CN114707687A - 基于热带大气次季节振荡信号的旬降水预测方法和系统 - Google Patents
基于热带大气次季节振荡信号的旬降水预测方法和系统 Download PDFInfo
- Publication number
- CN114707687A CN114707687A CN202111570421.4A CN202111570421A CN114707687A CN 114707687 A CN114707687 A CN 114707687A CN 202111570421 A CN202111570421 A CN 202111570421A CN 114707687 A CN114707687 A CN 114707687A
- Authority
- CN
- China
- Prior art keywords
- day
- abnormal
- prediction
- days
- rainfall
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000010355 oscillation Effects 0.000 title claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 149
- 238000001556 precipitation Methods 0.000 claims abstract description 50
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000001932 seasonal effect Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000013179 statistical model Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 9
- 230000004907 flux Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 239000011295 pitch Substances 0.000 description 4
- 238000000528 statistical test Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明针对我国现有夏季降水次季节异常预测能力的不足，公开了一种基于热带大气次季节振荡信号的旬降水预测方法和系统。利用异常相对倾向方法，将原始观测数据处理为旬异常相对倾向数据，从中提取影响降水异常的前期热带次季节振荡信号及主要模态，并将其作为预测因子与降水次季节异常相对倾向进行统计建模，构建针对降水旬异常相对倾向的统计预测模型，将该模型预测结果与前期降水异常背景相加，从而实现对降水次季节异常的定量化预测。相较于现有预测方法，本发明能够有效提取出影响降水次季节异常的热带次季节振荡信号，构建基于物理模态的夏季降水旬异常的定量化预测系统，可有效提升我国夏季降水次季节预测能力。
Description
技术领域
本发明涉及一种基于热带大气次季节振荡信号的旬降水预测方法和系统的设计及其应用。在实际运行中，本发明可以基于计算机系统对我国夏季降水次季节异常进行定量化预测，为有关部门进行汛期防汛抗旱等重要决策提供科学支持。
背景技术
次季节预测是指对未来10至90天的阶段性(如旬)气象异常进行预测的技术，它的时间尺度介于天气预报和季节气候预测之间，是两者之间的“桥梁”，发展“逐日天气-次季节-季节气候”多时间尺度一体的无缝隙预测是我国气象部门当前亟待解决的重要任务。我国夏季降水具有非常显著的季节内变化特征，包括主雨带随季节进程的南北向移动以及不同地区次季节时间尺度降水的强弱变化，对夏季降水次季节变化进行准确预测，可为汛期防汛抗旱工作提供有效技术支撑，从而保障社会生产生活有序进行，保护人民群众生命财产安全。但目前次季节气候预测的理论基础仍很薄弱，相关预测技术相对缺乏，而我国现有的次季节气候预测系统，特别是夏季降水次季节预测系统的业务应用尚处于初步发展阶段，无法满足当前气象防灾减灾的重大需求。
当前国内外次季节气候预测方法主要有统计预测方法和动力预测方法两类。动力预测方法是基于大气动力学理论，通过大气动力学方程构建数值计算模式从而对天气和气候进行预测，动力预测模式对初值和动力框架依赖性很强，由于非线性系统的“混沌效应”，不同的初值和动力框架预测结果之间差距很大，其稳定性无法满足气象预测要求。对于次季节预测而言，无论是传统的天气模式还是现有的气候模式，都无法直接用于次季节气候预测，而专门的次季节气候预测模式大多处于初步发展阶段。统计预测方法则是基于历史观测数据，通过寻找大气系统内强信号的统计规律，建立统计预测模型，从而对气象要素进行预测。对于使用统计预测方法对夏季降水次季节异常进行预测而言，其关键点在于找到具有物理和统计意义的大气次季节信号，并作为最优预测因子。然而，影响我国夏季降水变化的大气次季节信号非常复杂，如何提取出最优预测因子仍然是亟需解决的关键问题。
