本發(fā)明屬于大氣科學(xué)預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于多因子的多參數(shù)相似集合的短期氣候預(yù)測方法。

背景技術(shù)：

氣候異常對國民經(jīng)濟及農(nóng)業(yè)生產(chǎn)有很大影響，國家領(lǐng)導(dǎo)和各級政府都很重視。但由于氣候系統(tǒng)空間尺度大、時間尺度長，氣候異常及其成因相當復(fù)雜；而要對氣候異常進行預(yù)測則相當困難。

我國已開展的氣候預(yù)測業(yè)務(wù)主要集中在月、季、年尺度，即短期氣候預(yù)測?，F(xiàn)在業(yè)務(wù)中使用的主要方法有氣候模式和各種統(tǒng)計及動力統(tǒng)計相結(jié)合的方法。當前，氣候系統(tǒng)模式能合理預(yù)測東亞季風(fēng)多時間尺度變率、主要空間模態(tài)分布、季風(fēng)與其它氣候系統(tǒng)尤其是與厄爾尼諾-南方濤動(ENSO)的關(guān)系，等等。雖然氣候模式預(yù)測系統(tǒng)已能夠?qū)θ蚝蛥^(qū)域氣候特征尤其是ENSO、季風(fēng)等主要氣候現(xiàn)象展現(xiàn)出合理的預(yù)測技巧，且對我國氣候尤其是極端氣候異常事件的預(yù)測能力明顯提升。但是，受分辨率有限、初始條件不確定、物理過程不完善、氣候現(xiàn)象本身的可預(yù)報性有限等多種因素影響，氣候模式對東亞氣候的預(yù)測存在明顯誤差及巨大不確定性，特別是在東亞副熱帶季風(fēng)區(qū)的預(yù)報能力很弱?？傮w看，我國短期氣候預(yù)測水平仍十分有限。

為了提高預(yù)測水平，動力統(tǒng)計相結(jié)合的預(yù)測方法成為現(xiàn)階段較為關(guān)注、又行之有效的預(yù)測方法之一。如通過發(fā)展集合預(yù)報技術(shù)、利用統(tǒng)計與動力相結(jié)合的降尺度方法等來提高短期氣候預(yù)測技巧。其中相似理論及方法在各類預(yù)測領(lǐng)域及模式誤差訂正等方面被廣泛應(yīng)用。我們知道若要制作技巧水平高的預(yù)報，不僅需要較好地把握有意義的物理因子，還要有對好的方法的合理使用。相似預(yù)報效果的好壞除了受預(yù)測因子影響外，還主要受相似性度量的方法的影響。統(tǒng)計學(xué)上已有的度量相似的參數(shù)有十余種，但實際應(yīng)用過程中的不同會導(dǎo)致差異，即使是同一種度量參數(shù)也可能有不同的結(jié)果。此外，不同相似度量參數(shù)的特征不同，在使用的時候最好加以區(qū)分。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的缺陷，提供一種綜合形態(tài)和距離相似的多參數(shù)相似預(yù)測方法。

為了達到上述目的，本發(fā)明提供了一種基于多因子的多參數(shù)相似集合的短期氣候預(yù)測方法，該方法通過獲取關(guān)鍵因子集，優(yōu)化組合關(guān)鍵因子集，然后進行相似預(yù)測；其中，相似預(yù)測采用多因子多參數(shù)相似預(yù)測，具體方法如下：按照預(yù)測時效，利用對關(guān)鍵因子集優(yōu)化組合得到的相應(yīng)的組合因子，以預(yù)測年因子，運用歐式距離、相似系數(shù)、相似離度、海明距離反映樣本間空間距離或者形態(tài)相似的多個相似參數(shù)，不同類型的相似參數(shù)兩兩組合使用，并依照先形態(tài)后距離或者先距離后形態(tài)相似的順序，選取最佳相似年和相反年各若干年，通過合成方法對最佳相似年與相反年計算其合成值，并以統(tǒng)計t檢驗達到90％顯著可信的區(qū)域站點為預(yù)測將發(fā)生明顯異常的站點，以相似年合成值、相反年合成值及合成差值的加權(quán)平均作為目標預(yù)測值，對區(qū)域氣候進行預(yù)測。

本發(fā)明短期氣候預(yù)測方法的具體步驟如下：

(1)基本因子場關(guān)鍵區(qū)域選擇：根據(jù)歷史資料計算500hPa流函數(shù)、200hPa勢函數(shù)及850hPa勢函數(shù)作為基本因子場，針對預(yù)測目標，選擇基本因子場關(guān)鍵區(qū)域；

