CN113836129A - 一种基于经验正交分解的日尺度降尺度预测方法 - Google Patents

一种基于经验正交分解的日尺度降尺度预测方法 Download PDF

Info

Publication number
CN113836129A
CN113836129A CN202111131103.8A CN202111131103A CN113836129A CN 113836129 A CN113836129 A CN 113836129A CN 202111131103 A CN202111131103 A CN 202111131103A CN 113836129 A CN113836129 A CN 113836129A
Authority
CN
China
Prior art keywords
data
scale
daily
gcm
reanalysis
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.)
Granted
Application number
CN202111131103.8A
Other languages
English (en)
Other versions
CN113836129B (zh
Inventor
鲁晨
黄国和
宋唐女
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111131103.8A priority Critical patent/CN113836129B/zh
Publication of CN113836129A publication Critical patent/CN113836129A/zh
Application granted granted Critical
Publication of CN113836129B publication Critical patent/CN113836129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于经验正交分解的日尺度降尺度预测方法，依次包括：获取日尺度观测数据和研究站点所在格点以及周围格点的大尺度环流数据，包括再分析和GCM数据；对GCM数据进行插值，计算皮尔逊相关系数，根据相关性强度选取预测因子场的大小；分别去除观测值、再分析和GCM数据的时间序列的线性趋势，并将它们拼接，使用经验正交分解将预测因子场分解成多个模态EOF以及对应的日尺度时间序列；计算皮尔逊相关性系数，选择相关性高的EOF；对日尺度站点观测数据和选取的EOF中再分析数据的序列进行建模；将模型应用到选取EOF中GCM的序列，获得未来时期日尺度模型预测值；将去除的线性趋势项与模型预测值重构，得到未来日尺度的气候预测。

