CN113779760B - 基于可预测气候模态的动力-统计结合季节气候预测方法 - Google Patents
基于可预测气候模态的动力-统计结合季节气候预测方法 Download PDFInfo
- Publication number
- CN113779760B CN113779760B CN202110911563.6A CN202110911563A CN113779760B CN 113779760 B CN113779760 B CN 113779760B CN 202110911563 A CN202110911563 A CN 202110911563A CN 113779760 B CN113779760 B CN 113779760B
- Authority
- CN
- China
- Prior art keywords
- climate
- prediction
- annual
- mode
- tendency
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于可预测气候模态的动力‑统计结合季节气候预测方法。利用历史观测资料提取决定同期中国季节降水年际倾向的可预测气候模态,建立其与降水等目标变量年际倾向同期关系的物理统计模型;将动力模式对气候模态的预测带入物理统计模型,实现对降水等目标变量年际倾向的预测;将预测的年际倾向叠加上一年的观测距平即得到目标变量的距平预测。相较于动力模式对中国降水等目标变量直接预测的不足,本发明充分利用动力模式对主要气候模态的可预测能力,将动力模式对可预测气候模态的预测与根据历史资料建立的物理统计模型相结合,并通过独立样本检验选取最优气候模态,从而实现对目标变量的预测,可有效提高中国季节旱涝预测的准确率。
Description
技术领域
本发明涉及一种基于可预测气候模态的动力-统计结合中国季节气候预测方法的设计及其应用。在实际应用中,本发明对降水和气温等气象要素可以给出相较于动力模式直接预测更好的季节预测结果,可为国家防汛抗旱等重要决策提供科技支撑。
背景技术
气候预测是一个复杂的综合性科学问题,准确的气候预测长期以来一直是国际大气科学领域的难题。做好气候预测工作,提高气候预测水平,能够为国家防汛抗旱、防灾减灾决策提供有力的科技支持,帮助人们在农业、工业、交通等与气候密切相关的行业做好各项应对措施,最大限度减少气象灾害损失,保障国家经济社会发展和人民群众生命财产安全。
气候预测相关理论研究、技术方法的设计与应用均处在发展初期,许多现行的气候预测方法和系统预测效果还有非常大的提升空间,仍然需要进行更多的创新性研究工作。现有的气候预测方法大体可以分为两类,第一类为利用气候系统动力模式进行气候动力预测,主要依靠动力学方程和数值计算方法,构建动力数值预报模式从而进行气候预测;第二类为使用数理统计方法进行气候统计预测,主要是基于历史观测,通过气象统计方法寻找其内在规律,从而建立统计预测模型进行气候预测。一般认为,气候动力预测是解决气候预测难题的最终途径。然而,许多研究表明,由于受到大气混沌变率的影响,目前动力模式仅对于一些主要的气候模态具备较强的预测能力,但对气象要素如降水等的实际预测能力还不能满足日常业务的需求。如何利用动力模式的可预测信息实现对降水等要素预测能力的提高是气候预测领域着力解决的重要问题。
发明内容
发明目的:本发明针对用于气候预测的动力模式对降水等气象要素预测能力的不足,提出了一种基于可预测气候模态的动力-统计结合中国季节气候预测方法。利用历史观测资料提取决定同期中国季节降水年际倾向的可预测气候模态,建立其与降水等目标变量年际倾向同期关系的物理统计模型;将动力模式对气候模态的预测带入物理统计模型,实现对降水等目标变量年际倾向的预测;将预测的年际倾向叠加上一年的观测距平即得到目标变量的距平预测。
技术方案:为实现上述发明目的,本发明采用的技术方案是:
基于可预测气候模态的动力-统计结合中国季节气候预测方法,包括以下步骤:
(1)选取能分别反映热带和中高纬年际气候信号的热带向外长波辐射(OLR)和中高纬500hPa位势高度场,利用历史观测资料计算其逐年季节平均的年际倾向,用于提取决定中国季节降水等目标变量年际倾向的可预测气候模态;
(2)利用动力模式对季节平均OLR和500hPa位势高度场的实际集合预测,计算其与上一年同一起报时间预测的差值,记为动力模式对OLR和500hPa位势高度场年际倾向的预测;
