共查询到15条相似文献，搜索用时 370 毫秒
1.
气候系统具有非平稳特征,根本原因在于其外强迫随时间发生改变,因此外部驱动力的分析对于理解气候系统的动力学特征至关重要,而如何有效提取系统外部驱动信息是一个亟待解决的前沿科学问题。最近几年,在生物神经学领域中应用的一种提取非平稳信号中外强迫信息的方法——慢特征分析法(Slow Feature Analysis,SFA),在气象领域中也得到了初步成功的尝试,结果显示出此方法对气候系统的外强迫信息分析及有关动力学机制的探究有较好的应用前景。本文主要介绍SFA方法的理论思想及实施步骤,并通过一个理想的非平稳时间序列检验其提取外强迫信息的能力,结果证明在衰减的Logistic模型中,可利用SFA算法提取出模型中的外强迫,且与真实外强迫的相关系数可达0.99;此外,还介绍将该方法应用于Arosa臭氧时间序列,分析其提取的外强迫信息的动力学特征;并介绍了在气候时间序列建模中引入外强迫因子的预测效果。 相似文献
2.
利用慢特征分析法提取二维非平稳系统中的外强迫特征 总被引：1，自引：1，他引：0
慢特征分析法（Slow Feature Analysis,SFA）是一个从快变的信号中提取慢变特征的有效方法,它的提出丰富了人们对非平稳系统外强迫特征的重建手段。本文以Henon映射为基础,构造二维非平稳系统模型,尝试SFA方法在二维复杂非平稳系统中重建外强迫特征的能力。试验表明,SFA方法能够较好地从单时变参数Henon映射中提取出外强迫信号;通过结合小波变换技术,可以还原双时变参数Henon映射中的外强迫信号。另外,本文利用SFA方法重建了北京市气温的外强迫信号,分析其外强迫信号的尺度特征及其可能的物理机制。这些工作将为气候系统驱动力的研究提供新的思路。 相似文献
3.
慢特征分析（SFA）方法可以从非平稳时间序列中提取出慢变的外强迫信息。近年来,SFA方法被应用于气候变化研究领域,用于探究气候变化的潜在驱动力及相关的动力学机制。本文基于SFA方法,提取全球陆地表面气温（LSAT）的慢变外强迫信息,研究全球LSAT慢变驱动力的空间结构特征及低频变率的主要驱动因子。SFA方法提取的LSAT慢变驱动力与历史时期全球辐射强迫（GRF）和全球海表温度（SST）的主模态（大西洋多年代际振荡AMO、热带太平洋ENSO变率和太平洋年代际振荡PDO）有显著的相关关系,表明全球大部分地区LSAT的变率受到GRF和三个SST模态的显著影响。GRF对LSAT变率的影响有全球一致性的特征,而三个SST模态对LSAT变率的影响则呈现出明显的区域特点。此外,由于SFA方法可以有效降低原始LSAT序列中随机噪声的干扰,GRF和SST模态对LSAT变率的解释方差显著提高,进一步表明GRF和SST模态是全球LSAT低频变率主要的驱动因子。最后,利用历史海温驱动AGCM试验（即AMIP试验）的结果,验证了三个SST模态对区域LSAT变率的显著影响。 相似文献
4.
外强迫随时间的变化对于非平稳系统的影响十分重要,如何从该系统中重构或提取外强迫信息则成为研究其中动力学特征的关键所在。本文基于慢特征分析方法（Slow Feature Analysis,SFA）以连续系统（改变的Lorenz系统）为参考模型,分别讨论在周期型强迫、减弱的周期型强迫、指数衰减型强迫、伴随指数衰减的周期型强迫等条件下,SFA方法对模型中不同强迫信号的提取能力。结果显示,SFA方法能够提取作用于连续系统中的外强迫信息,其提取效果与外强迫的强度、噪声以及嵌入维数m有关:对于越弱的外强迫或者存在越强的噪声干扰,提取效果越差,提取信号中将出现虚假的高频波动;嵌入维数m的增大能在一定程度上提高外强迫信号的提取效果。试验还表明,作用在单一变量上的外强迫会将其驱动信息嵌入于系统中,因此,可以通过SFA分析方法从其他变量中提取其外强迫信号。 相似文献
5.
