CN106485371B - 中国江南地区夏季平均气温短期气候预测方法及*** - Google Patents

中国江南地区夏季平均气温短期气候预测方法及*** Download PDF

Info

Publication number
CN106485371B
CN106485371B CN201611018984.1A CN201611018984A CN106485371B CN 106485371 B CN106485371 B CN 106485371B CN 201611018984 A CN201611018984 A CN 201611018984A CN 106485371 B CN106485371 B CN 106485371B
Authority
CN
China
Prior art keywords
summer
data
parameters
tropical
average temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201611018984.1A
Other languages
English (en)
Other versions
CN106485371A (zh
Inventor
刘舸
彭京备
王慧美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Meteorological Sciences CAMS
Institute of Atmospheric Physics of CAS
Original Assignee
Chinese Academy of Meteorological Sciences CAMS
Institute of Atmospheric Physics of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Meteorological Sciences CAMS, Institute of Atmospheric Physics of CAS filed Critical Chinese Academy of Meteorological Sciences CAMS
Priority to CN201611018984.1A priority Critical patent/CN106485371B/zh
Publication of CN106485371A publication Critical patent/CN106485371A/zh
Application granted granted Critical
Publication of CN106485371B publication Critical patent/CN106485371B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种对中国江南地区夏季平均气温的短期气候定性预测方法，包括计算中国江南地区的夏季平均气温数据，计算与上述夏季平均温度数据相对应的前期冬季热带印度洋地区的气象参数数据，特别是使用了表示热带西北印度洋地区热状况异常的TWNIO指数作为上述气象参数，利用以上夏季平均气温数据和气象参数数据构建预测模型，通过该预测模型在冬季即可预测中国江南地区的夏季平均气温。本发明的方法能够通过前期气象参数较为准确、高效地预测气温，尤其对于中国江南地区夏季高温，该方法具有很强的预测能力，能够对国家气候灾害提供有效的预警信息。

