本发明专利技术公开了一种基于旬倾向和物理模态建模的次季节气候预测方法与系统。利用历史资料计算大气要素场和预测变量的旬倾向距平；通过奇异值分解，提取决定预测变量旬倾向距平的前期热带大气向外长波辐射场和中高纬大气500hPa位势高度场旬倾向距平变异的主要物理模态，并作为预测因子；利用多元回归方法，构建预测变量旬倾向距平与前期主要物理模态关系的预测模型，并通过历史回报确定最优物理模态；将前期观测的最优物理模态代入预测模型，从而实现对预测变量的旬倾向距平预测；将预测的旬倾向距平叠加前一旬的观测或预测距平，从而得到本旬的距平预测。本发明专利技术建立的基于旬倾向距平和物理模态建模的方法与系统可有效提高次季节气候预测准确率。高次季节气候预测准确率。高次季节气候预测准确率。
【技术实现步骤摘要】
基于旬倾向和物理模态建模的次季节气候预测方法与系统
[0001]本专利技术涉及一种次季节尺度的气候统计预测模型的建立和应用，具体可用于天气气候预测业务中延伸期旬降水和旬气温等气象要素的预测。
技术介绍
[0002]延伸期预测是介于逐日天气预报和季节气候预测之间的10
‑
90天的气象预测，它对于气象防灾减灾、经济社会发展以及国家安全保障具有重要意义，是当前国际无缝隙气象预测的难题，也是我国气象业务部门亟需解决的重大攻关任务。目前，国内外延伸期预测的理论基础比较薄弱，相应的预测技术还很缺乏，业务应用尚处于初步阶段，远远不能满足国家、社会和人民群众的需要。
[0003]目前国内外主要的延伸期天气预测技术方法主要有动力模式预测和统计方法预测两类。动力模式预测即主要是依靠动力方程构建天气气候数值模式进行预测，预测结果还存在很大误差，具有很强的模式依赖性和初值依赖性：一方面，不同数值模式计算出的预测结果可能完全不同，另一方面，同一数值模式在不同起报时间给出的预测结果也可能差异很大。统计方法预测主要基于强大气信号的历史演变统计规律，建立统计模型进行预测。现阶段统计预测模型中预测因子的选择不能有效给出物理解释，具有较大任意性，预测结果还很不稳定。
技术实现思路
[0004]专利技术目的：针对现有延伸期预测的不足，本专利技术的目的是提供一种基于旬倾向和物理模态建模的次季节气候预测方法与系统，通过转化前期大气环流场为旬倾向距平场，完整考虑热带和北半球中高纬异常信号，通过SVD提取它们与中国次季节预测变量之间联系最紧密的前期大气环流模态作为预测因子，采用多元线性回归方法建立具有内在物理关系的次季节预测模型，对预测变量的旬倾向距平进行预测，从而实现对中国延伸期气象要素做出更准确更稳定的预测。
[0005]技术方案：为实现上述专利技术目的，本专利技术所采用的技术方案是：
[0006]基于旬倾向距平和物理模态建模的次季节气候预测方法，包括以下步骤：
[0007](1)将前期热带地区大气向外长波辐射(OLR)场、前期热带外中高纬地区500hPa位势高度场(Z500)和预测变量场分别计算转换为各自的旬倾向距平场；
[0008](2)将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场分别进行奇异值分解(SVD)，将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化，作为预测变量旬倾向距平的预测因子；
[0009](3)选取步骤(2)中不同数目的预测因子，利用多元线性回归方法，建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型；
[0010](4)进行旬倾向距平的历史回报，通过与观测对比，确定最优预测因子及最优预测模型；
[0011](5)将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至步骤(2)中的空间物理模态上，将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平；
[0012](6)将步骤(5)中得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加，得到预测旬的旬距平；将预测旬的旬距平与预测旬的气候态相加，得到预测变量的预测旬的总值。
[0013]所述步骤(1)中的旬倾向距平计算为：
[0014][0015][0016][0017]其中，A为某变量的旬平均值，为变量A的气候均值，ΔA为变量A的旬气候距平异常，δΔA为变量A的旬倾向距平，t为一年36旬中的某一旬，t
‑
1即为该旬的上一旬。
[0018]所述步骤(3)的统计预测模型为：
[0019][0020]其中，δΔA
fcst
为预测变量的旬倾向距平，F
iolr
和分别为OLR第i个SVD模态和Z500第j个SVD模态对应的时间系数，和分别为OLR第i个SVD模态和Z500第j个SVD模态的权重，M和N分别为选取的OLR的SVD模态和Z500的SVD模态的个数，x为站点或者格点，t为预测旬，t
‑
n即为提前预测旬n旬。
[0021]所述步骤(4)中采用独立样本检验选取最优预测模型，通过进行旬倾向距平的历史回报，比较多个预测模型的回报结果与观测资料的空间相关系数，取相关系数最大值对应的OLR场SVD模态和Z500场SVD模态对应的预测因子组合作为最优预测因子，所对应的预测模型作为最优预测模型。
[0022]基于相同的专利技术构思，本专利技术提供的基于旬倾向距平和物理模态建模的次季节预测系统，包括以下模块：
