CN112819254B - 一种同化行星尺度和机器学习外强迫的气候模式预测方法 - Google Patents

Abstract

本发明涉及一种同化行星尺度和机器学习外强迫的气候模式预测方法，该模式包括以下步骤：⑴分离出背景场中1~3波的信息；⑵利用流依赖的同化技术，形成模式的初始条件；⑶采用机器学习方法，形成气候模式的海温外强迫场；⑷采用机器学习方法建模，形成气候模式的陆地外强迫场；⑸利用观测和再分析资料，通过机器学习对冰冻圈缓变信号进行建模，得到冰冻圈信号的跨季节外推预测值，该预测值作为模式外源强迫项；⑹形成大气边界场；⑺进行季节气候预测；⑻进行检验订正，得到修订值；⑼将非线性信息和线性变化信息二者叠加作为一个预测值；⑽将修订值和预测值按照历史拟和率进行集合，即得最终的预测结果。本发明可有效地改进气候预测结果。

Description

一种同化行星尺度和机器学习外强迫的气候模式预测方法

技术领域

本发明涉及气候预测技术领域，尤其涉及一种同化行星尺度和机器学习外强迫的气候模式预测方法。

背景技术

跨季节气候预测是指预测时段在2周到1个季节的气候预测。以欧洲共同体和美国为首的西方发达国家，在短-中期数值天气预报领域取得了令人瞩目的成绩，目前，欧洲的1~5天的数值天气预报技术取得了令人满意的结果，并在业务中广泛使用。但10天以上的气候预报结果则不能令人满意，如图1所示，尤其15~30天和月季尺度的气候预测则处于探索阶段，远远不能满足人们的需要，而且尚不能业务化。因此，跨季节气候预测是一个世界性难题，是具有很大挑战性的前沿科技问题。

目前的跨季节气候预测技术分为两类：一类是美国和欧洲数值天气预报中心为代表的地球系统模式的研发和应用。但存在3个方面的限制：一是外强迫分量模式的不确定太大，大多数分量模式处于研发阶段，这是由于作为外强迫的冰盖、海冰、海洋过程的了解并不深入，许多参数化过程不完善，甚至是错误的；二是外强迫量的变化尺度不一致，在地球系统模式中只有进行长时间尺度的积分才能体现出来，而有些过程的总体变化远大于1个月到一个季度，因此，季节内的变化虽小但对气候有影响，却很难刻画出来；三是大气本身的信号最长只能持续两周，两周以上大气信号一杯气候飘移所掩盖。另一类是是统计预报方法，是指利用前期的统计得到的“信号”，一般含有大气外强迫，也含有大气自身的信息，这种方法的拟合率高，但预测水平较低，目前已非主流，主要使用在缺少主流方法（第一类）条件的机构。

我国以模式为核心的技术处于起步阶段，目前主要是采用单一的气候（或地球系统模式）同化现有观测资料的方法，并以统计方法为主，该方法为线性，使用的外强迫“信号”是太平洋海温（海气相互作用的信号-ENSO）和作为一个整体来考虑的青藏高原积雪，当二者变化在正常范围内，则预测技术不具备可预报性。也有部分气候模式的结果，但不作为主要的预测依据。

机器学习是一门多领域交叉学科，属于人工智能核心，是一种利用概率论、统计学、逼近论、凸分析、算法复杂度理论等，模拟或实现人类的学习行为，从资料中获取新的知识和模型，并进行外推预测的技术。国内外目前已开展了类似的工作，但是，学习的内容仅限于海洋温度场的构建，学习的信号则来自于海表温度和大气场；进入模式的途径也是直接作为模式的下边界条件。

发明内容

本发明所要解决的技术问题是提供一种有效地改进气候预测结果的同化行星尺度和机器学习外强迫的气候模式预测方法。

为解决上述问题，本发明所述的一种同化行星尺度和机器学习外强迫的气候模式预测方法，包括以下步骤：

⑴根据气候特征时间尺度和大气环流演变之间的关系，对大尺度背景场进行尺度分析，分离出背景场中1~3波的信息；

⑵利用流依赖的同化技术，将所述1~3波的信息同化进入大气模式，形成模式的初始条件；

⑶采用机器学习方法，结合观测进而再分析资料，通过考虑海洋热量和盐分的传导速度，选择不同深度的海温，对海表温度进行建模，并逐周（7天）进行1~3个季节的预报，形成气候模式的海温外强迫场；

