[发明专利]基于经验模态分解和数值集合预报的短期气候预测方法

说明书

技术领域

本发明涉及一种基于经验模态分解和集合预报技术对气候序列数据(20-50年)的短期预测(5-10年)，适用于对气候突发性变化需要敏感把握的情况，如霜冻(降温)、暴雨等灾害性天气。

背景技术

气候预测是大气科学的一个重要分支，而气候变化的预测则又是各级气象台站开展业务短期气候预测的最主要内容之一。

气候系统是一种耗散的、具有多个不稳定源的高阶非线性系统，其复杂的内部相互作用和自由变化导致了气候的可变性和复杂性，也导致了气候变化的多尺度特性^[1-3]。由于目前我们对岩石圈、水圈、冰雪圈、生物圈(包括人类活动)的了解甚少，所积累的资料精度和完备性十分不足，因此就目前人类对气候系统的了解而言，要建立起精确的反映气候系统变化的非线性动力学方程组是不可能的^[4]，这就给气候变化预测的动力学理论研究带来了极大的困难。

就目前来说，我们赖以进行短期气候预测工作的根据有两个方面：一是对气候变化进行了严密的监视，利用各种仪器在全球范围进行了定时观测，从而积累了关于它过去和现在情况的大量数据；二是气候系统为一物理系统，通过物理学和数学的研究，获知了一些气候变化应遵循的物理规律，并可以用数学语言来表示^[5，6]。第二种方法实际上就是一种时间序列预测方法。

时间序列是指同一种现象在不同时间上的相继观察值排列而成的一组数字序列。时间序列预测方法的基本思想是：在预测一个现象的未来变化时，用该现象的过去行为来预测未来。即通过时间序列的历史数据揭示现象随时间变化的规律，将这种规律延伸到未来，从而对该现象的未来做出预测。随着计算机技术的发展，特别是自从著名统计学家Box和Jenkins于1968年发展了一整套随机时间序列的模型识别、参数估计和诊断检验的经典建模^[7]方法以来，时间序列预测的发展非常迅速，在气象、天文、电力、医学、生物、经济、金融和计算机等各个领域已有广泛的应用，并日益显示出强大的生命力和重要性，已成为一门独立的重要数学分支。迄今已有不少专家、学者从事这方面的研究，并建立了一套比较完整的理论和应用体系^[8，9]。

本发明是一种针对气候的预测方法，属于时间序列预测的一种，而考虑到气候系统的特殊性，在预测过程中加入了两种对数据序列的处理，即经验模态分解(Empirical ModeDecomposition，EMD)和集合预报技术。EMD方法从本质上讲是对一个信号(或其导数，视所需的分解精度而定)进行平稳化处理，其结果是将信号中不同尺度的波动或趋势逐级分解开来，产生一系列具有不同特征尺度的数据序列，每一个序列称为一个本征模函数(Intrinsic Mod Function，IMF)分量，不同的分量成为了平稳信号，使得后面的数据预测等处理更加合理、有效。集合预报是针对单一模式预报不确定性而引入到数值预报中的，它过滤了预报中的随机成分，从而能获得一个相对稳定的预报结论，本发明中将序列值根据预先指定的成员数进行处理，重新组合再求集合平均，以期得到不稳定解的概率降低。

参考文献

[1]林振山，杨修群.理论气候学[M].南京：南京大学出版社，1996.

[2]林振山.气候建模、诊断和预测的研究[M].北京：气象出版社，1996.

[3]尤卫红.气候变化的多尺度诊断分析和预测的多种技术方法研究[M].北京：气象出版社，1998.

[4]林振山，邓自旺，尤卫红.理论气候学中的几个基本问题[J].热带气象学报，1995，11(2)：187-192.

[5]胡增臻，黄荣辉.长期天气预报业务和方法研究的最新进展[J].气象科技，1993，(1)：1-10.

[6]尤卫红.对云南省气象台近年来长期天气预报的检验[J].云南气象，1992，(2)：30-31.

[7]Pawlak Z.Rough Sets[J].International Journal of Computer and information Science，1982，11(5)：341-356.

[8]Hu Xiao Hua，Cercone N.Learning in relational databases：a rough set approaeh[J].Computational Intelligence，1995，11(2)：323-337.