[0023]旬倾向转换模块，用于将前期OLR场、Z500场和预测变量场分别计算转换为各自的旬倾向距平场；
[0024]SVD分解模块，用于将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场分别进行SVD分解，将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化，作为预测变量旬倾向距平的预测因子；
[0025]旬倾向预测模型构建模块，用于选取不同数目的预测因子，利用多元线性回归方法，建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型；并进行旬倾向距平的历史回报，通过与观测对比，确定最优预测因子及最优预测模型；
[0026]旬倾向预测模块，用于将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至SVD分解模块中的空间物理模态上，将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平；
[0027]以及结果处理模块，用于将得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加，得到预测旬的旬距平；将预测旬的旬距平与预测旬的气候态相加，得到预测变量的预测旬的总值。
[0028]基于相同的专利技术构思，本专利技术提供的一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于旬倾向距平和物理模态建模的次季节预测方法。
[0029]有益效果：与现有技术相比，本专利技术具有如下优点：
[0030](1)将对预测要素的直接预测转化为对其旬倾向的间接预测。这种方法的好处在于由于只考虑要素的旬差异，突出了次季节信号。更长时间信号作为持续性背景，通过上一旬距平引入。因此长时间信号不需要预测，从而有效提高预测准确率。
[0031](2)通过SVD将前期大气次季节主要环流模态与预测变量进行统计建模，利用回报独立样本检验提取最优预测因子数量组合。这些保证了预测因子是与中国次季节预测变量之间联系最紧密的前期大气模态。
[0032](3)本专利技术在预测旬降水和旬温度外，还可以给出相应的大气环流要素场的预测，这有利于理解大气环流场与预测变量间的内在物理机制。
附图说明
[0033]图1是本专利技术实施例的方法流程图；
[0034]图2是本专利技术示例中OLR和降水SVD第一模态时间系数和异性回归场示意图；具体是2004年至20本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于旬倾向和物理模态建模的次季节气候预测方法，其特征在于：包括以下步骤：(1)将前期热带地区大气向外长波辐射(OLR)场、前期热带外中高纬地区500hPa位势高度(Z500)场和预测变量场分别计算转换为各自的旬倾向距平场；(2)将前期OLR和Z500的旬倾向距平场与预测变量的旬倾向距平场分别进行奇异值分解(SVD)，将分解得到的决定预测变量旬倾向距平的前期OLR和Z500旬倾向距平变异的主要物理模态的时间序列进行标准化，作为预测变量旬倾向距平的预测因子；(3)选取步骤(2)中不同数目的预测因子，利用多元线性回归方法，建立预测变量旬倾向距平与前期主要物理模态关系的统计预测模型；(4)进行旬倾向距平的历史回报，通过与观测对比，确定最优预测因子及最优预测模型；(5)将预测旬的前期OLR倾向距平场和Z500倾向距平场分别投影至步骤(2)中的空间物理模态上，将得到的时间序列代入最优预测模型中计算得到预测变量的预测旬的旬倾向距平；(6)将步骤(5)中得到的预测旬的旬倾向距平与上一旬的观测或预测旬距平相加，得到预测旬的旬距平；将预测旬的旬距平与预测旬的气候态相加，得到预测变量的预测旬的总值。2.根据权利要求1所述的基于旬倾向和物理模态建模的次季节气候预测方法，其特征在于：所述步骤(1)中的旬倾向距平具体计算为：步骤(1)中的旬倾向距平具体计算为：步骤(1)中的旬倾向距平具体计算为：其中，A为某变量的旬平均值，为变量A的气候均值，ΔA为变量A的旬气候距平异常，δΔA为变量A的旬倾向距平，t为一年36旬中的某一旬，t
‑
1即为该旬的上一旬。3.根据权利要求1所述的基于旬倾向和物理模态建模的次季节气候预测方法，其特征在于：所述步骤(3)的统计预测模型为：其中，δΔA
fcst
为预测变量的旬倾向距平，和分别为OLR第i个SVD模态和Z500第j个SVD模态对应的时间系数，和分别为OLR第i个SVD模态和Z500第j个SVD模态的权重，M和N分别为选取的OLR的SVD模态和Z500的SVD模态的个数，x为站点或者格点，t为预测旬，t
‑
n即为提前预测旬n旬。4.根据权利要求1所述的基于旬倾向和物理模态建模的次季节气候预测方法，其特征在于：所述步骤(4)中采用独立样本检验选取最优预测模型，通过进行旬倾向距平的历史回报，比较多个预测模型的回报结果与观测资料的空间相关系数，取相关系数最大值对应的OLR场SVD模态和Z500场SVD模态对应的预测因子组合作为最优预测因子，所对应的预测模
型作为最优预测模型。5.根据权利要求1所述的基于旬倾向和物理模态建模的次季节...
【专利技术属性】
技术研发人员：杨修群，陶凌峰，孙旭光，房佳蓓，张志琦，王昱，
申请(专利权)人：南京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。