1987年南亚夏季风的季节内变化

应用１９８７年５月～９月南亚地区ＯＬＲ格点资料，先进行距平合成分析，研究了这一年东南亚夏季风不同阶段对流发展的空间分布，然后用复自然正交函（ＣＥＯＦ）展开，进一步分析了南亚季节不同阶段各地对流强度的时间变化以及振荡传播的方向     

我国五百年干湿期、冷暖期的划分

本文依据五百年旱涝,温度等级资料,用最优分割法进行了早涝的干湿期划分和冷暖期划分,并对此进行了统计分析。     

集合资料同化方法的理论框架及其在海洋资料同化的研究展望

在海洋动力系统的数值模拟中,海洋资料同化是一种能够有效融合多源海洋观测资料和数值模式的方法。它不仅可以显著地提高数值模拟的效果,构造海洋再分析资料场,还能有效减少海洋和气候预报时模式初始条件的不确定性。因此,海洋资料同化对于海洋研究和业务化应用具有非常重要的意义。资料同化方法的研究一直是大气、海洋科学的热门课题之一。其中,集合卡尔曼滤波器(EnKF)是一种有效的资料同化方法,自提出以来经过了20多年的发展和改进,已经在海洋资料同化中得到了广泛的研究和应用。近年来,随着动力模式的不断发展和计算能力的提高,粒子滤波器由于不受模型线性和误差高斯分布假设的约束,也逐渐成为了当前资料同化方法研究的热点。本文分析和总结了目前关于集合卡尔曼滤波器和粒子滤波器的一些最新理论研究结果,在贝叶斯滤波理论的框架下讨论了这两类算法的关联和区别,以及各自在资料同化实践中的优势和不足。在此基础上,我们探讨了粒子滤波器应用于海洋模式资料同化的主要困难和目前可行的一些解决方法,展望了集合资料同化方法研究的新趋势,为集合资料同化方法的进一步发展和应用提供理论基础。     

EnKF和SIR-PF在贝叶斯滤波框架下的比较和结合

贝叶斯估计理论为非线性、非高斯系统的数据同化提供了一个统一的框架。在本文中,我们利用著名的洛伦茨吸引子(Lorenz'63)模式对两种基于贝叶斯滤波理论的数据同化方法——集合卡尔曼滤波器(EnKF)和重取样粒子滤波器(SIR-PF)——进行了较为全面的比较。比较的结果揭示了两种方法的优缺点:即当集合成员数目较多时,SIR-PF的同化效果优于EnKF;反之,则EnKF的表现较好。进一步地,我们使用统计方法分析了两者表现的差异和原因。最近提出的一种集合卡尔曼粒子滤波器(EnKPF)通过使用一个可控的参数整合EnKF和SIR-PF的分析格式,可以结合两者的优点。本文在充分比较两种方法的前提下,重新阐释并改进了原有的EnKPF算法,使之适用于非线性的观测算子。通过使用相同的洛伦茨模式实验,我们揭示了EnKPF实质上提供了关于EnKF和SIR-PF的连续插值,使得后两者可以视为其特殊情况。并且,在集合成员数目有限的前提下,EnKPF可以在一定程度上避免滤波退化的发生,取得优于EnKF和SIR-PF的同化效果。     

深度学习在印度洋偶极子预报中的应用研究

印度洋偶极子（IOD）是热带印度洋秋季最强的年际变率,它会通过大气遥相关来影响世界许多地区的气候。目前耦合气候模式对IOD预报技巧仍非常有限,远低于热带太平洋的厄尔尼诺事件的预报技巧。鉴于深度学习具备高效的数据处理能力,本文使用深度学习中的卷积神经网络（CNN）与人工神经网络中的多层感知机（MLP）处理再分析观测资料,从而进行IOD预报。由于当预报初始时刻为北半球冬春季时,对IOD事件的预报技巧较低。因此,为探索CNN的预报能力,本文仅使用三种（1～3月、2～4月、3～5月）初始时刻的海表温度异常（SSTA）作为CNN的输入数据,来预报其后续七个月的印度洋偶极子指数（DMI）、东极子指数（EIOI）和西极子指数（WIOI）。结果表明:CNN对DMI、EIOI和WIOI的有效预测时效均超过了6个月。与现在耦合动力模式相比,CNN模型能够显著提升DMI和EIOI的预报技巧,但对WIOI的预报技巧提升有限。当预报提前时间为7个月时,CNN模型能够比较准确地预报1994、1997与2019年的IOD事件。由于CNN模型能够更好地抓住印度洋海温的空间结构特征,它对IOD事件的预报技巧比传统神经网络MLP高。