⑷利用土壤温、湿度观测和再分析资料，采用机器学习方法建模，通过考虑土壤水分和热量传导速度，获得未来1~2个季节底下2 m深度内逐层的土壤温、湿度资料，形成气候模式的陆地外强迫场；

⑸利用观测和再分析资料，通过机器学习对冰冻圈缓变信号进行建模，得到冰冻圈信号的跨季节外推预测值，该预测值作为模式外源强迫项；

⑹将所述气候模式的海温外强迫场、所述气候模式的陆地外强迫场、所述模式外源强迫项共同作为模式的边界条件，利用所述1~3波的信息持续演变1~2个季节，形成大气边界场；

⑺将所述1~3波的信息、所述初始条件、所述大气边界场引入全球中尺度天气预报模式（WRF, Weather Research and Forecasting）或大气环流模式（GCM, GeneralCirculation Model）中进行季节气候预测；其中海温强迫场每7天进行一次同化；

⑻在所述步骤⑺中季节气候预测的的基础上，通过对比观测资料，对所述1~3波的信息和所述大气边界场进行检验订正，得到修订值；

⑼将观测的降水量、温度用奇异谱分解，提取显著周期叠加延伸，即可保留降水量、温度的非线性信息；在观测降水量、温度和外强迫信号之间进行逐步回归，外强迫信号主要考虑青藏高原积雪，考虑到高原积雪在唐古拉山南、北及羌塘高原三地区的分布分别和华南、长江流域和江淮流域的夏季降水偏多对应，因此，按照唐古拉山分为南、北、高原西部三种类型，欧亚积雪和北极海冰密度，获得线性变化信息；将所述非线性信息和所述线性变化信息二者叠加作为一个预测值；

⑽将所述步骤⑻所得的修订值和所述步骤⑼所得的预测值按照历史拟和率进行集合，即得最终的预测结果。

本发明与现有技术相比具有以下优点：

1、本发明中在季节尺度上外强迫信号海气相互作用的信号（ENSO）的统计方法与现有技术相比完全不同。

现有技术均是利用海表温度场的前后期关系、大气变量的学习结果，而本发明则只包含了海洋次表层和温跃层的海温进行海表温度的学习，强调的是深层海洋温度的向外释放，因此，具有稳定性强、避免需要和大气之间相互作用而使得预测时段较短的优点。

2、本发明中将非线性过程和线性过程分别进行了预测，并使用集合方法形成最终结果，从而使得结果更为可靠。

3、本发明中将青藏高原积雪划分为南、北、西部型分别考虑，其目的是将全球寒区的土壤冻融过程、积雪覆盖的时空分布信息、北极海冰密度作为缓变信号，通过同化技术同化进模式。这些外强迫信息，可以对模式（WRF，GCM）中的源汇项修正。

理论研究表明，冰冻圈过程对气候具有外强迫，但时空差异性强。冰冻圈内的积雪、极冰、冻土是缓变过程，蕴藏着季节尺度以上的气候信息，因此，是气候预测的关键信息和过程。但过去主要是发展相应的物理模型，但是由于观测资料较少，目前很难得到较好的物理方案。本发明将这些变量和过程进行机器学习，得到单独外推预测，利用其跨季节尺度的缓变特征，可以较为准确地预测其未来1~2个季节的持续预报，因此，将这些预测结果，在同化进其大气模式，可以有效地改进气候预测结果。

4、采用流依赖技术同化大尺度背景场：

气候模式进行气候预测的难点之一是背景场不能确定。本发明根据大气环流演变和气候变化的时间尺度之间的关系，将大尺度的背景场进行尺度分析，分离出背景场中1~3波的信息，利用流依赖的同化技术，将1~3波的信息同化进大气模式，并经约束同化运行，一般而言，这一约束同化运行时间的平衡时间（Spin-up）要求在1~3个月。

