候预测方法及系统 | |
Capotondi et al. | Spatial and temporal structure of tropical Pacific interannual variability in 20th century coupled simulations | |
CN105913393B (zh) | 一种自适应小波阈值图像去噪方法及装置 | |
Livina et al. | Changing climate states and stability: from Pliocene to present | |
A Hasan et al. | Enhanced frequency domain decomposition algorithm: a review of a recent development for unbiased damping ratio estimates | |
Fisher et al. | Weak-constraint and long-window 4D-Var | |
Rio et al. | New global Mean Dynamic Topography from a GOCE geoid model, altimeter measurements and oceanographic in-situ data | |
Friedrichs | A data assimilative marine ecosystem model of the central equatorial Pacific: Numerical twin experiments | |
Johnson et al. | Empirically derived Markov models and prediction of tropical Pacific sea surface temperature anomalies | |
Zanchettin et al. | Different flavors of the Atlantic multidecadal variability | |
Roundy et al. | A combined wave‐number‐‐frequency and time‐extended EOF approach for tracking the progress of modes of large‐scale organized tropical convection | |
KR101163362B1 (ko) | 해양 파랑관측 시스템 및 방법 | |
CN114462247B (zh) | 一种北太平洋海表盐度年代际模态识别方法及系统 | |
Roe et al. | A comparison of competing explanations for the 100,000‐yr ice age cycle | |
Durand et al. | Estimating boundary currents from satellite altimetry: A case study for the east coast of India | |
CN109521488A (zh) | 用于卫星重力梯度数据的arma最优滤波模型构建方法 | |
Khan et al. | Modeling the relationship between GDP and unemployment for Okun’s law specific to Pakistan during 1976-2010 | |
Corre et al. | Can oceanic reanalyses be used to assess recent anthropogenic changes and low-frequency internal variability of upper ocean temperature? | |
Tippett et al. | Statistical correction of tropical Pacific sea surface temperature forecasts | |
Rashid et al. | Southern Hemisphere annular mode variability and the role of optimal nonmodal growth | |
Visinelli et al. | Impacts of data assimilation on the global ocean carbonate system | |
Liu et al. | The forecast of seasonal precipitation trend at the north Helan Mountain and Baiyinaobao regions, Inner Mongolia for the next 20 years | |
Zhang et al. | Is the Antarctic oscillation trend during the recent decades unusual? | |
Tingi et al. | OKUN'S LAW IN MALAYSIA: AN AUTOREGRESSIVE DISTRIBUTED LAG (ARDL) APPROACH WITH HODRICK-PRESCOTT (HP) FILTER. | |
Le et al. | Causal interactions between ENSO and the North Tropical Atlantic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |