人工神经网络的短期气候定性预测方法研究

采用EOF方法将众多具有一定物理意义的环境场预报因子和序列周期因子进行降维去噪处理，并结合人工神经网络前馈网络模型，进行了影响广西热带气旋年频数和夏季(6～8月)降水量短期气候预测的定性预报建模方法研究。结果表明，该方法对于影响广西热带气旋的年频数及广西夏季降水量定性趋势具有很好的预报能力，可作为一种新的短期气候预测业务预报配套方法。     

基于CEEMDAN-SE-ARIMA组合模型的东北夏季降水预测

针对传统时间序列模型无法有效预测模态混叠数据的不足,本文提出了一种基于CEEMDAN-SE-ARIMA的组合模型,并且对东北地区2016—2020年夏季降水量进行了实证分析。首先,基于完全自适应集合经验模态分解方法,将降水时间序列分解为多个本征模态分量,并根据不同分量样本熵的计算结果进行分量序列重构。然后,针对每一个重构分量,构建自回归移动平均预测模型。最后,将各分量的预测值进行叠加,得到组合模型的预测值。此外,还构建了ARIMA单一模型和其他组合模型,旨在与CEEMDAN-SE-ARIMA组合模型对比。结果表明：CEEMDAN-SE-ARIMA组合模型考虑了时间序列的模态混叠特征,能有效提高东北地区夏季降水时序模型的预测能力,具有良好的预测应用价值。预测结果较单一模型和其他组合模型均有所提高,MASE降低了0.02～0.91 mm, RMSE降低了0.80～130.49 mm, MAE降低了2.52～129.84 mm, MAPE降低了1.08～35.53 mm。CEEMDAN-SE-ARIMA模型在降水变率较小的西北部区域预测效果更好,对东南部区域的极值分布中心预测较为准确。     

广西夏季降水的多时间尺度特征及影响因子

利用1951—2011年广西夏季降水站点资料和NCEP/NACR等多种再分析资料,通过相关分析、经验模态分解、统计检验分析了广西夏季降水的多时间尺度特征及其影响因子,利用多元线性回归方法对夏季降水进行拟合和预测试验。结果显示:广西夏季降水具有多时间尺度特征,不同时间尺度对应着环流因子不同时间尺度的分量;在准2年尺度上,主要影响因子为季风槽、低空急流、高空急流、贝加尔湖高度场、南印度洋东部海温。利用对广西夏季降水影响显著的环流因子本征模态函数分量和多元线性回归方法拟合夏季降水,相关系数为0.73,表明广西夏季降水是环流因子多时间尺度共同作用的结果。利用前期冬季南印度洋东部海温异常本征模态函数作为前兆因子预报广西夏季降水,6个独立样本检验显示预测与实况趋势一致,该工作可供利用多时间尺度信息进行区域气候预测参考。     

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。     

福建汛期降水主分量逐步回归预测模型研究

建立福建汛期降水量气候场的主分量逐步回归预测模型,通过预测福建汛期降水量气候场的主分量来实现对福建汛期降水量场的预测。选取北半球500 hPa高度场、太平洋海温场、北半球海平面气压场等含不同区域不同季节的诸多因子场的前若干主分量因子作为预测因子。计算分析了福建汛期降水场的主分量分布特征和分型特点。利用相关筛选和双重检验逐步回归方法,建立福建汛期降水场与多个因子场的关系,建立主分量的预测方程。通过对2012年福建汛期降水的预报,发现该模型对福建汛期降水的趋势和分布有较好的预测能力。     

基于偏最小二乘法的前汛期月降水量预测方法

采用偏最小二乘回归建立了前汛期(4-6月)月降水量的预测模型,其中模型的输入因子是通过对3个前期月平均物理量场(海温场、500 hPa温度场和200 hPa高度场)大量的场相关因子采用系统降维的处理方法获得.为实现同时对多个站点的月降水量预测,将多站点的月降水量预测转换成多站点气候场的主分量预测,进一步利用气候场特征向量的近似不变性进行回算,从而得到多站点的逐站月降水量预测结果.对广西37个基本站的前汛期月降水量进行了6年独立样本检验,其预报结果显示该模型具有较好的预报能力.     

