CN113592165B - 基于旬倾向和物理模态建模的次季节气候预测方法与系统 - Google Patents
基于旬倾向和物理模态建模的次季节气候预测方法与系统 Download PDFInfo
- Publication number
- CN113592165B CN113592165B CN202110834465.7A CN202110834465A CN113592165B CN 113592165 B CN113592165 B CN 113592165B CN 202110834465 A CN202110834465 A CN 202110834465A CN 113592165 B CN113592165 B CN 113592165B
- Authority
- CN
- China
- Prior art keywords
- day
- predicted
- trend
- prediction
- variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 5
- 238000001556 precipitation Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于旬倾向和物理模态建模的次季节气候预测方法与系统。利用历史资料计算大气要素场和预测变量的旬倾向距平;通过奇异值分解,提取决定预测变量旬倾向距平的前期热带大气向外长波辐射场和中高纬大气500hPa位势高度场旬倾向距平变异的主要物理模态,并作为预测因子;利用多元回归方法,构建预测变量旬倾向距平与前期主要物理模态关系的预测模型,并通过历史回报确定最优物理模态;将前期观测的最优物理模态代入预测模型,从而实现对预测变量的旬倾向距平预测;将预测的旬倾向距平叠加前一旬的观测或预测距平,从而得到本旬的距平预测。本发明建立的基于旬倾向距平和物理模态建模的方法与系统可有效提高次季节气候预测准确率。
Description
技术领域
本发明涉及一种次季节尺度的气候统计预测模型的建立和应用,具体可用于天气气候预测业务中延伸期旬降水和旬气温等气象要素的预测。
背景技术
延伸期预测是介于逐日天气预报和季节气候预测之间的10-90天的气象预测,它对于气象防灾减灾、经济社会发展以及国家安全保障具有重要意义,是当前国际无缝隙气象预测的难题,也是我国气象业务部门亟需解决的重大攻关任务。目前,国内外延伸期预测的理论基础比较薄弱,相应的预测技术还很缺乏,业务应用尚处于初步阶段,远远不能满足国家、社会和人民群众的需要。
目前国内外主要的延伸期天气预测技术方法主要有动力模式预测和统计方法预测两类。动力模式预测即主要是依靠动力方程构建天气气候数值模式进行预测,预测结果还存在很大误差,具有很强的模式依赖性和初值依赖性:一方面,不同数值模式计算出的预测结果可能完全不同,另一方面,同一数值模式在不同起报时间给出的预测结果也可能差异很大。统计方法预测主要基于强大气信号的历史演变统计规律,建立统计模型进行预测。现阶段统计预测模型中预测因子的选择不能有效给出物理解释,具有较大任意性,预测结果还很不稳定。
发明内容
发明目的:针对现有延伸期预测的不足,本发明的目的是提供一种基于旬倾向和物理模态建模的次季节气候预测方法与系统,通过转化前期大气环流场为旬倾向距平场,完整考虑热带和北半球中高纬异常信号,通过SVD提取它们与中国次季节预测变量之间联系最紧密的前期大气环流模态作为预测因子,采用多元线性回归方法建立具有内在物理关系的次季节预测模型,对预测变量的旬倾向距平进行预测,从而实现对中国延伸期气象要素做出更准确更稳定的预测。
技术方案:为实现上述发明目的,本发明所采用的技术方案是:
基于旬倾向距平和物理模态建模的次季节气候预测方法,包括以下步骤:
(1)将前期热带地区大气向外长波辐射(OLR)场、前期热带外中高纬地区500hPa位势高度场(Z500)和预测变量场分别计算转换为各自的旬倾向距平场;
(2)将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场分别进行奇异值分解(SVD),将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化,作为预测变量旬倾向距平的预测因子;
(3)选取步骤(2)中不同数目的预测因子,利用多元线性回归方法,建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型;
(4)进行旬倾向距平的历史回报,通过与观测对比,确定最优预测因子及最优预测模型;
(5)将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至步骤(2)中的空间物理模态上,将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平;
