一种基于确定性系数的降水预报能力与遥相关作用关联方法转让专利
申请号 : CN202111194642.6
文献号 : CN113917568B
文献日 : 2022-06-24
发明人 : 赵铜铁钢 , 陈浩玲
申请人 : 中山大学
摘要 :
本发明涉及降水预报技术领域，提出一种基于确定性系数的降水预报能力与遥相关作用关联方法，包括以下步骤：获取历史预报降水数据、观测降水数据和气象指标样本序列，得到原始样本数据；建立观测降水分别与预报降水、气象指标，以及预报降水和气象指标的并集的回归方程，通过回归方程分别求得相应的确定性系数；基于集合运算分别计算单独被预报降水所解释的方差、单独被气象指标解释的方差，以及单独被预报降水和气象指标重复解释的方差；利用自举法对方差进行处理，得到方差的参考分布；将原始样本数据与方差的参考分布进行对比，得到降水预报能力与遥相关作用关联结果，有效区分出降水预报和气象因子所提供的观测降水信息中重叠和差异的成分。
权利要求 :
1.一种基于确定性系数的降水预报能力与遥相关作用关联方法，其特征在于，包括以下步骤：S1、获取历史预报降水数据、观测降水数据和气象指标样本序列，得到原始样本数据；
S2、建立观测降水分别与预报降水、气象指标，以及预报降水和气象指标的并集的回归方程，通过所述回归方程分别求得相应的确定性系数；
S3、根据所述确定性系数，基于集合运算分别计算单独被预报降水所解释的方差、单独被气象指标解释的方差，以及单独被预报降水和气象指标重复解释的方差；
S4、利用自举法对所述方差进行处理，得到三种方差的参考分布；
S5、将原始样本数据与三种方差的参考分布进行对比，得到降水预报能力与遥相关作用关联结果。
2.根据权利要求1所述的降水预报能力与遥相关作用关联方法，其特征在于，所述气象指标样本序列中包含的气象指标包括 和/或
3.根据权利要求2所述的降水预报能力与遥相关作用关联方法，其特征在于，通过观测2
降水与预报降水的回归方程确定的确定性系数R(o～f)的计算公式如下：式中，ok表示第k年的观测降水数据，fk表示第k年的预报降水数据，K为降水数据总年数；α1和β1为线性回归模型的截距项和斜率项；ε1,k为线性回归模型的残差项；表示观测降水多年平均值。
4.根据权利要求3所述的降水预报能力与遥相关作用关联方法，其特征在于，通过观测降水与气象指标的回归方程确定的确定性系数 的计算公式如下：式中， 为第k年的气象指标，α2和β2为线性回归模型的截距项和斜率项；ε2,k为线性回归模型的残差项。
5.根据权利要求4所述的降水预报能力与遥相关作用关联方法，其特征在于，通过观测降水与预报降水和气象指标的并集的回归方程确定的确定性系数 的计算公式如下：式中，α3为线性回归模型的截距项，β3,1和β3,2为线性回归模型的斜率项；ε3,k为线性回归模型的残差项。
6.根据权利要求5所述的降水预报能力与遥相关作用关联方法，其特征在于，所述S3步骤中，单独被预报降水所解释的方差的表达公式如下：单独被气象指标解释的方差的表达公式如下：
单独被预报降水和气象指标重复解释的方差的表达公式如下：
7.根据权利要求1～6任一项所述的降水预报能力与遥相关作用关联方法，其特征在于，利用自举法对所述方差进行处理的步骤包括：打乱所述历史预报降水数据和气象指标样本序列，重复执行S2～S3步骤，得到相应的三种方差，直至达到预设的迭代次数，得到三种方差的参考分布。
8.根据权利要求7所述的降水预报能力与遥相关作用关联方法，其特征在于，所述S5步骤中，采用单边检验方法将原始样本数据与三种方差的参考分布进行对比。
9.根据权利要求8所述的降水预报能力与遥相关作用关联方法，其特征在于，所述S5步骤中，将原始样本数据与三种方差的参考分布进行对比的步骤包括：选择显著性水平，并根据所选择的显著性水平确定参考分布阈值；将原始样本数据值大于其对应方差的参考分布阈值，则认定该原始样本数据值为显著，否则认定为不显著；然后将该显著性结果作为降水预报能力与遥相关作用关联结果输出。
10.根据权利要求9所述的降水预报能力与遥相关作用关联方法，其特征在于，还包括以下步骤：将原始样本数据与三种方差的参考分布进行对比得到的显著性结果通过图表进行展示。
说明书 :
一种基于确定性系数的降水预报能力与遥相关作用关联方法
技术领域
[0001] 本发明涉及降水预报技术领域，更具体地，涉及一种基于确定性系数的降水预报能力与遥相关作用关联方法。
背景技术
[0002] 准确的季节降水预报在洪涝与干旱等自然灾害的防灾减灾、水资源规划与管理等领域具有重要的价值和广阔的应用前景。厄尔尼诺‑南方涛动(ElOscillation,ENSO)现象是全球季节降水异常的重要驱动因素。一些研究将表征ENSO事件的气象因子(如 和 等)作为预测因子，利用气象因子对降水的遥相关
