统计预测中虚假因子的识别理论及其在预测实践当中的应用(二)——偶然性相关率概率定理和偶然性复相关的识别与过滤

从（0,1）型的完备随机因子群与预报量之间的等概率相关出发,我们导出了偶然性相关率概率定理,即:任一含有n个（0,1）型元素的预报量序列,它与含有n个（0,1）型元素的完备随机因子群之间具有偶然性相关率m/n二的概率P_w（m/n）=C_n~m/2~n。类似于“偶然性单相关的识别与过滤”一文中的做法,引进统计量 并用其对预报因子进行显著性检验。文中给出了实际应用时应当执行的步骤。 然后本文将变量型从（0,1）型推广到K级划分的情况,于是得到K级偶然相关率概率定理,即:任一含有n个k级划分元素的预报量序列,它与包含n个k级划分元素的完备随机因子群之间具有的偶然性相关率m/n的概率P_w（m/n,k）=（k-1）~（n-m）C_n~m/K~n。     

热带气旋气候数学模型的预报应用

使用西太平洋海温格点资料,选取若干个因子,组成多个复合因子,建立权重方程,使得单因子的相关系数信度检验0．05提高到复合因子的信度检验0．01,权重方程的信度检验提高到0．001。用权重方程产生的突变的高阶非线性预报方程,其Y与X的相关系数比1阶线性方程提高5％左右。自1999年至今,热带气旋年、月频数气候预测的模型投入到实际预报应用,其预报准确律达到75%～90％。使用非线性预报模型作了逐日气压、逐日雨量的气候预测。将沿海气压场、雨量场的气候预测结果用于分析、制作热带气旋登陆中国以及广东地区的时段、地段的气候预报,准确率达80％～90％。     

东海区域灾害性海浪长期预测方法研究

海浪预报具有复杂性、非线性和高维性等特点,而BP人工神经网络是处理非线性关系,进行科学预测行之有效的方法。本文中采用BP人工神经网络技术,以1985—2005年影响东海区的热带气旋、温带气旋和冷空气等相关要素为样本,建立东海区域灾害性海浪BP神经网络长期预测数值模型。通过模拟预测效果检验:该模型预测准确率超过85%,平均误差约为8%,满足实际预测要求。     

台风潮二元回归预报模型的研究

一、引 言 利用统计公式估算台风潮极值,可以作为台风潮预报的参考依据。因而在我们目前的预报值班程序中,利用各站的极值预报公式估算实际台风的可能增水极值,已成为一个正常步骤,目前采用的统计公式大多形如〔1〕: △H=C_0+C_1△P 式中:△H为增水值,△P为最大增水时刻的本站气压下降量。因为难以得到△P的实时观测值,所以一般采用公式: △P=（1008-P_0 ）（1-exp~（-0.64/r））来估算△P,式中:P_0为台风中心气压,r为台风中心距测站距离。 依据上述公式,收集某测站历史上发生过的台风潮样本△H_i及相应的△P_i即可确定待定系数——C_0及C_1,从而构造出△H随△P变化的一元台风潮预报公式。 上述回归模型对大多数测站的台风潮极值估算都能得到令人满意的结果,但对个别测站     

三种基于均生函数的统计模型在厄尔尼诺预测中的应用

为了探究厄尔尼诺的预测方法,提高其预报准确度与预报时效,本文基于均生函数的基本原理,在普通均生函数模型中分别加入气候序列的本征模函数和预报因子变量,构建了基于EEMD(Ensemble EmpiricalModeDecomposition)的均生函数模型和多变量均生函数模型;并应用三种方案对NINO3区海温指数进行了预报试验。结果表明,两种改进模型对厄尔尼诺的预报效果好于普通均生函数模型,是提高预报准确度的有效手段;同时,利用统计的预报模型,可以在一定程度上有效延长厄尔尼诺的预报时效,具有一定实践意义。     

最优子集回归在福建热带气旋年频数预测中的应用

用相关分析方法普查了影响福建省热带气旋（ＴＣ）年频数与前期北半球５００ｈＰａ和１００ｈＰａ月平均位势高度场、北太平洋海温场以及５００ｈＰａ月环流特征量的关系,分析影响福建ＴＣ年频数的前期大气环流及海温场特征,寻找与福建ＴＣ年频数关系密切的预测因子,采用“两段筛选”的思路,选用逐步回归筛选出Ｍ个（１０个左右）预报因子,再用最优子集回归建立预报模型,其效果较为理想。     

