欢迎来到延伸期预报—江苏省气象科学研究所课题组!
您的位置: 首页 > 最新动态

延伸期低频分量预报模型

文章来源:江苏省气象科学研究所延伸期预报课题组      发表时间:2019-08-16      点击次数:1475

延伸期低频分量预报模型


杨秋明 江苏省气象科学研究所 延伸期天气预报课题组


随着卫星遥感等多种观测手段进步,近年来气候观测获得的各种全球数据迅速增加,这些具有高度数据相关性和多重数据属性的科学大数据反映和表征着复杂的自然现象与关系[1,2]。采用数据分解、扩展和变换等技术,从大量数据中提取出部分有效数据,可以获得比过去抽样分析更全面的两半球中纬度大气低频变化信息,为极端天气事件10~30 d延伸期预报[3,4]提供了更好的发展基础,并形成从天气到气候的无缝隙业务预报体系。直接从多变量、超长序列、高度耦合相关的大量观测资料中提取与特定区域(如长江流域等)极端天气事件关系密切的主要的全球ISO,约简系统复杂度,由动态数据来驱动复杂低频变化过程与系统的构建,可以显著延长区域极端天气过程预报时效。杨秋明(2014)建立了一系列简化的时变线性预测模型(MLR,ECAR,MLR/PC-CAR),明显延长了预测时效,可以较好地预测未来40~50 d内长江下游地区降水20~30 d低频分量的变化。其中基于独立回归方程组的MLR低频分量预报模型(Low frequency component forecast model, LFCF)称为LFCF1.0[5];基于复数自回归递推的ECAR预报模型称为LFCF2.0[6-8];而通过独立回归方程和复自回归递推时间耦合的MLR/PC-CAR预报模型是LFCF3.0[9]。这些大数据下的延伸期预报方法在预报时效和稳定性方面优于基于集合数值模式、经典统计等小数据时代的主要延伸期预报方法,它将延伸期预报理论研究和实践应用实时地联系在一起,通过数据的动态更新显著改进预报精度。


大数据预测完全依赖大数据来源,大数据模型则是通过寻找海量数据与算法的对应关系而确定,是具体的数据运算,并无抽象过程,不是经典理论模型和确定性或随机性数值计算模型以及经典统计模型。它的特征与价值体现在容量可扩充、类型可多样、动态可积累这3个维度上。大数据最大的价值在于通过数据的不断叠加而增加发现事物规律或关联关系的可能性,通过多种观测数据增加获取的预测信息的增量来显著改进预测精度。充分利用气象科学大数据的资源,从不同角度去研究发现一些新的大气环流变化的多种不同时间尺度的(经典)统计规律,可以得到更多的表征延伸期极端天气变化的小数据变化信号。着眼大数据、分析小数据,揭示大小数据之间的可能联系和变化。在全球遥相关的框架下,分析东亚地区不同ISO型及其年际和年代际变化的差异,分析全球海温、雪盖等外强迫与ISO强度变化的时变相关,可以得到更多的不同区域极端天气和不同时间尺度的ISO之间的联系和变化的新规律。基于多尺度、多层次的资料中全球大气遥相关性(部分过程物理机制未知或不能用经典理论表示或各个组成部分之间相互有影响其因果关系具有多样性),以全球历史和实时观测大数据为样本,完全由数据驱动建立简化的随时间变化的延伸期预测模型LFCF1.0(MLR)LFCF2.0(ECAR)LFCF3.0(MLR/PC-CAR),其延伸期预测精度和时效可以显著优于传统的小数据时代的动力模式或统计模式,而且其超前性是经典方式所无法比拟的。


气象大数据具有规模大、价值高、交叉复用、全息可见特征,不仅仅有规模更大的数据的量上的进步,还具有不同于以前数据组织和应用形式的质的飞跃。其价值的增长应该正比于规模的增长,实时应用需要像操作一个小数据一样简单,这就要求数据组织非常好,内部的各种内容及关联清晰可见,客观体现大数据中的自然变化属性,可以容易获取数据的逻辑片段并进行分析处理。不同的数据包含的各种时间尺度的预测信息必然不同,同样的关键数据在不同年份和特定区域对极端天气的指示意义也有显著差异。所以,活用数据,分析核心数据本身的局限性及其变化也十分重要。跳出既定思维的框架,从多种角度出发,跳出01的选择,可以有第三种或更多的选择。数据应用是小而美(目标简单具体),而不是大而全。淡化非核心数据,分析影响各种极端天气的关键数据的优先级,通过数据与数据之间的连接,充分发挥数据外部性并通过与某些相关数据交叉融合产生远大于简单和的巨大价值。把数据激活,将静态数据变成动态数据,并不断更新关键的数据,适应主要相关关系变化的新常态,形成一个崭新的数字化的数据环境。三分技术,七分数据,数据分析是提高10天以上天气预报准确率的主要动力。由数据中获得知识,知识本身就是新数据,从新数据中再获得新知识,以此递进,构成动态变化的知识体系。从数据中来,到数据中去, 利用数据获得更有用的数据,建立数据的数据,在实践中提炼数据,可以显著延长极端天气事件预报时效,为气候预测方法的创新和发展增添新的动力。


(2019.9.26)


参考文献:


[1] Sue N. Big data: The Harvard computers. Nature, 2008, 455: 36–37.


[2] Overpeck J T, Meehl G A, Bony S, et al. Dealing with data: Climate data challenges in the 21st century. Science, 2011, 331: 700–702.


[3]Hoskins B. The potential for skill across the range of the seamless weather-climate prediction problem: a stimulus for our science. Quarterly Journal of the Royal Meteorological Society,2013,139:573-584.


[4] 杨秋明. 10~30 d 延伸期天气预报方法研究进展与展望.地球科学进展,2015,30(9): 970-984.


[5] 杨秋明.2013年初夏长江下游降水低频分量延伸期预报的多变量时滞回归模型.气象,2015, 41(7):881-889.


[6] 杨秋明.2013年长江下游降水低频分量延伸期预报的扩展复数自回归模型.物理学报,2014,63,doi: 10.7498/aps.63.199202.


[7] Yang, Q. Predictability and prediction of low-frequency rainfall over the lower reaches of the Yangtze River valley on the time scale of 20―30 days. Journal of Geophysical Research: Atmospheres, 2018,123:211-233. https://doi.org/10.1002/2017JD027281.


[8]杨秋明. 长江下游夏季低频温度和高温天气的延伸期预报研究. 地球科学进展, 2018, 33(4): 385-395.


[9] 杨秋明.基于20-30d振荡的长江下游地区夏季低频降水延伸期预报方法研究.气象学报, 2014, 72(3): 494-507.