Description

中国江南地区夏季平均气温短期气候预测方法及***
技术领域
本发明涉及气象预测技术领域。
背景技术
一般而言，对于中国东部夏季气候异常(如旱涝、冷暖等)的定性预测，人们往往关注前期冬季太平洋地区厄尔尼诺(El
Figure BDA0001150457530000011
)或拉尼娜(La
Figure BDA0001150457530000012
)型海温异常的影响，并将其作为短期气候预测的重要前期因子。但是采用上述因子进行预测的准确度目前比较低，特别是对强高温的预测能力比较差，由于强高温往往会造成更大的气候灾害，因此目前急需一种能够准确预测中国东部夏季气候，特别是强高温预测能力比较强的预测方法，从而为国家气候灾害的防范提供有效的帮助。
发明内容
鉴于目前上述对气候预测所存在的问题，本发明的目的在于，提供一种能够通过前期气象参数较为准确、高效地预测气温，尤其是中国江南地区夏季气温的方法，该方法具有很强的高温预测能力，能够对国家气候灾害提供有效的预警信息。
为达到上述目的，本发明一方面提供一种对中国江南地区的夏季平均气温的短期气候定性预测方法，包括，
步骤1：计算中国江南地区连续N年中每一年的夏季平均气温数据；
步骤2：选取上述连续N年中的连续M年的数据作为建模期，并获取相应的夏季平均气温数据，将该数据标准化以获得标准化的夏季平均气温数据，其中M≤N；
步骤3：计算与上述建模期的夏季平均温度数据相对应的前期冬季热带西北印度洋地区的气象参数数据，并将该气象参数数据标准化以获得标准化的气象参数；
步骤4：构建一元回归模型：
T＝a×I+b，
其中，T为标准化的中国江南地区夏季平均气温，I为标准化的前期冬季热带西北印度洋地区气象参数，a和b为参数；代入建模期的数据，通过拟合获得对应的参数a和b的值，将获得的上述参数a和b代入上述一元回归模型形成预测模型；
步骤5：通过该预测模型预测中国江南地区的夏季平均气温。
需要说明的是，本发明中所称的中国江南地区，即为符合中华人民共和国国家标准中有关中国气象地理区划的相关规定的区域，即江南地区为长江至南岭间所含的湖北、湖南、江西、浙江(北部)、安徽、江苏、上海、和福建北部(从南岭向东延伸)等地，而本发明具体实施方式部分的数据来自于具体坐标为(110°～122°E，26°～32°N)的江南地区。所谓的短期气候预测是指，对月、季或年平均气候状况的预测，这里特指对夏季平均气温的预测。本发明中所称的建模期，是指构建回归模型的连续时段；验证期，具体指预测和观测结果相互比较、检验的连续时段。本发明中所称的将数据标准化，是通过本领域技术人员所使用的常规的标准化算法计算得到数据的标准化值，即标准化值＝(原始值-多年平均)/标准差。本发明中所称的平均气温，为相应时期气温数据的平均值。本发明对夏季和冬季的定义分别为：夏季为当年6～8月，前期冬季为上一年12月～当年2月。本发明中记载的热带西北印度洋地区，为气象学上对印度洋地区的区划范围中，属于热带地区的部分。最常见的印度洋指数有三种：一是印度洋海盆模指数，简称IOBM指数，表示印度洋整个海盆尺度的海温变化；第二种是印度洋偶极子指数，简称IOB指数，表示印度洋东、西部海温的反向变化；第三种是热带印度洋海温异常指数，简称TIO指数，它指示了印度洋热带范围内的海温变化。其中本申请中所述的热带西北印度洋(TNWIO)指数并不同于上述任何一种传统指数，而是为了满足特定预测需求而经过计算得到的，计算方法为：首先，将整个印度洋冬季(指预测年上一年12月～当年2月平均)表面气温场去除线性趋势，然后选取关键区(55°～75°E，5°～15°N和40°～55°E，15°S～0°)，计算该地区区域平均的表面气温，所得结果即为TNWIO指数。其中，上述去除线性趋势具体做法为，原始量减去其随时间增长或减小的线性拟合量。
本发明的另一目的在于，提供一种能够在多个现有的气象参数中，筛选出能够有效地对特定地区进行气温预测的特定气象参数，并根据所选定的气象参数建立预测模型，从而较为准确、高效地预测气温，尤其是要求这一预测中国江南地区夏季气温的方法，具有很强的高温预测能力，能够对国家气候灾害提供有效的预警信息。