Description

一种基于经验正交分解的日尺度降尺度预测方法
技术领域
本发明属于气候预测技术领域，具体涉及一种基于经验正交分解的日尺度降尺度预测方法。
背景技术
气候降尺度预测不仅具有科学研究价值，其结果也能为区域社会经济的政策开发提供依据。日尺度(尤其是日降水)的降尺度预测，因为变量本身的变异性以及其受到大量复杂的短期小尺度过程的影响，结果的准确性难以保障，一直以来是研究的难点。传统的降尺度预测方法着重捕捉气象站点观测数据和站点所在的网格的再分析或全球气候模型(GCM)数据的统计关系。然而显著影响日尺度气候变量的短期小尺度气候过程可能涉及站点所在网格周围的格点，而传统方法并未将周围格点纳入预测因子的选择范围。此外，每多考虑一个格点会等比增加潜在预测因子，一方面大大增加了模型的自由度，从而增加了建模难度，另一方面也带来了大量噪声，从而对预测结果带来负面影响。
由此可见，如何高效地利用周围格点信息来提供日尺度降尺度预测准确性是现有的气候预测技术领域亟需解决的难题之一。
发明目的
本发明的目的即在于针对现有技术的不足，提供一种基于经验正交分解的日尺度降尺度预测方法。与现有技术相比，本发明具有多个优点：(i)通过考虑站点所在格点的周围格点，可以将显著影响日尺度气候变量的短期小尺度过程纳入模型；(ii)使用经验正交分解降低了模型自由度，从而降低了计算需求；(iii)通过去除高阶的EOF，可以滤除大部分噪声。
发明内容
本发明提供了一种基于经验正交分解的日尺度降尺度预测方法，包括以下步骤：
步骤一、确定研究站点和变量，获取日尺度观测数据和研究站点所在格点以及周围格点的大尺度环流数据，包括再分析和GCM数据；
步骤二、使用Kriging法对步骤一种所获得的GCM数据进行插值，以统一GCM和再分析数据的格点；
步骤三、计算站点观测时间序列和再分析数据各个格点每个变量时间序列的皮尔逊相关系数，根据相关性强度选取预测因子场的大小；
步骤四、分别去除观测值、再分析和GCM数据的时间序列的线性趋势；
步骤五、将步骤四中去除线性趋势后的再分析以及GCM数据的时间序列拼接，使用经验正交分解将预测因子场分解成多个模态EOF以及对应的日尺度时间序列PC；
步骤六、计算站点观测的时间序列和所有模态的时间序列的皮尔逊相关性系数，选择相关性高的EOF；
步骤七、使用任意统计方法对日尺度站点观测数据和选取的EOF中再分析数据的序列进行建模；
步骤八、将模型应用到选取EOF中GCM的序列，获得未来时期日尺度模型预测值；
步骤九、将步骤四中去除的线性趋势项与模型预测值重构，得到未来日尺度的气候预测。
附图说明
图1是本发明所述预测方法的流程图。
图2是本发明实施例中再分析和GCM的格点数据需覆盖站点所在格点以及周围格点的示意方格图。
图3是去趋势的ERA-Interim和GFDL时间序列直接拼接进行建模预测的示意图。
具体实施方式
下面结合附图和实例对本发明的具体实施方式作进一步说明。
图1是本发明所述预测方法的流程图，以中国任意气象站点为例，应用本发明所提出的基于经验正交分解的日尺度降尺度预测方法对该站点的日降水进行预测，具体步骤如下：
步骤一、收集该气象站点1976–2005年的日降水观测数据、1976–2005年ERA-Interim再分析数据以及1976–2100年GFDL全球气候模型数据。其中观测值和ERA-Interim数据时间序列长度为10958天，GFDL数据时间序列长度为45625天。ERA-Interim和GFDL数据包括的大尺度环流变量为：海平面气压(slp)以及850hPa、700hPa、500hPa、250hPa和100hPa的气温(ta)、绝对湿度(q)、纬向风(ua)和经向风(va)、位势高度(z)，一共26个变量，它们的时间精度为日尺度。再分析和GCM的格点数据需覆盖站点所在格点以及周围格点。例如，假设气象站点处在再分析数据的第(i,j)格点上，那么需要提取i–k至i+k和j–k至j+k范围的格点。在本实例中，k＝2，所得的5×5网格如图2的方格所示，圆圈位置代表气象站点。
步骤二、因为GFDL和ERA-Interim数据的空间精度以及网格位置不同，所以使用Kriging法将GFDL的网格插值到ERA-Interim网格上。
步骤三、计算每个格点的每个大尺度环流变量和观测的日降水的皮尔逊相关性系数，公式如式(1)所示：
Figure BDA0003280514900000041
其中x代表大尺度环流变量，y代表日降水观测值。
以850hPa的湿度为例，计算5×5网格内每个格点的850hPa湿度和日降水的相关性，结果如图2所示，相关性越高格点颜色约深。如图所示，气象站所在格点右上角的格点的850hPa湿度和站点日降水相关性较高，所以对于该变量，选择覆盖站点的3×3大小的预测因子场。对每个大尺度环流变量进行上述操作，每个所选取的因子场的大小可能不同。
步骤四、对日降水观测数据进行线性回归，获得线性趋势项，并将其去除，得到去趋势的时间序列。对ERA-Interim和GFDL每个格点进行同样操作。
步骤五、对于每个大尺度环流变量，将去趋势的ERA-Interim和GFDL时间序列直接拼接，如图3所示，其中格点为选取的场所包括的格点。对所得的矩阵(X)进行经验正交分解，所得矩阵如式(2)所示：：
X＝U×S×VT (2)，
其中X矩阵的行数代表时间序列长度，一共56583天，列数为3×3网格包括的所有格点数，即9。分解后所得的VT为EOF，是一个大小为9×9的矩阵；U×S为每个EOF对应的时间序列，大小为56583×9。
步骤六、计算每个大尺度环流变量的每个EOF和日降水观测值的皮尔逊相关性系数，选择相关性高的EOF纳入建模。本实例中，850hPa的湿度的前两个EOF和观测值相关性较高，因此纳入进一步建模中。对每个大尺度环流变量重复步骤三至步骤六的操作，最终一共选择31个EOF进行下一步的建模。
步骤七、使用任意统计方法对观测的日降水和所选取的EOF中ERA-Interim的时间序列(即，前10958天)建立模型。本实例使用了逐步聚类分析。
步骤八、将模型应用到所选取的EOF中GFDL的序列(即，后45625天)，得到未来的预测值。
步骤九、将步骤四中回归所得的观测数据的趋势项加入步骤八所得的未来预测值序列，得到重构的时间序列，即为最终的预测结果。
与现有技术相比，本发明所述预测方面具有以下优点：
(i)通过考虑站点所在格点的周围格点，可以将显著影响日尺度气候变量的短期小尺度过程纳入模型；
(ii)使用经验正交分解降低了模型自由度，从而降低了计算需求；
(iii)通过去除高阶的EOF，可以滤除大部分噪声。

