时间序列与多元统计分析专题讨论会

为交流近年来统计气象预报的学术成果,了解国际动态,中央气象局气象科学研究院于1980年12月25—29日在西安召开了“时间序列与多元统计分析”专题讨论会。出席会议的有63人,共收到了85篇材料。会议的材料大体上反映了七十年代后期我国统计气象学的水平。会议报告大致分五个方面,即多元分析新方法,预报应用与效果分析,时间序列分析,多元分析的应用,统计-动力与天气-统计预报等。 时间序列分析是由分析变量的历史记录,寻找其自身演变规律,从而作出未来的预报的。会议上,着重介绍和讨论了七十年代以来发展的Box-Jenkins方法,如构造自回归(AR)模型、自回归滑动平均(ARMA)模型,自回归求和滑动平均(ARIMA)     

应用自激励门限自回归模式对旱涝游程序列的模拟和预报

在用AR、ARMA等线性模式对气候序列进行拟合和预报时,由于气候序列中存在着非线性变化,所以拟合和预报效果往往不太理想。本文首次用非线性自激励门限自回归模式(SETAR)对由北京511年(1470—1980年)历史旱涝记录变换的湿涝(干旱)游程记录进行了模拟和预报,解决了长期以来预报方程不能随转折点变更的问题。拟合和预报结果表明:门限自回归模式的拟合和预报效果比线性AR模式有明显提高。AR模式只能预报出2年长度以下的游程转折点,而SETAR模式能较准确地预报出3年长度以上的游程转折点。这可能是因为在预报过程中SETAR模式能按游程转折点更新模式,而且模式建立时不要求序列具有平稳性的缘故。     

动态相似多元判别方法在释用数值预报产品中的应用

考虑环流的动态演变特征在降水预报中的重要性基础上,设计了一种环流演变动态相似多元判别预报方法.用统计方法对历史降水个例的大气环流因子进行分析,在要素场上分别提取4个物理意义清晰、又具有立体性和动态演变性的要素因子,并求出降水天气过程的多元指标.采用要素变化趋势相似标准,以T213数值预报产品为预报初始资料进行计算处理,求出要素的变化趋势和大小,与历史降水的多元指标进行滚动映射和判别,自动预报出各县未来各时段天气,制作阿坝州分县晴雨逐日滚动预报,效果较好.     

三级相关相似统计方法在短期气候预报中的应用

目前 ,基层气象台站在进行短期气候预测 (长期天气趋势预报 )时 ,通常采用统计学方法。即从本站历史气象资料中筛选出能反映短期气候特征 (冷、暖、干、湿 )的气象因子 ,采用相关、相似统计方法 ,对未来天气趋势作出预报。在多年的预报实践中 ,笔者非常重视前期气象因子变化与后期长期天气趋势的关系 ,并将前期气象因子变化看作气候背景。而反映气候背景的气象因子 ,不仅其时间长度的选择可以不一样 ,而且其相关的统计方法也各异。如对上年雨量偏多而言 ,就可以用年雨量或某一个时段的雨量来描述。再如在进行相关统计时 ,蕲春县局多采用简单…     

气象条件与南京地区道路交通事故量的分析

用南京地区2012年逐日交通事故数据和实测气象资料,在考虑自相关性的前提下,通过多因子时间序列分析,构建南京地区2012年道路日交通事故量的AR气象影响模型,对工作日和非工作日分别分析发现:不利气象条件与日交通事故量,工作日比非工作日相关显著,降水、低温、低能见度等都与交通事故显著相关,中雨以下日降水量与日交通事故量呈正相关,日平均气温在2~12℃、日最低能见度在200~500 m范围内,都与日交通事故量呈显著负相关;但大的降水、极端气温、低能见度与发生交通事故的相关性反而减小。又根据不同气象要素在日交通事故量中的作用大小,构建气象影响逐步线性回归模型。最后,比较两种模型的优劣,拟合优度分析显示,工作日期间AR模型的拟合效果比逐步回归模型更好。     

统计降尺度方法集合预估华东气温的初步研究

利用共同经验正交函数(EOF)分解和逐步线性回归相结合的统计降尺度方法,研究了1月和7月华东地区41个气象观测站2070—2100年未来月平均温度变化情景的集合预估。同时采用850 hPa温度场、850 hPa位势高度和温度的联合场以及海平面气压和850 hPa温度的联合场作为预报因子变量场,对于两个场联合的预报因子变量场,采用的是两个变量场空间联合的EOF分解的方法。同时通过改变统计降尺度过程中输入的预报因子变量场、预报因子变量取值的区域,以及输入逐步线性回归方程的主分量个数共建立27种统计降尺度模型,并把它们应用于2种全球气候模式(GCMs):Echam5和HadCM3 IPCC AR4 20C3M和A1b情景,从而每个站点均生成1950—2099年(HadCM3)或1951—2100年(Echam5)1月和7月共54个IPCC TR4 A1b温度变化情景,然后对54种预估情景进行集合分析。多个温度变化情景的集合预估采用它们的中位数来表示。结果表明:(1)当前气候条件下,多个统计降尺度结果的集合预报如采用箱线图的中位数能够在一定程度上提高统计降尺度方法的模拟性能;(2)2070—2100年1月和7月未来气温情景相比当前气候条件的增温约3～4℃,7月与1月相比不确定性增大。     