发明内容
发明目的：本发明针对我国当前夏季降水次季节异常的预测难题，提出了一种基于热带大气次季节振荡信号的降水预测方法和系统，通过异常相对倾向方法，从观测资料的旬异常相对倾向中提取决定降水异常的前期热带大气次季节振荡信号，并将其作为预测因子，建立其与降水旬异常相对倾向的多元回归预测模型，从而对夏季降水旬异常相对倾向进行预测，结合对应的前期异常背景，实现对夏季降水次季节异常的定量化预测。
技术方案：为实现上述发明目的，本发明采用的技术方案是：
基于热带大气次季节振荡信号的旬降水预测方法，包括以下步骤：
(1)基于异常相对倾向思路，将所需要的历史观测数据，包括表征热带大气次季节振荡的向外长波辐射(OLR，Outgoing Longwave Radiation)和降水等，处理为旬异常相对倾向及其对应的前期异常背景；
(2)通过经验正交分解法(EOF，Empirical Orthogonal Function)从热带OLR旬异常相对倾向中提取热带大气次季节振荡信号的主要模态及其对应的时间序列；
(3)通过将历史观测的前期OLR投影至步骤(2)中提取的主要模态可以得到实际预测因子，利用多元线性回归，构建其与夏季降水旬异常相对倾向关系的物理统计预测模型；
(4)将预测目标旬前期热带OLR异常相对倾向投影至步骤(2)中提取的主要模态，得到实际预测因子并带入步骤(3)中得到的物理统计预测模型，得到夏季降水旬异常相对倾向的定量预测结果；
(5)将步骤(1)中得到的降水前期异常背景与步骤(4)中预测的降水旬异常相对倾向相加，得到夏季降水旬距平的预测结果。
进一步地，通过如下步骤还可实现超前多旬的预测结果：
(6)通过多次循环步骤(2)至步骤(5)，前一循环得到的旬距平加入后一循环的异常背景计算中，通过多次循环累加可以得到超前多旬的夏季降水旬距平的预测结果，从而实现对夏季降水异常的次季节预测结果。
步骤(1)中的旬异常相对倾向及其对应的前期异常背景的具体计算方法为：
δΔP(t)＝ΔP(t)-ΔP(t-nτ)
其中P为变量；ΔP(t)为变量旬距平，定义为变量任意一个旬的平均值相较于对应的多年气候平均值之差；δΔP(t)为变量旬异常相对倾向；ΔP(t-nτ)为变量前期异常背景，定义为变量前n旬旬距平的均值；t为时间维度，τ为旬尺度时间步长，1*τ等于1个旬。
步骤(2)中提取决定降水次季节异常的前期热带大气次季节振荡信号的方法为：
对热带(所选区域为30°E～180°E、30°N～30°S)大气多年OLR旬异常相对倾向数据作经验正交函数(EOF)分解，可以得到若干个EOF模态及其对应的时间序列PC，对这些模态进行统计检验可知EOF分解的第一和第二模态(分别标记为EOF1和EOF2，对应的时间序列分别标记为PC1和PC2)均通过统计检验，具有统计显著性。将PC1与PC2分别与热带OLR、500hPa位势高度、850hPa水平风、水汽通量散度以及东亚地区降水异常相对倾向进行超前滞后回归，可以得到由上述两个主要EOF模态所决定的降水次季节异常，并通过相关大气环流场给出合理的物理解释。最终选定对前期热带OLR旬异常相对倾向进行EOF分解后的前两个模态作为影响次季节降水异常的热带大气振荡信号主要模态。
步骤(3)中，将提前降水n旬的热带OLR异常相对倾向投影至步骤(2)中提取的主要模态，得到对应的标准化时间序列，并将这两个时间序列作为实际预测因子；利用多元线性回归方法，构建上述预测因子与降水旬异常相对倾向关系的物理统计预测模型为：
δΔP(x,t)＝α1(x)TS1(t-nτ)+α2(x)TS2(t-nτ)+β
其中δΔP(x，t)为预测变量的旬异常相对倾向，TS1(t-nτ)和TS2(t-nτ)为前期热带大气次季节振荡最主要的两个模态对应的时间序列，α1(x)和α2(x)为两个主要模态对应的多元回归系数，β为多元回归模型常数项，x和t分别为空间维度和时间维度，τ为旬尺度时间步长，1*τ等于1个旬。
步骤(4)中对预测目标旬降水异常相对倾向的具体计算方法为：将预测目标旬观测得到的前期热带OLR旬异常相对倾向投影至步骤(2)中得到的热带大气次季节振荡的主要模态EOF1和EOF2上，得到对目标旬降水异常相对倾向进行预测的预测因子，带入步骤(3)构建的物理统计预测模型，实现对夏季降水旬异常相对倾向的预测。
步骤(5)中实现降水旬距平预测的方法为：将步骤(1)中提取得到的前期降水异常背景和步骤(4)中得到的降水旬异常相对倾向相加，即：
ΔP(t)＝ΔP(t-nτ)+δΔP(t)
其中P为降水，ΔP(t)为降水旬距平，δΔP(t)为降水旬异常相对倾向，ΔP(t-nτ)为前期降水异常背景，t为时间维度，τ为旬尺度时间步长，1*τ等于1个旬。
步骤(6)中所述的实现提前多旬预测的具体操作为：通过对步骤(2)至步骤(5)循环处理，可以实现提前多旬的降水旬异常相对倾向的预测，将前一循环得到的旬距平加入后一循环的异常背景计算中，通过多次循环累加即可得到提前多旬的降水旬距平结果，从而实现提前n旬对降水的次季节预测。详细步骤为：
