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。     

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。     

小波分析和EEMD方法在广州气温及降水的多尺度分析中的差异分析

利用小波变换和集合经验模态分解（EEMD）的方法对广州市1908—2010年103 a的温度、降水资料进行多尺度分析,并对比EEMD和小波分析的差异。结果表明:（1） 小波分解基于先验的小波基函数和分解层次有较大的人为选择性,易产生虚假波动;（2） EEMD具有自适性,分解结果更稳定和一致,处理非线性、非平稳数据更准确;（3） EEMD分解显示,广州的温度、降水均存在2~6.8 a的年际尺度波动,年代际尺度上,温度表现为13.6 a、34 a、68 a的波动周期,降水存在22.6 a的波动周期。      

集合经验模态分解下中国新疆降水变化趋势的区域特征

降水是中国西北干旱区水资源的重要组成部分,利用合理方法有效认识降水的区域变化规律对指导农业发展尤为重要。基于新疆16个国际交换站1961-2012年降水距平时间序列,利用集合经验模态分解(EEMD)方法,分析了新疆降水变化趋势的多尺度特征,并对其空间差异进行了初步探讨。近50多年来,新疆降水量整体上呈现出非线性的显著增多趋势,且其变化存在明显的年际尺度(3年和6年准周期)和年代际尺度(10年和31年准周期);各周期分量方差贡献率显示年际变化在新疆降水变化中占据主导地位,重构的降水年际变化趋势能精细刻画原始降水序列在研究时期内的波动状况;降水年代际变化揭示了新疆降水在1985年前后气候模态有了显著转换,由原来降水以负相位为主的气候模态转向正相位显著的气候模态;此外,降水变化趋势和转折时间均具有明显的区域差异。EEMD方法有助于加深人们对新疆降水多尺度变化特征的认识,是一种适用于非线性、非平稳信号分析的有效方法。     

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。      

Effective forecast of Northeast Pacific sea surface temperature based on a complementary ensemble empirical mode decomposition–support vector machine method

海洋表面温度(sea surface temperature,SST)对气候有着很大影响,但其所具有的非线性、无明显周期、强随机性等特点,给SST预测分析带来了很大的困难。本文将互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与支持向量机(support vector machine,SVM)相结合来研究对海洋表面温度异常(SSTA)的预报,并从预报准确性、可预报时长、不同起报时间对预报精度影响等方面设计了多组数值实验。实验结果显示CEEMDSVM方法预测12个月SSTA的效果较好,平均绝对误差在0.3°C左右,相关系数达到了0.85,而且试验中未出现春季预报障碍问题。     

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。     

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。     

基于EEMD的黄河中上游夏季降水预报方法的研究

传统的统计方法难以很好的对气候系统这一集非线性、非平稳性为一身的多层次系统进行处理。因此集层次化处理和平稳化处理的集合正交经验模态分解技术(EEMD)的提出,为解决上述问题提供了有效的途径。本文选取黄河中上游24个气象观测站的逐月降水资料,结合组合预报和集合预报思路,基于EEMD建立了统计预报模型。其中对降水序列中的高频部分进行了二次平稳化处理,实现对2008—2013年6—8月的降水预报,并用预报评分检测预报效果。结果表明:EEMD模型对黄河中上游夏季降水有着较强的预报能力,在该区域与气候模式和传统的统计方法相比具有更高的精度和更好的应用前景。     

不同海温强迫的月动力延伸集合预报试验

利用全球谱模式T106L19和增长模繁殖法（BGM）建立了月动力延伸集合预报系统,基于气候海表面温度（SST）和预测海表面温度,设计了三组集合预报试验,一组为气候SST作为模式下边界条件的集合预报试验（CSST试验）,另一组为预测SST作为模式的下边界条件的集合预报试验（FSST试验）,第三组为前两组试验的集合预报结果之和（AVE30试验）,对两种海温强迫分别进行了48个月的试验,并对预报结果进行了检验和分析。结果表明：相对于单一的控制预报,不管是CSST试验还是FSST试验,利用BGM方法制作的初值集合预报能显著提高月平均环流的预报技巧,集合预报对PNA区域的预报技巧改进显著,特别是预测SST强迫有正的贡献;同时考虑初值和边值不确定性影响的集合预报试验（AVE30试验）,其全球预报技巧不仅高于控制预报,也分别高于FSST试验和CSST试验,这说明要提高月延伸预报技巧,必须同时考虑初值和边值的影响;大气对SST强迫的响应在模式积分10天开始显著,SST对第二旬和第三旬的作用直接影响月平均环流的预报效果,而SST对第二旬和第三旬预报的影响不仅与SST本身变化有关,还与初值有关,不同的初值其作用不同;集合预报对我国夏季月平均温度分布具有较强预报能力,采用预报海温强迫的预报结果,总体上优于气候海温强迫的结果。     