为达到上述另一目的，本发明另一方面提供一种对中国江南地区的夏季平均气温的短期气候定性预测方法，包括，
步骤1：计算中国江南地区连续N年中每一年的夏季平均气温数据；
步骤2：选取上述连续N年中的连续M的数据年作为建模期，并获取相应的夏季平均气温数据，将该数据标准化以获得标准化的夏季平均气温数据；
步骤3：计算与上述建模期的夏季平均气温数据相对应的前期冬季热带印度洋地区的多个不同的气象参数数据，并将每个气象参数的数据标准化以获得多个不同的标准化的气象参数数据；
步骤4：构建一元回归模型：
T＝a×I+b，
其中，T为标准化的中国江南地区夏季平均气温，I为标准化的前期冬季热带印度洋地区气象参数，a和b为参数；代入建模期的数据，通过拟合获得对应的参数a和b的值；
步骤5：选择上述N年中建模期以外的多个年份作为验证期，并获取相应的夏季平均气温数据；
步骤6：通过上述验证期的夏季平均气温数据，验证通过拟合得到的与多个不同的前期冬季热带印度洋地区气象参数对应的上述参数a和b所确定的模型，计算多个模型的预测结果是否能够达到预期的统计置信度；若该统计置信度超过预先设定的阈值，则将此时所使用的气象参数作为预测模型所使用的前期冬季热带印度洋地区气象参数，并将对应该气象参数的上述参数a和b确定为预测模型的参数；
步骤7：将获得的上述参数a和b代入上述一元回归模型得到预测模型，通过该预测模型预测中国江南地区的夏季平均气温。
本发明的另一目的还在于，提供一种能够通过前期气象参数较为准确、高效地预测气温，尤其是中国江南地区夏季气温的***，该***具有很强的高温预测能力，使用该***能够对国家气候灾害提供有效的预警信息。
为达到上述目的，本发明提供一种短期气候定性预测***，包括，
气温数据获取模块，其计算地区A的N年中每一年的夏季平均气温数据，将该数据标准化以获得标准化的夏季平均气温数据；
气象参数获取模块，其计算地区B的相对应的N年中每一年的多个种类的前期冬季气象参数，将上述每个气象参数的数据标准化以获得多个不同种类的标准化的气象参数数据；
建模模块，其选取上述连续N年中的连续M年作为建模期，并获取相应时间的标准化夏季平均气温数据以及多个不同的标准化的气象参数数据；构建一元回归模型：
T＝a×I+b，
其中，T为标准化的地区A夏季平均气温，I为标准化的地区B的前期冬季气象参数，a和b为参数；代入建模期的数据，通过拟合获得对应的参数a和b的值；
验证及气象参数选择模块：其选择上述N年中建模期以外的多个年份作为验证期，并获取相应的标准化夏季平均气温数据；通过上述验证期的标准化夏季平均气温数据，验证通过拟合得到的与多个不同种类的地区B前期冬季气象参数对应的上述参数a和b所确定的模型，计算多个模型的预测结果是否能够达到预期的统计置信度；若该统计置信度超过预先设定的阈值，则将此时模型所使用的气象参数确定作为最终预测模型所使用的地区B的前期冬季气象参数，并将对应该气象参数的上述参数a和b确定为最终预测模型的参数；
预测模块：将最终确定的上述参数a和b代入上述一元回归模型得到最终预测模型，通过该最终预测模型预测地区A的夏季平均气温。
特别的，上述地区A为中国江南地区，上述地区B为热带印度洋地区，该气象参数I为表示热带西北印度洋地区热状况异常的TNWIO指数，通过将整个印度洋冬季表面气温场去除线性趋势后，选取坐标范围在(55°-75°E，5°-15°N)和坐标范围在(40°-55°E，15°S-0°)的两个矩形区域，计算上述区域平均的表面气温，即得到上述TNWIO指数。
综上所述，本发明所提供的一种对中国江南地区的夏季平均气温的短期气候定性预测方法，不仅能够实现对中国江南地区夏季平均气温的准确、高效的预测，同时还能过对现有的气象参数进行筛选，选择其中统计置信度较高的参数作为预测参数，确定预测模型，能够对不同时期、不同特定地域的预测实现动态调整，从而具有很强的高温预测能力，能够对国家气候灾害提供有效的预警信息。
