一种基于统计降尺度技术的短期气候预测方法

摘要

本发明公开了一种基于统计降尺度技术的短期气候预测方法，包括在建模的拟合时段内，对我国月平均降水和大尺度预测因子进行奇异值分解，分别提取我国月平均降水和大尺度预测因子的主模态典型耦合空间异性相关分布空间型和相应的主成分时间序列对；利用逐步回归分析的方法，获取适用于预测时间段的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对。优点是：综合气候模式和前期关键因子，基于EOF、SVD及多元线性回归等多种处理方法提取多种因子间最优耦合变化型，开发了多源信息动态处理及提取技术，构建最优信息集成自适应降尺度技术，实现对全国不同地区气候条件下的临近月平均降水的网格化预测。

说明书

技术领域

本发明涉及大气科学领域，尤其涉及一种基于统计降尺度技术的短期气候预测方法。

背景技术

短期气候预测方法主要分为数值模式方法和物理统计方法。对于气候模式而言，针对大尺度环流具有较高预测能力，但对东亚地区的降水预测能力较低，不能满足实际需求。ENSO

由于中国地处东亚季风区，自然条件复杂，剧烈变化的气候影响着东亚季风系统等因素，导致中国季节平均降水的短期气候预测，特别是临近月尺度水平一直不稳定。无论是气候模式还是目前的降尺度方法都无法精细的预测我国不同地区的临近降水特征。

发明内容

本发明的目的在于提供一种基于统计降尺度技术的短期气候预测方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于统计降尺度技术的短期气候预测方法，包括如下步骤，

S1、在建模的拟合时段内，对我国月平均降水和大尺度预测因子进行奇异值分解，通过这种奇异值分解计算，分别提取我国月平均降水和大尺度预测因子这两个变量的主模态典型耦合空间异性相关分布空间型和相应的主成分时间序列对；

S2、对月平均降水和大尺度预测因子进行连续月滚动建模；利用逐步回归分析的方法，获取适用于预测时间段的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对；

S3、利用一元线性回归分析的方法，根据建模的拟合时段内的月平均降水和大尺度预测因子的自适应主成分时间序列对，得到预测时间段的月平均降水的线性回归后的自适应主成分时间序列对；之后，利用预测时间段的大尺度预测因子原始场以及建模时段的自适应主模态典型耦合空间异性相关分布型，投影得到预测时间段的预测因子的自适应主成分时间序列对；最后，利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果。

优选的，步骤S1具体为，在建模的拟合时段t内，将使用经验正交分解方法滤波之后的月平均降水和大尺度预测因子利用奇异值分解方法进行分解，分别提取两变量的主模态典型耦合空间异性相关分布型和相应的主成分时间序列对，计算公式如下，

其中，m为所有的奇异值向量分解模态总数；x为空间点，t为时间；A(t,x)和B(t,x)分别表示月平均降水和大尺度预测因子；R

优选的，步骤S2具体为，结合步骤S1中获取的月平均降水和大尺度预测因子的主模态典型耦合空间异性相关分布型以及主成分时间序列对，进行连续月滚动建模，利用逐步回归分析的方法，获取适用于目标预报年的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，计算公式如下，

R

U

K

S

其中，α和β分别为月平均降水和大尺度预测因子耦合变化空间型的逐步回归自适应系数；R

优选的，步骤S3具体为，根据步骤S2中获取的适用于预测目标月平均降水的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，利用一元线性回归关系，获取得到预测时间段的月平均降水的自适应主成分时间序列对；计算公式如下，

其中，S

利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果；计算公式为，

其中，A(t+Δt,x)为目标预报年的月平均降水；

本发明的有益效果是：1、综合气候模式和前期关键因子，基于EOF、SVD以及多元线性回归等多种处理方法提取多种因子间最优耦合变化型，开发了多源信息动态处理及提取技术，构建最优信息集成自适应降尺度技术，实现对全国不同地区气候条件下的临近月平均降水的网格化预测。2、本发明能够提供更加精细化的预测结果，能够弥补站点较为稀疏甚至缺失地区的月平均降水预测，例如，青藏高原；本发明的网格降水预测结果能够为区域模式提供降水驱动场，从而得到更加精细的如长三角湿沉降、大气污染物的预报结果。