5、本发明采用集机器学习的方法是首先预测海-陆的外强迫作为气候模式的边界值，同化大尺度背景环流信息进入气候模式，约束运行，并以7天为单位进行同化。

⑴本发明使用机器学习方法，利用海洋的缓变特征形成模式的边界值：

一般而言，海表和次表层是与大气交换和相互作用的主要部分，但是表层和次表层的温度决定于海表风应力、海洋深层的变化，本发明的关键出发点是，海表风应力由于产生的波浪对太阳辐射来说，具有向阳和背阳面，二者的总体平均应该大致相互抵消，因此，海表的辐射总体效应仍然是海洋热容量下的平均吸收量，而海表的这种变化的时间尺度较短；同时，海洋次表层和深层的温度接受上层海洋温度传导，反过来向上传导也很慢，因此，本发明以次表层和深层海洋温度为主，采用机器学习方法，按照海洋传导速度，选择不同深度的海温，对海表温度进行建模，并进行1~3个季节的预报，形成气候模式的海洋外强迫场。

⑵本发明利用机器学习方法对2m内的土壤温、湿度进行预测形成模式初值：

土壤温度是气候系统的另一个主要外强迫源和气候预测的缓变“信号”。但是，土壤温湿的观测点较少，卫星遥感目前只能探测到5cm左右的深度，而气候尺度上的变化一般在1~2m深，本发明采用观测点的土壤温度和湿度，结合模式同化的温度和土壤湿度资料，采用机器学习方法建模，按照土壤传导速度，从而获得未来1~2个季节的2m逐层的土壤温、湿度资料，形成气候模式的陆地外强迫场。

6、本发明集机器学习、资料同化技术和大气数值模式技术，有效地改进了气候预测结果，可应用于公共安全服务、气候预测、防灾减灾、农林牧副渔等行业。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1为过去30余年数值天气预报3~10天500hPa高度场的预报技巧水平及其提高历程。阴影部分的上部为北半球，下部为南半球（Bauer et al. 2015. The quietrevolution of numerical weather prediction）。

图2为本发明的流程图（虚线为模式调整过程，实线为实际运行过程）。

图3为2020年12月使用本发明形成的外强迫场预报的2021年的500hPa位势高度和EAR1月的位势高度场的AC。

具体实施方式

如图2所示，一种同化行星尺度和机器学习外强迫的气候模式预测方法，包括以下步骤：

⑴根据气候特征时间尺度和大气环流演变之间的关系，对大尺度背景场进行尺度分析，分离出背景场中1~3波的信息。

⑵利用流依赖的同化技术，将1~3波的信息同化进入大气模式，形成模式的初始条件。即：使用牛顿张弛逼近（Nudging）方法，随流型的变化对1~3波的信息进行约束同化，为保证模式达到平衡，约束同化根据需要可采用1~3个月，类似Spin-up。

⑶采用机器学习方法，结合观测进而再分析资料，通过考虑海洋热量和盐分的传导速度，选择不同深度的海温，对海表温度进行建模，并逐周（7天）进行1~3个季节的预报，形成气候模式的海温外强迫场。

⑷利用土壤温、湿度观测和再分析资料，采用机器学习方法建模，通过考虑土壤水分和热量传导速度，获得未来1~2个季节底下2 m深度内逐层的土壤温、湿度资料，形成气候模式的陆地外强迫场。

⑸利用观测和再分析资料，通过机器学习对寒区冻融过程、积雪覆盖时空分布、北极海冰等冰冻圈缓变信号进行建模，得到冰冻圈信号的跨季节外推预测值，该预测值作为模式外源强迫项。

⑹将气候模式的海温外强迫场、气候模式的陆地外强迫场、模式外源强迫项共同作为模式的边界条件，利用1~3波的信息持续演变1~2个季节，形成大气边界场。

大气的边界场认为在1~3波的信息和外强迫双重约束下已经得到了最优的状态，大气的1~3波的信息会在外强迫下持续演变。因此步骤⑵结束后表示对大气的约束同化结束，此时利用大气运动1~3波的信息持续性（惯性），在外强迫下延续1~2个季节。由于对大气1~3月的约束同化只在预报开始前进行，且假定了大气在1~3波的信息和外强迫双重约束下的最优状态1~3波持续性在1~2个季节，称之为模式的“惯性”。

