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。      

太平洋年代际振荡的年代际预测方法

太平洋年代际振荡（PDO）是北太平洋海表温度年代际变率的主模态。由于太平洋年代际振荡对区域乃至全球气候的显著影响,其合理的预测结果可以带来多方面收益。然而,针对太平洋年代际振荡及其有关的海表温度的年代际预测,目前气候模式的预测水平还十分有限,因此,提出了一个新的增量方法。一系列的验证结果表明,增量方法可以有效预测太平洋年代际振荡,其中包括成功预测出其振荡的年代际转折。增量方法的预测过程主要包括3个步骤:（1）采用5 a滑动平均得到太平洋年代际振荡的年代际变率;（2）利用3 a增量形式的预测因子构建预测模型,预测3 a增量的太平洋年代际振荡（DI_PDO）;（3）将预测得到的DI_PDO加上3 a前的观测PDO,得到最后预测的PDO。增量方法亦可以应用到气候系统年代际内部变率的其他模态（如:北大西洋年代际振荡）和其他气候变量的年代际预测（如:海表温度）。      

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.     

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。     

Nonstationary time series prediction by incorporating external forces

Almost all climate time series have some degree of nonstationarity due to external forces of the observed system. Therefore, these external forces should be taken into account when reconstructing the climate dy- namics. This paper presents a novel technique in predicting nonstationary time series. The main difference of this new technique from some previous methods is that it incorporates the driving forces in the pre- diction model. To appraise its effectiveness, three prediction experiments were carried out using the data generated from some known classical dynamical models and a climate model with multiple external forces. Experimental results indicate that this technique is able to improve the prediction skill effectively.     

中国北方地区旱涝的年代际预测分析研究

基于状态空间重构理论和嵌入定理,给出场时间序列预测模型的建立思路。与单点时间序列预测分析方法相比,场时间序列预测分析方法的优点在于,在寻找吸引子上某个相点的最邻近点及其映象以建立预测模型时,不局限于它自身的时间序列,而是在区域内所有相点的时间序列所构成的整个吸引子上寻找。这样,在一定程度上改进单点时间序列的“遍历性”,以提高预测精度。在此基础上,利用中国北方地区534年旱涝等级资料,对中国北方几个区域年代际尺度的旱涝变化及其极端旱(涝)出现频率进行预测试验分析。     

动力气候模式预测系统业务化及其应用

动力气候模式是目前国际上开展气候预测的主要工具。经过 8年多的研制、发展和业务化过程 ,国家气候中心已建立起第一代动力气候模式预测业务系统 ,并以此为平台 ,形成了一套包括月、季节到年际时间尺度的动力模式预测业务。 2 0年历史回报试验和 1年多的试验性业务运行结果表明 ,该系统对东亚区域的季节预测具有较好的预测能力 ,其预测结果已经在实际业务中得到了应用 ,并成为我国短期气候预测业务的重要参考依据。该文是对该动力模式系统性能的介绍 ,也是对国家“九五”重中之重课题的加强课题“短期气候预测综合动力模式预测系统业务化”专题的总结汇报。     

降尺度方法在东亚气候预测中的应用

东亚气候变异十分复杂,全球动力预测系统对该地气候异常的预测能力偏低,如何进一步提高东亚地区气候异常的预测水平是一个非常重要的科学和现实需求问题。为此,近些年一系列的动力和统计降尺度方法得以发展。本文主要回顾了这些降尺度方法在东亚气候预测研究和实时预测中的应用。首先,文中简要介绍了我国目前应用于实时预测的全球动力预测系统及其性能,这是开展降尺度的科学和技术基础;在此基础上,从区域模式物理过程参数化方案的评估与遴选、区域模式在东亚气候预测中的应用两个方面,对于动力降尺度方法的发展和应用做了回顾;在统计降尺度的综述中,本文主要关注了东亚夏季汛期和冬季气候异常的预测,特别是针对东亚冬季气候异常,本文中提出了新的高效的统计与动力相结合的预测方法。最后,展望了短期气候预测需要进一步深入研究的科学和技术问题。     

The Evolutionary Modeling and Short-range Climatic Prediction for Meteorological Element Time Series

1. Introduction Let us suppose that the meteorological element series is the set of solution by integrating a perfect cli- matic numerical model with certain initial conditions, boundary conditions etc., thus it is also the concen- trated expression of nonlinear interaction between all climatic factors (including itself) in the model. Be- cause of limited understanding the mechanism of cli- matic system changes, the unsolved problems are not less than the solved ones in the climatic numerical …     

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。     

纬向平均环流预报的系统性误差及其改进

大量的月预报实例分析表明,纬向平均环流(本指高度场纬向平均分量)存在明显的系统性预报误差,且在总误差中占有可观的份额。国内外其它模式也存在类似的现象。为克服这一困难,本尝试了“结合”(hybrid)的途径。应用重构相空间理论和非线性时空序列预测方法,在大量历史资料的基础上,构造了月尺度逐侯纬向平均高度场(零波分量)距平场的非线性预报模型。然后,将非线性预报和谱模式动力预报结合起来,即将非线性预报结果转化为模式需要的颅报量,再在模式积分过程中的每一步取代其相应部分,实施过程订正。初步试验结果表明,这种途样合效地减少了模式纬向环流的预报误差;特别是通过非线性波流相互作用,还改善了部分波动分量的预报。     