Claims (4)

1.一种基于经验正交分解的日尺度降尺度预测方法，其特征在于，包括以下步骤：
步骤一、确定研究站点和变量，获取日尺度观测数据和研究站点所在格点以及周围格点的大尺度环流数据，包括再分析和GCM数据；
步骤二、使用Kriging法对步骤一种所获得的GCM数据进行插值，以统一GCM和再分析数据的格点；
步骤三、计算站点观测时间序列和再分析数据各个格点每个变量时间序列的皮尔逊相关系数，根据相关性强度选取预测因子场的大小；
步骤四、分别去除观测值、再分析和GCM数据的时间序列的线性趋势；
步骤五、将步骤四中去除线性趋势后的再分析以及GCM数据的时间序列拼接，使用经验正交分解将预测因子场分解成多个模态EOF以及对应的日尺度时间序列PC；
步骤六、计算站点观测的时间序列和所有模态的时间序列的皮尔逊相关性系数，选择相关性高的EOF；
步骤七、使用任意统计方法对日尺度站点观测数据和选取的EOF中再分析数据的序列进行建模；
步骤八、将模型应用到选取EOF中GCM的序列，获得未来时期日尺度模型预测值；
步骤九、将步骤四中去除的线性趋势项与模型预测值重构，得到未来日尺度的气候预测。
2.根据权利要求1所述的预测方法，其特征在于，步骤一中所述变量包括：某一时间段的日降水观测数据、ERA-Interim再分析数据以及GFDL全球气候模型数据，其中所述日降水观测数据、ERA-Interim再分析数据以及GFDL全球气候模型数据所对应的时间段相同或不同；所述ERA-Interim和GFDL数据所包括的大尺度环流变量为：海平面气压slp以及分别在850hPa、700hPa、500hPa、250hPa和100hPa下的气温ta、绝对湿度q、纬向风ua和经向风va、位势高度z一共26个变量，它们的时间精度为日尺度。
3.根据权利要求1所述的预测方法，其特征在于，步骤三中计算每个格点的每个大尺度环流变量和观测的日降水的皮尔逊相关性系数，如式(1)所示：
Figure FDA0003280514890000021
其中x代表大尺度环流变量，y代表日降水观测值。
4.根据权利要求1所述的预测方法，其特征在于，步骤五中，对于每个大尺度环流变量，将去趋势的ERA-Interim和GFDL时间序列直接拼接，其中格点为所选取的场所包括的格点；对所得的矩阵X进行经验正交分解，如式(2)所示：：
X＝U×S×VT (2)，
其中X矩阵的行数代表时间序列长度，列数为3×3网格包括的所有格点数，即9。分解后所得的VT为EOF，是一个大小为9×9的矩阵；U×S为每个EOF对应的时间序列。
CN202111131103.8A 2021-09-26 2021-09-26 一种基于经验正交分解的日尺度降尺度预测方法 Active CN113836129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111131103.8A CN113836129B (zh) 2021-09-26 2021-09-26 一种基于经验正交分解的日尺度降尺度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111131103.8A CN113836129B (zh) 2021-09-26 2021-09-26 一种基于经验正交分解的日尺度降尺度预测方法

Publications (2)

Publication Number Publication Date
CN113836129A true CN113836129A (zh) 2021-12-24
CN113836129B CN113836129B (zh) 2024-01-26

Family

ID=78970241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111131103.8A Active CN113836129B (zh) 2021-09-26 2021-09-26 一种基于经验正交分解的日尺度降尺度预测方法

Country Status (1)