浙江沿岸张网中主要经济幼鱼发生量与当年渔汛渔获量的关系

通过对1998～2005年浙江中北部沿岸3个张网监测点的渔业监测调查,阐述了浙江沿岸张网渔业中的主要经济幼鱼带鱼、小黄鱼、鲳鱼的渔获量比例月变化;同时结合浙江省的渔业统计资料和主要鱼种的生物学测定资料,以张网渔业中主要经济鱼种的平均网获量作为预报当年渔汛补充群体渔获量的主要影响因子,经回归统计分析,分别建立了带鱼和小黄鱼的渔获量单因子预报方程.结果表明:2000～2005年,张网中的带鱼、小黄鱼、鲳鱼3种主要经济鱼类幼鱼合计占总渔获量的月平均比例达22.79%,6～8月为幼鱼的出现高峰期,月平均比例为53.86%,7月份达到最高值,为62.66%.其中5～9月幼带鱼占渔获量的月平均比例范围为11.42%～46.42%,6～11月小黄鱼占渔获量的月平均比例范围为9.73%～14.30%,4～8月鲳鱼占渔获量的月平均比例范围为3.32%～6.52%.设5～9月张网中幼带鱼的日平均网获量(X,kg/网)与当年9～12月渔汛中带鱼补充群体的渔获量(Y,×108尾),经相关分析,可以得到Y关于X的一元一次、一元二次和一元三次函数的预报方程.设6～10月张网小黄鱼幼鱼的日平均网获量(x,尾/网)与当年浙江省小黄鱼的渔获量(y,万t),经相关分析,可以得到y关于x的一元一次、一元二次函数的预报方程.预报方程的相关系数和预报精度基本符合应用要求,表明沿岸产卵场和索饵场附近的张网渔获物中主要经济幼鱼的发生量与当年渔汛补充群体渔获量密切相关.张网渔业的监测调查可以反映当年主要经济幼鱼发生量情况,应加强对沿岸张网渔业的管理及保护主要经济幼鱼.     

优选因子场预报方法的研究

统计预报法目前在国内外已经得到广泛利用,其待点是根据历史资料的统计规律,通过外推实现预报,这是所有统计预报法的基础。最初级的统计预报是对单站的历史资料本身的统计规律进行外推预报的,这种预报法既不考虑预报量之间的内在联系,又不考虑外界因子的影响,因此预报效果一般较差。改进的途径是朝着两个方向发展:或者考虑外界因子影响的单站预报;或者考虑预报量间的内部联系的场预报。前一种预报法目前使用最广,它不仅可以考虑多因子的影响,还可对组配的因子进行挑选或筛选,     

MEOFIS平台在渤海湾北部海面气温和风速精细化预报中的适用性分析

基于＂动力-统计＂预报方法的MEOFIS（精细化气象要素客观预报）平台以相关模式预报结果为基础,结合历史实况资料建立预报模型,实现站点的精细化预报.利用2009～2011年的T639模式产品和渤海湾北部相关观测站的数据积累统计建模,并对2012～2013年海面4个季节的气温和风速进行预报统计,对比分析该平台在海面气温和风速预报中的适用性.经客观检验,1℃误差范围内,海面各季节的气温和风速预报准确率均高于陆上的预报;海面日最高、日最低和逐3 h气温预报准确率均超过68%,秋季的日最高气温、逐3 h气温和冬季的日最低气温预报最为理想,准确率分别达86.8%、75.2%和78.9%,春季的气温预报整体不理想;显著性检验结果显示：和T639直接输出的结果相比,MEOFIS在各季节的气温预报中具有明显的订正能力.2 m/s误差范围内,过渡性季节春、秋季的日最大风速预报准确率均超过75.0%,夏季的预报效果较差,但逐3 h风速预报准确率最高,达78.0%,冬季的风速预报效果整体不佳;利用总体平均经验模态分解法（EEMD）对各月逐3 h的海面气温和风速预报误差做滤波处理,结果显示MEOFIS平台对这两要素的预报误差均存在明显的双周震荡波,通过滤波可以提高二者预报的准确率,且气温预报准确率的提高更大.预报偏差和方差小的季节,预报准确率的改善更为理想.     

