瑞利参数在海浪波高机器学习预测中的应用

海浪直接影响海上活动和航行安全,同时也蕴藏着巨大的可再生能源,对海浪核心参数之一波高预测至关重要。基于2015年7月～2022年6月山东小麦岛(36°N,120.6°E)站点实测的波高数据,利用反向传播神经网络(back-propagation neural network,BPNN)、长短记忆网络(long short-term memory, LSTM)和支持向量机回归(support vector regression, SVR)三种机器学习模型对波高进行预测,并分析了瑞利参数的引入对预测结果的影响。结果显示,模型输入项引入瑞利参数后,对1 h和6 h波高预测提升效果有限,预测值与测试集的相关性提升不超过0.02,均方根误差的降低不超过0.01 m;在12h和24h的预测中,BPNN和LSTM模型预测结果相关性提升0.03～0.07,均方根误差降低0.02～0.03m,而SVR模型预测结果变化不显著。说明瑞利参数有助改善BPNN和LSTM模型中长期海浪预报。此外,特征扰动方法(机器学习中特征重要性的计算方法之一)验证了瑞利参数在波高预测中的重要性,瑞利参数的引入为波高的机器学习预...     

西太平洋暖池海温的时空变化及其在ENSO循环中的作用

应用SODA_1.4.2版本资料,分析研究了热带西太平洋暖池(以下简称WPWP)海温场的变化特征,讨论了WPWP海温的时空变化特征与ENSO之间的联系途径.分析结果表明,在上层海洋,WPWP的海温场在垂向结构上具有显著的年际变化特征,在不同深度存在较大差异.表层的异常海温出现明显的增温趋势,在47年期间(1958-2004)增温幅度达0.15℃.而随着深度的增加,异常海温出现明显的降低趋势,次表层(120-170 m)的降温幅度最大,其降温可达-0.72℃.这种变化可能与20世纪70年代末WPWP区域的海温场发生突变过程存在一定关系.另外,在热带太平洋温跃层曲面上,WPWP区域海温变化与赤道东太平洋海温变化存在"跷跷板"现象.据此,定义了赤道东西太平洋温跃层曲面上异常海温变化强度指数,为ENSO循环过程的研究提供了又一参考依据.通过对WPWP不同深度的异常海温和海流分析发现,WPWP异常海温的东传过程与赤道潜流的强弱变化存在密切关系.     

一个ENSO集合数值预测系统的历史后报试验

对一个热带太平洋海气耦合ENSO集合数值预测系统进行历史后报检验。该系统模式为一个中等复杂程度的耦合模式,其中大气部分为统计模式,海洋部分为动力模式。扰动初始场通过集合卡尔曼滤波同化获得,并引入了模式误差,由一阶马尔科夫随机微分方程生成。集合预报样本数为100个。系统从1993—2011年共19 a的每个月都开始起报,每个预报样本都分别向后预报12个月。给出了El Nino指数时间序列预报结果检验、个例预报检验,以及El Nino指数和热带太平洋SSTA的相关系数和均方根误差检验,计算了模式的平均系统误差,并分析了其不同季节的预报性能。结果表明,系统具有较强的ENSO预测能力,能够提前6~12个月给出有参考价值的预报。     

基于CESM气候模式的ENSO后报试验

基于美国国家大气研究中心(NCAR)开发的通用地球系统模式(CESM),本文设计了nudging次表层海温的同化方案,进行了后报实验。对1982-2011年后报结果的分析表明,通过nudging同化,模式对ENSO现象有一定的模拟和预报能力,对赤道太平洋SST、纬向风、降水等海洋、大气要素等的后报结果与GODAS和NCEP再分析资料较接近,可以较好地重现历次厄尔尼诺和拉尼娜事件中异常东传的过程,超前1、3、6个月时,模式预报的Nio3指数与CPC指数的相关性分别达到0.88、0.81、0.70。但模式同时也表现出一定的春季预报障碍,秋季起报的后报效果最好,春季最差。对1982/1983和1997/1999两个厄尔尼诺事件的分析表明,模式后报的纬向风、热通量、风应力等大气变量的响应较实际滞后,而海洋的变化与实际情况相似,这与我们的同化方案设置有关,即模式只同化了次表层海温,进而强迫大气的响应,从而导致大气的变化较滞后。     

