基于EMD方法的观测数据信息提取与预测研究

用统计方法作月、季尺度的短期气候乃至年际尺度的长期气候预测是当前气候预测业务的主要依据,在短时间内这种情况仍然不可能彻底改变。虽然数值预报模式的预测能力达到了7 d的时效,不过要积分到月、季尺度并实现短期气候预测还面临着重重困难。其根本原因是气候系统的混沌分量和非线性/非平稳性等因素在起作用。而现有气候预测的统计方法(主要包括经验统计、数理统计和物理统计等方法)的数学基础却忽略了这些特点,这是因为以现有的科学水平人们不得不假设时间序列是线性和平稳的。实际气候观测序列普遍具有层次性、非线性和非平稳性,这给建立预测方法带来了极大困难。文中构建了一个新的预测模型,即首先利用经验模态分解(em-pirical mode decomposition,EMD)方法将气候序列作平稳化处理,得到一系列平稳分量-本征模函数(intrinsic modefunction,IMF);其次,利用均生函数(mean generate function,MGF)模型获得各分量的初次预测值;最后,在最优子集回归(optimal subset regression,OSR)模型的基础上,通过直接或逐步拟合一部分预测值,构建两种预测方案达到提高预测能力的目的。典型气候序列的预测试验结果表明,具有平稳化的IMF分量,尤其是特征IMF分量有较高的可预测性,它对原序列趋势的预测有重要指示意义。大力开展气候系统机理和气候层次的研究,并建立相应的气候模式是未来发展趋势。该文是这方面的一个初步尝试,相信该模型能为气候预测(评估)开辟一条新的有效途径。     

基于改进EMD算法和BP神经网络的SST预测研究

海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N~50°N、150°W~135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。     

EMD在广西季节降水预报中的应用

气候系统是一种耗散的、具有多个不稳定源的非线性、非平稳系统。该文利用支持向量机(SVM)算法在处理非线性问题中的优越性和经验模态分解(EMD)算法在处理非平稳信号中的优势,采用将EMD与SVM相结合的短期气候预测方法,并应用到广西季节降水预报中。选取广西88个气象观测站1957—2005年6—8月逐年降水量的距平百分率序列作为试验数据,通过EMD算法将标准化处理后的距平百分率序列分解成多个本征模态函数(IMF)分量和一个趋势分量,在分解中针对EMD算法存在的端点极值问题选择两种方法分别进行处理,对比得出极值延拓法效果更好。对每个分量构建不同的SVM模型进行预测,并通过重构形成最后的预测结果。试验中采用不经EMD处理的反向传播(BP)神经网络和SVM算法进行对比验证,结果表明:相对于直接预测方法,该文提出的方案均方误差最小,能够较为准确地反映出降水序列未来几年的变化趋势,具有更高的预测精度和较好的推广前景。     

基于集合经验模态分解和傅里叶分析的风场预测试验

采用集合经验模态分解(EEMD)和滑动傅里叶分析方法,建立了非线性气候序列的统计预测模型。针对气候要素距平场,对EOF分解得到的各模态时间系数进行EEMD分解,对得到的各IMF分量构建滑动傅里叶(Fourier)分析预报模型,提取出控制当前复杂气候信号的主要傅里叶频谱组合作为IMF分量的主要成分,即确定当前信号的主要波内频率,再将各个IMF分量和剩余项预测结果重构得到各模态时间序列的预测结果,最终通过时空重构得到预测场。将上述思想方法应用于新疆地区风场的预测试验,并采用距平相关系数(ACC),预报技巧(SS)和同号率(R)进行评估,结果表明对于区域性的风速预报,基于上述思想的算法模型能够较好地把握当前气候信号的主要变化频率,较为理想地预测了气候要素时间系数,对新疆地区风速变化的形态分布有较好的估计,使其预报时效在40侯以内均拥有一定的预报技巧,平均SS在0.5以上,36侯以内平均ACC达到0.4以上。     

波流相互作用的大气系统中振荡模态的分析

把经验模态分解(EMD)方法用于波流相互作用的大气动力系统,对不同系统状态的流甬数解序列求其本征模态函数(IMF)分量,分析系统状态与IMF之间的关系,揭示流甬数的振荡结构.结果表明:随着系统的复杂性增大,构成解序列的IMF分量的个数相应增多.对于系统的定常态(Hadley流),每个流函数ψ分量的各个IMF分量都趋于零均值线;对于周期态(Rosssby流),ψ分量由1个周期性的高频IMF分量构成;对于振荡态,分量主要由2-3个较高频IMF分量构成;对于非周期流,ψ分量由多个非周期的IMF分量构成;对于周期-非周期状态,其本征模态有的有周期性,有的没有周期性.低频IMF分量表现ψ序列的长时间尺度的变化.     