首先对提前1旬进行预测，利用提前1旬的OLR旬异常相对倾向与降水旬异常相对倾向历史观测数据进行建模，利用对应的预测目标年提前1旬OLR观测数据提取实际预测因子，并结合提前1旬所对应的异常相对倾向对提前1旬的降水旬距平进行预测；
然后利用提前2旬数据进行同样的建模，对提前2旬与提前1旬的旬异常相对倾向进行预测，此时的前期异常背景使用上述步骤预测得到的提前1旬预测降水旬距平，据此，得到提前2旬预测的降水旬距平；
最后不断重复上述步骤进行建模和预测，并不断引入上一循环预测的降水旬距平，得到提前n旬预测的降水旬距平，实现提前n旬对夏季降水的次季节预测。
基于相同的发明构思，本发明提供的基于热带大气次季节振荡信号的旬降水预测系统，包括如下若干模块：
数据预处理模块：用于基于异常相对倾向方法，将所需要的历史观测数据，包括表征热带大气次季节振荡的向外长波辐射OLR和降水，处理为旬异常相对倾向及对应的前期异常背景；
预测因子提取模块：用于通过经验正交分解法EOF从热带OLR旬异常相对倾向中提取热带大气次季节振荡信号的主要模态及其对应的时间序列；
统计模型构建模块：用于利用多元线性回归，构建前期大气次季节振荡信号时间序列与降水旬异常相对倾向关系的物理统计预测模型；
预测模块：用于将预测目标旬前期的热带OLR异常相对倾向投影至预测因子提取模块中提取的主要模态，得到实际预测因子并带入统计模型构建模块中得到的物理统计预测模型，从而得到夏季降水旬异常相对倾向的定量预测结果；
预测结果处理模块：用于将预测模块计算得到的旬异常相对倾向与数据预处理模块得到的对应的异常背景相加，得到夏季降水旬距平的预测结果。
以及，多次超前预测循环模块：该模块为高级模块，用于根据实际需求以不同旬作为输出，多次循环调用预测模块和预测结果处理模块得到不同旬的降水旬异常相对倾向和旬距平，将前一循环得到的旬距平加入后一循环的异常背景计算中，通过多次循环累加得到超前多旬的夏季降水旬距平的预测结果。
基于相同的发明构思，本发明还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，对应计算机程序被加载至处理器后，实现所述的基于热带大气次季节振荡信号的旬降水预测方法的所有计算过程。
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明选取能够显著影响降水次季节变化的前期热带大气次季节振荡信号作为实际预测因子，能够充分考虑大气环流影响降水的物理过程，可对预测结果进行科学的物理解释。
(2)本发明提取预测因子的数据和预测结果均为异常相对倾向。异常相对倾向方法是一种非传统滤波方法，可以通过该方法将预测聚焦于次季节时间尺度的信号，超过次季节尺度的信号则通过已知的异常背景引入而不做实际预测，从而提升预测效果。
(3)本发明通过循环操作，可以实现提前多旬对降水次季节异常进行预测。其中各个旬的异常相对倾向建模相互独立，不受到相邻旬的影响，而最终旬距平的预测则通过累加进行嵌套，所有预测结果均为该方法实现，多时次超前预测各部分均可以依托该模型进行科学解释。
附图说明
图1为基于热带大气次季节振荡信号的旬降水预测方法的流程图。
图2为发明实施例一中1979～2018年夏季热带OLR旬异常相对倾向EOF分解后前两个模态空间分布图及其对应的时间序列图。
图3为发明实施例一中PC1与热带地区OLR(填色)和850hPa水平风(箭头)旬异常相对倾向超前滞后回归结果图。
图4为发明实施例一中PC1与热带及北半球中纬度地区500hPa位势高度(填色)和水平风(箭头)旬异常相对倾向超前滞后回归结果图。
图5为发明实施例一中PC1与热带及北半球中纬度地区整层积分的水汽通量(箭头)和散度(填色)旬异常相对倾向超前滞后回归结果图。
图6为发明实施例一中PC1与东亚地区夏季降水旬异常相对倾向超前滞后回归结果图。
图7为发明实施例一中PC2与热带地区OLR(填色)和850hPa水平风(箭头)旬异常相对倾向超前滞后回归结果图。
图8为发明实施例一中PC2与热带及北半球中纬度地区500hPa位势高度(填色)和水平风(箭头)旬异常相对倾向超前滞后回归结果图。
图9为发明实施例一中PC2与热带及北半球中纬度地区整层积分的水汽通量(箭头)和散度(填色)旬异常相对倾向超前滞后回归结果图。
图10为发明实施例一中PC2与东亚地区夏季降水旬异常相对倾向超前滞后回归结果图。
图11为发明实施例一中对2020年7月降水旬异常距平超前1旬的回报结果及对应的观测结果图。
图12为发明中所描述的超前多旬预测预测具体实施方法结构图。
图13为发明实施例二中对1979～2018年6月第3旬及7月第1旬长江中下游地区降水旬距平超前多旬回报评估结果图。
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，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热带大气次季节振荡信号的旬降水预测方法，以我国夏季降水次季节预测为例，主要包括以下步骤：
1.对数据进行预处理
基于异常相对倾向思路，将所需要的历史观测数据，包括表征热带大气次季节振荡的向外长波辐射(OLR)和降水，分别计算并去除旬气候态，得到对应变量的旬距平，将某一旬距平与前若干旬的旬距平均值相减即可得到旬异常相对倾向，其对应的前期异常背景为前若干旬的旬距平均值。