IOCAS ICM及其ENSO实时预测试验和改进

厄尔尼诺和南方涛动(ENSO)是仅次于季节变化的最强年际气候变率信号,对全球气候和天气产生重要影响。准确、及时、有效地预报ENSO事件的发生和演变具有重大的实用意义。以中国科学院海洋研究所冠名的中等复杂程度海气耦合模式(IOCAS ICM),每月定期进行ENSO实时预报试验。IOCAS ICM实时预报结果目前收录于美国哥伦比亚大学国际气候研究所(IRI),以作进一步的集成分析和应用。该模式的大气部分是一个描述对海表温度(SST)年际异常响应的风应力异常经验模式,海洋部分包括了动力海洋模块、SST距平模块(嵌套于动力海洋模块中)和次表层上卷海温(T_e)距平模块三部分。IOCAS ICM的特点之一是开发了次表层海温反算优化这一创新技术,可有效改进热带太平洋SST异常的模拟和预报。IOCAS ICM和其他海气耦合模式的最新预报结果(以2017年9月为初条件)表明,2017年年末热带太平洋会处于一个SST冷异常态,最大变冷中心集中在赤道东太平洋,但并不足以达到拉尼娜(La Ni?a)事件的水平,SST冷异常可能会在2018年春季逐渐减弱,转化为中性状态。此外,本文还对四维变分资料同化方法(4D-Var)以及条件非线性最优扰动方法(CNOP)在IOCAS ICM中的应用进行了讨论。     

集合预报及其在季节尺度气候预测中的应用

系统回顾了集合预报技术的发展,介绍了4种比较常用的集合构建方法,重点关注这些方法在季节尺度气候预测领域的研究进展及应用,特别是在ENSO集合预报领域。此外,还从季节尺度气候预测系统的发展、集合设计方案和ENSO集合预报效果等方面介绍了国内外3个应用比较广泛的季节尺度气候预测系统,可为集合预报技术和季节尺度气候预测系统的发展和应用提供参考。     

北太平洋海温的聚类客观分型及其在厄尔尼诺监测预测中的应用

本文通过聚类分析将北太平洋月平均△SST场客观地分成10型,这10个型具有以赤道中、东太平洋距平变化为主体的整体变化特征,它能按ENSO现象归纳为厄尔尼诺类和拉尼娜类、两大类各包含了典型场、非典型场及其3个过渡场等5个型.典型场具有良好持续性,它们正确地拟合了1951～1996年之间发生的厄尔尼诺和拉尼娜过程.两大典型场在半年之内不会相互转换,而非典型场则是典型场在加强或减弱过程中的一个补充阶段.过渡型的持续性较差,且同类之间过渡型相互转换的可能性较小.两大类型之间转换的主要过渡型分别为3型和9型.通过当前海温场所属的型并配合指标的变化,可望提前1～2个月预报出厄尔尼诺过程的开始和减弱.     

基于机器学习的海洋浮标寿命及轨迹预测

Argo计划(Array or Real-time Geostrophic Oceanography)为海洋和大气研究提供了宝贵的资料,在短期天气预报和长期气候预测中起到了重要作用.为保证Argo观测阵列的正常运转,需要时刻关注浮标的运行状态,以保证研究区域内维持一定数量和密度的浮标.然而Argo浮标投放费用高昂,投放...     

基于机器学习的多源实况分析产品和观测数据融合应用试验

利用中国气象局公共气象服务中心地面实况专业服务产品（CARAS_SUR1 km,简记为“CAR”）、国家气象信息中心多源融合实况分析产品（ART_1 km,简记为“ART”）、全国雷达反演降水产品（简记为“RAD”）、风云四号卫星反演降水产品（简记为“SAT”）以及全国气象观测站逐小时资料,应用机器学习方法建立了基于选定位置气温、降水、风向、风速要素的实况融合应用模型（简记为“GBDT模型”）。15 d逐时GBDT融合产品的全国分区域检验结果表明：GBDT气温融合产品在东北、华北、西北、华中、新疆、西藏6个区域较CAR和ART均有改进,在西藏的改进最明显,在华东和西南GBDT融合产品优于ART而逊于CAR,在华南和内蒙古GBDT融合产品误差较ART、CAR略有增加;GBDT降水融合产品在样本偏少的内蒙古较ART、CAR误差略有增加,其他区域有改进或基本相当;GBDT风速、风向融合产品较ART、CAR均有较大改进。试验结果表明,机器学习方法可应用于融合多源实况分析产品和观测数据,以开展选定位置气温、降水、风向、风速要素的实况气象信息服务。     