附图说明

图1是本发明实施例中预测方法的原理示意图；

图2是本发明实施例中2013年6月的预测降水空间分布型示意图；

图3是本发明实施例中2016年7月的预测降水空间分布型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，本实施例中提供了一种基于统计降尺度技术的短期气候预测方法，包括如下步骤，

S1、在建模的拟合时段内，对我国月平均降水和大尺度预测因子进行奇异值分解，通过这种奇异值分解计算，分别提取我国月平均降水和大尺度预测因子这两个变量的主模态典型耦合空间异性相关分布空间型和相应的主成分时间序列对；

S2、对月平均降水和大尺度预测因子进行连续月滚动建模；利用逐步回归分析的方法，获取适用于预测时间段的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对；

S3、利用一元线性回归分析的方法，根据建模的拟合时段内的月平均降水和大尺度预测因子的自适应主成分时间序列对，得到预测时间段的月平均降水的线性回归后的自适应主成分时间序列对；之后，利用预测时间段的大尺度预测因子原始场以及建模时段的自适应主模态典型耦合空间异性相关分布型，投影得到预测时间段的预测因子的自适应主成分时间序列对；最后，利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果。

本实施例中，步步骤S1具体为，在建模的拟合时段t内，将使用经验正交分解方法滤波之后的月平均降水和大尺度预测因子利用奇异值分解方法进行分解，分别提取两变量的主模态典型耦合空间异性相关分布型和相应的主成分时间序列对，计算公式如下，

其中，m为所有的奇异值向量分解模态总数；x为空间点，t为时间；A(t,x)和B(t,x)分别表示月平均降水和大尺度预测因子；R

经验正交分解方法滤波能够剔除无效的噪音，有利于抓住主要信号。

本实施例中，步骤S2具体为，结合步骤S1中获取的月平均降水和大尺度预测因子的主模态典型耦合空间异性相关分布型以及主成分时间序列对，进行连续月滚动建模，利用逐步回归分析的方法，获取适用于目标预报年的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，计算公式如下，

R

U

K

S

其中，α和β分别为月平均降水和大尺度预测因子耦合变化空间型的逐步回归自适应系数；R

本实施例中，步骤S3具体为，根据步骤S2中获取的适用于预测目标月平均降水的月平均降水和大尺度预测因子的自适应主模态典型耦合空间异性相关分布型以及主成分时间序列对，利用一元线性回归关系，获取得到预测时间段的月平均降水的自适应主成分时间序列对；计算公式如下，

其中，S

利用预测时间段的月平均降水的自适应主成分时间序列对和建模时间段的月平均降水的自适应主模态典型耦合空间异性相关分布型，得到目标预报年的月平均降水结果；计算公式为，

其中，A(t+Δt,x)为目标预报年的月平均降水；

本实施例中，本专利的关键核心技术是场信息耦合型统计降尺度技术,该技术针对一般统计降尺度技术中预测因子选择和组合等难点，基于EOF和SVD方法建立场信息耦合型，主要是用来选取多变量空间型之间的最优协同变化特征和相关关系，以此作为预测因子筛选和组合的依据。

实施例二

如图2和图3所示，本实施例中，利用本发明提供的预测方法，对中国站点(图2)和格点(图3)2018年夏季降水进行统计降尺度预测。相比与图2中的基于站点资料存在部分缺失的预测，图3中预测结果分布在全国包括青藏高原的所有地区。

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：

本发明提供了一种基于统计降尺度技术的短期气候预测方法，综合气候模式和前期关键因子，基于EOF、SVD以及多元线性回归等多种处理方法提取多种因子间最优耦合变化型，开发了多源信息动态处理及提取技术，构建最优信息集成自适应降尺度技术，实现对全国不同地区气候条件下的临近月平均降水的网格化预测。本发明能够提供更加精细化的预测结果，能够弥补站点较为稀疏甚至缺失地区的月平均降水预测，例如，青藏高原；本发明的网格降水预测结果能够为区域模式提供降水驱动场，从而得到更加精细的如长三角湿沉降、大气污染物的预报结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。