(3)利用步骤(1)计算得到的热带向外长波辐射(OLR)和中高纬500hPa位势高度场年际倾向,采用奇异值分解(SVD)方法,提取决定同期中国季节降水等目标变量年际倾向的可预测气候模态;利用多元线性回归方法,构建可预测气候模态与同期中国季节降水等目标变量年际倾向之间关系的物理统计模型,并通过多年独立样本重建确定对目标变量重建效果最佳的最优可预测气候模态;
(4)将步骤(2)得到的动力模式对OLR和500hPa位势高度场年际倾向的预测对步骤(3)根据历史观测资料提取的可预测气候模态投影,得到动力模式对可预测气候模态的预测;将该预测带入步骤(3)构建的物理统计模型,从而实现对降水等目标变量年际倾向的预测;
(5)将步骤(4)得到的降水等目标变量季节平均年际倾向预测与前一年同季的观测距平相加,最终实现对降水等目标变量的距平预测。
相关步骤具体计算方法如下:
步骤(2)中计算动力模式集合预测结果的方法为多成员集合平均方法:
其中,A为动力模式对季节平均变量的集合平均预测结果,M为动力模式每个集合成员的预测结果,下标m表示集合成员序号,N为集合预测的集合成员总数,x、t分别为空间维和时间维,lt为起报时间较预测目标的超前时间。
步骤(2)中计算动力模式预测的年际倾向的方法为:
δA(x,t+1,lt)=A(x,t+1,lt)-A(x,t,lt)
其中,δA为动力模式预测的年际倾向,A为动力模式集合预测结果,x、t、lt意义同上式。
步骤(3)中基于可预测气候模态构建气候模态与同期中国降水等目标变量年际倾向之间关系的物理统计模型的方法为:
a.利用历史观测资料,采用奇异值分解(SVD)提取决定中国季节降水等目标变量的年际倾向的可预测气候模态的方法为:
[UOLR(x,k),VOLR(x,k)]=SVD(δOLR(x,t),δF(x,k))
[UHGT(x,k),VHGT(x,k)]=SVD(δHGT(x,t),δF(x,k))
TCOLR(t,k)=STD(UOLR(x,k)T·δOLR(x,t))
TCHGT(t,k)=STD(UHGT(x,k)T·δHGT(x,t))
其中,UOLR和UHGT为SVD左场,VOLR和VHGT为SVD右场,δOLR和δHGT为OLR和500hPa位势高度场的年际倾向,δF为中国季节降水等目标变量的年际倾向,TCOLR和TCHGT为OLR和500hPa高度场年际倾向对应的标准化SVD模态时间系数,x、t分别为空间维和时间维,k为SVD模态序号,SVD为奇异值分解运算,STD为标准化运算符;
b.利用多元线性回归方法构建可预测气候模态与同期降水等目标变量年际倾向之间关系的物理统计模型的方法为:
其中,δRREBD为重建的目标变量年际倾向,αOLR和αHGT分别为基于OLR和500hPa位势高度场的可预测气候模态的回归系数,β为回归模型的截距,NO和NG为参与物理统计模型的OLR和500hPa位势高度场的可预测气候模态的总个数,x、t、k意义同上式;
c.通过多年(通常取5年)独立样本重建,选取和确定对目标变量重建效果最佳的最优可预测气候模态,并得到基于最优可预测气候模态的物理统计模型:
其中SO和SH分别为最优模态数。
步骤(4)中描述的对降水等目标变量年际倾向的预测方法为:
其中,δRFCST为指定预测年份目标变量年际倾向的预测,TCMO和TCMHGT为动力模式对指定预测年份的OLR和500hPa位势高度场对应的最优可预测气候模态时间系数的预测。
步骤(5)中描述的实现对降水等目标变量距平的预测方法为:
ΔRFCST(x,t+1)=δRFCST(x,t+1)+ΔROBS(x,t)
其中ΔRFCST为指定预测年份目标变量的预测距平,ΔROBS为目标变量前一年的观测距平。
有益效果:与现有技术相比,本发明具有以下优点:
(1)统计预测方法和动力预测方法作为现有的主要气候预测方法各有优劣,本发明利用动力模式对决定目标预测变量的同期可预测气候模态的集合预测结果,结合根据历史观测资料建立的可预测气候模态与目标预测变量之间关系的物理统计模型,实现对目标变量的预测。这种基于可预测气候模态的动力-统计结合的季节气候预测方法,能够充分吸收两种预测方法的优点。
(2)统计预测方法通过使用前期历史观测资料寻找历史统计规律实现对未来气候预测,其缺陷在于无法考虑统计规律的未来变化;而动力模式具有预测物理规律未来变化的能力。因此,动力-统计结合有利于利用动力模式的这一优势。
(3)相较于动力模式直接预测降水等预测目标变量,该方法选取动力模式预测技巧更高的气候模态作为预测因子,再通过动力-统计结合的预测方法对预测目标进行预测,能够充分利用动力模式预测能力,提升动力模式预测效果。
(4)实际的预测因子变量和最终的预测目标变量均选取其年际倾向。对于预测结果而言,由于只对年际尺度的信号作预测,可以通过引入观测结果中的真实的年代际信号来消除因预报年代际信号而产生的误差,从而有效提升季节气候预测的效果。
