[发明专利]一种同化行星尺度和机器学习外强迫的气候模式预测方法

说明书

本发明涉及一种同化行星尺度和机器学习外强迫的气候模式预测方法，该模式包括以下步骤：⑴分离出背景场中1~3波的信息；⑵利用流依赖的同化技术，形成模式的初始条件；⑶采用机器学习方法，形成气候模式的海温外强迫场；⑷采用机器学习方法建模，形成气候模式的陆地外强迫场；⑸利用观测和再分析资料，通过机器学习对冰冻圈缓变信号进行建模，得到冰冻圈信号的跨季节外推预测值，该预测值作为模式外源强迫项；⑹形成大气边界场；⑺进行季节气候预测；⑻进行检验订正，得到修订值；⑼将非线性信息和线性变化信息二者叠加作为一个预测值；⑽将修订值和预测值按照历史拟和率进行集合，即得最终的预测结果。本发明可有效地改进气候预测结果。

技术领域

本发明涉及气候预测技术领域，尤其涉及一种同化行星尺度和机器学习外强迫的气候模式预测方法。

背景技术

跨季节气候预测是指预测时段在2周到1个季节的气候预测。以欧洲共同体和美国为首的西方发达国家，在短-中期数值天气预报领域取得了令人瞩目的成绩，目前，欧洲的1~5天的数值天气预报技术取得了令人满意的结果，并在业务中广泛使用。但10天以上的气候预报结果则不能令人满意，如图1所示，尤其15~30天和月季尺度的气候预测则处于探索阶段，远远不能满足人们的需要，而且尚不能业务化。因此，跨季节气候预测是一个世界性难题，是具有很大挑战性的前沿科技问题。

目前的跨季节气候预测技术分为两类：一类是美国和欧洲数值天气预报中心为代表的地球系统模式的研发和应用。但存在3个方面的限制：一是外强迫分量模式的不确定太大，大多数分量模式处于研发阶段，这是由于作为外强迫的冰盖、海冰、海洋过程的了解并不深入，许多参数化过程不完善，甚至是错误的；二是外强迫量的变化尺度不一致，在地球系统模式中只有进行长时间尺度的积分才能体现出来，而有些过程的总体变化远大于1个月到一个季度，因此，季节内的变化虽小但对气候有影响，却很难刻画出来；三是大气本身的信号最长只能持续两周，两周以上大气信号一杯气候飘移所掩盖。另一类是是统计预报方法，是指利用前期的统计得到的“信号”，一般含有大气外强迫，也含有大气自身的信息，这种方法的拟合率高，但预测水平较低，目前已非主流，主要使用在缺少主流方法（第一类）条件的机构。

我国以模式为核心的技术处于起步阶段，目前主要是采用单一的气候（或地球系统模式）同化现有观测资料的方法，并以统计方法为主，该方法为线性，使用的外强迫“信号”是太平洋海温（海气相互作用的信号-ENSO）和作为一个整体来考虑的青藏高原积雪，当二者变化在正常范围内，则预测技术不具备可预报性。也有部分气候模式的结果，但不作为主要的预测依据。

机器学习是一门多领域交叉学科，属于人工智能核心，是一种利用概率论、统计学、逼近论、凸分析、算法复杂度理论等，模拟或实现人类的学习行为，从资料中获取新的知识和模型，并进行外推预测的技术。国内外目前已开展了类似的工作，但是，学习的内容仅限于海洋温度场的构建，学习的信号则来自于海表温度和大气场；进入模式的途径也是直接作为模式的下边界条件。

发明内容

本发明所要解决的技术问题是提供一种有效地改进气候预测结果的同化行星尺度和机器学习外强迫的气候模式预测方法。

为解决上述问题，本发明所述的一种同化行星尺度和机器学习外强迫的气候模式预测方法，包括以下步骤：

⑴根据气候特征时间尺度和大气环流演变之间的关系，对大尺度背景场进行尺度分析，分离出背景场中1~3波的信息；

⑵利用流依赖的同化技术，将所述1~3波的信息同化进入大气模式，形成模式的初始条件；

⑶采用机器学习方法，结合观测进而再分析资料，通过考虑海洋热量和盐分的传导速度，选择不同深度的海温，对海表温度进行建模，并逐周（7天）进行1~3个季节的预报，形成气候模式的海温外强迫场；

⑷利用土壤温、湿度观测和再分析资料，采用机器学习方法建模，通过考虑土壤水分和热量传导速度，获得未来1~2个季节底下2 m深度内逐层的土壤温、湿度资料，形成气候模式的陆地外强迫场；