旬异常相对倾向及其对应的前期异常背景具体计算公式为：
定义变量P(t)，则其旬气候态为
旬距平为
前期异常背景为
即定义相较于预测目标旬提前n旬的异常背景为这n旬的旬距平的均值。以提前1旬为例，对应的异常背景即为前一旬的旬距平。τ为旬尺度时间步长，1*τ等于1个旬。
旬异常相对倾向为δΔP(t)＝ΔP(t)-ΔP(t-nτ)。
2.提取热带大气次季节振荡信号主要模态
对1979～2018年夏季所有旬即360旬的热带地区OLR旬异常相对倾向场，通过经验正交分解法(EOF)进行时空分解，可以得到若干空间模态和对应的时间序列，其中空间模态为北半球夏季热带大气次季节振荡信号模态，其对应的标准化时间序列则作为预测因子。对所有模态进行统计检验，选取通过统计检验且方差贡献大的第一模态和第二模态作为北半球夏季热带大气次季节振荡信号的主要模态，将其对应的时间序列作为实际的预测因子，并分别与热带OLR、500hPa位势高度、850hPa水平风、水汽输送及我国夏季降水旬异常相对倾向场作超前滞后回归，则可以从物理机制上解释热带大气次季节振荡信号的发展、北传以及对我国夏季降水次季节变化的影响。
3.提取预测因子并建立统计预测模型
对于提前预测目标旬n旬进行预测建模而言，将1979～2019年提前n旬的热带OLR旬异常相对倾向场依次投影至步骤2中得到的两个主要模态，将得到的标准化时间序列作为预测因子，并与预测目标旬历史观测降水旬异常相对倾向数据构建多元线性回归统计模型，统计回归系数即为统计预测模型的参数。统计预测模型的具体公式为：
δΔP(x,t)＝α1(x)TS1(t-nτ)+α2(x)TS2(t-nτ)+β
其中δΔP(x,t)为预测变量(我国夏季降水)旬异常相对倾向，TS1(t-nτ)和TS2(t-nτ)为前期热带大气次季节振荡最主要的两个模态对应的时间序列，α1(x)和α2(x)为两个主要模态对应的多元回归系数，β为多元回归模型常数项，x和t分别为空间维度和时间维度，τ为旬尺度时间步长，1*τ等于1个旬。
4.预测降水旬异常相对倾向
将预测目标旬提前n旬的热带OLR异常相对倾向投影至步骤2中提取的主要模态，得到实际预测因子，并带入步骤3中得到的统计预测模型，得到目标旬降水旬异常相对倾向的定量预测结果。
5.将步骤1中得到的降水前期异常背景与步骤4中预测的降水旬异常相对倾向相加，得到降水旬距平的预测结果。
具体公式如下：
ΔP(t)＝ΔP(t-nτ)+δΔP(t)
其中ΔP(t)为实际预测的我国夏季降水旬距平，δΔP(t)为步骤4中实际预测的降水旬异常相对倾向，ΔP(t-nτ)为前期异常背景。
6.如图12所示，对于提前n旬预测而言，需要通过重复上述步骤来实现，具体实现方法如下：
首先对提前1旬进行预测，参考前述步骤2至5，利用提前1旬的OLR异常相对倾向与降水异常相对倾向历史观测数据进行建模，利用对应的预测目标年提前1旬OLR观测数据提取实际预测因子，并结合提前1旬所对应的异常相对对提前1旬的降水旬距平进行预测。
然后利用提前2旬数据进行同样的建模，对提前2旬与提前1旬的旬异常相对倾向进行预测，但此时的前期异常背景需要使用上述步骤预测得到的提前1旬预测降水旬距平，据此，得到提前2旬预测的降水旬距平。
最后不断重复上述步骤进行建模和预测，并不断引入上一循环预测的降水旬距平，得到提前n旬预测的降水旬距平，实现提前n旬对我国夏季降水的次季节预测。
基于上述步骤所描述的预测方法，可以通过计算机系统对本发明方法实现自动化运行，包括如下若干模块：数据预处理模块：用于基于异常相对倾向方法，将所需要的历史观测数据，包括表征热带大气次季节振荡的向外长波辐射OLR和降水，处理为旬异常相对倾向及其对应的前期异常背景；预测因子提取模块：用于通过经验正交分解法EOF从热带OLR旬异常相对倾向中提取热带大气次季节振荡信号的主要模态及其对应的时间序列；统计模型构建模块：用于利用多元线性回归，构建前期大气次季节振荡信号时间序列与降水旬异常相对倾向关系的物理统计预测模型；预测模块：用于将预测目标旬前期的热带OLR异常相对倾向投影至预测因子提取模块中提取的主要模态，得到实际预测因子并带入统计模型构建模块中得到的物理统计预测模型，从而得到降水旬异常相对倾向的定量预测结果；多次超前预测循环模块：用于根据实际需求以不同旬作为输出，多次循环调用预测模块和预测结果处理模块得到不同旬的降水旬异常相对倾向和旬距平，将前一循环得到的旬距平加入后一循环的异常背景计算中，通过多次循环累加得到超前多旬的降水旬距平的预测结果；预测结果处理模块：用于将预测模块计算得到的旬异常相对倾向与数据预处理模块得到的对应的异常背景相加，得到降水旬距平的预测结果。
上述步骤及模块均可制作成为计算机程序。对应计算机程序被加载至处理器等必要硬件后，可以通过计算机完成基于热带大气次季节振荡信号的旬降水预测方法的所有输入、计算和输出过程。
下面以两个具体实施案例，分别结合附图对本发明方法的过程与效果进行具体说明。
实施案例一：提前1旬对2020年7月(3个旬)我国降水次季节变化进行回报。
1.观测数据预处理
