一种基于模式误差算子线性反演与订正的气候预测方法与流程

1.本发明涉及大气科学技术领域，尤其涉及月-季-年气候预测技术领域，具体为一种基于模式误差算子线性反演与订正的气候预测方法。


背景技术：

2.数值预报已经成为支撑现代气候预测研究和业务的关键。但由于气候系统自身的混沌特性和复杂性以及气候模式的不完善等限制，仅依靠单纯动力预测仍无法满足短期气候预测的现实需求。鉴于当前动力模式仍存在较大的偏差，探索如何进一步提高包括降水异常等的月-季-年气候预测技巧，对于防灾减灾和趋利避害十分重要。
3.事实上，模式误差也是随着气候系统状态而不断变化的，可以看成是时间和空间的函数进行预报。因此，本发明基于对动力模式的预报误差进行“预报”的思想，建立了一种基于模式误差算子线性反演与订正的气候预测方法，利用线性反演技术作为提取模式线性误差算子信息的工具，进一步通过对误差算子线性重构实现对诸如东亚区域降水等的预报订正。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种基于模式误差算子线性反演与订正的气候预测方法。利用线性反演技术作为提取模式线性误差算子信息的工具，进一步通过对误差算子线性重构实现对东亚区域气候要素的预报订正，可以有效解决上述背景技术中提出的问题。
6.(二)技术方案
7.为实现上述目的，本发明提供如下技术方案：一种基于模式误差算子线性反演与订正的气候预测方法，包括以下步骤：
8.s1：获取历史观测数据、动力模式回报以及预报数据；
9.s2：对s1中的数据进行预处理：首先进行插值处理，使模式数据与观测数据分辨率一致；然后计算历史观测数据与动力模式回报的差值得到预报误差e的历史数据集；
10.s3：针对动力模式预报，利用经验正交分解方法对模式预报误差数据集进行时空分解，得到月平均模式误差前m个主模态的分布空间型和相应的主成分时间序列，将误差主成分作为预报对象x，其可表示为：
11.x(t+τ)＝exp(lτ)x(t)+ξ(t+τ)≡g(τ)x(t)+ξ(t+τ) (1)
12.s4：根据公式(1)对截取的前m个模式误差主成分时间序列进行建模：利用建模拟合时段内模式误差的主成分时间序列反演出模式误差形式上的构造算子l；
13.s5：根据反演得到的模式误差形式上的构造算子l，对x进行线性预报，得到预测时间段基于线性反演技术的模式误差主成分时间序列；
14.s6：利用建模时间段内模式误差的主模态分布空间型与s5所得到的预测时间段模
式误差主成分时间序列，得到基于线性反演技术的目标月模式误差结果；
15.s7：利用动力模式目标预报月的原始预报与所述基于线性反演技术的目标预报月模式误差，得到目标预报月的预报订正结果。
16.优选的，根据模式误差也是随着气候系统状态而不断变化的思想，将动力模式的预报误差e看作是时间和空间的函数进行预报，其中
[0017][0018]
ym表示模式预报结果，等号左边表示订正后的模式预报结果。
[0019]
优选的，假设实际模式中未能表示出的动力过程也存在着线性可预报部分，进而利用历史模式误差数据对模式预报误差建立线性预报模型，如公式(1)所示。
[0020]
优选的，所述s3中，x表示的是m维预报的对象(x场的eof分析截取的前m个主成分，所以实际上是m维的)，l是m
×
m阶确定性系数矩阵，g(τ)是格林函数，由序列x本身决定，通过拟合时间段的序列x则可计算得到g(τ)数值，进而反演得到l，ξ是m维的高斯白噪声向量。
[0021]
优选的，所述s2中，将利用海表面温度、降水、风场等作为气候预测过程的因子变量，根据预报对象特征以及历年模式预报和气候因子进行相关性检验，筛选得到对预报对象具有物理含义的关键因子集。
[0022]
优选的，所述s3中，具体为利用经验正交分解方法筛选得到对预报对象具有物理含义的关键因子集进行分解，得到因子的主模态分布空间型和相应的主成分时间序列。
[0023]
优选的，所述s4中，具体为将截取的因子主成分时间序列与模式误差主成分时间序列一同作为输入数据进行建模。
[0024]
优选的，所述s3中，经验正交分解方法的具体方法流程、公式：
[0025]
经验正交分解方法(empirical orthogonal function，eof)可以从一个气象资料场中识别出主要空间型及其时间演变规律，对任意一个气象变量场y(l为站点数或格点数，n为样本长度)进行距平化或标准化处理，然后计算其协方差距阵：
[0026]