(6)将步骤(5)中得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加,得到预测旬的旬距平;将预测旬的旬距平与预测旬的气候态相加,得到预测变量的预测旬的总值。
所述步骤(1)中的旬倾向距平计算为:
其中,A为某变量的旬平均值,为变量A的气候均值,ΔA为变量A的旬气候距平异常,δΔA为变量A的旬倾向距平,t为一年36旬中的某一旬,t-1即为该旬的上一旬。
所述步骤(3)的统计预测模型为:
其中,δΔAfcst为预测变量的旬倾向距平,Fi olr和分别为OLR第i个SVD模态和Z500第j个SVD模态对应的时间系数,/>和/>分别为OLR第i个SVD模态和Z500第j个SVD模态的权重,M和N分别为选取的OLR的SVD模态和Z500的SVD模态的个数,x为站点或者格点,t为预测旬,t-n即为提前预测旬n旬。
所述步骤(4)中采用独立样本检验选取最优预测模型,通过进行旬倾向距平的历史回报,比较多个预测模型的回报结果与观测资料的空间相关系数,取相关系数最大值对应的OLR场SVD模态和Z500场SVD模态对应的预测因子组合作为最优预测因子,所对应的预测模型作为最优预测模型。
基于相同的发明构思,本发明提供的基于旬倾向距平和物理模态建模的次季节预测系统,包括以下模块:
旬倾向转换模块,用于将前期OLR场、Z500场和预测变量场分别计算转换为各自的旬倾向距平场;
SVD分解模块,用于将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场分别进行SVD分解,将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化,作为预测变量旬倾向距平的预测因子;
旬倾向预测模型构建模块,用于选取不同数目的预测因子,利用多元线性回归方法,建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型;并进行旬倾向距平的历史回报,通过与观测对比,确定最优预测因子及最优预测模型;
旬倾向预测模块,用于将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至SVD分解模块中的空间物理模态上,将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平;
以及结果处理模块,用于将得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加,得到预测旬的旬距平;将预测旬的旬距平与预测旬的气候态相加,得到预测变量的预测旬的总值。
基于相同的发明构思,本发明提供的一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的基于旬倾向距平和物理模态建模的次季节预测方法。
有益效果:与现有技术相比,本发明具有如下优点:
(1)将对预测要素的直接预测转化为对其旬倾向的间接预测。这种方法的好处在于由于只考虑要素的旬差异,突出了次季节信号。更长时间信号作为持续性背景,通过上一旬距平引入。因此长时间信号不需要预测,从而有效提高预测准确率。
(2)通过SVD将前期大气次季节主要环流模态与预测变量进行统计建模,利用回报独立样本检验提取最优预测因子数量组合。这些保证了预测因子是与中国次季节预测变量之间联系最紧密的前期大气模态。
(3)本发明在预测旬降水和旬温度外,还可以给出相应的大气环流要素场的预测,这有利于理解大气环流场与预测变量间的内在物理机制。
附图说明
图1是本发明实施例的方法流程图;
图2是本发明示例中OLR和降水SVD第一模态时间系数和异性回归场示意图;具体是2004年至2013年10月第1旬至10月第3旬总共30旬的热带OLR旬倾向与10月第3旬至11月第2旬总共30旬的泛长三角地区328个站点降水旬倾向SVD第一模态对应的时间系数和各自的异性回归场;
图3是本发明示例中Z500和降水SVD第一模态时间系数和异性回归场示意图;具体是2004年至2013年10月第1旬至10月第3旬总共30旬的中高纬Z500旬倾向与10月第3旬至11月第2旬总共30旬的泛长三角地区328个站点降水旬倾向SVD第一模态对应的时间系数和各自的异性回归场;
图4是2014年至2018年平均的10月上旬对11月中旬泛长三角地区旬降水倾向预测回报空间相关系数随模态数组合变化的分布图;
图5是本发明示例中对泛长三角地区2019年11月上中旬的旬降水倾向预测结果图;
图6是本发明示例中对泛长三角地区2019年11月上中旬的旬降水距平预测和旬降水值预测结果图;
图7是本发明示例中对泛长三角地区2019年11月上中旬的旬气温倾向预测结果图;
图8是本发明示例中对2019年11月上中旬的东亚地区旬850hPa风场倾向预测结果图;
图9是本发明示例中对泛长三角地区2019年11月上中旬预测值与观测值对照图。