气候预测中的集合方法初探

介绍了气候预测中的集合方法。该文作者曾在1996年论证了在西太平洋暖池区海温异常与东亚夏季风的共同作用下存在一个可预测的气候异常区,部分地改变了气候不可预测的论断。如何从与大量不可预测结果混杂在一起的结果中提炼出可预测部分是集合方法的重要目的之一。文中也讨论了由于大气运动固有的动力学特性,其集合预测与经典的数学考虑有所区别,天气与气候预测有不同的特点,其集合方法、目的也应有所不同,由此对集合方法提出了一些新的建议。文中同时介绍了首次在气候预测中发现的多平衡态现象,建议了如何判定多平衡的出现,以及如何利用多平衡态来改善对不同区域的预测。     

A Recent Approach Incorporating External Forces to Predict Nonstationary Processes

Most real-world time series have some degree of nonstationarity due to external perturbations of the observed system; external driving forces are the essential reason that leads to the nonstationarity of dynamics system. In this paper, the authors present a novel technique in which the authors incorporate external forces to predict nonstationary time series. To test the effect, the authors also examined two prediction experiments with an ideal time series from a logistic map and a proxy climate dataset for the past millennium. The preliminary results show that the resulting algorithm has better predictive ability than the one that does not consider the external forces.     

动力季节预测中预报误差与物理因子的关系

为了在动力季节预测中更好地运用统计经验来改进预报, 从研究气候系统物理因子影响模式预报误差的角度入手, 探讨了与气候模式有关的统计经验获取问题, 并利用国家气候中心海-气耦合模式的历史回报数据, 考察了动力季节预测中夏季环流和降水的预报误差与主要物理因子, 包括Ni?o3区海温指数、太平洋年代际振荡指数、南北半球环状模指数以及北大西洋涛动指数相关关系。分析结果显示:上述物理因子与模式预报的夏季环流和降水误差之间存在前期或同期的某种显著相关关系, 并且显著关系分布随因子的不同而表现出明显不同的区域性特征, 这为发展一种基于预报因子的误差订正新方法提供了新思路。     

人工智能技术气候预测应用简介

近年来,随着人工智能技术在多个领域大数据分析中的应用,许多研究工作者尝试将地学研究与人工智能跨学科结合,取得了很多新的进展,推动了地球科学的发展。其中气候预测与人类生活以及防灾减灾等息息相关,准确的气候预测至关重要。本文简要总结了人工智能技术在气候预测应用方面的研究进展,包括资料同化、模式参数化、求解偏微分方程、构建统计预测模型、改进数值模式产品释用等领域。这些研究证明了利用人工智能提高气候预测技巧的可能性和适用性,可以极大地节省计算成本和时间。然而人工智能应用也存在诸多挑战,例如数据集的构建、模型的适用性和物理可解释性等问题,对这些难点问题的研究和攻克,可以让人工智能在大数据时代中更好地补充传统地球科学方法,产生更多有益的效应,极大地改进气候预测水平。     

气候动力学与气候预测理论的研究

主要概述了中国科学院大气物理研究所近些年来在气候动力学与气候预测理论研究领域的若干重要研究进展.通过对气候系统变化多尺度特征及其动力学的分析和研究,提出了一系列气候系统动力学理论,并在此基础上提出了适合于我国季风气候特点的气候预测理论和方法,在国际上率先开展了跨季度数值气候预测,进一步建立了先进、完善的短期数值气候预测系统,并应用于我国夏季旱涝预测业务.这些工作既带有极大的基础性意义,同时也具有巨大的应用价值,为我国大气科学及气候科学乃至环境科学的研究提供了重要工具.     

A Possible Approach for Decadal Prediction of the PDO

The Pacific Decadal Oscillation(PDO) is a leading mode of decadal sea surface temperature variability in the North Pacific. Skillful PDO prediction can be beneficial in many aspects because of its global and regional impacts.However, current climate models cannot provide satisfied decadal prediction of the PDO and related decadal variability of sea surface temperature. In this study, we propose a new approach, i.e., the increment method, to predicting the PDO. A series of validations demonstrate that the increment method is effective in improving decadal prediction of PDO and it can well capture the phase change of PDO with high accuracy. The prediction processes include three steps. First, a five-year smoothing is performed; second, effective preceding predictors for PDO are selected, with all predictors and predictands in the form of a three-year decadal increment(DI); third, the prediction model is set up for PDO three-year decadal increment(DI_PDO), and PDO prediction can be obtained by adding the predicted DI_PDO to the observed PDO three years ago. This new method can also be applied for decadal climate prediction of other modes(e.g., Atlantic multidecadal oscillation) and predictands(e.g., sea surface temperature).     

平流层信号在冬季短期气候预测中的应用

平流层大气环流异常信号被认为对冬季对流层短期气候预测或中长期天气预报具有先兆性指示意义,但到目前为止,仍未真正用于短期气候预测。为了获取更多运用平流层环流异常信号预测对流层及地面短期气候的经验,该文利用北半球环状模 (NAM) 信号对2011—2012年冬季我国北方短期气候进行4次预测,并将预测结果与实况进行对比。在4次短期气候预测中,第2次和第3次预测结果与实况吻合很好:第2次成功预测了1月中旬到2月中旬我国东北和华北地区偏冷,第3次则成功预测了这种偏冷状态的持续。成功的主要原因是2011年12月—2012年2月平流层信号周期确定,且对流层和平流层之间动力耦合关系已经建立完全,平流层异常信号在该时段对流层和地面短期气候具有较强指示意义。     

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。