⑺将1~3波的信息、初始条件、大气边界场引入全球中尺度天气预报模式（WRF,Weather Research and Forecasting）或大气环流模式（GCM, General CirculationModel）中进行季节气候预测。其中海温强迫场每7天进行一次同化。

⑻在步骤⑺中季节气候预测的的基础上，通过对比观测资料，对1~3波的信息和大气边界场进行检验订正，得到修订值；

⑼将观测的降水量、温度用奇异谱分解，提取显著周期叠加延伸，即可保留降水量、温度的非线性信息；在观测降水量、温度和外强迫信号之间进行逐步回归，外强迫信号主要考虑青藏高原积雪，考虑到高原积雪在唐古拉山南、北及羌塘高原三地区的分布分别和华南、长江流域和江淮流域的夏季降水偏多对应，因此，按照唐古拉山分为南、北、高原西部三种类型，欧亚积雪和北极海冰密度，获得线性变化信息；将非线性信息和线性变化信息二者叠加作为一个预测值；

⑽将步骤⑻所得的修订值和步骤⑼所得的预测值按照历史拟和率进行集合，即得最终的预测结果。

实施例

使用时，提前2个月（即预报第3个月）预报的500hPa位势高度场和EAR5（即：第五代ECMWF大气再分析全球气候数据）的技巧得分AC（如图3所示）。对全球的AC求平均约为52.8%。目前提前10天预报的AC 低于50%（如图1所示）。

Claims (1)

1.一种同化行星尺度和机器学习外强迫的气候模式预测方法，包括以下步骤：

⑴根据气候特征时间尺度和大气环流演变之间的关系，对大尺度背景场进行尺度分析，分离出背景场中1~3波的信息；

⑵利用流依赖的同化技术，将所述1~3波的信息同化进入大气模式，形成模式的初始条件；

⑶采用机器学习方法，结合观测进而再分析资料，通过考虑海洋热量和盐分的传导速度，选择不同深度的海温，对海表温度进行建模，并逐周进行1~3个季节的预报，形成气候模式的海温外强迫场；

⑷利用土壤温、湿度观测和再分析资料，采用机器学习方法建模，通过考虑土壤水分和热量传导速度，获得未来1~2个季节底下2 m深度内逐层的土壤温、湿度资料，形成气候模式的陆地外强迫场；

⑸利用观测和再分析资料，通过机器学习对冰冻圈缓变信号进行建模，得到冰冻圈信号的跨季节外推预测值，该预测值作为模式外源强迫项；

⑹将所述气候模式的海温外强迫场、所述气候模式的陆地外强迫场、所述模式外源强迫项共同作为模式的边界条件，利用所述1~3波的信息持续演变1~2个季节，形成大气边界场；

⑺将所述1~3波的信息、所述初始条件、所述大气边界场引入全球中尺度天气预报模式或大气环流模式中进行季节气候预测；其中海温强迫场每7天进行一次同化；

⑻在所述步骤⑺中季节气候预测的基础上，通过对比观测资料，对所述1~3波的信息和所述大气边界场进行检验订正，得到修订值；

⑼将观测的降水量、温度用奇异谱分解，提取显著周期叠加延伸，即可保留降水量、温度的非线性信息；在观测降水量、温度和外强迫信号之间进行逐步回归，外强迫信号主要考虑青藏高原积雪，考虑到高原积雪在唐古拉山南、北及羌塘高原三地区的分布分别和华南、长江流域和江淮流域的夏季降水偏多对应，因此，按照唐古拉山分为南、北、高原西部三种类型，欧亚积雪和北极海冰密度，获得线性变化信息；将所述非线性信息和所述线性变化信息二者叠加作为一个预测值；

⑽将所述步骤⑻所得的修订值和所述步骤⑼所得的预测值按照历史拟和率进行集合，即得最终的预测结果。