(5)本方法通过多年独立样本重建来选取最优可预测气候模态,构建基于最优可预测气候模态的年际倾向预测模型,能够有效提高季节气候预测的准确率。
附图说明
图l为本发明的方法总体流程图。
图2为以预测中国夏季降水距平为例的基于可预测气候模态的动力-统计结合中国季节气候预测方法流程图。
图3为BCC-CSM1.1模式对夏季降水和OLR及500hPa高度场预测能力对比图。
图4为1989-2018年观测的夏季OLR年际倾向与同期中国降水年际倾向的SVD第一模态及对应的模态时间系数结果图。
图5为1989-2018年观测的夏季OLR年际倾向与同期中国降水年际倾向的SVD第二模态及对应的模态时间系数结果图。
图6为1989-2018年观测的夏季500hPa高度场年际倾向与同期中国降水年际倾向的SVD第一模态及对应模态时间系数结果图。
图7为1989-2018年观测的夏季500hPa高度场年际倾向与同期中国降水年际倾向的SVD第二模态及对应模态时间系数结果图。
图8为BCC-CSM1.1m模式对大气环流模态(前12个SVD模态)预测能力评估图,即动力模式预测的投影时间系数与对应观测的投影时间系数相关系数分布图。
图9为2014-2018年历史重建结果评价指标平均结果图。
图10为观测与预测的2018和2019年夏季中国降水距平百分率以及预测的2019年年际倾向结果图。
图11为本发明与其他现有预测方案预测技巧的对比图。
具体实施方式
下面结合附图和具体实施例,进一步阐述本发明的具体实施方式。
应注意这些实施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。所有实施例使用的数据,包括但不限于观测和模式数据,均为公开使用权限的数据。
如图1所示,本发明实施例公开的基于可预测气候模态的动力-统计结合中国季节气候预测方法,首先选取能分别反映热带和中高纬年际气候信号的热带向外长波辐射OLR和中高纬500hPa位势高度场,利用历史观测资料计算其逐年季节平均的年际倾向,用于提取决定目标变量年际倾向的可预测气候模态;然后利用动力模式对季节平均OLR和500hPa位势高度场的实际集合预测,计算其与上一年同一起报时间预测的差值,记为动力模式对OLR和500hPa位势高度场年际倾向的预测;接着利用热带向外长波辐射OLR和中高纬500hPa位势高度场年际倾向,采用奇异值分解SVD方法,提取决定同期目标变量年际倾向的可预测气候模态,利用多元线性回归方法,构建可预测气候模态与同期目标变量年际倾向之间关系的物理统计模型,并通过多年独立样本重建确定对目标变量重建效果最佳的最优可预测气候模态;再将动力模式对OLR和500hPa位势高度场年际倾向的预测对根据历史观测资料提取的最优可预测气候模态投影,得到动力模式对最优可预测气候模态的预测,将该预测带入构建的物理统计模型,从而实现对目标变量年际倾向的预测;最后将得到的目标变量季节平均年际倾向预测与前一年同季的观测距平相加,实现对目标变量的距平预测。
下面结合图2以预测中国夏季降水距平为例,对本发明实施例的方法步骤做详细说明。
1.动力模式预测结果的评估和实际预测因子的选取
(1)动力模式结果的评估:
参考前期动力模式评估方法和结果,本实施例选取距平相关系数(ACC)和均方根误差(RMSE)作为动力模式对大气环流和降水预测能力的评价指标,选取趋势异常综合评分(PS评分)作为动力模式对降水及其它季节气候要素预测能力的参考评价指标。
趋势异常综合评分(PS评分):
其中a、b和c分别为气候趋势项(N0)、一级异常项(N1)和二级异常项(N2)的权重系数,分别取a=2,b=2,c=4,漏报记为M,N为站点总数。
(2)实际预测因子的选取:
前期研究指出,中国位于东亚季风区,降水等气候要素受到来自热带地区和热带外中高纬地区的共同影响,许多研究结果和实际业务应用中会选取OLR代表热带信号、500hPa高度场代表热带外信号作为降水和温度等要素的预测因子来源。本实施例选择动力模式预测的热带OLR和北半球中高纬500hPa高度场来确定动力模式对可预测气候模态的预测。
2.动力模式预测年际倾向结果的计算
(1)计算动力模式集合预测结果:
通常动力模式的输出结果因初始场和动力方案的差别会有多个模式成员,前期研究表明,多成员集合平均的方法可以提升动力模式的预测效果,因此对于动力模式的预测结果,本实施例采用多成员集合平均的方法(公式1)进行计算。
其中,A为动力模式对季节平均变量的集合平均预测结果,M为动力模式每个集合成员的预测结果,下标m表示集合成员序号,N为集合预测的集合成员总数,x、t分别为空间维和时间维,lt为起报时间较预测目标的超前时间。
