[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

说明书

本发明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。

技术领域

本发明属于气候预测技术领域，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。

背景技术

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。

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技术领域亟需解决的难题之一。

发明目的

本发明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，本发明具有多个优点：(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。

发明内容

本发明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：

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。

附图说明

图1是本发明所述预测方法的流程图。

图2是本发明实施例中再分析和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。