[发明专利]一种基于经验正交分解的日尺度降尺度预测方法

权利要求书

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对应的时间段相同或不同；所述ERA-Interim和GFDL数据所包括的大尺度环流变量为：海平面气压slp以及分别在850hPa、700hPa、500hPa、250hPa和100hPa下的气温ta、绝对湿度q、纬向风u_a和经向风v_a、位势高度z一共26个变量，它们的时间精度为日尺度。

3.根据权利要求1所述的预测方法，其特征在于，步骤三中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，如式(1)所示：

其中x代表大尺度环流变量，y代表日降水观测值。

4.根据权利要求1所述的预测方法，其特征在于，步骤五中，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，其中格点为所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，如式(2)所示：：

X＝U×S×V^T (2)，

其中X矩阵的行数代表时间序列长度，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。