A Non-Linear Dynamical-Statistical Model for Reconstruction of the Air-Sea Element Fields in the Tropical Pacific Ocean

摘要

Aiming at tackling the difficulty in establishing a sea surface temperature (SST) dynamical model, this study develops a non-linear dynamical-statistical model of SST fields and their correlative factors based on Genetic Algorithms (GA) and the dynamical system reconstruction idea, which greatly improves the El Nino-Southern Oscillation (ENSO) forecast model. Using Hadley SST data, sea surface wind (SSW) and sea level pressure (SLP) data from the National Centers for Environmental Prediction-National Center for Environmental Research (NCEP-NCAR), with empirical orthogonal function (EOF) time-space for reconstruction, we carry out numerical integral forecasting experiments for SST, SSW, and SLP fields. By statistical analysis of the forecasting experiments, we find that forecasts for less than 25 months perform better than longer term forecasts. Based on the model, we forecast SST, SSW, and SLP fields in September, October, and November 20] 4 and predict a weak La Nina event. This study explores a novel method for the complex atmosphere-ocean system.%[Traduitpar la rédaction] Dans le but de s'attaquer à la difficulté d'établir un modèle dynamique de la température de la surface de la mer (TSM), la présente étude met au point un modèle dynamique-statistique non linéaire des champs de TSM et de leurs facteurs corrélatifs basé sur des algorithmes génétiques et sur le principe de la reconstruction de système dynamique, qui améliore grandement le modèle de prévision de l'El Nino-Oscillation australe (ENSO). À partir des données de TSM du Centre Hadley ainsi que des données de vent à la surface de la mer (VSM) et de pression au niveau de la mer (PNM) du NCEP-NCAR (National Centers for Environmental Prediction-National Center for Environmental Research), avec un espace-temps de fonction orthogonale empirique pour la reconstruction, nous exécutons des expériences de prévision numériques intégrales pour les champs de TSM, de VSM et de PNM. Par l'analyse statistique des expériences de prévision, nous trouvons que les prévisions pour moins de 25 mois sont meilleures que les prévisions pour un plus long terme. À l'aide du modèle, nous prévoyons les champs de TSM, de VSM et de PNM en septembre, octobre et novembre 2014 et en déduisons que l'événement La Nina sera faible. Cette étude explore une nouvelle méthode pour le système atmosphère-océan complexe.