(2)计算动力模式预测的预测因子变量的年际倾向:
分别计算指定预测年份动力模式预测的OLR和500hPa高度场的年际倾向(公式2)。
δA(x,t+1,lt)=A(x,t+1,lt)-A(x,t,lt)#(2)
其中,A(x,t+1,lt)和A(x,t,lt)分别为在同一超前时间前提下,指定预测年份和前一年的相关变量的动力模式预测实际结果,δA(x,t+1,lt)为指定预测年份(t+1)动力模式预测的年际倾向,其他同上。
3.利用历史观测数据构建物理统计模型
(1)提取决定中国季节降水年际倾向的同期可预测气候模态
奇异值分解(SVD)方法是提取两个时空变化的变量场之间耦合关系主要模态的重要方法之一。本实施例利用SVD方法,分别得到历史资料中OLR和500hPa高度场年际倾向与同期中国降水年际倾向之间的主要耦合模态(排序靠前且方差贡献较大的模态),对应的主要SVD模态标准化时间系数即为构建气候预测重建模型的因子变量。
利用SVD方法计算SVD模态的时间系数(公式3、公式4、公式5、公式6):
[UOLR(x,k),VOLR(x,k)]=SVD(δOLR(x,t),δF(x,k))#(3)
[UHGT(x,k),VHGT(x,k)]=SVD(δHGT(x,t),δF(x,k))#(4)
TCOLR(t,k)=STD(UOLR(x,k)T·δOLR(x,t))#(5)
TCHGT(t,k)=STD(UHGT(x,k)T·δHGT(x,t))#(6)
其中TCOLR和TCHGT为OLR和500hPa高度场观测的年际倾向对应的标准化时间系数,UOLR和UHGT为SVD左场,VOLR和VHGT为SVD右场,δOLR和δHGT为OLR和500hPa高度场观测年际倾向,x、t意义同上式,k为SVD模态序号,SVD为奇异值分解运算,STD为标准化运算符,使用的方法为Z分数标准化,.为矩阵相乘运算符。
(2)用于季节气候重建的物理统计模型的建立
分别选取OLR和500hPa高度场不同数目SVD模态对应的标准化时间系数作为气候预测重建因子,利用多元线性回归方法,构建多个气候统计重建模型。根据指定重建年份前30年已知的预测因子变量和预测目标变量的观测的年际倾向历史观测数据,建立多个气候重建物理统计模型。
其中,δRREBD为重建的目标变量年际倾向,αOLR和αHGT分别为基于OLR和500hPa位势高度场的可预测气候模态的回归系数,β为回归模型的截距,NO和NG为参与物理统计模型的OLR和500hPa位势高度场的可预测气候模态的总个数。
(3)利用独立样本重建检验得到最优统计预测模型:
利用步骤(2)中得到的不同多元线性回归统计重建模型进行独立样本重建检验,通过计算重建结果的趋势异常综合评分(PS评分)、空间距平相关系数(ACC)、均方根误差(RMSE)等评价指标,比较重建与观测的预测目标变量年际倾向和距平空间重建效果。综合考量上述指标,最终确定OLR和500hPa高度场的最优可预测气候模态组合的数目,分别记为SO和SH,建立基于最优可预测气候模态的物理统计模型(公式7)。
其中SO和SH分别为最优模态数,其他同上。
4.针对预测目标变量年际倾向进行预测的季节气候动力-统计结合预测模型的建立
(1)计算动力模式对对可预测气候模态结果:
将步骤2得到的动力模式对OLR和500hPa位势高度场年际倾向的集合预测结果,投影至由步骤3中根据历史观测资料提取的可预测气候模态,得到动力模式对可预测气候模态的预测。
(2)建立针对年际倾向的动力-统计结合季节气候预测模型:
将上述由动力模式对可预测气候模态预测的结果代入步骤3中所建立的基于可预测气候模态的物理统计模型,进一步构建基于可预测气候模态的针对预测目标年际倾向的动力-统计结合气候预测模型(公式8)。
其中δRFCST为指定预测年份预测目标变量的年际倾向,TCMO和TCMHGT为动力模式预测的指定预测年份的OLR和500hPa位势高度场年际倾向所对应的时间系数,其他同上。
5.计算预测目标变量距平的预测结果。
基于步骤4所的到的基于可预测气候模态的动力-统计结合气候预测模型,可以得到指定预测年份预测目标变量的年际倾向。
依照公式(9),将预测目标年际倾向与前一年已知的预测目标观测距平相加,最终得到指定预测年份气候预测目标变量的距平值,最终到降水等预测目标变量距平的预测结果。
ΔRFCST(t+1)=δRFCST(t+1)+ΔROBS(t)#(9)
其中ΔRFCST为指定预测年份预测目标变量的预测距平,ΔROBS为预测目标变量前一年的观测距平,其他同上。