s＝yy
t
， (3)
[0027]
利用雅可比(jacobi)方法求协方差距阵s的特征值(λ)和特征向量(v)，将特征值按大小顺序排队：
[0028]
λ1≥λ2≥
…
≥λ
l
≥0， (4)
[0029]
并求出其对应时间系数：
[0030]
t＝v
t
y， (5)
[0031]
再分别计算每个特征向量的方差贡献：
[0032][0033]
(k＝1,2,3,
…
,p《l)，及前p个特征向量的累积方差贡献：
[0034][0035]
eof分析广泛应用于气象统计分析，可将某物理量场分解为空间特征向量和时间序列，并且将变量的信息集中在几个模态上，根据解释方差的大小，可将模态分为主要和次要模态。
[0036]
(三)有益效果
[0037]
与现有技术相比，本发明提供了一种基于模式误差算子线性反演与订正的气候预测方法，具备以下有益效果：
[0038]
1、本发明结合了对动力模式的预报误差进行“预报”的理论思想，利用线性反演技术思想提取模式误差算子的线性信息，开发了基于模式误差算子的订正技术，实现了对月平均的模式误差进行预报，进而提高动力模式预测结果的预报技巧。
[0039]
2、该一种基于模式误差算子线性反演与订正的气候预测方法，实用性较强，对于东亚区域气候要素可以提供效果更好、更稳定且更准确的预报信息，从而能够对国家气候灾害提供有效的预警信息。
附图说明
[0040]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0041]
图1是本发明预测方法的流程简图；
[0042]
图2是本发明实施例中检验样本时间段订正前(左)与订正后(中)模式中国地区的夏季降水预报与观测之间时间相关系数(tcc)的空间分布以及tcc提高的空间分布(右)。
具体实施方式
[0043]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0044]
实施例1
[0045]
如图1所示，本发明提供了一种基于模式误差算子线性反演与订正的气候预测方法，包括以下步骤：
[0046]
s1：获取历史观测数据、动力模式回报以及预报数据；
[0047]
s2：对s1中的数据进行预处理：首先进行插值处理，使模式数据与观测数据分辨率一致；然后计算历史观测数据与动力模式回报的差值得到预报误差e的历史数据集；
[0048]
s3：针对动力模式预报，利用经验正交分解方法对模式预报误差数据集进行时空分解，得到月平均模式误差前m个主模态的分布空间型和相应的主成分时间序列，将误差主成分作为预报对象x，其可表示为：
[0049]
x(t+τ)＝exp(lτ)x(t)+ξ(t+τ)≡g(τ)x(t)+ξ(t+τ) (1)
[0050]
s4：根据公式(1)对截取的前m个模式误差主成分时间序列进行建模：利用建模拟合时段内模式误差的主成分时间序列反演出模式误差形式上的构造算子l；
[0051]
s5：根据反演得到的模式误差形式上的构造算子l，对x进行线性预报，得到预测时间段基于线性反演技术的模式误差主成分时间序列；
[0052]
s6：利用建模时间段内模式误差的主模态分布空间型与s5所得到的预测时间段模式误差主成分时间序列，得到基于线性反演技术的目标月模式误差结果；
[0053]
s7：利用动力模式目标预报月的原始预报与所述基于线性反演技术的目标预报月模式误差，得到目标预报月的预报订正结果。
[0054]
优选的，根据模式误差也是随着气候系统状态而不断变化的思想，将动力模式的预报误差e看作是时间和空间的函数进行预报，其中
[0055][0056]
ym表示模式预报结果，等号左边表示订正后的模式预报结果。
[0057]
优选的，假设实际模式中未能表示出的动力过程也存在着线性可预报部分，进而利用历史模式误差数据对模式预报误差建立线性预报模型，如公式(1)所示。
[0058]
优选的，所述s3中，x表示的是m维预报的对象(x场的eof分析截取的前m个主成分，所以实际上是m维的)，l是m
×
m阶确定性系数矩阵，g(τ)是格林函数，由序列x本身决定，通过拟合时间段的序列x则可计算得到g(τ)数值，进而反演得到l，ξ是m维的高斯白噪声向量。
[0059]
优选的，所述s2中，将利用海表面温度、降水、风场等作为气候预测过程的因子变量，根据预报对象特征以及历年模式预报和气候因子进行相关性检验，筛选得到对预报对象具有物理含义的关键因子集。
[0060]