Country Link
CN (1) CN113836129B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7249007B1 (en) * 2002-01-15 2007-07-24 Dutton John A Weather and climate variable prediction for management of weather and climate risk
EP2249186A2 (fr) * 2009-04-15 2010-11-10 Meteo-France Procédé d'évaluation de la taille des particules d'une précipitation météorologique
CN104657791A (zh) * 2015-02-28 2015-05-27 武汉大学 一种基于相关性分析的风电场群风速分布预测方法
CN111985727A (zh) * 2020-09-03 2020-11-24 南京信息工程大学 一种基于环流分型模型天气预测方法及系统
CN112698428A (zh) * 2021-03-24 2021-04-23 成都信息工程大学 西南地区降水延伸期综合预报信息处理方法、处理系统
CN113204865A (zh) * 2021-04-15 2021-08-03 武汉大学 基于本征正交分解的城市设计暴雨雨型推求方法及系统
CN113219555A (zh) * 2020-09-30 2021-08-06 国家气候中心 一种基于统计降尺度技术的短期气候预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7249007B1 (en) * 2002-01-15 2007-07-24 Dutton John A Weather and climate variable prediction for management of weather and climate risk
EP2249186A2 (fr) * 2009-04-15 2010-11-10 Meteo-France Procédé d'évaluation de la taille des particules d'une précipitation météorologique
CN104657791A (zh) * 2015-02-28 2015-05-27 武汉大学 一种基于相关性分析的风电场群风速分布预测方法
CN111985727A (zh) * 2020-09-03 2020-11-24 南京信息工程大学 一种基于环流分型模型天气预测方法及系统
CN113219555A (zh) * 2020-09-30 2021-08-06 国家气候中心 一种基于统计降尺度技术的短期气候预测方法
CN112698428A (zh) * 2021-03-24 2021-04-23 成都信息工程大学 西南地区降水延伸期综合预报信息处理方法、处理系统
CN113204865A (zh) * 2021-04-15 2021-08-03 武汉大学 基于本征正交分解的城市设计暴雨雨型推求方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
H POURSHAMSAEI 等: "Adaptive proper orthogonal decomposition for large scale reliable soil moisture estimation", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, pages 1 - 11 *
JAUME RAMON 等: "A perfect prognosis downscaling methodology for seasonal prediction of local-scale wind speeds", 《ENVIRONMENTAL RESEARCH LETTERS》, pages 1 - 15 *
刘喻道: "基于浮标观测资料及再分析数据集的北欧海海气热通量特征研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, pages 010 - 18 *
吴遥 等: "统计降尺度方法在华西南区秋季降水预测中的应用", 《气象》, pages 1555 - 1564 *
王会军 等: "中国极端气候及东亚地区能量和水分循环研究的若干近期进展", 《自然杂志》, pages 10 - 17 *
王春学 等: "基于年际增量法的华西秋雨预测模型建立及检验", 《气象科技》, pages 855 - 861 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质

Also Published As

Publication number Publication date
CN113836129B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
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
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
CN114693064B (zh) 一种建筑群方案生成性能评价方法
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN117218425A (zh) 一种用于光伏电站的发电损失分析方法及系统
CN112148774A (zh) 一种高分辨率空间多区域气象数据处理系统及方法
CN113836129A (zh) 一种基于经验正交分解的日尺度降尺度预测方法
CN116050666A (zh) 一种辐照特征聚类的光伏发电功率预测方法
CN116341391B (zh) 基于STPM-XGBoost模型的降水预测方法
CN113139671A (zh) 基于分支结构模型的电力负荷区间预测方法和系统
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN115564954A (zh) 一种染色体图像分割方法
CN115983478A (zh) 分布式光伏发电功率预测分析方法、系统、终端及介质
CN113095279B (zh) 果树花量智能视觉识别方法、装置、系统及存储介质
CN111932007A (zh) 一种光伏电站的功率预测方法、装置及存储介质
Du et al. Short-term photovoltaic power forecasting using deep convolutional networks
CN117688975B (zh) 一种基于演化规律挖掘的气象事件预测方法及系统
CN115510767B (zh) 基于深度时空网络的区域气温预测方法
CN111539155B (zh) 一种面向现象的时空相关模式分析与可视化方法
CN118011527B (zh) 卫星图像红外通道对流结构的强度预测数据集制作方法
CN118100171A (zh) 能源转换系统的功率预测方法、系统和电子设备
CN117878928B (zh) 一种基于深度学习的风电功率预测方法及装置
Seo et al. Genetic programming-based model output statistics for short-range temperature prediction
CN117972496A (zh) 一种基于ocae模型的高耗能工厂负荷特征提取方法
CN117647855A (zh) 一种基于序列长度的短临降水预报方法、装置及设备

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