云南月气候变化的一种多时间序列预测模型

为了充分利用过去和现在对气候系统进行定时观测而积累的大量数据 ,本文提出了月气候变化的一种多时间序列逐月滚动预测模型 ,并从与云南月气候变化有某种物理关系的 2 0多个时间序列出发 ,实际建立了一个云南月气候变化的多时间序列逐月滚动预测模型。在提前预测的时间尺度为 2个月的条件下 ,该模型对云南 80个气象观测站点 1995年 1月— 1999年 10月的逐月雨量和气温预测结果检验的最新业务标准评分平均可分别达到 6 6 .7%和 79.0 %。该评分成绩已明显高于云南省气象台目前的实际业务预测水平 ,并达到了“九五”攻关的目标要求 ,因此该模型的建立具有重要的实际意义     

冬小麦产量预报业务模型的改进

从产量序列的完全模拟角度出发，用构造函数序列模拟产量的趋势项，用周期延拓序列矩阵的主分量模拟气象产量，提高了预报的合理性及稳定性，试用效果较好。     

利用车贝雪夫多项式进行资料缺测插补的研究

使用一维车贝雪夫多项式展开进行历史年降水量和月平均气温各种缺测情况下资料的插补试验,在迭代计算过程中,还对理想初值的两种临界迭代次数选取方案和迭代终值法进行了大量的试验。结果表明,一般情况下迭代终值计算精度较高,旱涝年则理想初值拟合结果更好一些;一年缺测插补精度高于连续多年缺测;双向插补计算结果优于单独使用顺序或逆序插补结果。     

中国东北地区近百年气温序列的小波分析

 利用1905-2005年中国东北地区哈尔滨、长春、沈阳和大连的气温时间序列资料,在分析气温变化结构的基础上进行小波分析,以揭示气温变化的多时间尺度的复杂结构。同时,分析了不同时间尺度下气温序列变化的周期性变化规律和突变点。结果表明：近100 a来中国东北地区的平均气温呈升高趋势,尤其在20世纪80年代以后升高趋势更加显著,升温率达到0.165 ℃/10 a。气温存在2～3 a、8～12 a、20～25 a和45 a左右时间尺度的多重时间尺度结构的变化特征。     

中国区域平均降水量序列构建方法比较研究

由于地面观测台站空间分布不均匀,运用不同区域平均技术方法研究中国降水特征和变化规律的结果存在显著差异,是区域降水变化研究不确定性的重要来源之一.本文以"中国地面与CMORPH(CPC Morphing Technique)融合逐日降水产品"作为参照值,基于中国地面2425站观测资料,采用5种网格尺寸的经纬度网格面积加权...     

与时俱进 成就斐然——丁裕国教授

丁裕国教授,江办人,1941年出生于江苏省镇江市。1964年南京大学毕业后分配到南京气象学院（后更名为南京信息工程大学）任教,长期从事气候学研究与教学。曾任气象系气候教研室主任多年;先后讲授《气候统计学》、《气候变化》、《气象时间序列谱分析》、《气候诊断与预测》等课程,指导和培养硕士生30多人。曾任中国气象学会统计气象专业委员会暨江苏省气象学会统计气象专业委员会及出版委员会委员等职。     

徐闻气象站迁站前后气候资料序列的均一性检验

采用1957～2008年徐闻气象站的地面气象要素资料,使用U检验法和T检验法对其迁站前后的气候资料序列进行均一性检验,结果表明,U检验法和丁检验法适用于单站气候资料序列均一性的检验,徐闻气象站的地面气象要素观测资料除年平均气压和年雨日外,其余在迁站前后无显著差异。     

气侯时间序列变点的推断

本文研究时间序列的变点问题。所给出的统计方法可用来推断一个时间序列是否存在变点，存在几个变点以及变点在什么位置。这种统计推断方法可用于气候阶段的划分。     

经验模态分解方法在树木年轮宽度序列标准化中的应用

高分辨率的树木年轮是记录历史时期气候变化的良好生物载体,在古气候研究中被广泛应用。但年轮宽度与气候因子之间有着复杂的联系,这种关系受气候因子之间的相互制衡和因物种而异的树木生长节律的共同影响。在利用树木年轮开展历史时期气候变化的研究中,剔除树木年轮与年龄相关的生长趋势是准确获取气候信号的先决条件。然而,传统的和相对改进的一些树轮标准化方法在拟合并剔除树龄相关的趋势及非气候干扰信息方面仍存在一些问题。本文利用经验模态分解(EMD)方法进行树轮资料的标准化方法研究, 对已获得的树轮生长序列所记录的信息进行分解,得到一系列不同物理意义的本征模态分量,结合多样本信息的对比及生物学特性,深入解读各分量表征的气候变化、环境干扰及缓慢生长趋势项等不同物理意义,进而剔除非气候信息,得到可以准确反映气候变化的代用序列,并将该方法与目前广泛采用的标准化方法进行对比,分析不同方法的利弊所在,为进一步改进树轮标准化方法提供新思路。     

慢特征分析法在气象上的应用进展

气候系统具有非平稳特征,根本原因在于其外强迫随时间发生改变,因此外部驱动力的分析对于理解气候系统的动力学特征至关重要,而如何有效提取系统外部驱动信息是一个亟待解决的前沿科学问题。最近几年,在生物神经学领域中应用的一种提取非平稳信号中外强迫信息的方法——慢特征分析法(Slow Feature Analysis,SFA),在气象领域中也得到了初步成功的尝试,结果显示出此方法对气候系统的外强迫信息分析及有关动力学机制的探究有较好的应用前景。本文主要介绍SFA方法的理论思想及实施步骤,并通过一个理想的非平稳时间序列检验其提取外强迫信息的能力,结果证明在衰减的Logistic模型中,可利用SFA算法提取出模型中的外强迫,且与真实外强迫的相关系数可达0.99;此外,还介绍将该方法应用于Arosa臭氧时间序列,分析其提取的外强迫信息的动力学特征;并介绍了在气候时间序列建模中引入外强迫因子的预测效果。