具体实施方式
下面结合附图和具体应用实例,进一步阐明本发明。应理解这些应用实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
具体地,如图1所示,本发明实施例公开的基于旬倾向和物理模态建模的次季节气候预测方法,包括以下步骤:
1.数据的预处理
对历史数据中的热带地区大气向外长波辐射(OLR)场,热带外中高纬地区大气500hPa位势高度(Z500)场及预测变量场,分别去除其旬气候态得到旬距平后,再计算其与上一旬的旬距平之差,得到该旬的旬倾向距平。
旬倾向距平的具体计算公式为:
其中,A为某变量的旬平均值,为变量A的气候均值,ΔA为变量A的旬气候距平异常,δΔA为变量A的旬倾向距平,t为一年36旬中的某一旬,t-1即为该旬的上一旬。
2.预测因子的选取
2.1假设提前n旬对第t旬进行预测,首先将步骤1得到的近5年到近15年总计十年的每一年的第t-n旬的OLR旬倾向距平场和Z500旬倾向距平场与第t旬的预测变量旬倾向距平场,在各自旬的基础上往前往后扩充一旬,即每一年提取第t-n-1旬到第t-n+1旬的OLR旬倾向距平场和Z500旬倾向距平场与第t-1旬到第t+1旬的预测变量的旬倾向距平场,各自共三十旬。
2.2对步骤2.1得到的扩充后的OLR旬倾向距平场和Z500旬倾向距平场与预测变量旬倾向距平场分别进行SVD分解,将分解得到的前20个OLR模态和前20个Z500模态对应的时间序列分别进行标准化(即统一为标准差为1,平均值为0的序列),作为预测因子。
3.建立统计预测模型
3.1选取步骤2.2中不同数目的预测因子组合,利用多元线性回归建立多个预测变量旬倾向距平的统计预测模型,统计预测模型的具体公式为:
其中,δΔAfcst为预测变量的旬倾向距平,Fi olr和分别为OLR第i个SVD模态和Z500第j个SVD模态对应的时间系数,/>和/>分别为OLR第i个SVD模态和Z500第j个SVD模态的权重,M和N分别为选取的OLR的SVD模态和Z500的SVD模态的个数,x为站点或者格点,t为预测旬,t-n即为提前预测旬n旬。
3.2对近5年进行旬倾向距平的回报,比较多个预测模型的回报结果与观测资料的空间相关系数,取相关系数最大值对应的M个OLR场SVD模态和N个Z500的SVD模态对应的时间系数作为最优预测因子,所对应的预测模型作为最优预测模型。
4.使用最优预测模型进行预测
4.1将预测年的第t-n旬大气OLR旬倾向距平场和Z500旬倾向距平场,投影到步骤2.2中各自的空间物理模态上,得到对应的时间系数。
4.2将4.1得到的时间系数代入最优预测模型中,计算得到预测变量的第t旬的旬倾向距平。
4.3将步骤4.2中得到的第t旬的旬倾向距平与上一旬第t-1旬的旬距平相加,得到第t旬的旬距平。进一步,将第t旬的旬距平与第t旬的气候态相加,得到第t旬的预测旬平均值。
5.对于其他预测变量,可以重复步骤1得到此预测变量的旬倾向距平。再利用步骤3中得到的最优预测因子,相应的给出此预测变量的最优模型。重复步骤4,获得此预测变量的预测结果。
下面以本实施例方法应用于2019年11月中上旬泛长三角地区的降水和气温预测为列,说明本发明方法的详细过程和效果。
1.数据的预处理
对2004年至2018年的热带地区OLR场,热带外中高纬地区Z500场及泛长三角地区的降水场,分别去除其旬气候态得到旬距平后,再计算其与上一旬的旬距平之差,得到该旬的旬倾向距平。
2.预测因子的选取
2.1对11月第1旬和第2旬分别提前2旬和提前3旬进行预测,以提前2旬为例:将步骤1得到的2004年至2013年的每一年的10月第2旬的OLR旬倾向距平场和Z500旬倾向距平场与11月第1旬的降水旬倾向距平场,在各自旬的基础上往前往后扩充一旬,即每一年提取10月第1旬到第3旬的OLR旬倾向距平场和Z500旬倾向距平场与10月第3旬到11月第2旬的降水旬倾向距平场,各自共三十旬。
2.2对步骤2.1得到的扩充后的OLR旬倾向距平场和Z500旬倾向距平场与降水旬倾向距平场分别进行SVD分解(如图2,图3),将分解得到的前20个OLR模态和前20个Z500模态对应的时间序列分别进行标准化,作为预测因子。
3.建立统计预测模型
3.1选取步骤2.2中不同数目的预测因子组合,利用多元线性回归建立多个降水旬倾向的统计预测模型。
3.2对2014年至2018年进行旬倾向距平的回报,比较多个预测模型的回报结果与观测资料的空间相关系数,取相关系数最大值对应的OLR场SVD模态(如图4,应选17个)和Z500的SVD模态(如图4,应选7个模态)对应的预测因子组合作为最优预测因子,所对应的预测模型作为最优预测模型。
4.使用旬预测模型进行预测
4.1将2019年的10月第2旬大气OLR旬倾向场和Z500旬倾向场,投影到步骤2.2中各自的空间物理模态上,得到对应的时间系数。
4.2将4.1得到的时间系数代入最优预测模型中,计算得到降水的11月第1旬的旬倾向距平(如图5)。