气温的天气和气候记忆性特征分析对于提高气候预测水平具有积极意义。利用济南和青岛1961—2020 年逐日、月和年平均气温资料,运用自相关性函数和标准化频率分布分析了上述时间序列的气温记忆性特征和概率分布特征,并利用结构函数法建立了月、年平均气温距平与日平均气温距平之间的分数阶导数关系。结果表明:(1)济南和青岛的月、年平均气温距平呈现不同程度的记忆性特征,其中年平均气温距平相比于月平均气温距平具有更好的记忆性。(2)济南和青岛的月、年平均气温距平与日平均气温距平之间存在分数阶导数关系,济南和青岛相应的月、年尺度阶数分别为0. 529、0. 665 和0. 553、0. 791,两地的月尺度阶数相近,但青岛略大,青岛的年尺度阶数大于济南,即青岛月和年平均气温距平的记忆性大于济南。(3)济南和青岛的月和年平均气温距平相比于日平均气温距平有不同程度的长尾特征,长尾特征反映了极值温度发生的概率。 相似文献
6.
基于EMD 和集合预报技术的气候预测方法 总被引：3，自引：0，他引：3
气候系统是典型的非平稳性系统,然而对于气候观测数据的处理通常是在时间序列平稳的假定下完成的,比如气温和降水的多步预报,这通常会导致预报准确度较低。为改进该缺陷,首先将非平稳数据序列分解成平稳的、多尺度特征的本征模态函数分量(IMF),再使用数值集合预报与逐步回归分析相结合的方式对每一个IMF 分量构建不同的预报模型,最后线性拟合成预报结果。通过Visual Studio 2008 开发平台使用上述方法建立了一个短期气候预报系统,采用广西区88 个气象站1957—2005 年的2 月距平气温数据进行实际验证。结果表明,相对于普通预测和单一预测方法,加入了EMD 和集合预报技术的方法在仅用历史资料进行多步预测的情况下,对于气候的变化趋势以及突发性气候具有更好的预报能力。 相似文献
7.
短期气候预测的多时间序列相空间相似模型 总被引：3，自引：0，他引：3
为了充分利用对气候系统进行定时观测而积累的关于它过去和现在情况的大量数据,本文提出了短期气候预测的一种多时间序列相空间相似模型,并从与云南气候变化有某种物理关系的２０多个时间序列出发,建立了一个云南短期气候变化的年度预测模型。模型对云南８０个气象观测站点１９９１～１９９８年的５月雨量距平和５月气温距平预测检验的距平同号率分别达到４２４／６４０＝ ６６．３％ 和４２６／６４０＝ ６６．６％ ;对云南１９９０～１９９７年的６～８月雨量距平、６～８月气温距平、年雨量距平和年气温距平预测检验的距平同号率则可分别达到４０４／６４０＝ ６３．１％ 、４６３／６４０＝ ７２．３％ 、４５６／６４０＝ ７１．３％ 和４５５／６４０＝ ７１．１％ 。 相似文献
8.
基于多时间尺度的回归集成预测模型 总被引：1，自引：0，他引：1
引入能够将非线性、非平稳过程的数据进行线性化和平稳化处理的EMD方法,对广东降水的时间序列进行时间尺度分离,从复杂的非平稳信号中提取相对简单以不同时间尺度振荡的准周期信号,选取能较好描述降水周期特征的IMF分量作为建模备选因子,然后以均生回归、均生相关、韵律拟合误差和拟合误差4种方法构建预测模型,结果得到采用多尺度因子构建的4种单预测模型近10年Ps评分和降水距平符号同号率平均分在68~73分和50%~58%之间,而采用4种模型构建的回归集成模型两种评分方法的平均分分别高达79.8和68.8%,较单一预测模型评分分别提高了近10分和10%以上。将具有降水指示信号的前冬赤道东太平洋海温因子耦合到回归集成预测模型,其Ps评分结果与纯降水集成模型相当,但同号率评分略高3.1%。从而,提取要素序列的多种时间尺度特征,并采用多模型的集成预报,均能有效提高短期气候预测水平。 相似文献
9.