(2)關(guān)鍵區(qū)域因子主分量獲得：對所述各基本因子場關(guān)鍵區(qū)域依照不同的預(yù)測時效分別進行經(jīng)驗正交函數(shù)分解，得到相應(yīng)關(guān)鍵區(qū)域因子主分量；

(3)關(guān)鍵因子集獲?。喊凑疹A(yù)測時效，進一步計算不同關(guān)鍵區(qū)域因子主成分與預(yù)測目標的相關(guān)系數(shù)，根據(jù)相關(guān)顯著性選取相應(yīng)預(yù)測時效的預(yù)測因子，獲取關(guān)鍵因子集；

(4)優(yōu)化組合關(guān)鍵因子集：按照預(yù)測時效，通過經(jīng)驗正交函數(shù)展開對關(guān)鍵因子集進行優(yōu)化組合得到相應(yīng)的組合因子，并保證各預(yù)測因子間的相對獨立性；

(5)多因子多參數(shù)相似預(yù)測：按照預(yù)測時效，利用對關(guān)鍵因子集優(yōu)化組合得到的相應(yīng)的組合因子，以預(yù)測年因子，運用歐式距離、相似系數(shù)、相似離度、海明距離反映樣本間空間距離或者形態(tài)相似的多個相似參數(shù)，不同類型的相似參數(shù)兩兩組合使用，并依照先形態(tài)后距離或者先距離后形態(tài)相似的順序，選取最佳相似年和相反年各若干年，通過合成方法對最佳相似年與相反年計算其合成差值，并以統(tǒng)計t檢驗達到90％顯著可信的區(qū)域站點為預(yù)測將發(fā)生明顯異常的站點，以相似年合成值、相反年合成值及合成差值的加權(quán)平均作為目標預(yù)測值，對區(qū)域氣候進行預(yù)測；其中預(yù)測因子個數(shù)通過以下方法確定：預(yù)測因子個數(shù)根據(jù)因子組合模態(tài)所解釋總體方差的貢獻超過95％為標準，即步驟(4)對因子集進行經(jīng)驗正交函數(shù)展開累積方差貢獻達到95％之前的模態(tài)個數(shù)為最終選定的因子個數(shù)；

(6)交叉檢驗集合預(yù)測：對所選取的歷史資料依照預(yù)測時效進行交叉檢驗，同時根據(jù)步驟(5)對獨立預(yù)測時段預(yù)測目標進行多次預(yù)測，通過集合給出預(yù)測目標的預(yù)測結(jié)果。

(7)逐月滾動集合預(yù)測：針對預(yù)測目標，按照預(yù)測時效逐月經(jīng)步驟(5)、步驟(6)分別得到起報月前各月的多參數(shù)相似合成預(yù)測值及交叉檢驗集合預(yù)測結(jié)果，在此基礎(chǔ)上，對起報月之前更長預(yù)測時效的可預(yù)測區(qū)域站點的有效預(yù)測結(jié)果滾動至對應(yīng)預(yù)測時效的預(yù)測結(jié)果中，通過對不同預(yù)測時效的預(yù)測結(jié)果進行集合，得到預(yù)測目標的逐月滾動集合預(yù)測值；所述有效預(yù)測的確定方法如下：根據(jù)步驟(6)多次交叉檢驗集合預(yù)測具有有效的預(yù)測值的站點。

本發(fā)明相比現(xiàn)有技術(shù)具有以下優(yōu)點：本發(fā)明氣候預(yù)測方法運用多個獨立因子，綜合運用包含形態(tài)和距離相似的相似參數(shù)，通過計算在長時間歷史資料庫中選取針對預(yù)測年的最佳相似和相反樣本，并對上述樣本進行統(tǒng)計合成，對通過統(tǒng)計顯著性達到90％的站點要素進行預(yù)測；同時，利用交叉檢驗集合、逐月滾動集合增加有效可預(yù)報站點數(shù)及預(yù)測結(jié)果的穩(wěn)定性。本發(fā)明氣候預(yù)測方法，綜合使用多種參數(shù)，通過多因子多參數(shù)相似的計算選取最佳相似/相反樣本，再結(jié)合統(tǒng)計合成與顯著性檢驗方法，針對要素異常變化顯著的區(qū)域站點進行預(yù)測，具有預(yù)測時效長、計算相對模式簡單、預(yù)測結(jié)果較穩(wěn)定，特別是對異常區(qū)域的預(yù)測具有較高的評分，該方法不僅僅局限于因子與預(yù)報量之間線性部分的預(yù)測。相似方法的非線性使該方法在不同尺度預(yù)測領(lǐng)域存在更好的應(yīng)用前景，也可用于模式產(chǎn)品的統(tǒng)計釋用以提高模式預(yù)報準確率水平。