对1979～2020年夏季历史观测的热带地区OLR、位势高度、水平风、比湿及东亚地区降水数据进行预处理，即分别计算并去除其气候态，得到旬距平，用相邻两旬的旬距平相减得到旬异常相对倾向，并将上一旬距平作为对应的前期异常背景。
2.热带大气次季节振荡信号主要模态提取
对步骤1得到的1979～2019年夏季热带地区OLR旬异常相对倾向数据做EOF分解，得到若干个空间模态以及对应的时间序列，分别对各个模态做North统计显著性检验，选取通过检验的第一模态和第二模态及其对应的时间序列，如图2所示。分析图2可知，EOF分解得到的前两个模态都反应出一个横跨印度洋-海洋性大陆-西太平洋的信号，该信号呈现东南-西北方向的带状倾斜结构。第一模态的方差贡献为9.4％，其中有一个明显的横跨印度半岛-孟加拉湾-中南半岛-南海-西太平洋的带状OLR负异常区域，表明该区域对流活动旺盛，其西南部为一个横跨赤道印度洋和海洋性大陆西部的OLR正异常区域，代表该区域对流活动受到抑制，此外我国华南-东南沿海地区也有明显的对流抑制。第二模态方差贡献为7.6％，其中有一个从阿拉伯海-印度半岛-海洋性大陆-西太平洋的对流旺盛区域，而在南海-西北太平洋区域为明显的对流抑制，与第一模态相比，该模态中接近我国南部的对流抑制区域强度更强且相对更偏南。同时，这两个模态具有较为明显的次季节时间尺度的振荡，因此说明上述两模态为夏季热带大气次季节振荡的主要信号。
利用图2中两个时间序列对热带OLR、850hPa水平风(图3和图7)、500hPa位势高度、500hPa水平风(图4和图8)、整层积分的水汽输送(包括水汽通量及水汽通量散度，图5和图9)和东亚地区夏季降水(图6和图10)旬异常相对倾向进行超前滞后回归，分别得到回归结果如图3至图10所示。图3至图10表明，两个模态对应的热带OLR变化与我国夏季降水次季节变化相对应，即热带地区对流活动的生成、北抬、直至消亡会影响我国主雨带的向北推进及强度变化，对应的水汽输送可以直接表明雨带的形成与发展，而水平风场和位势高度场的变化则可以给予上述变化物理解释，即OLR的负异常会引起该区域上空低层风场为气旋式异常，位势高度对应为负异常，整层水汽处于辐合，水汽通量散度为负异常，对应降水为正异常；而OLR正异常则会引起该区域上空低层风场为反气旋式异常，位势高度对应为正异常，整层水汽处于辐散，水汽通量散度为正异常，对应降水为负异常，这一结构在夏季随时间推进会不断发展直至消失，从而影响我国东部夏季降水产生显著的次季节异常。
3.预测因子的提取和统计预测模型的建立
将1979～2019年7月各旬提前1旬(即6月第3旬和七月第1、2旬)的热带OLR旬异常相对倾向投影至步骤2中提取的两个主要模态，可以得到对应的时间序列，将该时间序列作为降水的预测因子，与1979～2019年7月各旬东亚降水异常相对倾向数据构建多元线性回归模型，将模型的系数作为实际统计预测模型的参数。
4.对2020年7月3个旬降水旬异常相对倾向进行预测
以预测2020年7月第1旬为例，将观测得到的2020年6月第3旬热带OLR旬异常相对倾向投影至步骤2中得到的两个热带大气次季节振荡信号主要模态，得到2020年7月第1旬的实际预测因子，带入步骤3中得到的统计预测模型，从而得到该旬的降水旬异常相对倾向。其它两个旬的具体做法同该旬。
5.对2020年7月3个旬降水旬距平进行预测
以预测2020年7月第1旬为例，将观测得到的2020年6月第3旬热带OLR旬距平作为对应的前期相对背景，带入步骤4中得到的7月第1旬的降水旬异常相对倾向的预测结果，从而得到该旬的降水旬距平。其它两个旬具体做法同该旬。其回报结果与观测结果相对比如图11所示，可以发现该预测方法可以较好地预测出2020年7月前两旬位于长江中下游地区的超强梅雨带，并能够预测出第3旬主雨带的北抬进程。
实施案例二：提前1旬、2旬、3旬对1979～2018年6月第3旬和7月第1旬长江中下游地区降水次季节变化进行回报评估。
依照图12所示提前n旬预测方法对1979～2018年6月第3旬和7月第1旬我国降水旬距平进行历史回报并通过距平相关系数(ACC)进行评估，其结果如图13所示，可以看出对于提前2旬甚至3旬，该预测方法能够在绝大部分年份实现较高的预测水平。而主要发生在上述时段的江淮梅雨作为我国夏季降水最显著的次季节降水特征之一，显著影响我国长江中下游流域的旱涝分布。该次季节预测模型对江淮梅雨的旬预测具有重要的科学意义和社会价值。
Claims (10)
1.基于热带大气次季节振荡信号的旬降水预测方法，其特征在于：包括以下步骤：
(1)基于异常相对倾向方法，将所需要的历史观测数据，包括表征热带大气次季节振荡的向外长波辐射OLR和降水，处理为旬异常相对倾向及其对应的前期异常背景；
(2)通过经验正交分解法EOF从热带OLR旬异常相对倾向中提取热带大气次季节振荡信号的主要模态及其对应的时间序列；
(3)利用多元线性回归，构建前期大气次季节振荡信号时间序列与夏季降水旬异常相对倾向关系的物理统计预测模型；
(4)将预测目标旬前期的热带OLR异常相对倾向投影至步骤(2)中提取的主要模态，得到实际预测因子并带入步骤(3)中得到的物理统计预测模型，从而得到夏季降水旬异常相对倾向的定量预测结果；