作用，对季节降水进行预测。另一方面，世界上许多国家和地区的气象、气候中心开始研发各自的全球气候模型(Global Climate Model,GCM)，这些模型表征了与气候相关的各种关键物理过程，其预报结果具有明确的物理含义。
作用，对季节降水进行预测。另一方面，世界上许多国家和地区的气象、气候中心开始研发各自的全球气候模型(Global Climate Model,GCM)，这些模型表征了与气候相关的各种关键物理过程，其预报结果具有明确的物理含义。
[0003] 虽然气象因子和GCM降水预报都能够为季节降水提供信息，但是在实际应用这些信息时，难以判断具有一定物理含义的GCM季节降水是否囊括了关键遥相关作用的信息；在全球不同区域，气象因子和GCM季节降水各自提供的信息在多大程度上是冗余的，气象因子和GCM季节降水分别提供的信息有多大。为了解答这些问题，有必要提出一个简单实用的方法，来判断两者信息的重叠和差异，为在实际业务中使用预报信息提供一定的参考。
发明内容
[0004] 本发明为解决判断全球气候模型季节降水预报与关键遥相关作用信息重叠和差异的问题，提供一种基于确定性系数的降水预报能力与遥相关作用关联方法。
[0005] 为解决上述技术问题，本发明的技术方案如下：
[0006] 一种基于确定性系数的降水预报能力与遥相关作用关联方法，包括以下步骤：
[0007] S1、获取历史预报降水数据、观测降水数据和气象指标样本序列，得到原始样本数据；
[0008] S2、建立观测降水分别与预报降水、气象指标，以及预报降水和气象指标的并集的回归方程，通过所述回归方程分别求得相应的确定性系数；
[0009] S3、根据所述确定性系数，基于集合运算分别计算单独被预报降水所解释的方差、单独被气象指标解释的方差，以及单独被预报降水和气象指标重复解释的方差；
[0010] S4、利用自举法对所述方差进行处理，得到三种方差的参考分布；
[0011] S5、将原始样本数据与三种方差的参考分布进行对比，得到降水预报能力与遥相关作用关联结果。
[0012] 与现有技术相比，本发明技术方案的有益效果是：本发明将集合运算与线性回归确定性系数相结合，简单且有效的区分出降水预报和气象因子所提供的观测降水信息中重叠和差异的成分，从而为降水预报的业务使用提供参考。
附图说明
[0013] 图1为实施例1的降水预报能力与遥相关作用关联方法的流程图。
[0014] 图2为DJF的 指标和观测降水相关系数的分布图。
[0015] 图3为确定性系数的空间分布图。
[0016] 图4为预报降水、 提供信息独立和重叠成分的空间分布图。
[0017] 图5为全球网格上预报降水和 信息的关联关系分类情况分布图。
[0018] 图6为八种不同关联关系分类情况下预报降水和 信息韦恩图。
具体实施方式
[0019] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0020] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0021] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0022] 实施例1
[0023] 本实施例提出一种基于确定性系数的降水预报能力与遥相关作用关联方法，如图1所示，为本实施例的基于确定性系数的降水预报能力与遥相关作用关联方法的流程图。
[0024] 本实施例提出的基于确定性系数的降水预报能力与遥相关作用关联方法中，包括以下步骤：
[0025] S1、获取历史预报降水数据、观测降水数据和气象指标样本序列，得到原始样本数据。
[0026] 其中，所获取的气象指标样本序列中包含的气象指标包括 和/或在本实施例中，选用 作为气象指标。
[0027] S2、建立观测降水分别与预报降水、气象指标，以及预报降水和气象指标的并集的回归方程，通过所述回归方程分别求得相应的确定性系数。
[0028] 该步骤中，分别建立观测降水ok与预报降水fk的回归方程、观测降水ok与气象指标的回归方程，以及观测降水ok与预报降水和气象指标的并集 的回归方程，进一步求取由上述三种回归方程确定的确定性系数。
[0029] 其中，通过观测降水ok与预报降水fk的回归方程确定的确定性系数R2(o～f)的计算公式如下：
[0030]
[0031]