基于DERF2.0模式1～52天最低温度逐日预报的检验评估

利用国家气候中心第二代月动力延伸预报模式系统(DERF2.0)1983 2013年历史回算数据中20个全样本集合平均的最低温度数据,对3月中国中纬度地区模式最低温度1~52天逐日预报能力进行了评估。结果表明,通过计算绝对误差的绝对值AE、均方根误差RMSE和相关系数R发现前10天预报可信度较高,预报时效越短,可信度越高,超过10天之后预报可信度越来越低。为了分析模式误差的深层次原因,利用集合经验模态分解方法(EEMD)对数据进行分解,DERF2.0模式和观测数据的高频分量IMF1和趋势项R为主要分量,低频分量IMF2占的比重较少。分析发现,DERF2.0模式在10天之后预报能力下降的主要原因是高频分量IMF1的预报能力下降。通过分析历年的结果,发现各项方差贡献率年际变化不大,比较稳定,高频分量IMF1和低频分量IMF2方差贡献率和观测数据相比普遍偏低,趋势项R方差贡献率和观测数据相比每年都偏高。DERF2.0模式应该针对高频扰动继续加强研究,提高DERF2.0预报升温降温过程的能力。     

新疆夏季降水和冬季气温预测方法及效果评估

本文利用4个国内外先进的气候模式（国家气候中心、ECMWF、NCEP和JMA）业务预测数据,采用2种多模式集合方法（等权平均和超级集合）、3种降尺度方法（BP-CCA、EOF迭代、高相关回归集成）和3种统计方法（CCA、最优气候值、高相关回归集成）以及降尺度集成和降尺度-统计方法集成,分析了目前季节模式、多模式集合、降尺度、统计方法、降尺度-统计集合等目前常用气候预测技术对新疆夏季降水和冬季气温的业务预测能力。 研究表明,以上技术方法对新疆夏季降水和冬季气温的预测预测能力有较大差别。目前先进的气候业务模式的预测技巧普遍很低,多模式超级集合和降尺度方法的技巧常高于单个模式,并且最佳的降尺度方法通常技巧高于最佳多模式集合方法。同时,统计方法和降尺度方法的预测技巧通常较为接近,而对二者进行超级集合可以具有相对很高的预测技巧。此外,现有常用气候预测技术方法对新疆夏季降水和冬季气温的趋势有一定的预测能力,但对气候异常的空间分布基本无预测能力。建议新疆气候预测技术围绕统计和降尺度方法集合发展。     

气温和降水时变影响参数的多步预测模型

本文提出了一种气温和降水时变影响参数的多步预测建模新方案。该方案用时间序列均生函数外延矩阵生成的主分量作基函数对序变量建模，同时考虑变量前期数据对后期数据的影响，在模型中引入一个时变影响参数Ｋ１。并用方差分析法求出Ｋ１的显著周期和未来时刻的Ｋ１＋１值，从而建立气温和降水序列的时变影响参数的多步预测模型。该模型用于四川省２０个地、市的气温和降水预报数值试验，其历史拟合率和试报结果与实况值的比较表明，     

基于深度学习的全球平均表面温度年际信号时间序列的预测北大核心CSCD

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。     

基于SSA-MGF的BP神经网络多步预测模型

采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。     

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.     