(5)将步骤(1)中得到的夏季降水前期异常背景与步骤(4)中预测的夏季降水旬异常相对倾向相加，得到夏季降水旬距平的预测结果。
2.根据权利要求1所述的基于热带大气次季节振荡信号的旬降水预测方法，其特征在于：还包括如下步骤：
(6)通过多次循环步骤(2)至步骤(5)，将前一循环得到的旬距平加入后一循环的异常背景计算中，通过多次循环累加得到超前多旬的降水旬距平的预测结果，从而实现对降水异常的次季节预测结果。
3.根据权利要求1所述的基于热带大气次季节振荡信号的旬降水预测方法，其特征在于：步骤(1)中的旬异常相对倾向及其对应的前期异常背景的具体计算方法为：
δΔP(t)＝ΔP(t)-ΔP(t-nτ)
其中P为变量；ΔP(t)为变量旬距平，定义为变量任意一个旬的平均值相较于对应的多年气候平均值之差；δΔP(t)为变量旬异常相对倾向；ΔP(t-nτ)为变量前期异常背景，定义为变量前n旬旬距平的均值；t为时间维度，τ为旬尺度时间步长，1*τ等于1个旬。
4.根据权利要求1所述的基于热带大气次季节振荡信号的旬降水预测方法，其特征在于：步骤(2)中通过EOF方法，从热带OLR的旬异常相对倾向数据中提取热带大气次季节振荡信号的两个主要模态及其对应的时间序列，并将该次季节振荡信号作为预测因子，利多元线性回归方法构建步骤(3)中所述的物理统计预测模型，并对夏季降水旬异常相对倾向进行预测；
其中的物理统计预测模型为：
δΔP(x，t)＝α1(x)TS1(t-nτ)+α2(x)TS2(t-nτ)+β
其中δΔP(x，t)为预测变量的旬异常相对倾向，TS1(t-nτ)和TS2(t-nτ)为前期热带大气次季节振荡最主要的两个模态对应的时间序列，α1(x)和α2(x)为两个主要模态对应的多元回归系数，β为多元回归模型常数项，x为空间维度，t为时间维度，τ为旬尺度时间步长，1*τ等于1个旬。
5.根据权利要求4所述的基于热带大气次季节振荡信号的旬降水预测方法，其特征在于：步骤(4)中将预测目标旬前期观测得到的热带OLR旬异常相对倾向投影至步骤(2)中得到的热带大气次季节振荡的两个主要模态上，得到对目标旬降水异常相对倾向进行预测的实际预测因子，实现对夏季降水旬异常相对倾向的预测。
6.根据权利要求1所述的基于热带大气次季节振荡信号的旬降水预测方法，其特征在于：步骤(5)中实现夏季降水旬距平预测的方法为，将步骤(1)中得到的前期降水异常背景和步骤(4)中得到的降水旬异常相对倾向相加，即：
ΔP(t)＝ΔP(t-nτ)+δΔP(t)
其中P为降水，ΔP(t)为降水旬距平，δΔP(t)为降水旬异常相对倾向，ΔP(t-nτ)为前期降水异常背景，t为时间维度，τ为旬尺度时间步长，1*τ等于1个旬。
7.根据权利要求1所述的基于热带大气次季节振荡信号的旬降水预测方法，其特征在于：步骤(6)中实现提前n旬对夏季降水次季节预测的方法：
首先对提前1旬进行预测，利用提前1旬的OLR旬异常相对倾向与降水旬异常相对倾向历史观测数据进行建模，利用对应的预测目标年提前1旬OLR观测数据提取实际预测因子，并结合提前1旬所对应的异常相对倾向对提前1旬的降水旬距平进行预测；
然后利用提前2旬数据进行同样的建模，对提前2旬与提前1旬的旬异常相对倾向进行预测，此时的前期异常背景使用上述步骤预测得到的提前1旬预测降水旬距平，据此，得到提前2旬预测的降水旬距平；
最后不断重复上述步骤进行建模和预测，并不断引入上一循环预测的降水旬距平，得到提前n旬预测的降水旬距平，实现提前n旬对夏季降水的次季节预测。
8.基于热带大气次季节振荡信号的旬降水预测系统，其特征在于：包括如下模块：
数据预处理模块：用于基于异常相对倾向方法，将所需要的历史观测数据，包括表征热带大气次季节振荡的向外长波辐射OLR和降水，处理为旬异常相对倾向及其对应的前期异常背景；
预测因子提取模块：用于通过经验正交分解法EOF从热带OLR旬异常相对倾向中提取热带大气次季节振荡信号的主要模态及其对应的时间序列；
统计模型构建模块：用于利用多元线性回归，构建前期大气次季节振荡信号时间序列与降水旬异常相对倾向关系的物理统计预测模型；
预测模块：用于将预测目标旬前期的热带OLR异常相对倾向投影至预测因子提取模块中提取的主要模态，得到实际预测因子并带入统计模型构建模块中得到的物理统计预测模型，从而得到夏季降水旬异常相对倾向的定量预测结果；
预测结果处理模块：用于将预测模块计算得到的旬异常相对倾向与数据预处理模块得到的对应的异常背景相加，得到夏季降水旬距平的预测结果。
9.根据权利要求8所述的基于热带大气次季节振荡信号的旬降水预测系统，其特征在于，还包括如下模块
多次超前预测循环模块：用于根据实际需求以不同旬作为输出，多次循环调用预测模块和预测结果处理模块得到不同旬的降水旬异常相对倾向和旬距平，将前一循环得到的旬距平加入后一循环的异常背景计算中，通过多次循环累加得到超前多旬的夏季降水旬距平的预测结果。