基于ConvGRU和自注意力的海表温度偏差订正研究

海表温度（Sea Surface Temperature, SST） 是一个重要的海洋物理量, 其准确预报对于水产养殖和预测海洋环境信息等海洋相关领域的研究至关重要。数值预报是目前预报海表温度的一种常用方法, 但数值预报模型所产生的预报结果往往与实际观测数据有偏差, 因此有必要对数值预报产品的偏差进行订正。本文提出了一种结合ConvGRU 神经网络与自注意力（Self-Attention, SA） 的新型时空混合海表温度订正模型（ConvGRU-SA）, 对南海海表温度预报数据进行偏差订正, 该模型适用于利用卫星遥感数据对海表温度数值预报产品进行订正。经与ConvLSTM、ConvGRU 等网络模型对比, 证明了ConvGRU-SA 模型的优越性, 设置不同的超参 数进行实验, 提高模型订正准确率。订正后该区域的海表温度预报均方根误差从0.52 ℃降低至0.32 ℃, 准确率提高了38.4%, 优于现有模型。     

琴文蛤形态性状对体量的影响效果分析

从广西琴文蛤（Meretrix lyrata）养殖群体中随机选取87颗成贝,测量其活体重（y）、壳长（x1）、壳高（x2）、壳宽（x3）及外韧带长（X4）,计算相关系数。采用通径分析方法计算了以体长性状为自变量对体重做依变量的通径系数、决定系数及相关指数,对各性状的影响大小进行剖分,明确影响琴文蛤体重的主要外部形态性状...     

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。     

表层海水温度场的正交综合因子场分解预报方法——东海及其外缘海域月平均表层水温预报

表层海水温度预报的途径目前在我国仍以统计预报为主,数值预报和数值动力统计预报尚在探索中.表层海温统计预报一般又分为单要素时间序列预报和多要素相关预报两类.这些方法各有长处和短处,因此在预报实施中,应根据各种方法的特点,互相补充,综合发布预报.我们在应用经验正交函数分析预报表层海水温度场的基础上,也曾对表层海温场的多因子相关预报方法进行了多种试验.     

基于多变量LSTM神经网络模型的PDO指数预测研究

利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。     

误差订正对2018年夏季次季节尺度海冰预测的作用

北极海冰次季节尺度预测在针对破冰船和商船的实际服务中十分重要,但常常受制于气候模拟的模拟能力。本研究提出了一种误差订正方法并分别应用到两个气候模式：海洋一所地球系统模式（FIOESM）和美国国家环境预报中心（NCEP）的气候预报系统（CFS）,来改善北极海冰60天尺度的预测。本研究的预测工作是中国第9次北极科学考察和2018年夏季中远集团北极商业航行的业务化海冰服务保障的重要部分。模式起报时间分别是2018年7月1日、8月1日和9月1日,预报时效均是60天。结果显示,FIOESM整体上低估了海冰密集度的数值,平均偏差可达30%。误差订正对海冰密集度（SIC）的均方根偏差（RMSE）的改进比例可达27%,对海冰外缘线（SIE）的整体偏差（IIEE）的改进比例为10%。而对于CFS,SIE在边缘区域的过高估计是其主要特点。误差订正导致了SIC的RMSE改进了7%,而对SIE的IIEE改进了17%。在海冰范围预测方面,FIOESM预测的最小范围数值和时间点都和观测接近,而CFS的预测结果偏差较大。另外和其他S2S模式的结果比较发现,本研究提出的误差订正方法对存在较大偏差的预测结果改进更为有效。     

长期天气预报中有关预报因子的若干探讨

目前行之有效的长期天气预报方法都是数理统计方法。本文以江淮流域夏季旱涝的长期预报为例，对有关预报因子的几个问题作了探索。挑选有实际天气学意义、各自独立、单相关系数较高的物理因子作预报因子，更有利于提高预报准确率，预报因子的时间尺度以月、季平均值最为适宜，而以三个旬滑动平均值的效果最佳，建立各种预报量的初选、精选因子库，更适用于计算机技术制作长期预报。     

