一种基于经验正交分解的日尺度降尺度预测方法技术

本发明专利技术公开了一种基于经验正交分解的日尺度降尺度预测方法，依次包括：获取日尺度观测数据和研究站点所在格点以及周围格点的大尺度环流数据，包括再分析和GCM数据；对GCM数据进行插值，计算皮尔逊相关系数，根据相关性强度选取预测因子场的大小；分别去除观测值、再分析和GCM数据的时间序列的线性趋势，并将它们拼接，使用经验正交分解将预测因子场分解成多个模态EOF以及对应的日尺度时间序列；计算皮尔逊相关性系数，选择相关性高的EOF；对日尺度站点观测数据和选取的EOF中再分析数据的序列进行建模；将模型应用到选取EOF中GCM的序列，获得未来时期日尺度模型预测值；将去除的线性趋势项与模型预测值重构，得到未来日尺度的气候预测。的气候预测。的气候预测。

【技术实现步骤摘要】
一种基于经验正交分解的日尺度降尺度预测方法


[0001]本专利技术属于气候预测
，具体涉及一种基于经验正交分解的日尺度降尺度预测方法。

技术介绍

[0002]气候降尺度预测不仅具有科学研究价值，其结果也能为区域社会经济的政策开发提供依据。日尺度(尤其是日降水)的降尺度预测，因为变量本身的变异性以及其受到大量复杂的短期小尺度过程的影响，结果的准确性难以保障，一直以来是研究的难点。传统的降尺度预测方法着重捕捉气象站点观测数据和站点所在的网格的再分析或全球气候模型(GCM)数据的统计关系。然而显著影响日尺度气候变量的短期小尺度气候过程可能涉及站点所在网格周围的格点，而传统方法并未将周围格点纳入预测因子的选择范围。此外，每多考虑一个格点会等比增加潜在预测因子，一方面大大增加了模型的自由度，从而增加了建模难度，另一方面也带来了大量噪声，从而对预测结果带来负面影响。
[0003]由此可见，如何高效地利用周围格点信息来提供日尺度降尺度预测准确性是现有的气候预测
亟需解决的难题之一。
[0004]专利技术目的
[0005]本专利技术的目的即在于针对现有技术的不足，提供一种基于经验正交分解的日尺度降尺度预测方法。与现有技术相比，本专利技术具有多个优点：(i)通过考虑站点所在格点的周围格点，可以将显著影响日尺度气候变量的短期小尺度过程纳入模型；(ii)使用经验正交分解降低了模型自由度，从而降低了计算需求；(iii)通过去除高阶的EOF，可以滤除大部分噪声。