附图说明
图1，(a)中国江南地区夏季气温与前期冬季印度洋海表温度(SST)的相关图；(b)与(a)相似，但为与表面气温(SAT)的相关。灰色阴影区表示超过95％统计置信度；图中黑色框指示了热带西北印度洋(TNWIO)关键区。
图2，(a)1980～2015年前期冬季TNWIO指数与中国东部夏季气温的相关分布；浅灰和深灰色阴影区分别表示超过95％和99％统计置信度；黑色方框指示江南地区范围；(b)前冬TNWIO指数(圆圈虚线)与中国江南地区平均夏季气温(黑点实线)序列的对比。
图3，前期冬季热带印度洋关键区热状况异常影响中国江南地区夏季气温的物理链接流程图。
图4，前冬TNWIO指数与中国江南地区平均夏季气温序列的20年滑动相关系数。95％统计置信度水平在图中以直线表示。
图5，1980～2015年实际江南地区夏季气温(黑点实线)与根据预测模型得到的江南地区夏季气温(圆圈虚线和三角虚线)标准化序列；其中圆圈虚线为建模期拟合结果，三角虚线为预测期预测结果。图中RI＝0.56，表示建模期内拟合和实际江南气温的相关系数；RII＝0.52，表示检验期内预测与实际江南气温的相关系数；两者皆超过95％统计置信度。
具体实施方式
研究表明最近几十年来(1980～2015年)，中国江南地区(110°～122°E，26°～32°N；见图2a中黑框所示范围)的夏季(6～8月)气温与前期冬季(上一年12月～当年2月)热带西北印度洋关键区(见图1中黑框所示范围，具体为55°～75°E，5°～15°N和40°～55°E，15°S～0°)的热状况(包括海表温度与表面气温)具有紧密联系。由于在全球变暖背景下，江南气温和印度洋海温都呈现出上升趋势，而在气候预测中我们更为关注年际变化，因此各气象要素皆经过去线性趋势处理。
利用冬季热带西北印度洋关键区区域平均的夏季表面气温来表示该地区的热状况，并将其定义为冬季热带印度洋热状况异常指数，简称TNWIO指数。参见图2a，前期冬季TNWIO指数与中国东部夏季气温场的相关显示，在江南地区出现了显著正相关。同时，前期冬季TWNIO指数序列(图2b中的圆圈虚线)与江南地区区域平均夏季气温序列(图2b中的黑点实线)也表现出较好的一致性，在1980～2015年期间，两者的相关系数高达0.53，超过99％的统计置信度。这进一步表明，前期冬季TNWIO指数能够很好地指示中国江南地区夏季气温的高低。
前期冬季热带印度洋关键区热状况异常可以影响中国江南地区夏季气温。这一影响的物理机制如下，参见图3：由于海洋热容量较大，其异常信号的持续性较好，所以前期冬季热带印度洋关键区的偏暖异常信号可自冬季一直持续到夏季，并引起***海和印度西北部地区夏季降水异常偏多。而该地区夏季降水可以通过凝结潜热加热在对流层中低层强迫出西太平洋副热带高压异常，导致其偏强且西伸控制江南地区；同时，该地区的夏季降水也可以通过激发罗斯贝(Rossby)波，造成下游地区对流层中高层的气压异常，进而导致南亚高压加强东伸。在西太平洋副热带高压和南亚高压异常的共同控制下，江南地区出现深厚的高压异常，进而导致夏季气温偏高。反之，当前期冬季热带印度洋关键区偏冷时，随后江南地区夏季气温则出现偏低。
可见，前期冬季热带印度洋关键区热状况异常与中国江南地区夏季气温的紧密联系并不是偶然现象，其中涉及的物理链接过程清晰、合理。因此，它们之间的关系稳定。参见图4，前冬TNWIO指数与江南地区夏季气温序列的20年滑动相关系数始终超过95％的统计置信度，这进一步证实了两者之间的密切关系是稳定可靠的。因而，我们利用两者之间紧密且稳定的联系，构建针对中国江南地区夏季气温的短期气候定性预测模型，对中国江南地区夏季气温进行预测。
基于前期冬季热带印度洋热状况(以TNWIO指数表示)和中国江南地区夏季气温之间紧密、稳定的联系，选取1980～1996年作为建模期，构建一元回归模型(简称ITNWIO预测模型)：
TJN＝0.695×ITNWIO-0.004