下面以针对年际倾向预测的动力-统计结合中国夏季降水季节气候预测为例作为本发明的具体应用说明。选取国家气候中心气候系统模式(Beijing Climate CenterClimate System Model,BCC_CSM1.1m)预测的2019年夏季OLR和500hPa高度场作为预测因子,预测目标为2019年中国夏季降水距平百分率。
主要包括以下步骤:
1.BCC-CSM1.1m模式评估及预测因子选取
(1)BCC-CSM1.1m模式评估:
参考前期研究成果及模式评估方案,对BCC-CSM1.1m模式不同变量的预测效果进行评估。评估的变量主要包括动力模式对夏季OLR(模式输出结果文件名标记为FLUT)、500hPa高度场(模式输出结果文件名标记为Z3.prs0500)和降水(模式输出结果文件名标记为PREC),评估的指标包括ACC和RMSE。
BCC-CSM1.1m模式每个变量有24个成员,预测结果按照多成员集合平均方案进行计算。
评估结果如图3所示,可以看出模式对OLR和500hPa高度场具有一定的预测效果,尤其是在热带地区模式对OLR具有较好的预测效果,在中高纬度地区,模式对500hPa高度场具有一定的预测效果。
但是从全球来看,模式对降水预测效果很有限,特别对中国降水的预测效果非常有限,相关性不显著且误差较大。
(2)预测因子的选择:
提取可预测气候模态的观测数据为美国国家海洋和大气管理局公布的NCEP/DOE的第二套再分析资料和国家气候中心公布的中国160站降水资料。以1981-2010年气候平均作为气候态。
通过BCC_CSM1.1(m)动力模式对夏季热带地区OLR和北半球中高纬地区500hPa位势高度场的预测结果进行多成员集合平均,以用于提取动力模式对可预测气候模态的预测。
2.计算动力模式预测结果的年际倾向
根据业务运行实际需要,动力模式的起报时间选取为预测目标年3月,相较于夏季,超前时间为3(个月)。具体计算方法举例说明如下:在该实施例中,计算2018年3月1日起报的2018年夏季热带OLR和中高纬北半球500hPa高度场与2019年3月1日起报的2019年夏季热带OLR和中高纬北半球500hPa高度场之差,得到模式预测的2019年夏季OLR和500hPa高度场,作为实际的预测因子变量。
3.季节气候重建物理统计模型的建立
(1)提取同期气候模态并建立物理统计模型:
从1989-2018年的观测数据中提取决定中国季节降水同期多个大气环流模态,构建多个基于同期大尺度环流模态对中国夏季160站降水倾向的物理统计模型,其中1989-2018年观测的夏季OLR年际倾向与同期中国降水年际倾向的SVD前两个模态及对应的模态时间系数如图4、5所示,1989-2018年观测的夏季500hPa高度场年际倾向与同期中国降水年际倾向的SVD前两个模态及对应的模态时间系数如图6、7所示。
此外,为进一步考察动力模式对大气环流模态预测能力,将动力模式对OLR和500hPa高度场年际倾向的集合预测结果和对应的年际倾向观测结果分别投影至对应SVD左场得到相应的模态时间系数,再求所得到的时间系数序列之间的相关系数,作为考察动力模式对与中国降水相关的主要SVD模态的预测能力的指标,其结果如图8所示。可以看出动力模式对OLR和500hPa位势高度场的主要模态具有较好的预测能力,说明动力模式对决定同期中国降水年际倾向的主要大气环流模态具备一定的预测能力。
(2)最优SVD模态组合的确定:
利用上一步骤建立的季节气候物理统计模型,针对指定预测年份前5年(2014-2018)中国夏季降水的年际倾向和距平百分率进行历史重建检验,例如重建2014年需选取1984-2013年的观测资料进行独立重建,以此类推。
分别计算2014-2018年历史重建结果包括距平空间相关系数(ACC)、PS评分在内的多个评价指标,其五年平均结果如图9所示,同时参考如图8所示动力模式对气候模态的预测能力,确定3个OLR模态和1个500hPa位势高度场模态作为最优可预测气候模态。
4.基于可预测气候模态的动力-统计结合预测模型的建立
(1)计算动力模式对可预测气候模态的预测结果:
将步骤2得到的BCC_CSM1.1(m)动力模式对2019年夏季OLR和500hPa位势高度场年际倾向的预测结果,投影至由步骤3所确定的可预测气候模态,得到动力模式对决定2019年夏季中国降水年际倾向的可预测气候模态的预测结果。
(2)建立动力-统计结合气候预测模型:
将上述由动力模式对2019年夏季可预测气候模态预测的结果代入步骤3中所建立的基于可预测气候模态的物理统计模型,进一步构建基于这些可预测气候模态的中国夏季降水年际倾向的动力-统计结合气候预测模型,从而实现对2019年中国夏季160站降水年际倾向的预测。
5.计算夏季降水距平预测结果
将步骤4得到的2019年中国夏季160站降水年际倾向与已知的2018年中国夏季降水观测距平相加,最终计算得到2019年中国汛期降水距平预测结果。