附圖說明

圖1為本發(fā)明氣候預(yù)測方法的流程圖；

圖2是基于該方法進行擬合預(yù)測的有效可預(yù)報站點數(shù)隨預(yù)測時效的分布；

圖3是針對中國冬季氣溫擬合預(yù)測的Ps評分；

圖4是針對中國冬季氣溫擬合預(yù)測的Ts評分；

圖5是針對中國冬季氣溫擬合預(yù)測的ACC評分；

圖6是針對中國冬季氣溫擬合預(yù)測的Sk評分；

圖7 2015/2016年冬季對應(yīng)的前期1月因子及相似年因子的演變特征。

圖中，ENC1為多因子多參數(shù)相似集合預(yù)測結(jié)果；ENC2為多因子多參數(shù)相似集合+交叉檢驗集合預(yù)測結(jié)果；ENC3為多因子多參數(shù)相似集合+交叉檢驗集合+逐月滾動集合預(yù)測結(jié)果；

圖3-6中a為針對2010/2011-2014/2015年進行獨立預(yù)測的結(jié)果；b為針對1979/1980-2008/2009年冬季氣溫進行擬合的結(jié)果；

圖7中包含分別按照僅考慮空間距離相似(E_D)、僅考慮空間形態(tài)相似(C_D)以及既考慮空間距離相似，又考慮空間形態(tài)相似(EC_D)選取的前期因子的演變特征；圖中橫坐標是因子序數(shù)，縱坐標是因子距平值。

具體實施方式

下面結(jié)合附圖對本發(fā)明進行詳細說明。

各相似參數(shù)及評估參數(shù)如下：

1、相似參數(shù)

(1)相似系數(shù)

${\mathrm{cos\θ}}_{ij}=\frac{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}{X}_{jk}}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{X}_{ik}^2}\sqrt{\underset{k=1}{\overset{m}{\Σ}}{X}_{jk}^2}}$

(2)歐式距離

$d_{ij}=\sqrt{\underset{k=1}{\overset{m}{\Σ}}{(X_{ik}-X_{jk})}^2}$

(3)相似離度

$D_{ij}=\frac{1}{2}(S_{ij}+E_{ij})$

$S_{ij}=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}|X_{ijk}-F_{ij}|$

$E_{ij}=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}\left|X_{ijk}\right|$

X_ijk＝X_ik-X_jk

$F_{ij}=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}{X}_{ijk}$

(4)海明距離

H_ij＝|X_ik-X_jk|

其中，X為因子場。k＝1,m為入選因子的維數(shù)；i為試預(yù)報年的序數(shù)；j為因子樣本序數(shù)。其中相似參數(shù)(1)相似系數(shù)注重樣本間的形態(tài)相似，(2)歐氏距離及(4)海明距離注重樣本間的距離相似，(3)相似離度有說既注重形態(tài)相似，又注重距離相似。但也有文獻證實(3)其實質(zhì)注重空間距離的相似(羅陽等，2011)。本發(fā)明實施例以(1)-(2)、(1)-(3)、(1)-(4)兩兩組合為3組，每組計算得到2個最佳相似樣本和2個最佳相反樣本，這樣針對某年的預(yù)測一共可得到6個最佳相似年和6個最佳相反樣本。2、預(yù)測結(jié)果的評估參數(shù)

(1)相關(guān)系數(shù)用下式表示(ACC)：

$ACC=\frac{\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\ΔR}}_f-\stackrel{\‾}{{\mathrm{\ΔR}}_f})({\mathrm{\ΔR}}_0-\stackrel{\‾}{{\mathrm{\ΔR}}_0)}}{\sqrt{\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\ΔR}}_f-{\stackrel{\‾}{{\mathrm{\ΔR}}_f)}}^2({\mathrm{\ΔR}}_0-\stackrel{\‾}{{\mathrm{\ΔR}}_0}}{)}^2}$