其中TJN为标准化的江南地区夏季气温，ITNWIO为标准化的前期冬季TNWIO指数。该模型的F检验值为7.02，超过95％统计置信度。将1997～2015年作为预测期，可以对该模型的预测能力进行检验。其中预测模型的F值可以衡量回归模型拟合效果的好坏。其计算公式如下：
Figure BDA0001150457530000081
其中，r为相关系数，n为样本数。这里用1980～1996年共计17年的数据建立回归方程，因此样本数n＝17。在此时段，相关系数r＝0.565，计算可知F＝7.02。查F分布表，分子自由度为1，分母自由度为15(即n-2)，在95％置信度水平上的F＝4.54。而我们这里F＝7.02，高于4.54，所以认为该回归模型是显著的，超过95％统计置信度。
图5比较了1980～2015年江南地区夏季实际气温和根据上述ITNWIO预测模型得到的江南地区夏季气温序列。由图可见，预测结果与实际结果表现出较为一致的变化。在建模期(1980～1996年，圆圈虚线)两者的相关系数为0.56，在预测期(1997～2015年，三角虚线)两者的相关系数为0.52，均超过95％的统计置信度。图5较为直观地反映出该模型的拟合和预测效果较好。
以下表1给出了ITNWIO预测模型在各年份的定性预测结果。当预测的江南夏季气温与实际气温同号(即预测偏暖，实际结果也偏暖；或预测偏冷，实际结果也偏冷)时，则认为定性上预测正确。结果显示，在19年的预测期内，总计有13年预测正确，6年预测错误，预测正确率达到了68％。另外，由于江南地区夏季强高温往往会造成更大的气候灾害，因此我们这里也关注该模型对于强高温的预测能力。其预测的强高温年份(正异常超过0.3标准差)有1998、2003、2007、2009、2010和2013年共计6年，其中只有2010年预测错误，另外5年皆发生了真实的强高温。可见，该模型不仅能有效地预测江南地区夏季冷、暖的基本特征，对于强高温的预测也是适用的。
以往用前期冬季太平洋地区厄尔尼诺(El
Figure BDA0001150457530000091
)或拉尼娜(La
Figure BDA0001150457530000092
)型海温异常作为短期气候预测的预测因子。然而实际上，自1980年以来，前期冬季Nino3.4指数(简称INino3.4；该指数可用来指示El
Figure BDA0001150457530000093
海温异常)与江南夏季气温的关系很弱，因而以INino3.4构建的预测模型的拟合与预测能力也相对较低：在建模期(1980～1996年)两者的相关系数为0.03，在预测期(1997～2015年)两者的相关系数为–0.25，均不显著。表1中INino3.4预测模型的预测结果表明，在19年的预测期内，共有12年预测错误，仅有7年预测正确，预测正确率仅为37％。此外，预测的强高温年份(正异常超过0.3标准差)有1997、1999、2000、2001、2006、2008、2009和2010年共计8年，其中只有2006和2009年发生了真实的强高温，其他年份皆预测错误，正确率仅为25％。可见，目前主要根据厄尔尼诺(El
Figure BDA0001150457530000103
)或拉尼娜(La
Figure BDA0001150457530000104
)型海温异常进行预测，对江南地区夏季气温来说并不适用，也无法对强高温年作出有效的预测。
表1.预测期(1997～2015年)内，ITNWIO预测模型和INino3.4预测模型在各年份的预测结果(●表示预测正确，而
Figure BDA0001150457530000101
表示预测错误)；表中最后一行给出了预测正确率；字母Y表示对强高温的预测正确，而字母N则表示对强高温的预测错误
Figure BDA0001150457530000102
综上所述，我们提出的基于前期冬季热带西北印度洋热状况的预测方法和据此构建的预测模型，可以显著提升中国江南地区夏季气温的短期气候定性预测水平，特别是显著提升了强高温预测能力，具有较为重要的实用价值。