[0032] 式中，ok表示第k年的观测降水数据，fk表示第k年的预报降水数据，K为降水数据总年数；α1和β1为线性回归模型的截距项和斜率项；ε1,k为线性回归模型的残差项；表示观测降水多年平均值。其中通过比较残差平方和以及观测降水总方差，可以求得对应的确定性系数。
[0033] 通过观测降水ok与气象指标 的回归方程确定的确定性系数的计算公式如下：
[0034]
[0035] 式中， 为第k年的 气象指标样本序列，α2和β2为线性回归模型的截距项和斜率项；ε2,k为线性回归模型的残差项。
[0036] 通过观测降水ok与预报降水和气象指标的并集 的回归方程确定的确定性系数 的计算公式如下：
[0037]
[0038] 式中，α3为线性回归模型的截距项，β3,1和β3,2为线性回归模型的斜率项；ε3,k为线性回归模型的残差项。其中通过比较残差平方和以及观测降水总方差，可以求得对应的确定性系数。
[0039] S3、根据所述确定性系数，基于集合运算分别计算单独被预报降水所解释的方差、单独被气象指标解释的方差，以及单独被预报降水和气象指标重复解释的方差。
[0040] 其中，单独被预报降水所解释的方差的表达公式如下：
[0041]
[0042] 单独被气象指标解释的方差的表达公式如下：
[0043]
[0044] 单独被预报降水和气象指标重复解释的方差的表达公式如下：
[0045]
[0046] S4、利用自举法对所述方差进行处理，得到三种方差的参考分布。
[0047] 本实施例中，利用自举法对所述方差进行处理的步骤包括：打乱所述历史预报降水数据和气象指标样本序列，重复执行S2～S3步骤，得到相应的三种方差，直至达到预设的迭代次数，得到三种方差的参考分布。
[0048] 在本实施例中，设置的迭代次数为1000次。
[0049] S5、将原始样本数据与三种方差的参考分布进行对比，得到降水预报能力与遥相关作用关联结果。
[0050] 本步骤中，采用单边检验方法将原始样本数据与三种方差的参考分布进行对比。其中，将原始样本数据与三种方差的参考分布进行对比的步骤包括：选择显著性水平，显著性水平通常可选择0.1，0.05和0.01，其对应的参考分布阈值分别是参考分布的第90、95和
99百分位数；当显著性水平设为0.1时，若原始样本数据值大于其对应方差的参考分布的第
90百分位数，则认定该原始样本数据值为显著，否则认定为不显著。然后将该显著性结果作为降水预报能力与遥相关作用关联结果输出。
99百分位数；当显著性水平设为0.1时，若原始样本数据值大于其对应方差的参考分布的第
90百分位数，则认定该原始样本数据值为显著，否则认定为不显著。然后将该显著性结果作为降水预报能力与遥相关作用关联结果输出。
[0051] 在一具体实施过程中，存在8种显著性结果，其具体如下表1所示。
[0052] 表1八种不同的组合所代表的关联关系
[0053]
[0054]
[0055] 其中，标注为1表示原始样本数据值在对应的确定性系数认定为显著，标注为0表示原始样本数据值在对应的确定性系数认定为不显著。
[0056] 本实施例中，将集合运算与线性回归确定性系数相结合，进一步结合自举法和单边检验法，简单且有效的区分出降水预报和气象因子所提供的观测降水信息中重叠和差异的成分，从而为降水预报的业务使用提供参考。
[0057] 实施例2
[0058] 本实施例基于实施例1提出的降水预报能力与遥相关作用关联方法进行试验。
[0059] 以美国气候预测中心(CPC)1982‑2010全球季节网格降水数据为观测数据，以美国环境预报中心(NCEP)的第二代气候预报系统CFSv2为预报降水数据，以 指标表示ENSO现象。其中，CFSv2预报降水采用0个月预见期的季节预报降水。以冬季(December‑January‑February，DJF)为例。观测降水和预报降水空间分辨率均为1°×1°。
[0060] 如图2所示，为DJF的 指标和观测降水相关系数的分布图。由图可知，全球范围内很多区域出现了明显的遥相关作用，但这种作用在不同区域表现非常不同，展现出明显的空间相关性。例如，在北美南部， 指标和该区域降水呈正相关，所用在厄尔尼诺年分，该地区降水偏多，在拉尼娜年分，该地区降水偏少。相反的，在南美洲北部，指标和该区域降水呈负相关，说明在厄尔尼诺年分，气候偏干，在拉尼娜年分偏湿。
[0061] 对于图2中每一个网格的降水，分别建立观测降水和预报降水、 指标以及2
两者并集之间的回归方程，并分别计算得到相应的确定性系数R (o～f)， 和
2
两者并集之间的回归方程，并分别计算得到相应的确定性系数R (o～f)， 和
2