式中，ΔR_f、為降水距平百分率(或平均氣溫距平)的預(yù)報值及其平均值：ΔR₀、為相應(yīng)觀測值：N為評分總站數(shù)。

(2)技巧評分用下式表示(S_k)：

$S_k=\frac{N_a-N^{\′}}{N-N^{\′}}$

式中，N_α、N分別為預(yù)報準確的站數(shù)和參加評分的總站數(shù)：N′為基于某種無技巧預(yù)報期望能預(yù)報準確(這里僅指距平符號報對；預(yù)報和實況出現(xiàn)零距平均視為正距平)的站數(shù)。由于氣候差異，不同地區(qū)、不同季節(jié)的溫度、降水氣侯概率會有所不同，這里定義隨機預(yù)報的準確率，F(xiàn)＝(P₁×P₁+P₂×P₂)/(P₁+P₂)。

(3)異常級評分用下式表示(T_s)：

異常級評分主要用來評估預(yù)測異常級的能力，通常指達到二級或一級異常，用下式表示：

$T_S=\frac{N_c}{N_o+N_f-N_c}$

式中，N_f、N_O分布表示預(yù)測和實況達到異常級的站數(shù)，N_c報對的異常級站數(shù)。TS評分表示報對的異常級站數(shù)占預(yù)測和實況異常級總站數(shù)的比，同時考慮了報錯的影響。

(4)預(yù)報評分用下式表示(P_s)：

$P_s=\frac{N_0+f_1\×n_1+f_2\×n_2}{N+f_1\×n_1+f_2\×n_2}\×100$

式中，N₀為距平符號報對的以及預(yù)報與實況雖距平符號不同但都屬正常級(各級標準見表1)的站數(shù)；N為參加評分范圍內(nèi)的總站數(shù)：n₁、f₁和n₂、f₂分別為一級異常報對和二級異常報對的站數(shù)和權(quán)重系數(shù)。一級和二級權(quán)重系數(shù)f_i＝1/p_i，f_i與月或季的降水距平百分率達到一級或二級異常出現(xiàn)的氣候概率(p_i)成反比，稱之為反比權(quán)重系數(shù)，根據(jù)1951—1995年歷史資料按月、季分別統(tǒng)計得到(p_i各月或季的值略)。為方便起見，在實際使用時取月或季平均(表2)的整數(shù)值作為固定權(quán)重系數(shù)，即：季節(jié)預(yù)報f₁＝5，f₂＝2。

表1平均氣溫距平分級標準

表2各月、季一級或二級異常權(quán)重系數(shù)(f₁或f₂)計算值

本發(fā)明短期氣候預(yù)測以前期1月起報，針對當年12月-次年2月冬季氣溫進行預(yù)測，示例該方法的總體思路和效果。

首先，基于1979/1980-2008/2009年30年1月全國160站月平均氣溫資料和NCEP/NCAR逐月格點風(fēng)場資料計算的500hPa高度場、200hPa與850hPa勢函數(shù)資料。對1979/1980-2008/2009年冬季全國160站氣溫距平進行EOF(Empirical Orthogonal Function，經(jīng)驗正交函數(shù))分解，并通過投影得到2009/2010-2014/2015年冬季氣溫距平對應(yīng)的時間系數(shù)值。通過計算氣溫時間系數(shù)與不同超前時間的三層次因子場的全球相關(guān)，選取因子場的關(guān)鍵區(qū)域。逐月勢函數(shù)(30°S～30°N)、逐月500hPa高度場(30°N～85°N)。本發(fā)明預(yù)測目標和預(yù)測因子均先選取因子增量與預(yù)測目標增量之間的關(guān)系對其年際增量進行預(yù)測，然后通過簡單的和運算得到預(yù)測年的距平預(yù)測值。

如圖1所示，本發(fā)明提供的氣候預(yù)測方法，包括如下步驟：

步驟1，根據(jù)超前時間組合相應(yīng)的因子原場，對1979/1980-2008/2009年冬季全國160站氣溫距平對應(yīng)的前期因子原場分別按關(guān)鍵區(qū)域范圍進行EOF展開，得到對應(yīng)的時間系數(shù)。這里預(yù)測時效從前一年的1月開始到次年1月；同樣對獨立試驗的2010/2011-2014/2015年相應(yīng)因子原場也通過投影得到其時間系數(shù)；

步驟2，運用關(guān)鍵區(qū)域因子EOF分解得到的時間系數(shù)作為初選因子集，這里根據(jù)步驟1選擇850hPa(30°S-30°N，0°-360°E)、200hPa勢函數(shù)場(30°S-30°N，0°-360°E)、500hPa高度場(30°S-85°N，0°-360°E)的年際增量分別進行EOF分解，得到相應(yīng)的時間系數(shù)；選取500hPa高度場、850hPa勢函數(shù)場、200hPa勢函數(shù)場時間系數(shù)分別為前12個、前5個、前2個共20個因子；再對上述因子集進行EOF分解，得到組合因子主成分作為最終的預(yù)測因子，第一因子即為組合因子的第一主成分；上述因子均按照不同預(yù)測時效進行分解組合，即前期2月起報的因子為前期2月因子場分析得到。

