基于BP神经网络的气象格点数据无损压缩方法

格点资料是目前气象数据存储、传输和应用的主要形式,爆炸性增长的资料给数据的存储、传输带来了巨大压力,设计适合格点资料特点的压缩方案越来越重要。大气是一种连续介质,格点资料是反映其动力学及热力学性质的连续物理量的采样和量化,相邻格点间存在很大的相关性。在二维线性预测基础上引入BP神经网络,建立了基于神经网络的二次预测模型,有效剔除气象格点数据的冗余信息,结合熵编码,提出了一种高效无损压缩新方案。该方案具有极高的压缩比,并能保证在有效精度内数据完全无损。与广泛应用的netCDF格式压缩效率对比试验表明,该方案的编码效率是netCDF格式的3～5倍,接近压缩的理论下限,能极大地减少存储空间及传输时间,适合大气以及地球科学中海量数据的存储和传输,有很好的实际应用前景。     

基于全场信息的数值预报产品释用方法研究

对于短期气候时间尺度预报来说, 短期内尚无有效方法提高数值预报产品精度, 建立一种能综合有效利用全场信息的非线性释用方法, 通过统计释用提高短期气候的预报准确率, 是一条可行的途径。通过CCA-BP法建立的典型因子, 可以代表因子场与站点预报要素之间的大部分协方差关系, 使因子与站点要素相关性大为提高, 进而通过神经网络技术 (BPNN) 建立非线性预报模型, 实现上述目标。以平潭、福州站10月旬平均温度、降水距平百分率预报为例, 分别使用CCA-BP-BPNN模型和插值模型对1983-2001年资料建立预报方程, 对2002-2005年的试报结果表明:解释预报对数值预报产品做了较大修正,使预报产品具有一定的使用意义及参考价值。从各项评价指标来看,CCA-BP-BPNN模型优于插值模型。该方法为提高短期气候数值预报产品的释用精度提供了一个值得参考的途径。     

大气CO2浓度非均匀动态分布条件下的气候模拟

利用现有大气本底站的大气CO₂浓度观测信息,综合考虑不同经济区划与土地覆盖类型对应的CO₂浓度差异及其季节变化规律,构建模式区域内以月为单位的网格化大气CO₂浓度非均匀动态分布数据模型.由此数据模型驱动RegCM4-CLM3.5区域气候模式运行,对东亚区2000年3月—2009年2月之间的气候变化特征进行了模拟,进而对大气CO₂浓度非均匀动态分布可能引起的区域气候效应进行了初步研究.结果表明:目前气候模式中CO₂浓度的常态均匀分布假设可能将温室效应夸大了10%左右.对大气CO₂浓度非均匀动态分布影响气温变化的可能机制进行研究表明:CO₂的自身效应(改变大气透射率)并不是导致Exp2试验温度降低的主要原因.大气CO₂浓度的变化影响了大气与植物胞间CO₂分压差,陆地植被通过改变气孔阻力适应这种变化,气孔阻力的变化直接影响到植物与大气间水分的交换,这种作用一方面通过蒸发冷却改变环境温度,另一方面,蒸发水分改变了近地面层湿度,进而水汽扩散到空中影响低云的分布.冬季,植物处于非生长季,对大气CO₂浓度变化响应微弱,湿度和低云变化不明显;夏季,植物生长旺盛,由CO₂生理学强迫激发的云反馈效应强烈,其效果是使中低云趋于增加,进而减弱了到达对流层低层的太阳短波辐射,造成温室效应减弱.