4.3将步骤4.2中得到的11月第1旬的旬倾向距平与上一旬10月第3旬的旬距平相加,得到11月第1旬的旬距平。进一步,将11月第1旬的旬距平与该旬的气候态相加,得到该旬的总预测值(如图6)。
5.对于其他预测变量,如气温,风场,OLR场,Z500场等,可以重复步骤1得到此预测变量的旬倾向距平。再利用步骤3中得到的最优预测因子,相应的给出此预测变量的最优模型。重复步骤4,获得此预测变量的预测结果(如图7,图8)。如此,可以得到相对应大气环流要素场预测,有利于理解大气环流场与预测变量间的内在物理机制。
图9为本发明对泛长三角地区2019年11月上中旬的旬降雨预测与实际观测值的对照(起报时间为2019年9月第三旬),可见本发明预测的旬降水倾向距平空间分布与实际观测的旬降水倾向距平空间分布基本一致,预测值与实际观测值基本符合,本发明能够成功定量化预测出泛长三角地区的旱涝转折倾向,为上海进博会期间气候预测意见的形成提供关键性科学依据,从而保障上海进博会的顺利举行。
基于相同的发明构思,本发明实施例提供的基于旬倾向和物理模态建模的次季节气候预测系统,包括:旬倾向转换模块,用于将前期热带地区OLR场,前期热带外中高纬地区Z500场及预测变量场分别计算转换为各自的旬倾向距平场;SVD分解模块,用于将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场,分别进行SVD分解,将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化,作为预测变量旬倾向距平的预测因子;旬倾向预测模型构建模块,用于选取不同数目的预测因子,利用多元线性回归方法,建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型;并进行旬倾向距平的历史回报,通过与观测对比,确定最优预测因子及最优预测模型;旬倾向预测模块,用于将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至SVD分解模块中的空间物理模态上,将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平;以及结果处理模块,用于将得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加,得到预测旬的旬距平;将预测旬的旬距平与预测旬的气候态相加,得到预测变量的预测旬的总值。各模块具体实施细节参见上述方法实施例,此处不再赘述。
基于相同的发明构思,本发明实施例提供的一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该计算机程序被加载至处理器时实现上述的基于旬倾向和物理模态建模的次季节气候预测方法。
Claims (5)
1.基于旬倾向和物理模态建模的次季节气候预测方法,其特征在于:包括以下步骤:
(1)将前期热带地区大气向外长波辐射OLR场、前期热带外中高纬地区500hPa位势高度Z500场和预测变量场分别计算转换为各自的旬倾向距平场;所述旬倾向距平具体计算为:
其中,A为某变量的旬平均值,为变量A的气候均值,ΔA为变量A的旬气候距平异常,δΔA为变量A的旬倾向距平,t为一年36旬中的某一旬,t-1即为该旬的上一旬;
(2)将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场分别进行奇异值分解SVD,将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化,作为预测变量旬倾向距平的预测因子;
(3)选取步骤(2)中不同数目的预测因子,利用多元线性回归方法,建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型;所述统计预测模型为:
其中,δΔAfcst为预测变量的旬倾向距平,Fi olr和分别为OLR第i个SVD模态和Z500第j个SVD模态对应的时间系数,/>和/>分别为OLR第i个SVD模态和Z500第j个SVD模态的权重,M和N分别为选取的OLR的SVD模态和Z500的SVD模态的个数,x为站点或者格点,t为预测旬,t-n即为提前预测旬n旬;
(4)进行旬倾向距平的历史回报,通过与观测对比,确定最优预测因子及最优预测模型;
(5)将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至步骤(2)中的空间物理模态上,将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平;
(6)将步骤(5)中得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加,得到预测旬的旬距平;将预测旬的旬距平与预测旬的气候态相加,得到预测变量的预测旬的总值。