对比2019年中国夏季降水实际观测结果,本实施例的预测结果能够很好地预测到中国东北地区、西北地区夏季降水偏多,华北地区降水偏少,长江中下游流域降水偏少,华南降水偏多的气候异常现象,整体预测技巧评分为82分,具有较高的季节气候预测水平,其结果如图10所示。
此外,对本发明与专利“CN201710441739.X-基于主要SVD模态建模的中国季节气候预测方法”中通过前期观测结果进行季节气候预测的方案历史回报效果进行对比,可以发现相较于其他方案,本发明的预测效果亦有一定的提升,其结果如图11示。
Claims (5)
1.基于可预测气候模态的动力-统计结合季节气候预测方法,其特征在于:包括以下步骤:
(1)选取能分别反映热带和中高纬年际气候信号的热带向外长波辐射OLR和中高纬500hPa位势高度场,利用历史观测资料计算其逐年季节平均的年际倾向,用于提取决定目标变量年际倾向的可预测气候模态;
(2)利用动力模式对季节平均OLR和500hPa位势高度场的实际集合预测,计算其与上一年同一起报时间预测的差值,记为动力模式对OLR和500hPa位势高度场年际倾向的预测;
(3)利用步骤(1)计算得到的热带向外长波辐射OLR和中高纬500hPa位势高度场年际倾向,采用奇异值分解SVD方法,提取决定同期目标变量年际倾向的可预测气候模态;利用多元线性回归方法,构建可预测气候模态与同期目标变量年际倾向之间关系的物理统计模型,并通过多年独立样本重建确定对目标变量重建效果最佳的最优可预测气候模态;其中基于可预测气候模态构建气候模态与同期目标变量年际倾向之间关系的物理统计模型的方法为:
a.利用历史观测资料,采用奇异值分解SVD提取决定目标变量年际倾向的可预测气候模态的方法为:
[UOLR(x,k),VOLR(x,k)]=SVD(δOLR(x,t),δF(x,k))
[UHGT(x,k),VHGT(x,k)]=SVD(δHGT(x,t),δF(x,k))
TCOLR(t,k)=STD(UOLR(x,k)T·δOLR(x,t))
TCHGT(t,k)=STD(UHGT(x,k)T·δHGT(x,t))
其中,UOLR和UHGT为SVD左场,VOLR和VHGT为SVD右场,δOLR和δHGT为OLR和500hPa位势高度场的年际倾向,δF为目标变量的年际倾向,TCOLR和TCHGT为OLR和500hPa高度场年际倾向对应的标准化SVD模态时间系数,x、t分别为空间维和时间维,k为SVD模态序号,SVD为奇异值分解运算,STD为标准化运算符,·为矩阵相乘运算符;
b.利用多元线性回归方法构建可预测气候模态与同期目标变量年际倾向之间关系的物理统计模型的方法为:
其中,δRREBD为重建的目标变量年际倾向,αoLR和αHGT分别为基于OLR和500hPa位势高度场的可预测气候模态的回归系数,β为回归模型的截距,NO和NG为参与物理统计模型的OLR和500hPa位势高度场的可预测气候模态的总个数;
c.通过多年独立样本重建,选取和确定对目标变量重建效果最佳的最优可预测气候模态,并得到基于最优可预测气候模态的物理统计模型:
其中SO和SH分别为最优模态数;
(4)将步骤(2)得到的动力模式对OLR和500hPa位势高度场年际倾向的预测对步骤(3)根据历史观测资料提取的最优可预测气候模态投影,得到动力模式对最优可预测气候模态的预测;将该预测带入步骤(3)构建的物理统计模型,从而实现对目标变量年际倾向的预测;
(5)将步骤(4)得到的目标变量季节平均年际倾向预测与前一年同季的观测距平相加,最终实现对目标变量的距平预测。
2.根据权利要求1所述的基于可预测气候模态的动力-统计结合季节气候预测方法,其特征在于:
步骤(2)中计算动力模式集合预测结果的方法为多成员集合平均方法:
其中,A为动力模式对季节平均变量的集合平均预测结果,M为动力模式每个集合成员的预测结果,下标m表示集合成员序号,N为集合预测的集合成员总数,x、t分别为空间维和时间维,lt为起报时间较预测目标的超前时间。
3.根据权利要求1所述的基于可预测气候模态的动力-统计结合季节气候预测方法,其特征在于:
步骤(2)中计算动力模式预测的年际倾向的方法为:
δA(x,t+1,1t)=A(x,t+1,1t)-A(x,t,It)
其中,δA为动力模式预测的年际倾向,A为动力模式集合预测结果,x、t分别为空间维和时间维,lt为起报时间较预测目标的超前时间。
4.根据权利要求1所述的基于可预测气候模态的动力-统计结合季节气候预测方法,其特征在于:
步骤(4)中描述的对降水目标变量年际倾向的预测方法为:
其中,δRFCST为指定预测年份目标变量年际倾向的预测,TCMOLR和TCMHG为动力模式对指定预测年份的OLR和500hPa位势高度场对应的最优可预测气候模态时间系数的预测。
5.根据权利要求4所述的基于可预测气候模态的动力-统计结合季节气候预测方法,其特征在于:
步骤(5)中描述的实现对降水目标变量距平的预测方法为:
ΔRFCST(x,t+1)=δRFCST(x,t+1)+ΔROBS(x,t)
其中ΔRFCST为指定预测年份目标变量的预测距平,ΔROBS为目标变量前一年的观测距平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911563.6A CN113779760B (zh) | 2021-08-10 | 2021-08-10 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911563.6A CN113779760B (zh) | 2021-08-10 | 2021-08-10 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779760A CN113779760A (zh) | 2021-12-10 |
CN113779760B true CN113779760B (zh) | 2023-08-04 |
Family
ID=78837267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110911563.6A Active CN113779760B (zh) | 2021-08-10 | 2021-08-10 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779760B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN117909888B (zh) * | 2024-03-20 | 2024-05-28 | 南京大学 | 智慧人工智能气候预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110058328A (zh) * | 2019-01-30 | 2019-07-26 | 沈阳区域气候中心 | 东北夏季降水多模式组合降尺度预测方法 |
CN111856621A (zh) * | 2020-07-17 | 2020-10-30 | 中国气象科学研究院 | 一种基于模式与观测数据融合的集成演变svd转换方法 |
CN112036617A (zh) * | 2020-08-17 | 2020-12-04 | 国电大渡河流域水电开发有限公司 | 一种动力-统计客观定量气候预测方法与系统 |
-
2021
- 2021-08-10 CN CN202110911563.6A patent/CN113779760B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110058328A (zh) * | 2019-01-30 | 2019-07-26 | 沈阳区域气候中心 | 东北夏季降水多模式组合降尺度预测方法 |
CN111856621A (zh) * | 2020-07-17 | 2020-10-30 | 中国气象科学研究院 | 一种基于模式与观测数据融合的集成演变svd转换方法 |
CN112036617A (zh) * | 2020-08-17 | 2020-12-04 | 国电大渡河流域水电开发有限公司 | 一种动力-统计客观定量气候预测方法与系统 |
Non-Patent Citations (1)
Title |
---|
广东省前汛期多雨或少雨年降水异常研究;管勇;宋燕;袁锡沛;黄青兰;;成都信息工程学院学报(第04期);64-70 * |
Also Published As
Publication number | Publication date |
---|---|
CN113779760A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110058328B (zh) | 东北夏季降水多模式组合降尺度预测方法 | |
Johnson et al. | Measurement of GCM skill in predicting variables relevant for hydroclimatological assessments | |