气候场的主分量逐步回归预测模型及应用

提出一种气候场的主分量逐步回归预测模型,该模型将气候场的预测变成对该场主分量的预测。提取对气候场变化有重要影响的500 hPa高度、太平洋及印度洋海温和全球海平面气压等含不同区域不同季节的因子场的前若干个含高信息量的优质主分量因子。通过相关筛选和双重检验逐步回归,建立气候场的主分量的预测方程,由此就建立气候场与多个因子场之间的联系,但是模型却仍然保持着两个场相关的特点。根据气候场的特征向量的近似不变性,将其与主分量配合进行反算,从而得到气候场的预测。以广东汛期降水预测作为试验例子,计算了它的主分量,分析了它的时空分布特征及分类,对2003—2005年的分布作预测并与实测分布作比较及进行误差检测,发现预测效能显著。有关预测的年限、区域范围、要素和因子的物理背景等问题有待进一步研究。     

EMD方法在广西夏季降水量预测中的应用

对广西夏季降水量进行EMD分解后,利用均生函数相关法,比较不同IMF分量组合建模的预测,不同组合试验预测显示,用前二个IMF分量组合建模预测是最佳的组合方案。经对2001—2010年共10年广西夏季降水量实际预测检验表明,趋势预测准确率达70%以上,对夏季降水量预测较有参考价值。为基层台站的气候预测及服务提供一个客观预测方法。     

1921～2010年天津气温和降水量序列的多尺度分析

基于集成经验模态分解(EEMD)方法,对1921~2010年天津年平均气温和降水量序列进行了多尺度分析。并结合功率谱对年平均气温和年降水量及其本征模态函数(IMF)分量进行周期分析。结果表明:天津年平均气温的变化主要是由第1、第2本征模态分量和趋势项构成,即准5 a和2~3 a的振荡与"先降后升"的长期趋势变化起主要作用。而第4、第5本征模态分量则反映出天津近90年来气温年代际尺度的冷暖变化,它们对1920年代至1940年代的暖期以及1950年代至1970年代的冷期有重要贡献。降水量的变化主要由第1、第2本征模态分量构成,即4.5 a、准9 a和2~3 a的振荡起主要作用。与气温序列相比,降水序列中年代际尺度的变化和长期趋势的贡献明显要小得多,但也反映了1980年代以后降水减少的趋势。     

The Prediction of Non-stationary Climate Series Based on Empirical Mode Decomposition

This paper proposes a new approach which we refer to as ``segregated prediction" to predict climate time series which are nonstationary. This approach is based on the empirical mode decomposition method (EMD), which can decompose a time signal into a finite and usually small number of basic oscillatory components. To test the capabilities of this approach, some prediction experiments are carried out for several climate time series. The experimental results show that this approach can decompose the nonstationarity of the climate time series and segregate nonlinear interactions between the different mode components, which thereby is able to improve prediction accuracy of these original climate time series.     

低温雨雪过程的粒子群-神经网络预报模型

利用逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料,通过分析提取我国南方区域持续性低温雨雪过程及其预报因子,使用粒子群-神经网络方法建立非线性的统计集合预报模型 (PSONN-EPM),对我国南方区域持续性低温雨雪过程进行预报试验。结果表明:以过程的冷湿程度及影响范围为标准,将低温雨雪过程分为一般过程和严重过程,并建立不同的预报模型效果较好。通过10 d独立样本预报试验看,基于粒子群-神经网络方法建立的集合预报模型比基于逐步回归方法建立的预报模型的预报平均相对误差小,对严重过程预报能力高于对一般过程预报,且这种非线性统计集合建模方法在建模过程中不需要调整神经网络参数,在实际预报业务中值得尝试。     

基于多种集合的中国冬季气温逐月滚动预测

利用1979—2015年中国国家气候中心整编的160站月平均气温和NCEP/NCAR全球大气再分析资料,从1979/1980—2008/2009年冬季前期500 h Pa高度场、200 h Pa势函数和850 h Pa势函数场选择预测因子,考虑不同时效因子的组合及其独立性,综合应用多因子回归集合、交叉检验集合、逐月滚动集合,建立了针对中国冬季气温的逐月滚动预测模型,并利用该模型对2010/2011—2014/2015年冬季气温进行了独立预测试验和检验。结果表明,综合运用多种集合可提高短期气候客观定量预测的可行性和稳定性。多因子回归集合能增加可预测站点数,交叉检验集合可减少因统计关系不稳定而产生的对预报效果的影响,逐月滚动集合的应用不仅增加了可预测站点数,而且使预测效果更加稳定。本文建立的预测模型可对中国冬季气温进行长时效的预测,且有一定的预报技巧,对实际的季节预测业务有重要应用价值。