动态相似多元判别方法在释用数值预报产品中的应用

考虑环流的动态演变特征在降水预报中的重要性基础上，设计了一种环流演变动态相似多元判别预报方法。用统计方法对历史降水个例的大气环流因子进行分析，在要素场上分别提取4个物理意义清晰、又具有立体性和动态演变性的要素因子，并求出降水天气过程的多元指标。采用要素变化趋势相似标准，以T213数值预报产品为预报初始资料进行计算处理，求出要素的变化趋势和大小，与历史降水的多元指标进行滚动映射和判别，自动预报出各县未来各时段天气，制作阿坝州分县晴雨逐日滚动预报，效果较好。     

基于回归和判别分析的贵州电线积冰厚度预报方法

电线覆冰对贵州冬季输电会造成严重影响,覆冰量多以电线积冰厚度来衡量,利用2011～2014年4个冬季常规观测的电线积冰厚度和高影响的气象因子资料,通过多元线性逐步回归和判别分析分类方法建立电线积冰厚度预报模型。结果表明:基于有积冰日的回归模型和判别分析模型预报效果较好,TS准确率综合均超过80%,判别分析模型评价略高,对于首次出现积冰时回归方法更好。实际业务中两种模型同时应用,对比预报结果并结合预报经验加以分析,提高预报准确率。     

时间序列分析在农业气象产量预报中的应用

所谓时间序列分析,主要是指用方差或谐波分析方法找出周期,建立回归预报方法.这种方法是建立在历史产量序列的周期波动规律的基础上,外推预测其未来的演变.我们对江西、湖南、福建、浙江、广东、山东等省三十多个县市的部分粮食作物的气象产量(其时间趋势产量分别采用一无线性回归、正交多项式回归、直线滑动平均等方法进行处理)采用时间序列分析方法进行验证性预报,取得了较为满意的效果.     

特征向量技术在气象上的应用

特征向量分析技术是数理统计学中近几十年来迅速发展的一个分支.其基本思想是通过多因子协方差矩阵求取特征向量的方法来提取因子的主要信息.在气象上,当这些因子(变量)在时间或空间上相关时,常用这种方法研究气象要素在时间上的变化规律和空间上的特征.近几十年来,气象工作者已将这一技术进行各种不同的演变和扩展,发展了基于     

基于EMD 和集合预报技术的气候预测方法

气候系统是典型的非平稳性系统,然而对于气候观测数据的处理通常是在时间序列平稳的假定下完成的,比如气温和降水的多步预报,这通常会导致预报准确度较低。为改进该缺陷,首先将非平稳数据序列分解成平稳的、多尺度特征的本征模态函数分量(IMF),再使用数值集合预报与逐步回归分析相结合的方式对每一个IMF 分量构建不同的预报模型,最后线性拟合成预报结果。通过Visual Studio 2008 开发平台使用上述方法建立了一个短期气候预报系统,采用广西区88 个气象站1957—2005 年的2 月距平气温数据进行实际验证。结果表明,相对于普通预测和单一预测方法,加入了EMD 和集合预报技术的方法在仅用历史资料进行多步预测的情况下,对于气候的变化趋势以及突发性气候具有更好的预报能力。      

The nonlinear discriminant and stepwise nonlinear discriminant analyses

The nonlinear discriminant function, when covariance matrixes of each population are not equal to each other, is discussed on the basis of Bayes’ criterion, and by using the stepwise discriminant method, a method for calculating the nonlinear discriminant function is provided, which is called “stepwise nonlinear discriminant analysis”. In addition, an appropriate discriminant analysis model is selected by testing whether the covariance matrixes of each population are equal, which was proposed by Box. The calculations show that, the discrimi-nant effects of this method are superior not only to linear discriminant analysis, but also to nonlinear discrimi-nant analysis in which the stepwise discriminant algorithm is not used when covariance matrixes of each popu-lation are not equal to each other. Satisfactory results have been obtained in applying this method. This is an important improvement on the linear discriminant analysis used in the weather typing prediction at present.     

温特斯法在夏季温度预测中的应用

温特斯法可以对具有随机性、线性、季节性变化的时间序列进行预测,用温特斯法作了一次温度预测尝试。依据温特斯法的基本理论及3个平滑方程的递推公式、初始值公式和预测模型公式,将夏季6、7、8月的月平均温度看作具有随机性、线性、季节性变化的时间序列,应用温特斯法建立了河南省5个代表站夏季温度预测模型,并对2000~2004年夏季温度进行试报,得到了较好的预测结果,平均预测准确率(TS)为75%,此方法可作为预测气温的一种方法,在业务预报中应用。     