Dixon et al. | The effective management of national hydrometric data: experiences from the United Kingdom | |
Hong et al. | Basis for recommending an update of wind velocity pressures in Canadian design codes | |
Stern et al. | Trends in the skill of weather prediction at lead times of 1–14 days | |
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 | |
Parthasarathy et al. | Surface and upper air temperatures over India in relation to monsoon rainfall | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN103257000B (zh) | 一种桥梁结构日照作用分析的极值温度预测方法 | |
CN112819312A (zh) | 气候变化情景下干旱社会经济暴露度评估方法和系统 | |
CN110399634B (zh) | 一种基于天气系统影响的预报区域确定方法及系统 | |
CN115507822A (zh) | 水文循环变异驱动下的洪水风险预测方法 | |
Dyrrdal et al. | Estimating extreme areal precipitation in Norway from a gridded dataset | |
Otache et al. | ARMA modelling of Benue River flow dynamics: comparative study of PAR model | |
Yuan et al. | The evolving distribution of relative humidity conditional upon daily maximum temperature in a warming climate | |
Osborn et al. | Performance of pattern-scaled climate projections under high-end warming. Part I: surface air temperature over land | |
McRae | Case study: A conservative approach to green roof benefit quantification and valuation for public buildings | |
Sha et al. | Development of a key-variable-based parallel HVAC energy predictive model | |
Lee et al. | Influence of the El Niño/southern oscillation on South Korean streamflow variability | |
Van Hove et al. | Large-scale statistical analysis and modelling of real and regulatory total energy use in existing single-family houses in Flanders | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
Sun et al. | A subjective and objective evaluation of model forecasts of Sumatra squall events | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
Alrefaie et al. | Modelling labour productivity of reinforcement bar using polynomial regression: a study on a tropical country's weather |
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 |