Ensemble Prediction of Monsoon Index with a Genetic Neural Network Model

After the consideration of the nonlinear nature changes of monsoon index,and the subjective determination of network structure in traditional artificial neural network prediction modeling,monthly and seasonal monsoon intensity index prediction is studied in this paper by using nonlinear genetic neural network ensemble prediction（GNNEP）modeling.It differs from traditional prediction modeling in the following aspects： （1）Input factors of the GNNEP model of monsoon index were selected from a large quantity of preceding period high correlation factors,such as monthly sea temperature fields,monthly 500-hPa air temperature fields,monthly 200-hPa geopotential height fields,etc.,and they were also highly information-condensed and system dimensionality-reduced by using the empirical orthogonal function（EOF）method,which effectively condensed the useful information of predictors and therefore controlled the size of network structure of the GNNEP model.（2）In the input design of the GNNEP model,a mean generating function（MGF）series of predictand（monsoon index）was added as an input factor;the contrast analysis of results of predic- tion experiments by a physical variable predictor-predictand MGF GNNEP model and a physical variable predictor GNNEP model shows that the incorporation of the periodical variation of predictand（monsoon index）is very effective in improving the prediction of monsoon index.（3）Different from the traditional neural network modeling,the GNNEP modeling is able to objectively determine the network structure of the GNNNEP model,and the model constructed has a better generalization capability.In the case of identical predictors,prediction modeling samples,and independent prediction samples,the prediction accuracy of our GNNEP model combined with the system dimensionality reduction technique of predictors is clearly higher than that of the traditional stepwise regression model using the traditional treatment technique of predictors,suggesting that the GNNEP model opens up a vast range of possibilities for operational weather prediction.     

基于KPCA的台风强度神经网络集合预报方法研究

针对影响台风强度前期预报因子较多以及因子的非线性变化特点,首先采用逐步回归方法筛选出部分预报因子,再利用核主成分分析方法在剩余的预报因子中提取包含了原数据较多信息的核主成分与前期选入的预报因子共同作为模型输入.进一步考虑到神经网络集合预报中个体的准确性和差异性的权衡问题,在不同的初始条件下生成若干组神经网络,分别选择每组中性能最优的个体,建立了一种新的非线性神经网络集合预报模型.最后以西北太平洋海域2001-2010年5-10月的台风强度为研究对象进行了预报试验.结果表明,这种神经网络集合预报模型的预报结果符合实际应用的要求,其预报平均绝对误差明显小于同等条件下的神经网络方法和逐步回归预报方法.     

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.     

集合方法在月动力预报信息提取中的应用

本工作将集合方法应用于提取月动力预报有用信息。利用中国气象局国家气候中心Ｔ６３Ｌ１６全球谱模式的５００百帕高度场月集合预报产品（集合成员数为８个，初始场的选取采用滞后方法（ＬＡＦ），即相邻两天的００００，０６００，１２００和１８００ＧＭＴ的初始化资料），就１９９７年１月至５月共１５次预报，分析了集合预报成员间的离散度与预报评分（距平相关系数和均方根误差）的关系，研究了用集合各成员预报离散度作为各个成员逐日预报的权重对月预报效果的影响。结果表明集合预报成员的离散度与预报评分有显著的相关，是有效预报长度Ｎ的一个很好估计；用离散度作为权重平均的月预报高度距平相关系数明显高于算术平均和线性权重，此外个例分析表明月平均环流及其异常的预报得到明显的提高。     

随机强迫对集合预报效果的影响研究

以Lorenz96模式为动力框架,建立了考虑模式随机强迫不确定性的集合预报系统,并选择模式气候态和集合平均预报效果为研究对象,研究随机强迫对集合预报效果的影响.结果表明,在数值模式积分过程中引入恰当的随机强迫构成的新计算范式,较非随机强迫更接近真值的气候平均与气候标准差,对刻画数值模式的气候态也有正效果;且随机强迫的正效果主要体现在长时效阶段.集合平均预报方面,绝大部分白噪声随机强迫对应的集合预报效果优于非随机强迫集合预报,集合预报效果也随白噪声强迫增大非单调变化,并且非线性系统不同,相同比率的白噪声随机强迫产生的效果也不同.同时,绝大部分红噪声随机强迫对应的集合预报效果也优于非随机强迫集合预报,但仅部分φ(表示所引入外强迫的随机性部分和确定性部分相互耦合的一个度量)值对应的红噪声强迫集合预报优于白噪声随机强迫集合预报;而且红噪声随机强迫集合预报改善效果随系数的正负分布非对称且非单调变化.此外,相关系数φ的选择也依赖于模型.