10.一种计算机系统，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：对应计算机程序被加载至处理器后，实现根据权利要求1至权利要求7任一项所述的基于热带大气次季节振荡信号的旬降水预测方法的所有计算过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111570421.4A CN114707687B (zh) | 2021-12-21 | 2021-12-21 | 基于热带大气次季节振荡信号的旬降水预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111570421.4A CN114707687B (zh) | 2021-12-21 | 2021-12-21 | 基于热带大气次季节振荡信号的旬降水预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114707687A true CN114707687A (zh) | 2022-07-05 |
| CN114707687B CN114707687B (zh) | 2024-02-13 |
Family
ID=82166574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111570421.4A Active CN114707687B (zh) | 2021-12-21 | 2021-12-21 | 基于热带大气次季节振荡信号的旬降水预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707687B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849908A (zh) * | 2024-03-08 | 2024-04-09 | 江苏省气候中心 | 一种基于模式环流场的梅雨季入梅出梅日期预测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150339265A1 (en) * | 2014-05-20 | 2015-11-26 | Facebook, Inc. | Detecting anomalies in a time series |
| CN110543987A (zh) * | 2019-08-28 | 2019-12-06 | 向波 | 一种智能气候预测系统 |
| CN113516303A (zh) * | 2021-06-25 | 2021-10-19 | 中国科学院大气物理研究所 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
| CN113592165A (zh) * | 2021-07-23 | 2021-11-02 | 南京大学 | 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 |
| CN113627690A (zh) * | 2021-09-03 | 2021-11-09 | 中国人民解放军国防科技大学 | 一种中国南方地区季节内降水预测方法 |
| CN113807583A (zh) * | 2021-09-18 | 2021-12-17 | 南京信息工程大学 | 基于低频增量时空耦合的动力统计结合的次季节预测方法 |
-
2021
- 2021-12-21 CN CN202111570421.4A patent/CN114707687B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150339265A1 (en) * | 2014-05-20 | 2015-11-26 | Facebook, Inc. | Detecting anomalies in a time series |
| CN110543987A (zh) * | 2019-08-28 | 2019-12-06 | 向波 | 一种智能气候预测系统 |
| CN113516303A (zh) * | 2021-06-25 | 2021-10-19 | 中国科学院大气物理研究所 | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 |
| CN113592165A (zh) * | 2021-07-23 | 2021-11-02 | 南京大学 | 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 |
| CN113627690A (zh) * | 2021-09-03 | 2021-11-09 | 中国人民解放军国防科技大学 | 一种中国南方地区季节内降水预测方法 |
| CN113807583A (zh) * | 2021-09-18 | 2021-12-17 | 南京信息工程大学 | 基于低频增量时空耦合的动力统计结合的次季节预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王安英 等: "北半球夏季热带季节内振荡影响我国夏季降水的规律和预测方法", 《气象科学》, vol. 41, no. 5, pages 607 - 616 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849908A (zh) * | 2024-03-08 | 2024-04-09 | 江苏省气候中心 | 一种基于模式环流场的梅雨季入梅出梅日期预测方法及装置 |