10.
利用Marr小波变换和交叉小波变换，对河南省近50年气温、Nin。海区KSTA、南方涛动指数SOI月平均距平序列进行了时频特征分析。结果表明：河南气温距平(△T)、海面温度距平(△Tss)以及南方涛动指数距平(△Iso)序列中都存在着不同时间尺度的周期分量，并且各周期分量具有不同的强度；河南省气温变化与ENSO振荡过程之间也存在着多尺度联系。 相似文献
11.
12.
海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N~50°N、150°W~135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。 相似文献
13.
Shuoben Bi Shengjie Bi Xuan Chen Han Ji Ying Lu 《Asia-Pacific Journal of Atmospheric Sciences》2018,54(4):611-622
Observed climate data are processed under the assumption that their time series are stationary, as in multi-step temperature and precipitation prediction, which usually leads to low prediction accuracy. If a climate system model is based on a single prediction model, the prediction results contain significant uncertainty. In order to overcome this drawback, this study uses a method that integrates ensemble prediction and a stepwise regression model based on a mean-valued generation function. In addition, it utilizes empirical mode decomposition (EMD), which is a new method of handling time series. First, a non-stationary time series is decomposed into a series of intrinsic mode functions (IMFs), which are stationary and multi-scale. Then, a different prediction model is constructed for each component of the IMF using numerical ensemble prediction combined with stepwise regression analysis. Finally, the results are fit to a linear regression model, and a short-term climate prediction system is established using the Visual Studio development platform. The model is validated using temperature data from February 1957 to 2005 from 88 weather stations in Guangxi, China. The results show that compared to single-model prediction methods, the EMD and ensemble prediction model is more effective for forecasting climate change and abrupt climate shifts when using historical data for multi-step prediction. 相似文献
14.
广州中尺度模式局地要素预报性能分析 总被引：7，自引：2，他引：7
该文简要介绍了华南中尺度模式的地表要素的预报诊断方案, 站点要素时间序列预报情况.用适合站点要素时间序列预报的检验方法, 检验并分析了各要素时间序列预报的性能.表明该中尺度模式的地表要素时间序列预报方案是有效的, 预报具有较高的准确性和应用价值. 相似文献
15.
雷达回波外推是短临降水预报的一种重要方法。针对雷达回波外推中随着外推时间的增加而出现回波演变信息丢失这一问题,本文提出一种多尺度特征融合的深度学习短临降水预报模型(以下简称为MSF2)。首先,采用多尺度的卷积核对网络的浅层信息进行特征提取,弥补单一特征检测带来的不足。其次,将不同维度的特征信息进行拼接及通道混洗,进一步增强特征图通道之间的信息流通和信息表达能力。最后,将特征图中的多尺度信息进行融合,从而有效保留不同尺度的特征信息。利用华南雷达回波拼图资料数据,在3种不同降水强度（5 mm/h、10 mm/h和25 mm/h）下进行降水预报研究,并与光流法和ConvLSTM两种主流算法进行了对比。结果显示,在3种不同降水强度条件下,MSF2在所有评价指标（命中率POD、临界成功指数CSI、误报率FAR）中表现最优,这表明引入多尺度机制能改善模型的特征提取能力。相比于目前主流的光流法和ConvLSTM,本文提出的模型对于短临降水预报具有较好的适用性和较高的预报精度,而且实现了业务化运行。 相似文献