Claims (22)

1.一种中国江南地区夏季平均气温的短期气候定性预测模型建立方法，包括，
步骤1：计算中国江南地区连续N年中每一年的夏季平均气温数据；
步骤2：选取上述连续N年中的连续M年作为建模期，并获取相应的夏季平均气温数据，将该数据标准化以获得标准化的夏季平均气温数据，其中M≤N；
步骤3：计算与上述建模期的夏季平均气温数据在时间上相对应的前期冬季热带印度洋地区的气象参数数据，并将该气象参数数据标准化以获得标准化的气象参数；
步骤4：构建一元回归模型：
T = a × I + b，
其中，T为标准化的中国江南地区夏季平均气温，I为标准化的前期冬季热带印度洋地区气象参数，a和b为参数；代入建模期的数据，通过拟合获得对应的参数a和b的值，将获得的上述参数a和b代入上述一元回归模型形成预测模型。
2.如权利要求1所述的方法，其中，在所述步骤4之后，进一步包括以下步骤：
步骤4.1：选择上述N年中建模期以外的多个年份作为验证期，并获取相应年份的夏季平均气温数据；
步骤4.2：通过上述验证期的夏季平均气温数据，验证通过拟合得到的上述参数a和b所确定的预测模型的预测结果是否能够达到预先设定的阈值；若该预测结果超过预先设定的阈值，则确定使用上述参数a和b所确定的预测模型进行预测。
3.如权利要求1或2所述的方法，其中，连续M年中的M的取值范围为M≥10。
4.如权利要求2所述的方法，其中，上述验证期的数据为5年以上年份的数据。
5.如权利要求1或2所述的方法，其中，所述预测模型所使用的前期冬季热带印度洋地区气象参数I为表示热带西北印度洋地区热状况异常的TNWIO指数，通过将整个印度洋冬季表面气温场去除线性趋势后，选取坐标范围分别在（55°-75°E，5°-15°N）和（40°-55°E，15°S-0°）的两个矩形区域，计算上述区域平均的表面气温，即得到上述TNWIO指数。
6.如权利要求5所述的方法，其中，预测模型为：
T = 0.695 × I – 0.004，
其中T为标准化的中国江南地区夏季平均气温，I为标准化的表示前期冬季热带西北印度洋地区的热状况异常的TNWIO指数。
7.如权利要求1或2所述的方法，其中，预测模型所使用的前期冬季热带印度洋地区气象参数I为使通过上述预测模型得到的预测结果的统计置信度超过95%的气象参数。
8.如权利要求2所述的方法，其中，所述预先设定的阈值为所确定的预测模型的F检验值为7.02，超过95%的统计置信度。
9.一种中国江南地区的夏季平均气温的短期气候定性预测模型建立方法，包括，
步骤1：计算中国江南地区连续N年中每一年的夏季平均气温数据；
步骤2：选取上述连续N年中的连续M年作为建模期，并获取相应的夏季平均气温数据，将该数据标准化以获得标准化的夏季平均气温数据；
步骤3：计算与上述建模期的夏季平均气温数据在时间上相对应的前期冬季热带印度洋地区的多个不同种类的气象参数数据，并将每个气象参数的数据标准化以获得多个不同种类的标准化的气象参数数据；
步骤4：构建一元回归模型：
T = a × I + b，
其中，T为标准化的中国江南地区夏季平均气温，I为标准化的前期冬季热带印度洋地区气象参数，a和b为参数；代入建模期的数据，通过拟合获得对应的参数a和b的值；
步骤5：选择上述N年中建模期以外的多个年份作为验证期，并获取相应的标准化夏季平均气温数据；
步骤6：通过上述验证期的标准化夏季平均气温数据，验证通过拟合得到的与多个不同种类的前期冬季热带印度洋地区气象参数对应的上述参数a和b所确定的模型，计算多个模型的预测结果是否能够达到预先设定的阈值；若该预测结果超过预先设定的阈值，则将此时模型所使用的气象参数作为最终预测模型所使用的前期冬季热带印度洋地区气象参数，并将对应该气象参数的上述参数a和b确定为最终预测模型的参数；
步骤7：将最终确定的上述参数a和b代入上述一元回归模型得到最终预测模型。
10.如权利要求9所述的方法，其中，连续M年中的M的取值范围为M≥10。
11.如权利要求9或10所述的方法，其中，上述验证期的数据为5年以上年份的数据。
12.如权利要求9或10所述的方法，其中，所述最终预测模型所使用的前期冬季热带印度洋地区气象参数I为表示热带西北印度洋地区热状况异常的TNWIO指数，通过将整个印度洋冬季表面气温场去除线性趋势后，选取坐标范围分别在（55°-75°E，5°-15°N）和（40°-55°E，15°S-0°）的两个矩形区域，计算上述区域平均的表面气温，即得到上述TNWIO指数。