2.根据权利要求1所述的基于旬倾向和物理模态建模的次季节气候预测方法,其特征在于:所述步骤(4)中采用独立样本检验选取最优预测模型,通过进行旬倾向距平的历史回报,比较多个预测模型的回报结果与观测资料的空间相关系数,取相关系数最大值对应的OLR场SVD模态和Z500场SVD模态对应的预测因子组合作为最优预测因子,所对应的预测模型作为最优预测模型。
3.根据权利要求1所述的基于旬倾向和物理模态建模的次季节气候预测方法,其特征在于:所述方法可以从全年36旬任一旬开始,对未来6旬的旬降水或旬温度进行预测,并能够给出相应的大气环流场预测。
4.基于旬倾向和物理模态建模的次季节气候预测系统,其特征在于:包括以下模块:
旬倾向转换模块,用于将前期热带地区大气向外长波辐射OLR场、前期热带外中高纬地区500hPa位势高度Z500场和预测变量场分别计算转换为各自的旬倾向距平场;所述旬倾向距平具体计算为:
其中,A为某变量的旬平均值,为变量A的气候均值,ΔA为变量A的旬气候距平异常,δΔA为变量A的旬倾向距平,t为一年36旬中的某一旬,t-1即为该旬的上一旬;
SVD分解模块,用于将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场分别进行奇异值分解SVD,将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化,作为预测变量旬倾向距平的预测因子;
旬倾向预测模型构建模块,用于选取不同数目的预测因子,利用多元线性回归方法,建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型;并进行旬倾向距平的历史回报,通过与观测对比,确定最优预测因子及最优预测模型;所述统计预测模型为:
其中,δΔAfcst为预测变量的旬倾向距平,Fi olr和分别为OLR第i个SVD模态和Z500第j个SVD模态对应的时间系数,/>和/>分别为OLR第i个SVD模态和Z500第j个SVD模态的权重,M和N分别为选取的OLR的SVD模态和Z500的SVD模态的个数,x为站点或者格点,t为预测旬,t-n即为提前预测旬n旬;
旬倾向预测模块,用于将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至SVD分解模块中的空间物理模态上,将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平;
以及结果处理模块,用于将得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加,得到预测旬的旬距平;将预测旬的旬距平与预测旬的气候态相加,得到预测变量的预测旬的总值。
5.一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述计算机程序被加载至处理器时实现根据权利要求1-3任一项所述的基于旬倾向和物理模态建模的次季节气候预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834465.7A CN113592165B (zh) | 2021-07-23 | 2021-07-23 | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834465.7A CN113592165B (zh) | 2021-07-23 | 2021-07-23 | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592165A CN113592165A (zh) | 2021-11-02 |
CN113592165B true CN113592165B (zh) | 2023-08-22 |
Family
ID=78249503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834465.7A Active CN113592165B (zh) | 2021-07-23 | 2021-07-23 | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592165B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707687B (zh) * | 2021-12-21 | 2024-02-13 | 南京大学 | 基于热带大气次季节振荡信号的旬降水预测方法和系统 |
CN114330850B (zh) * | 2021-12-21 | 2023-11-17 | 南京大学 | 一种用于气候预测的异常相对倾向生成方法与系统 |
