基于SVD方法的夏季气温延伸期预报方法

本发明涉及大气科学，更具体地说，它涉及一种基于svd方法的气温延伸期预报方法。

背景技术：

1、目前短期天气预报(10天以下)与中长期气候预测(一个月以上)均达到了较好的效果，然而介于二者之间的延伸期预报(10-30天)一直是天气预报的短板，是实现无缝隙预报的关键一环。延伸期预报的时间范围预示着其对重大气象灾害预警，减灾防灾的重要性。目前延伸期预报能力较为薄弱的原因主要是缺少针对性的延伸期预报方法。

2、为了提高延伸期预报水平，世界天气研究计划和世界气候研究计划于2023年联合发起了次季节至季节预测计划(s2s)。已有学者的研究表明，s2s模式对于大尺度模态的预报技巧较高，但对于灾害性天气的延伸期预报技巧较低。除了动力模式之外，一些学者也尝试建立统计预报模型。统计预报模型通常是利用大尺度环境因子的前兆信号，通过其与预报量之间的统计关系建立统计预报模型。但统计预报模型往往会忽略预报因子影响预报量的物理机制，容易导致预报因子表现不稳定。zhu等(2015)基于svd分析，考虑了大尺度预报因子与预报量的时空间耦合关系，建立了时空间投影模型(stpm)。该模型被广泛用于中国气温、降水等的延伸期预报。然而，当大尺度预报因子发生较大的改变时，可能会导致预报因子与预报量之间的耦合关系发生改变，从而降低预报技巧。同时，由于某省自身的地域特色，缺少针对该地区季节内气温的预报因子研究，因此尚没有建立针对性的预报模型。

3、因此本专利希望立足于某省，利用svd方法的优势，在综合考虑大尺度环境因子与气温之间耦合关系的基础上，针对性的确定某省季节内尺度气温变率的延伸期预报因子，并建立延伸期预报模型。

技术实现思路

1、为解决上述问题，本专利提供一种基于svd的气温延伸期预报方法，包括如下步骤：

2、一、季节内气温信号提取：

3、第一，将原始资料t进行90天的低通滤波，得到气候态的年循环tannualcycle。再用原始资料去掉气候的年循环，得到异常场t′；

4、t′＝t-tannualcycle(1)

5、第二，将上述得到的异常场t′向前滑动40天取平均，得到80天以上的信号：

6、

7、其中i代表某一时刻，t″代表80天以上信号，t′代表第一步中得到的异常场，n代表时间序列总长度；

8、再用异常场减去80天以上的信号，保留周期为80天以下的信号t″′。

9、t″′＝t′-t″     (3)

10、第三，将上述结果向前滑动5天取平均，滤去高频扰动，最终得到季节内气温信号：

11、

12、其中t*代表夏季气温季节内信号；

13、二、训练阶段延伸期可预报因子寻找

14、(1)初步寻找可预报因子

15、利用超前滞后相关分析，将夏季季节内气温与其他大尺度背景场(例如海平面气压、位势高度等)分别进行提前5天、提前10天、提前15天、提前20天、提前25天、提前30天的相关分析。根据相关系数空间分布图，初步确定某省夏季季节内气温的可预报因子，及预报因子的传播范围和区域。

16、(2)svd分析

17、将某省夏季季节内气温与可能的预报因子场进行svd分析，得到4个物理量：气温空间模态(u)、预报因子空间模态(v)、气温时间系数(u)、预报因子时间系数(v)其中气温空间模态与预报因子空间模态是耦合的。

18、

19、

20、其中x代表预报因子，t代表预报量，k代表svd模态数，i1×j1代表预报因子的空间范围，i2×j2代表预报量的空间范围，t代表训练阶段。

21、对各模态气温时间序列和预报因子时间序列进行相关分析，保留显著正相关(经过99％显著性检验)的模态作为可预报因子。这样后续才可以用预报因子的时间系数去反演预报量的时间系数。

22、(3)交叉检验

23、为了保证预报因子的稳定表现，需要对可预报因子进行交叉检验。具体步骤如下：对上述初步确定的可预报因子，随机去掉一年的某省气温和可预报因子数据，将剩余的数据重新排列，再进行svd分析，得到新的svd模态与时间系数。将去掉这一年的气温与可预因子分别投影至对应的svd模态上，得到相关系数。这样重复数次进行检验，删除相关系数不显著(没有经过99％显著性检验)的模态。若所有模态均不过检，则删除该预报因子。最终将表现稳定的因子与其svd模态选为可以用于预报某省夏季气温的预报因子和对应svd模态。

24、(4)多模式集成

25、将不同预报因子建立的多模型预测出的某省气温，利用多元线性回归方法进行拟合，得到多模式融合方程。

26、三、独立回报阶段气温预报

27、首先计算各预报因子svd模态时间系数与气温svd模态时间系数的标准差，得到预报因子与预报量的时间系数的强度转化系数α；

28、

29、其中std代表标准差，u代表气温时间系数，v代表预报因子时间系数，i代表第i个svd模态，k′代表经过交叉检验后确定的svd模态总数；

30、再将独立回报阶段可预报因子投影至第二步中选取的预报因子空间模态上，得到回报阶段各svd模态对应的时间系数vi(tf)。vi(tf)代表独立回报阶段tf时次的第i模态的预报因子时间系数v。

31、由于预报因子时间系数与气温时间系数是高度相关的，强度上相差转化系数，因此可以将预报因子的时间系数乘以转化系数α，用以反演出气温的时间系数。将各模态时间系数与步骤二得到的气温的各模态相乘并相加，得到预报的某省气温:

32、

33、其中t**代表气温预测值，tf代表独立回报阶段，i2×j2代表气温的空间范围，k′代表经过交叉检验后确定的svd模态总数，u代表气温空间模态，v代表预报因子时间系数，α代表预报因子与气温的时间系数的强度转化系数。

34、由于在步骤二中，选择了多个可预报因子。针对每个可预报因子，都可以建立预报模型，并预报出对应的某省的气温。

35、四、预报效果评估

36、(1)模型评估

37、对步骤三中各预报模型进行评估，利用空间相关系数(tcc)和时间相关系数(pcc)分别定量评估模式对某省气温季节内变率和空间分布的预报能力。tcc/pcc的值越大代表预报技巧越高。

38、(2)多模式集成

39、将多模型预测出的某省气温，利用训练时期(步骤二)建立的多元线性回归方程进行拟合，最终得到某省气温预测值。

40、与现有技术相比，本发明的有益效果是：

41、(1)非传统滤波

42、传统的季节内(10-80天)信号提取方法是利用带通滤波得到，这样会损失时间序列的边界信号，同时难以直接用于实时预报中。本专利对某省夏季气温进行了非传统滤波，可以更好的提取季节内尺度信号。

43、(2)svd方法

44、传统的统计方法往往忽略预报量与预报因子之间的物理关系，导致预报因子表现不稳定。本专利基于svd方法，并对结果进行交叉检验，选择表现稳定的预报因子与预报因子svd模态建立预报模式。

45、(3)有针对性行的寻找预报因子

46、前人的研究多针对全国区域或其他区域，针对某省气温进行季节内预测的研究极少。由于某省自身的地域特色，针对其他区域选择的可预报因子对于某省而言，可能并不适用。因此本专利着眼于某省地区，将某省夏季季节内气温信号与大尺度背景场进行超前滞后相关分析，有针对性地选取预报效果稳定的预报因子。