13.如权利要求12所述的方法，其中，最终预测模型为：
T = 0.695 × I – 0.004，
其中T为标准化的中国江南地区夏季平均气温，I为标准化的表示前期冬季热带西北印度洋地区的热状况异常的TNWIO指数。
14.如权利要求9或10所述的方法，其中，最终预测模型所使用的前期冬季热带印度洋地区气象参数I为使通过上述预测模型得到的预测结果的统计置信度超过95%的气象参数。
15.如权利要求9或10所述的方法，其中，所述预先设定的阈值为所确定的预测模型的F检验值为7.02，超过95%的统计置信度。
16.一种短期气候定性预测模型建立***，包括，
气温数据获取模块，其计算中国江南地区的N年中每一年的夏季平均气温数据，将该数据标准化以获得标准化的夏季平均气温数据；
气象参数获取模块，其计算热带印度洋地区的与N年相对应的每一年的多个种类的前期冬季气象参数，将每个上述气象参数的数据标准化以获得多个不同种类的标准化的气象参数数据；
建模模块，其选取上述N年中的连续M年作为建模期，并获取相应时间的标准化夏季平均气温数据以及多个不同的标准化的气象参数数据；构建一元回归模型：
T = a × I + b，
其中，T为标准化的中国江南地区夏季平均气温，I为标准化的热带印度洋地区的前期冬季气象参数，a和b为参数；代入建模期的数据，通过拟合获得对应的参数a和b的值；
验证及气象参数选择模块，其选择上述N年中建模期以外的多个年份作为验证期，并获取相应的标准化夏季平均气温数据；通过上述验证期的标准化夏季平均气温数据，验证通过拟合得到的与多个不同种类的热带印度洋地区前期冬季气象参数对应的上述参数a和b所确定的模型，计算多个模型的预测结果是否能够达到预先设定的阈值；若该预测结果超过预先设定的阈值，则将此时模型所使用的气象参数确定作为最终预测模型所使用的热带印度洋地区的前期冬季气象参数，并将对应该气象参数的上述参数a和b确定为最终预测模型的参数；
预测模块，将最终确定的上述参数a和b代入上述一元回归模型得到最终预测模型。
17.如权利要求16所述的***，其中，连续M年中的M的取值范围为M≥10。
18.如权利要求16或17所述的***，其中，上述验证期的数据为5年以上年份的数据。
19.如权利要求16或17所述的***，其中，最终预测模型所使用的前期冬季热带印度洋地区气象参数I为表示热带西北印度洋地区热状况异常的TNWIO指数，通过将整个印度洋冬季表面气温场去除线性趋势后，选取坐标范围分别在（55°-75°E，5°-15°N）和（40°-55°E，15°S-0°）的两个矩形区域，计算上述区域平均的表面气温，即得到上述TNWIO指数。
20.如权利要求19所述的***，其中，最终预测模型为：
T = 0.695 × I – 0.004，
其中T为标准化的中国江南地区夏季平均气温，I为标准化的表示前期冬季热带西北印度洋地区的热状况异常的TNWIO指数。
21.如权利要求16或17所述的***，其中，最终预测模型所使用的前期冬季热带印度洋地区气象参数I为使通过上述预测模型得到的预测结果的统计置信度超过95%的气象参数。
22.如权利要求16或17所述的***，其中，所述预先设定的阈值为所确定的预测模型的F检验值为7.02，超过95%的统计置信度。
CN201611018984.1A 2016-11-11 2016-11-11 中国江南地区夏季平均气温短期气候预测方法及*** Expired - Fee Related CN106485371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611018984.1A CN106485371B (zh) 2016-11-11 2016-11-11 中国江南地区夏季平均气温短期气候预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611018984.1A CN106485371B (zh) 2016-11-11 2016-11-11 中国江南地区夏季平均气温短期气候预测方法及***