步驟3，對不同時效入選的20個因子集合按照時效進行組合并進行EOF展開，選取時間系數(shù)為最終的預(yù)測因子，預(yù)測因子個數(shù)以EOF展開模態(tài)所解釋的方差貢獻達到95％的個數(shù)為準。這里前12個因子模態(tài)可解釋95.4％的總方差，所以最終選擇的因子個數(shù)為12。

步驟4，依照預(yù)測時效，按照多因子的多參數(shù)相似得到針對擬合預(yù)測年的最佳相似和相反樣本，并通過合成分析得到相應(yīng)的預(yù)測值，多參數(shù)集合取多個最佳樣本的合成預(yù)測的平均值(這里以相似年合成值、相反年合成值及合成差值的加權(quán)平均得到，權(quán)重系數(shù)依次分別取0.25、0.25和0.5。)；

步驟5，依照預(yù)測時效，針對1979/1980-2008/2009年的資料進行交叉檢驗，每次檢驗建模時去掉其中的一年，這樣一共進行30次檢驗和相似預(yù)測。每進行一次檢驗預(yù)測的同時對獨立預(yù)測年(2010/2011-2014/2015年)都進行一次相似預(yù)測，通過這30次結(jié)果的集合得到目標的交叉檢驗集合預(yù)測值；通過步驟4-5得到的結(jié)果就為多因子多參數(shù)相似集合+交叉檢驗集合的預(yù)測結(jié)果。

步驟6，針對預(yù)測目標依照不同時效的逐月預(yù)測經(jīng)步驟4-5得到的多參數(shù)相似集合+交叉檢驗集合的預(yù)測結(jié)果，對起報月之前月份具有有效預(yù)測結(jié)果的站點的預(yù)測值滾動集合到該時效的預(yù)測值中，可得到多因子多參數(shù)相似集合+交叉檢驗集合+逐月滾動集合的預(yù)測結(jié)果。

如圖2所示：由圖2可以看出如果只考慮逐月的多因子多參數(shù)相似集合預(yù)測或者多因子多參數(shù)相似集合+交叉檢驗集合預(yù)測，而不實行逐月滾動，則從前一年1月開始對當年冬季的氣溫進行預(yù)測，其可以進行預(yù)報的有效站點隨著預(yù)測時效的分布沒有明顯的增加或者減少趨勢，總體可預(yù)測站點數(shù)較少。但如果進行逐月滾動，則可以進行預(yù)報的有效站點隨著預(yù)測時效的變短而增加，自前期4月起可實現(xiàn)預(yù)測站點的全覆蓋。

從圖3-圖6可以看出，預(yù)測時效從前一年的1月到當年1月。最長預(yù)測時效為13個月。

多因子多參數(shù)相似集合預(yù)測(ENC1)、多因子多參數(shù)相似集合+交叉檢驗集合預(yù)測(ENC2)和多因子多參數(shù)相似集合+交叉檢驗集合+逐月滾動集合預(yù)測(ENC3)三種方法的擬合預(yù)測評分P_s、距平相關(guān)系數(shù)ACC、基于隨機預(yù)報的技巧評分S_k、異常級評分T_s分別為：91.3/91.8/91.8、0.58/0.61/0.61、0.50/0.53/0.53、0.62/0.68/0.68；相應(yīng)的獨立預(yù)測評估分別為：88.0/88.1/88.2、0.56/0.58/0.59、0.26/0.29/0.28、0.52/0.53/0.53?？傮w看，各種評分均顯示ENC2較ENC1的評分要高，而ENC2同ENC3相比，雖然評分上沒有顯示出明顯的優(yōu)越性，但是由圖2可知，ENC3較ENC2的可預(yù)報站點數(shù)明顯增加，其預(yù)測效果還能夠保持在較高的水平，且相對穩(wěn)定。

由圖7可見，其中既考慮空間距離相似，又考慮空間形態(tài)相似(EC_D)選取的前期因子的演變特征與預(yù)測年因子的演變最相似。

本發(fā)明實施例中涉及的一些技術(shù)包括：不排除在包括所述要素的過程、方法中還存在另外的相同要素。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視本發(fā)明的保護范圍。