中国赤潮发生频率的变化趋势及其多发年份的R/S预测

根据1989-2006年中国海洋灾害公报中公布的中国赤潮发生频率的数据资料,建立近18a来中国赤潮发生频率的时间序列,采用平均差值法、最小二乘法和自回归滑动平均法这3种趋势分析方法,统计检验了其长期变化趋势。并基于分形理论利用重标极差分析(R/S分析)的原理和方法,计算了Hurst指数,建立了R(i)/S(i)与i的关系模型,对中国赤潮多发年份进行了预测分析。结果表明,近18a来中国赤潮发生频率变化的趋势值分别为bAV=0.14356,bLS=0.12875和bAR(1)=0.12861,均为正值,赤潮发生频率呈显著的增加趋势;赤潮多发年份的变化呈现分布式布朗运动的特征,R(i)/S(i)与i之间存在HR(i)/S(i)=(a×i)的函数关系,具有可预测性。根据预测2007年和2008年仍然是赤潮的多发年份,这与实际统计结果一致。基于目前赤潮发生机制尚不完全清楚的现状,利用赤潮发生频率的时间序列自身进行赤潮多发年的预测可能是一条有效的途径。     

区域平均海平面高度异常的统计预测

本研究基于SODA(Simple Ocean Data Assimilation)的月平均海洋数据,提取出南海区域平均海平面高度异常(SSHA)的时间序列,并基于该时间序列开展了统计预测工作。研究中使用时间序列分解方法,将南海区域平均逐月SSHA时间序列分解为3个部分:年际变化项、季节项和扰动项。根据分解出的这3项时间序列变化特征,分别使用指数平滑法和自回归移动平均法去拟合时间序列中的年际变化项和扰动项,季节项将作为循环变化项叠加到前两项上。由此,建立了适用于该时间序列的预测模型,并且测试了该模型的预测能力。结果显示,研究建立的南海平均海平面高度异常模型的平均有效预报时间约为7个月,预报能力在春季和秋季较其余季节要强一些。另外,该模型在模拟时段内的预报技巧具有显著的十年际变化特征。     

琼州海峡海口站近岸风暴增水概率风险分析

基于海口站1976~1997年逐时潮位和逐日最大风速资料,利用阿基米德Copula函数构建海口年最大增水与相应日期最大风速的联合概率分布模型。结果表明:1)广义极值分布可作为海口站年最大增水和相应日期最大风速的边缘分布。两个序列之间存在强正相关关系,G-H Copula函数更适用于作为海口站年最大增水和相应日期的最大风速联合概率分布的连接函数。2)两变量联合作用的同频率增水高度设计值与增水的单变量边缘分布设计值之间的相对差值约为7.5%。3)条件概率1(P(Y≥y|X≥x))中同频率的年最大增水和相应风速的遭遇概率介于78.2%~80.9%,条件概率2(P(Y≥y|X≤x))中同频率的年最大增水和相应风速两者的遭遇概率小于4.8%。     

基于最优TS评分和频率匹配的江苏近海风速订正

近海风速预报在沿海防灾减灾、航运安全、风能评估等方面具有重要应用。本文基于欧洲中期天气预报中心数值预报 （ECMWF） 数据,将最优 TS 评分 （OTS） 与频率匹配 （FMM） 两种方法应用于江苏近海风速预报订正,对比了两种订正 方法的优缺点,分析了不同时间训练样本量以及空间站点观测资料数量对订正效果的影响。结果表明：在相同长度的训练期下,风速等级越小,时间训练期样本越多,预报订正值越稳定;对于 7 级以上高风速等级的预报,OTS 与 FMM 的 TS 评分差异不大, 但 FMM 订正更加稳定且频率偏差 （BIAS） 更接近 1;扩充站点观测资料可有效提升预报订正性能;对于 7 级以上灾害性大风,最佳的订正方案是采用 FMM 方法结合全年时间训练样本和扩充的站点观测资料。此外,本文还对比了不同风速情形下,订正前后 BIAS 和 TS 评分对于时间训练样本量、空间站点观测数量以及订正方法 （OTS 和 FMM） 的敏感性的相对大小。