Publications (2)

Publication Number Publication Date
CN106485371A CN106485371A (zh) 2017-03-08
CN106485371B true CN106485371B (zh) 2020-01-03

Family

ID=58272628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611018984.1A Expired - Fee Related CN106485371B (zh) 2016-11-11 2016-11-11 中国江南地区夏季平均气温短期气候预测方法及***

Country Status (1)

Country Link
CN (1) CN106485371B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034489A (zh) * 2018-08-10 2018-12-18 中国人民解放军国防科技大学 一种基于云指数表征东亚夏季风活动的方法
CN110647684A (zh) * 2019-09-18 2020-01-03 四川省绵阳太古软件有限公司 夏季宜养地查询方法、服务器及***
CN114002760A (zh) * 2021-11-01 2022-02-01 南京信息工程大学 一种温湿复合型热浪预测方法、装置及存储介质
CN118227979A (zh) * 2024-05-24 2024-06-21 南京信息工程大学 一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测enso方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006020935A1 (de) * 2006-05-05 2007-11-08 Heinz-Helmut Vollmer Sprengung von tropischen Wirbelstürmen bei der Entstehung
CN105260603A (zh) * 2015-10-14 2016-01-20 成都信息工程大学 一种气候事件风险评估方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006020935A1 (de) * 2006-05-05 2007-11-08 Heinz-Helmut Vollmer Sprengung von tropischen Wirbelstürmen bei der Entstehung
CN105260603A (zh) * 2015-10-14 2016-01-20 成都信息工程大学 一种气候事件风险评估方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
2013 年盛夏中国持续性高温事件诊断分析;杨涵洧 等;《高原气象》;20160430;第35卷(第2期);第484-494页 *
The Impact of Indian Ocean Variability on High Temperature Extremes across the Southern Yangtze River Valley in Late Summer;HU Kaiming, et al.;《ADVANCES IN ATMOSPHERIC SCIENCES》;20121231;第29卷(第1期);第91-100页 *

Also Published As

Publication number Publication date
CN106485371A (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN106485371B (zh) 中国江南地区夏季平均气温短期气候预测方法及***
Tosunoglu et al. Application of copulas for regional bivariate frequency analysis of meteorological droughts in Turkey
CN110058328A (zh) 东北夏季降水多模式组合降尺度预测方法
CN110197020B (zh) 一种环境变化对水文干旱影响的分析方法
CN113779760B (zh) 基于可预测气候模态的动力-统计结合季节气候预测方法
JP6880841B2 (ja) 積雪を考慮した太陽光発電出力予測装置
US20140365128A1 (en) Method for predicting hourly climatic data to estimate cooling/heating load
CN112819312A (zh) 气候变化情景下干旱社会经济暴露度评估方法和***
CN109145344A (zh) 一种基于探空数据的经验ztd模型改进方法
CN110598352A (zh) 一种流域来水的预报方法
CN111090831A (zh) 一种湖泊面积变化关键驱动因子识别方法
JP6794878B2 (ja) 残雪を考慮した太陽光発電出力予測装置
Twardosz et al. Long-term variability of occurrence of precipitation forms in winter in Kraków, Poland
Min et al. Rainfall modelling using generalized extreme value distribution with cyclic covariate
Teubner et al. Estimating snow cover duration from ground temperature
CN117200223A (zh) 日前电力负荷预测方法和装置
Yin et al. A comparison of statistical methods for benchmarking the threshold of daily precipitation extremes in the Shanghai metropolitan area during 1981–2010
KR101872646B1 (ko) 기저유출에 기초한 유출량 산정 방법 및 이에 관한 장치
CN117849908B (zh) 一种基于模式环流场的梅雨季入梅出梅日期预测方法及装置
Enigl et al. Evolution of lake surface temperatures of high-altitude lakes in the European Alpine region under climate change
Hao et al. Evaluation and projection of the annual maximum streamflow in response to anthropogenic and climatic effects under nonstationary conditions in the Hanjiang River Basin, China
Faghih et al. The role of internal climate variability on future streamflow projections
Yürekli Probabilistic Analysis of Variability in Reference Evapotranspiration
Tang Reliability-based calibration of design wind load, snow load and companion load factors considering climate change effect
CN116502891B (zh) 一种雪旱动态风险的确定方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200103

Termination date: 20211111

CF01 Termination of patent right due to non-payment of annual fee