南海近海热带气旋降水的气候特征分析

利用２８°Ｎ以南我国５０个测站３７ａ的资料对南海近海生成的热带气旋引起的年降水量和月降水量进行主要分量分析,发现年降水量在广西南部和广西西南部最大,具有准９ａ的年际变化,月降水量在７月份范围最大,位置偏北,１０月份降水量最集中、位置偏南,９月份最分散。     

利用深度神经网络和先兆信号的江苏夏季降水客观预测方法

利用1961—2019年江苏省67个站降水量和气候指数数据集等资料,选取大气环流、海温和积雪等先兆信号的不同组合作为预测因子方案,通过对比不同机器学习方法对江苏省夏季降水开展预测试验。结果表明,深度神经网络（Deep Neural Network,DNN）较传统统计方法和其他机器学习方法有一定优势,深度神经网络结合动态权重集合因子方案对江苏省夏季降水的预测技巧最高,其独立样本检验结果稳定,2015—2019年的平均PS评分为76.0,距平符号一致率为0.62,距平相关系数达0.35,尤其对江苏省中南部的预测技巧更高,具有业务应用价值。不同预测因子方案对比分析表明,大气环流因子在江苏省夏季降水预测中做主要贡献,而海温因子和积雪等其他因子也有正贡献,说明使用综合性预测因子以及集合方案有助于提升季节预测准确率。      

山东夏季降水量场预测模型的改进及预测效果检验

本文对2002年建立的山东夏季降水量场预测模型进行了多方面的改进。预测因子的选取在原来以常规100、500hPa或海温状态场的关键区域平均值基础上,增加了能表征天气系统月际演变趋势及区域环流总体特征的遥相关型环流指数,建模资料的选取结合了环流突变的气候背景,以1977—2008年资料进行建模,建模方案在原来纯数学分析的基础上,增加了着重考虑因子物理意义的建模方案,用2009—2011年实况资料对两种建模方案及2002年建模方案的预测结果进行对比分析。结果表明,改进后预测模型较旧预测模型的预测效果有较大提高,而物理统计预测模型对降水的空间分布也具有较好的预测效果。     

广西降水量序列的海温影响模型

根据月平均北太平洋海温资料集,应用相关和回归方法,分析了北太平洋海温对广西降水量序列的影响。初步建立了海温对年及夏季降水量的影响模型。     

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。      

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。     

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。     

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.     

夏季副热带大气系统的多尺度振荡分析

应用经验模态分析方法(经验模态分解(EMD)和Hilbert谱),对夏季副热带大气系统在周期态和振荡态下的流函数数值解序列进行本征模态函数(IMF)及其Hilbert谱的分析。结果表明:(1)周期态下的流函数分量时间序列一般由1个IMF构成,而且其周期就是该流函数的周期。对周期性的IMF分量使用Hilbert变换得到的瞬时频率和振幅都不随时间变化。(2)振荡态下的流函数分量时间序列一般由2个以上的IMF构成,其中有的IMF分量具有显著的周期性,相应的瞬时频率和振幅都不随时间变化;有的IMF分量则没有显著的周期性,相应的瞬时频率和振幅有变化,而且随着振荡态复杂程度的增大,瞬时频率和振幅的变化也趋于复杂。(3)瞬时振幅有明确的物理意义,表示IMF振荡的能量;振幅的局部相对大值对应着原序列(IMF)的强振荡,小值则对应着弱的变化。瞬时频率的显著增大,表示原序列有大的变化。     

中国北方夏半年最长连续无降水日数的变化特征

利用1951-2004年中国北方各气象台站夏半年逐日降水资料,建立最长连续无降水日数时间序列,采用经验模态分解(EMD)求出该序列的本征模态函数(IMF),分析原序列内在的多尺度振荡变化.用小波分析原序列的突变.结果表明,连续无降水日数的变化主要是由IMF1、IMF2和IMF3这3个本征模态构成,3-4 a、8-10 a尺度的振荡对整个变化起主要作用.近50年来,最长连续无降水日数呈线性增加趋势;显著增加的年份在1960年和1994年前后,与干旱现象的发生有紧密的联系.     

北京地区气温诊断分析

本文讨论了北京地区百余年气温的变化特征，依据加法模型理论，提出了一种气候诊断和预测方法─—逐步回归多重因子方法，其优点在于将序列的周期因子、谱成分及外界气候振动因子同时引入回归模型中。这一方法，对单序列的气候诊断和预测具有明显效果。