基于小波分解和最小二乘支持向量机的ENSO集成预测

用小波分解和最小二乘支持向量机相结合的方法,建立了ENSO的集成预报模型。该方法将复杂海温系统分解为相对简单的带通分量信号,然后建立分量信号的独立预报模型,最后对预报结果进行集成。试验结果表明,模型在保留预报对象主要特征的前提下,有效地降低了预报难度,集成预报准确率和预报时效均较传统方法有明显的改进和提高。     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式WRF预报数据和ERA5再分析资料,利用机器学习方法对WRF预报场的风场、温度、气压进行预报订正。采用ERA5作为真值,与原始WRF预报相比,利用随机森林模型可以将预报结果整体均方根误差降低44%以上,利用深度神经网络模型可以将预报结果整体均方根误差降低34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

基于机器学习的脉动源格林函数预报初探

自由面格林函数是边界元法求解海洋工程水动力学问题的基础,如何精确而快速地计算格林函数及其导数是水动力求解的难题。对无因次化表达的脉动点源格林函数计算建立的数据库,采用深度学习函数库Keras,对数据库进行学习,建立了神经网络预报模型,探讨了全局和局部学习及预报精度,研究了模型预报效率。研究表明机器学习模型预报的格林函数能够保证较高的精度,计算效率高于数值积分计算,低于解析函数为主的多项式逼近,为提高水动力问题求解效率,解决传统计算难题提供了新的思路。     

基于集成GCN-Transformer网络的ENSO预测模型

厄尔尼诺−南方涛动（El Niño-Southern Oscillation, ENSO）是热带太平洋海表面温度发生异常的现象,会导致冰雹、洪水、台风等极端天气的出现,因此对ENSO的准确预测意义重大。本文设计了集成GCN-Transformer（GCNTR）模型,首先运用Transformer网络的全局特征聚焦能力对数据特征进行编码,然后结合GCN提取图数据特征的能力,最后引入特征融合门控机制将经过编码的特征和GCN提取的特征进行融合,实现ENSO的精确预测。结果表明,GCNTR模型实现了对ENSO提前20个月的预测,比ENSOTR多了3个月,比Transformer多了5个月,并且模型绝大部分的预测精度优于其他模型。与现有的方法相比,GCNTR模型能够实现对ENSO更好的预测。     

Investigating the ENSO prediction skills of the Beijing Climate Center climate prediction system version 2

The El Ni?o-Southern Oscillation(ENSO) ensemble prediction skills of the Beijing Climate Center(BCC) climate prediction system version 2(BCC-CPS2) are examined for the period from 1991 to 2018. The upper-limit ENSO predictability of this system is quantified by measuring its “potential” predictability using information-based metrics, whereas the actual prediction skill is evaluated using deterministic and probabilistic skill measures.Results show that:(1) In general, the current operational BCC ...     

基于经验正交函数和机器学习的南海海面高度异常预测

海面高度异常 （SSHA） 作为重要的海洋要素,对研究海洋温盐剖面、海洋涡旋等海洋动力现象具有重要意义。然而,传统的海洋预测技术存在着预测时效过短、预测过程复杂等诸多问题,现有的机器学习预测方法也只针对几个点或区域 进行平均,忽略了很多重要信息。因此,本文提出了一种基于经验正交函数和 BP 神经网络 （一种机器学习方法） 的 SSHA预测模型 （EOF-BPNN） 来实现对起报时刻后 30 天的南海 SSHA 预测。首先,对 1993 年 1 月 1 日—2013 年 12 月 31 日的逐日 SSHA 数据进行距平归一化预处理,构建相关系数矩阵,并对该矩阵进行 EOF 分解,获取主成分。然后将主成分输入 BP神经网络进行训练,实现对主成分的预测。最后将主成分预测值与相应的空间模态结合,获取 SSHA 预测值。结果表明,相较于惯性预报和气候态预报,EOF-BPNN 模型不仅能够提供提前 30 天的较为精确的 SSHA 和相应的涡旋演化过程预报,且在整个南海区域拥有更高的 SSHA 相关系数,证明了 EOF-BPNN 模型具有较好的预测性能。