[发明专利]一种嵌入模糊集状态的自适应预报方法和系统

说明书

技术领域

本发明涉及预测技术领域，尤其涉及针对大质量惯性系统(如大气系统、水文系统)预测要素的多步预报方法和系统。

背景技术

预测技术普遍应用于气象、水文、生态环境等各种领域的目标要素的预报，例如众所周知的天气预报是对温度等目标要素的长期或短期的预测。

现有的预测技术针对预报对象的尺度特征进行方法设计。以大气系统举例，它的运动无论在空间上还是在时间上分辨都具有多尺度特征，因而描述大气系统的预报模式，在模型设计上也具有尺度上的针对性。根据不同的预报对象的尺度特征，预报模式的性能上存在很大差异。以现有的天气预报举例，预报模式对1-5d(天)有相对较高的准确性，但是对首日早期时段(1-12h(小时))及5d(天)以上的中长期天预报的参考价值却十分有限。尽管空间分辨率上，模式网格和数据同化系统的分辨率可达很高精度，但是改进局部尺度预测的准确性仍是一个紧迫且受到持续关注的热点问题(参考下述文献1和2)。

大尺度动力预报模式(数值预报)给出的趋势项，对于局部小尺度预报的结果有很大影响，因为它直接反映了时间尺度较大、空间范围较大的大气运动，强迫(激励)较小尺度环境的调制作用。趋势项是具体决定了小尺度环境的干湿冷暖特征的前兆信息。因此，如何处理大尺度趋势项对于小尺度预报情景极为重要。所谓大尺度运动是指空间范围较大，时间过程较长的一些现象(例如持续1天或几天的物理过程)；而小尺度通常可以看做空间局部性的一个点，是未来很短时间之内发生的变化(例如与当前最临近的1-12h之内)。典型的，降水过程的发展就是大尺度运动进行能量和物质交换的结果，它不仅在相对较大空间尺度内发生，并且在较长的时间尺度上演化。而精细化的天气预报需要找到这些大尺度的信息对局部单点区域影响的关系，从而对小尺度要素特征进行准确预报。

以短时预报，特别是临近预报为例，它关注时间在1-12h，空间在10km范围内进行的预测过程。目前主要采用的方法有动力模式、统计模型和二者混合的统计降尺度预报方法(参考下述文献2)，综合了这些方法的针对北京2008奥运的高精度预报，首日每3h的地面温度预报的平均绝对误差(MAE)达1.8℃(参考下述文献1)，说明针对局部尺度的预报是一个具有挑战性的难题。

为了进一步说明大尺度趋势项的决定性作用，一些技术采用单一的历史样本构成的统计模型，在未使用数值天气预报(NWP)趋势信息的前提下，仅在前1～2步取得了较好的准确率，但是预报误差在长程阶段显著增长。时间序列预测技术存在的多步误差增长是一种普遍现象(参考下述文献3)，通过改变统计方法或者优化模型参数并不能从本质上改善多步预报的精度。因此，在多步长预测的不同阶段，统计模式如何从有限分辨率的数值天气预报(NWP)中有效地提取并利用大尺度趋势信息就自然成为一个重要的问题。

另外，除短时预报之外，在大尺度运动到小尺度过度性质的预报技术中，也存在有下述问题。由于大尺度特征的未来情况通常是通过数值模式给出，即由物理方程定量的计算出大气状态在未来可能的趋势，大尺度特征本身是预报值而不是实测值，所以在描述大尺度特征对小尺度的影响程度时，存在着参考信息(大尺度特征)的不确定性描述的问题。

对短时预报而言，模式网格的尺度越精细越能更好地分辨小尺度运动。然而受到计算和同化条件的限制，实际的业务预报模式分辨率较低，一些由网格嵌套及参数化过程引入的预报风险也不可避免，就是说模式自身的不确定性不可忽略；另一方面，在统计模型中，利用数值天气预报(NWP)趋势信息时，怎样去描述它对大气趋势状态预报可能产生的影响，是一个困难的问题，因为它对预报效果的影响表现出的不确定性。在利用模式结果作为预报因子的过程中，趋势项通常被直接数值化，然后视作为样本特征。这种方式，使统计模型忽略了度量数值天气预报(NWP)趋势项的不确定性，因而丢失了有关预测状态的重要的信息。

参考文献：

1.Guo，H.，et al.，Refined forecast techniques and related verificationduring 2007 Olympic drilling.Meteorological Monthly，2008.34(6)：p.17～25.

2.Benestad，R.E.，I.Hanssen-Bauer，and D.Chen，Empirical-statisticaldownscaling.2008，New Jersey：World Scientific.