技术实现思路

[0006]本专利技术提供了一种基于经验正交分解的日尺度降尺度预测方法，包括以下步骤：
[0007]步骤一、确定研究站点和变量，获取日尺度观测数据和研究站点所在格点以及周围格点的大尺度环流数据，包括再分析和GCM数据；
[0008]步骤二、使用Kriging法对步骤一种所获得的GCM数据进行插值，以统一GCM和再分析数据的格点；
[0009]步骤三、计算站点观测时间序列和再分析数据各个格点每个变量时间序列的皮尔逊相关系数，根据相关性强度选取预测因子场的大小；
[0010]步骤四、分别去除观测值、再分析和GCM数据的时间序列的线性趋势；
[0011]步骤五、将步骤四中去除线性趋势后的再分析以及GCM数据的时间序列拼接，使用经验正交分解将预测因子场分解成多个模态EOF以及对应的日尺度时间序列PC；
[0012]步骤六、计算站点观测的时间序列和所有模态的时间序列的皮尔逊相关性系数，选择相关性高的EOF；
[0013]步骤七、使用任意统计方法对日尺度站点观测数据和选取的EOF中再分析数据的
序列进行建模；
[0014]步骤八、将模型应用到选取EOF中GCM的序列，获得未来时期日尺度模型预测值；
[0015]步骤九、将步骤四中去除的线性趋势项与模型预测值重构，得到未来日尺度的气候预测。
附图说明
[0016]图1是本专利技术所述预测方法的流程图。
[0017]图2是本专利技术实施例中再分析和GCM的格点数据需覆盖站点所在格点以及周围格点的示意方格图。
[0018]图3是去趋势的ERA
‑
Interim和GFDL时间序列直接拼接进行建模预测的示意图。
具体实施方式
[0019]下面结合附图和实例对本专利技术的具体实施方式作进一步说明。
[0020]图1是本专利技术所述预测方法的流程图，以中国任意气象站点为例，应用本专利技术所提出的基于经验正交分解的日尺度降尺度预测方法对该站点的日降水进行预测，具体步骤如下：
[0021]步骤一、收集该气象站点1976
–
2005年的日降水观测数据、1976
–
2005年ERA
‑
Interim再分析数据以及1976
–
2100年GFDL全球气候模型数据。其中观测值和ERA
‑
Interim数据时间序列长度为10958天，GFDL数据时间序列长度为45625天。ERA
‑
Interim和GFDL数据包括的大尺度环流变量为：海平面气压(slp)以及850hPa、700hPa、500hPa、250hPa和100hPa的气温(ta)、绝对湿度(q)、纬向风(ua)和经向风(va)、位势高度(z)，一共26个变量，它们的时间精度为日尺度。再分析和GCM的格点数据需覆盖站点所在格点以及周围格点。例如，假设气象站点处在再分析数据的第(i,j)格点上，那么需要提取i
–
k至i+k和j
–
k至j+k范围的格点。在本实例中，k＝2，所得的5
×
5网格如图2的方格所示，圆圈位置代表气象站点。
[0022]步骤二、因为GFDL和ERA
‑
Interim数据的空间精度以及网格位置不同，所以使用Kriging法将GFDL的网格插值到ERA
‑
Interim网格上。
[0023]步骤三、计算每个格点的每个大尺度环流变量和观测的日降水的皮尔逊相关性系数，公式如式(1)所示：
[0024][0025]其中x代表大尺度环流变量，y代表日降水观测值。
[0026]以850hPa的湿度为例，计算5
×
5网格内每个格点的850hPa湿度和日降水的相关性，结果如图2所示，相关性越高格点颜色约深。如图所示，气象站所在格点右上角的格点的850hPa湿度和站点日降水相关性较高，所以对于该变量，选择覆盖站点的3
×
3大小的预测因子场。对每个大尺度环流变量进行上述操作，每个所选取的因子场的大小可能不同。
[0027]步骤四、对日降水观测数据进行线性回归，获得线性趋势项，并将其去除，得到去趋势的时间序列。对ERA
‑
Interim和GFDL每个格点进行同样操作。
[0028]步骤五、对于每个大尺度环流变量，将去趋势的ERA
‑
Interim和GFDL时间序列直接拼接，如图3所示，其中格点为选取的场所包括的格点。对所得的矩阵(X)进行经验正交分解，所得矩阵如式(2)所示：：
[0029]X＝U
×
S
×
V
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)，
[0030]其中X矩阵的行数代表时间序列长度，一共56583天，列数为3
×
3网格包括的所有格点数，即9。分解后所得的V
T
为EOF，是一个大小为9
×
9的矩阵；U
×
S为每个EOF对应的时间序列，大小为56583
×
9。
[0031]步骤六、计算每个大尺度环流变量的每个EOF和日降水观测值的皮尔逊相关性系数，选择相关性高的EOF纳入建模。本实例中，850hPa的湿度的前两个EOF和观测值相关性较高，因此纳入进一步建模中。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于经验正交分解的日尺度降尺度预测方法，其特征在于，包括以下步骤：步骤一、确定研究站点和变量，获取日尺度观测数据和研究站点所在格点以及周围格点的大尺度环流数据，包括再分析和GCM数据；步骤二、使用Kriging法对步骤一种所获得的GCM数据进行插值，以统一GCM和再分析数据的格点；步骤三、计算站点观测时间序列和再分析数据各个格点每个变量时间序列的皮尔逊相关系数，根据相关性强度选取预测因子场的大小；步骤四、分别去除观测值、再分析和GCM数据的时间序列的线性趋势；步骤五、将步骤四中去除线性趋势后的再分析以及GCM数据的时间序列拼接，使用经验正交分解将预测因子场分解成多个模态EOF以及对应的日尺度时间序列PC；步骤六、计算站点观测的时间序列和所有模态的时间序列的皮尔逊相关性系数，选择相关性高的EOF；步骤七、使用任意统计方法对日尺度站点观测数据和选取的EOF中再分析数据的序列进行建模；步骤八、将模型应用到选取EOF中GCM的序列，获得未来时期日尺度模型预测值；步骤九、将步骤四中去除的线性趋势项与模型预测值重构，得到未来日尺度的气候预测。2.根据权利要求1所述的预测方法，其特征在于，步骤一中所述变量包括：某一时间段的日降水观测数据、ERA
‑
Interim再分析数据以及GFDL全球气候模型数据，其中所述日降水观测数据、ERA
‑
Interim再分析数据以及GFDL全球气候模型数据所...

【专利技术属性】
技术研发人员：鲁晨，黄国和，宋唐女，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：