优选的，所述s3中，具体为利用经验正交分解方法筛选得到对预报对象具有物理含义的关键因子集进行分解，得到因子的主模态分布空间型和相应的主成分时间序列。
[0061]
优选的，所述s4中，具体为将截取的因子主成分时间序列与模式误差主成分时间序列一同作为输入数据进行建模。
[0062]
优选的，所述s3中，经验正交分解方法的具体方法流程、公式：
[0063]
经验正交分解方法(empirical orthogonal function，eof)可以从一个气象资料场中识别出主要空间型及其时间演变规律，对任意一个气象变量场y(l为站点数或格点数，n为样本长度)进行距平化或标准化处理，然后计算其协方差距阵：
[0064]
s＝yy
t
， (3)
[0065]
利用雅可比(jacobi)方法求协方差距阵s的特征值(λ)和特征向量(v)，将特征值按大小顺序排队：
[0066]
λ1≥λ2≥
……
≥λ
l
≥0，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0067]
并求出其对应时间系数：
[0068]
t＝v
t
y，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0069]
再分别计算每个特征向量的方差贡献：
[0070][0071]
(k＝1,2,3,
…
,p《l)，及前p个特征向量的累积方差贡献：
[0072][0073]
eof分析广泛应用于气象统计分析，可将某物理量场分解为空间特征向量和时间序列，并且将变量的信息集中在几个模态上，根据解释方差的大小，可将模态分为主要和次要模态。
[0074]
实施例2
[0075]
如图2所示，在实施例1的基础上，本发明提供一种技术方案：本实施例基于bcc_csm1.1m模式1991-2015年的降水回报数据，利用本发明提供的预测方法，对1991-2015年全球降水的预报进行了订正预测应用。图为2002-2015年滚动独立样本检验期间订正前后中国地区夏季降水技巧和技巧提升情况。从时间相关系数(tcc)提高分布图中可以看出，订正以后的降水预报技巧在全国多数地区都有提升。并且随着提前预报月的增加，技巧提升的
范围也有所增加。
[0076]
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
[0077]
本发明提供了一种基于模式误差算子线性反演与订正的气候预测方法，可用于东亚降水等要素的气候预报。其方法在于：包括在建模的拟合时段内，对动力模式的预报误差数据进行经验正交分解，提取预报区域月平均模式误差前几个主模态的分布空间型和相应的主成分时间序列；利用线性反演技术作为提取模式误差算子线性信息的工具，通过对误差算子线性重构进而实现对所选区域预报的订正。本发明优点是结合了对动力模式的预报误差进行“预报”的理论思想，利用线性反演技术思想提取模式误差算子的线性信息，开发了基于模式误差算子的订正技术，实现对模式误差进行预报，进而提高东亚降水等要素的气候预报技巧。本发明对气候预测准确率的提高显著，能够更好地为社会经济服务，满足国家防灾减灾的需求，更好地为政府决策提供保障。
[0078]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程和方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程或方法所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括所述要素的过程或方法中还存在另外的相同要素。

技术特征：
1.一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于，包括以下步骤：s1：获取历史观测数据、动力模式回报以及预报数据；s2：对s1中的数据进行预处理：首先进行插值处理，使模式数据与观测数据分辨率一致；然后计算历史观测数据与动力模式回报的差值得到预报误差e的历史数据集；s3：针对动力模式预报，利用经验正交分解方法对模式预报误差数据集进行时空分解，得到月平均模式误差前m个主模态的分布空间型和相应的主成分时间序列，将误差主成分作为预报对象x，其可表示为：x(t+τ)＝exp(lτ)x(t)+ξ(t+τ)≡g(τ)x(t)+ξ(t+τ) (1)s4：根据公式(1)对截取的前m个模式误差主成分时间序列进行建模：利用建模拟合时段内模式误差的主成分时间序列反演出模式误差形式上的构造算子l；s5：根据反演得到的模式误差形式上的构造算子l，对x进行线性预报，得到预测时间段基于线性反演技术的模式误差主成分时间序列；s6：利用建模时间段内模式误差的主模态分布空间型与s5所得到的预测时间段模式误差主成分时间序列，得到基于线性反演技术的目标月模式误差结果；s7：利用动力模式目标预报月的原始预报与所述基于线性反演技术的目标预报月模式误差，得到目标预报月的预报订正结果。