| CN117849908B (zh) * | 2024-03-08 | 2024-05-10 | 江苏省气候中心 | 一种基于模式环流场的梅雨季入梅出梅日期预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114707687B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583653B (zh) | 基于统计模型的西北太平洋台风的延伸期预报方法 | |
| Focken et al. | Short-term prediction of the aggregated power output of wind farms—a statistical analysis of the reduction of the prediction error by spatial smoothing effects | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
| CN107563554B (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
| 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 | |
| CN106803128B (zh) | 光伏发电的预测方法和装置 | |
| 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 | |
| CN113219555B (zh) | 一种基于统计降尺度技术的短期气候预测方法 | |
| CN110598352B (zh) | 一种流域来水的预报方法 | |
| 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 | |
| CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
| Otache et al. | ARMA modelling of Benue River flow dynamics: comparative study of PAR model | |
| CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
| CN113128758A (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报系统 | |
| CN112541613A (zh) | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 | |
| CN114707687A (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 | |
| Cao et al. | A new 2010 permafrost distribution map over the Qinghai-Tibet Plateau based on subregion survey maps: a benchmark for regional permafrost modeling | |
| CN112884601A (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
| CN109583095B (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
| Pessanha et al. | A methodology for joint data cleaning of solar photovoltaic generation and solar irradiation | |
| CN113690883B (zh) | 新能源区域能源需求预测方法、装置、终端设备及介质 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| Goodarzi et al. | Climate change impacts on snow cover area and snowmelt runoff in the Ajichai Basin‐Iran | |
| CN111338005A (zh) | 月尺度西北太平洋热带气旋生成频数的预测方法 |
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 |