基于C4.5算法的长江中下游地区夏季降水预测模型研究及应用

为了对长江中下游夏季降水进行短期气候预测,利用国家气候中心提供的74项环流指数和NOAA整编的西太平洋型WP指数、MEI指数、ENSO指数等多种全球环流指数资料,归纳整理了影响长江中下游夏季降水的34个前期春季因子,讨论了前期春季因子与夏季降水的关系,并利用这34个前期春季因子通过数据挖掘中的C4.5算法对1951—2013年(63 a)长江中下游夏季降水,建立判别降水偏多以及偏少的两类决策树预测模型,并分别得到5条和7条综合判别规则。随机选取80%左右历史年份数据作为模型的训练集,两模型的训练集准确率分别为94.12%和93.88%,剩余20%年份数据作为模型测试集,模型的测试预测准确率分别达91.67%和85.71%。模型预测应用也显示结果正确。模型研究和应用显示,基于C4.5算法的长江中下游夏季降水预测模型具有较高的预测准确率,模型构建合理有效,判别规则依据大数据理论,广泛考虑相关因子以及因子的排列组合,智能化选择关键因子,易于客观化、自动化实施,为长江流域汛期降水的短期气候预测提供了新的思路与方法。     

A Climate Prediction Method Based on EMD and Ensemble Prediction Technique

Observed climate data are processed under the assumption that their time series are stationary, as in multi-step temperature and precipitation prediction, which usually leads to low prediction accuracy. If a climate system model is based on a single prediction model, the prediction results contain significant uncertainty. In order to overcome this drawback, this study uses a method that integrates ensemble prediction and a stepwise regression model based on a mean-valued generation function. In addition, it utilizes empirical mode decomposition (EMD), which is a new method of handling time series. First, a non-stationary time series is decomposed into a series of intrinsic mode functions (IMFs), which are stationary and multi-scale. Then, a different prediction model is constructed for each component of the IMF using numerical ensemble prediction combined with stepwise regression analysis. Finally, the results are fit to a linear regression model, and a short-term climate prediction system is established using the Visual Studio development platform. The model is validated using temperature data from February 1957 to 2005 from 88 weather stations in Guangxi, China. The results show that compared to single-model prediction methods, the EMD and ensemble prediction model is more effective for forecasting climate change and abrupt climate shifts when using historical data for multi-step prediction.     

MODELING AND PREDICTION CONCERNING TIME SERIES OF FLOOD/DROUGHT RUNS USING THE SELF-EXCITING THRESHOLD AUTOREGRESSIVE MODEL

When linear regressive models such as AR or ARMA model are used for fitting and predicting climatic timeseries,results are often not sufficiently good because nonlinear variations in the time series.In this paper,a nonlinear self-exciting threshold autoregressive(SETAR)model is applied to modeling and predicting the timeseries of flood/drought runs in Beijing,which were derived from the graded historical flood/drought records inthe last 511 years(1470—1980).The results show that the modeling and predicting with the SETAR modelare much better than that of the AR model.The latter can predict the flood/drought runs with a length onlyless than two years,while the formal can predict more than three-year length runs.This may be due to thefact that the SETAR model can renew the model according to the run-turning points in the process of predic-tion,though the time series is nonstationary.     

气象要素时间序列的演化建模分析与短期气候预测

以武汉站(5~9月)汛期降水量观测数据序列为例,将这类具有明显的不规则性(混沌特征)时间序列分解为宏观气候尺度周期的波动部分和迭加其上的微观气候尺度周期的波动部分,分别采用演化建模方法和自然基小波方法模拟逼近。特别强调由演化建模方法得到的非线性常微分方程较之传统的线性建模具有更好的分析预测能力。     

非平稳时间序列的区域预测研究

基于重构状态空间理论和嵌入定理,给出一个新的非平稳场时间序列的区域预测方法。该方法将外强迫因子引入到预测模型中,并且将区域内预测相点的周围相点所对应的空间信息也引入到预测模型中。然后利用该方法对33模Lorenz系统得到的"理想"的非平稳场时间序列进行预测实验分析。结果表明,嵌入外强迫因子可以更好地重构出原来的动力系统,有效地提高非平稳时间序列的预测精度;同时引入空间和外强迫信息可以利用空间数据弥补时间序列长度的不足,从而进一步提高预测精度。     

时空序列预测误差的敏感性试验分析

利用33模Lorenz系统得到的"理想"混沌时空序列,作为时空混沌序列"发生器".通过状态空间重构,建立"场时间序列"局域近似预测模型,对资料空间分辨率,资料的长度、噪音,以及模型的参数选取等因素进行敏感性试验分析,了解时空混沌序列预测中误差产生和增长的一些影响因素.得到以下初步结论:对于理想混沌时空序列(33模Lorenz系统)而言,与系统相适应的资料空间分辨率和较长的资料长度都将会提高预测精度;可预报时效与资料长度之间近似服从指数关系.另外,在建立预测模型时,适当的邻近点数目,以及采用二阶映射关系和迭代法都可以有效地改善预测精度.对于加入噪音的混沌时间序列,通过"场时间序列"的局域近似方法和4阶自回归方法的预测试验的对比表明,前者显示了更强的抗"干扰"能力.以上结论可以有分析地应用于短期气候预测中.