2.根据权利要求1所述的一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于：根据模式误差也是随着气候系统状态而不断变化的思想，将动力模式的预报误差e看作是时间和空间的函数进行预报，其中y
m
表示模式预报结果，等号左边表示订正后的模式预报结果。3.根据权利要求1所述的一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于：假设实际模式中未能表示出的动力过程也存在着线性可预报部分，进而利用历史模式误差数据对模式预报误差建立线性预报模型，如公式(1)所示。4.根据权利要求1所述的一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于：所述s3中，x表示的是m维预报的对象(x场的eof分析截取的前m个主成分，所以实际上是m维的)，l是m
×
m阶确定性系数矩阵，g(τ)是格林函数，由序列x本身决定，通过拟合时间段的序列x则可计算得到g(τ)数值，进而反演得到l，ξ是m维的高斯白噪声向量。5.根据权利要求1所述的一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于：所述s2中，将利用海表面温度、降水、风场等作为气候预测过程的因子变量，根据预报对象特征以及历年模式预报和气候因子进行相关性检验，筛选得到对预报对象具有物理含义的关键因子集。6.根据权利要求1所述的一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于：所述s3中，具体为利用经验正交分解方法筛选得到对预报对象具有物理含义的关键因子集进行分解，得到因子的主模态分布空间型和相应的主成分时间序列。7.根据权利要求1所述的一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于：所述s4中，具体为将截取的因子主成分时间序列与模式误差主成分时间序列一
同作为输入数据进行建模。8.根据权利要求1所述的一种基于模式误差算子线性反演与订正的气候预测方法，其特征在于：所述s3中，经验正交分解方法的具体方法流程、公式：经验正交分解方法(empirical orthogonal function，eof)可以从一个气象资料场中识别出主要空间型及其时间演变规律，对任意一个气象变量场y(l为站点数或格点数，n为样本长度)进行距平化或标准化处理，然后计算其协方差距阵：s＝yy
t
， (3)利用雅可比(jacobi)方法求协方差距阵s的特征值(λ)和特征向量(v)，将特征值按大小顺序排队：λ1≥λ2≥
…
≥λ
l
≥0， (4)并求出其对应时间系数：t＝v
t
y， (5)再分别计算每个特征向量的方差贡献：(k＝1,2,3,
…
,p<l)，及前p个特征向量的累积方差贡献：eof分析广泛应用于气象统计分析，可将某物理量场分解为空间特征向量和时间序列，并且将变量的信息集中在几个模态上，根据解释方差的大小，可将模态分为主要和次要模态。

技术总结
本发明公开了一种基于模式误差算子线性反演与订正的气候预测方法，包括在建模的拟合时段内，对动力模式的预报误差数据进行经验正交分解，提取预报区域月平均模式误差前几个主模态的分布空间型和相应的主成分时间序列；利用线性反演技术作为提取模式误差算子线性信息的工具，通过对误差算子线性重构进而实现对所选区域预报的订正。本发明优点是结合了对动力模式预报误差进行“预报”的理论思想，利用线性反演技术提取模式误差算子的线性信息，开发了基于模式误差算子线性反演的订正技术，结合模式历史误差实现对诸如东亚区域降水等的预报订正。报订正。报订正。


技术研发人员：任宏利 王琳 高丽 吴捷 李景鑫 王润 周辰光 刘景鹏
受保护的技术使用者：中国气象科学研究院
技术研发日：2023.02.23
技术公布日：2023/7/20