[0062] 如图3所示，为三种确定性系数R (o～f)， 和 各自的全球分布。由图可知，在部分地区，由预报所提供的信息与由 所提供的信息大小相当、空间分布相似，可能存在一定的重叠，例如北美洲南部、南美洲北部、非洲东部等地。
此外，部分区域预报能够提供更多的信息，例如北欧、亚洲北部、澳大利亚东南部等地。还有一部份区域， 可以提供更多的信息，如澳大利亚西部。整体而言，当以两者的并集为解释变量时，能够解释最多的信息(即图3中最后一行子图)。
此外，部分区域预报能够提供更多的信息，例如北欧、亚洲北部、澳大利亚东南部等地。还有一部份区域， 可以提供更多的信息，如澳大利亚西部。整体而言，当以两者的并集为解释变量时，能够解释最多的信息(即图3中最后一行子图)。
[0063] 为了量化预报降水和 各自分别提供的信息和两者重叠的信息，进一步的，2 2
利用集合运算的方法得到两者重叠的R和各自独立的R。如图4所示，为集合运算的结果，即三种方差的空间分布。图4所示的分布图
很好的区分出了预报降水独立解释的部分方差，主要位于亚欧大陆北部、澳大利亚东南部、非洲西部、非洲东部部分地区。而 指标单独提供的信息主要分布在澳大利亚西部、非洲南部的部分地区。最后，两者有所重叠的区域主要分布在北美洲南部、南美洲北部、南美洲东南部、非洲东部和南部、东亚部分地区。图示结果很好的印证了图3的预期，说明本发明提出的降水预报能力与遥相关作用关联方法能够有效的区分出预报能力和 指标各自提供的信息。
利用集合运算的方法得到两者重叠的R和各自独立的R。如图4所示，为集合运算的结果，即三种方差的空间分布。图4所示的分布图
很好的区分出了预报降水独立解释的部分方差，主要位于亚欧大陆北部、澳大利亚东南部、非洲西部、非洲东部部分地区。而 指标单独提供的信息主要分布在澳大利亚西部、非洲南部的部分地区。最后，两者有所重叠的区域主要分布在北美洲南部、南美洲北部、南美洲东南部、非洲东部和南部、东亚部分地区。图示结果很好的印证了图3的预期，说明本发明提出的降水预报能力与遥相关作用关联方法能够有效的区分出预报能力和 指标各自提供的信息。
[0064] 进一步的，本实施例对三组根据确定性系数确定的方差分别进行显著性检验。三组显著性结果共可能有八种不
同的组合情况，具体如表1所示。
同的组合情况，具体如表1所示。
[0065] 如图5所示，为全球网格上的预报降水和 信息的关联关系分类情况分布图，显示了八种不同情况在空间上的分布。图例中的三位数字分别对应表1所给出的显著性结果，其中数字1代表显著，数字0代表不显著，其中第一位数字表示 的显著性，第二位数字表示 的显著性，第三位数字是 的显著性。该分布图给出了最终CFSv2预报降水和 指标之间各自提供信息的差异和重叠。例如，“010”网格，即预报降水和 指标都提供了观测降水的信息，且两者的信息是重叠的。
这类网格主要分布在北美洲南部、南美洲北部、南美洲东南部、非洲东部和南部、东亚部分地区。
这类网格主要分布在北美洲南部、南美洲北部、南美洲东南部、非洲东部和南部、东亚部分地区。
[0066] 进一步的，如图6所示，通过韦恩图表示信息的差异和重叠情况。从所得的八种分类情况中，各随机抽取一个网格(网格位置以大写字母标记于图2分布图中)，对每个网格的预报降水和 所提供的信息用韦恩图进行表示。图中黄色虚线圆圈表示的预报降水2 2 2
的R ，即R (o～f)，灰色实线圆圈代表的是 指标的R ，即 两者重叠的
白色部分即 两者未重叠的部分分别是 和
三个部分的总面积即 图6所示的韦恩图很好的表示出了信息之间的关
系，例如D网格(011)，预报能力所提供的信息几乎完全被 指标所提供的信息完全包含，说明了在这个网格上， 指标能够提供更多的信息，而预报能力没有提供遥相关以外的信息。而G网格(110)则相反， 指标的信息被完全包含在预报所提供的信息中。
的R ，即R (o～f)，灰色实线圆圈代表的是 指标的R ，即 两者重叠的
白色部分即 两者未重叠的部分分别是 和
三个部分的总面积即 图6所示的韦恩图很好的表示出了信息之间的关
系，例如D网格(011)，预报能力所提供的信息几乎完全被 指标所提供的信息完全包含，说明了在这个网格上， 指标能够提供更多的信息，而预报能力没有提供遥相关以外的信息。而G网格(110)则相反， 指标的信息被完全包含在预报所提供的信息中。
[0067] 以上实验结果表明，本发明提出的一种基于确定性系数的降水预报能力与遥相关作用关联方法，可以有效量化出预报降水和 指标所提供信息之间的差异和重叠，并能够直观的展示出不同的关联关系分类情况，能够为预报的业务使用提供参考。
[0068] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。