CN117933299A (zh) * | 2024-03-19 | 2024-04-26 | 南京大学 | 用于气候预测的最优气候模态人工智能识别方法与系统 |
CN117909888B (zh) * | 2024-03-20 | 2024-05-28 | 南京大学 | 智慧人工智能气候预测方法 |
CN117932360A (zh) * | 2024-03-20 | 2024-04-26 | 南京大学 | 基于最优气候模态的人工智能次季节预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
CN109583653A (zh) * | 2018-11-30 | 2019-04-05 | 南京信息工程大学 | 基于统计模型的西北太平洋台风的延伸期预报方法 |
-
2021
- 2021-07-23 CN CN202110834465.7A patent/CN113592165B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392097A (zh) * | 2014-10-24 | 2015-03-04 | 封国林 | 一种基于季节预报模式的季节降水相似预报方法 |
CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
CN109583653A (zh) * | 2018-11-30 | 2019-04-05 | 南京信息工程大学 | 基于统计模型的西北太平洋台风的延伸期预报方法 |
Non-Patent Citations (1)
Title |
---|
2015/2016年极强厄尔尼诺事件下我国动力和统计结合实时气候预测研究;范可;田宝强;刘颖;;大气科学学报(06);22-25 * |
Also Published As
Publication number | Publication date |
---|---|
CN113592165A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
Hocaoğlu | Stochastic approach for daily solar radiation modeling | |
JP3984604B2 (ja) | 太陽光発電システムの発電量予測方法、装置、およびプログラム | |
CN110263392B (zh) | 基于多模式分区误差检验的风场预报方法及其系统 | |
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
CN112884209B (zh) | 一种基于天气学法与数理统计法的中长期降水预报方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN113779760B (zh) | 基于可预测气候模态的动力-统计结合季节气候预测方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN113256033B (zh) | 基于模态互补的发电站选址定容方法、装置、系统及介质 | |
CN114358213A (zh) | 非线性时序数据预测的误差消融处理方法及系统与介质 | |
CN116449462A (zh) | 海浪有效波高时空序列预测方法、系统、存储介质及设备 | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN114707687B (zh) | 基于热带大气次季节振荡信号的旬降水预测方法和系统 | |
CN112446550B (zh) | 一种短期建筑负荷概率密度预测方法 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN116992781B (zh) | 基于深度学习的多步多要素风浪预报方法 | |
Zhao et al. | An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees | |
CN111525553B (zh) | 一种预测功率优化分段下新能源出力误差可信区间估计法 | |
Lingsheng et al. | Photovoltaic output power estimation model based on multi-meteorological variable dimension reduction and improved variational mode decomposition algorithm | |
CN117826276A (zh) | 动力与统计相结合的寒露风初日预测方法及装置 |
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 |