CN113221385B - 一种年代际预报的初始化方法及*** - Google Patents

一种年代际预报的初始化方法及*** Download PDF

Info

Publication number
CN113221385B
CN113221385B CN202110638200.XA CN202110638200A CN113221385B CN 113221385 B CN113221385 B CN 113221385B CN 202110638200 A CN202110638200 A CN 202110638200A CN 113221385 B CN113221385 B CN 113221385B
Authority
CN
China
Prior art keywords
forecast
field
initial
sea ice
dating
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.)
Active
Application number
CN202110638200.XA
Other languages
English (en)
Other versions
CN113221385A (zh
Inventor
刘海龙
王夫常
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110638200.XA priority Critical patent/CN113221385B/zh
Publication of CN113221385A publication Critical patent/CN113221385A/zh
Application granted granted Critical
Publication of CN113221385B publication Critical patent/CN113221385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明提供一种年代际预报的初始化方法及***，涉及年代际气候预测技术领域，该方法包括：基于全球耦合模式的历史模拟得到预报初始场，得到多组大气预报初始场；基于大气再分析数据驱动的海洋海冰历史模拟，将其气候态订正为全球耦合模式历史模拟的海洋和海冰的气候态，得到海洋海冰预报初始场；将得到的多组大气预报初始场分别与陆地、海洋和海冰初始场结合，构建成年代际集合预报的多组初始场；对预先构造的年代际预报***进行初始化，实施历史后报或对未来的业务型集合年代际预测。本发明能够保证进行业务型年代际预测，减少初始化后冲击带来的影响，提高预报***对自然变率预测的准确性，从而加强年代际预报***的业务预测水平。

Description

一种年代际预报的初始化方法及***
技术领域
本发明涉及年代际气候预测技术领域，具体地，涉及一种年代际预报的初始化方法及***。
背景技术
短期气候变化预测已被世界气候研究计划署公认为国际气候研究界面临的重大挑战之一。
公开号为CN111291944A的中国发明专利，公开了一种基于NPSDV驱动因子识别的海洋气候预测方法及***，所述预测方法包括：获取海表盐度SSS分析参数；根据SSS分析参数确定北太平洋海表盐度年代际变化NPSDV的时间序列以及驱动因子指数时间序列，并计算NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关、滞后交叉相关；利用自回归过程模型重构空间点SSS异常，确定SSS异常重构结果；根据NPSDV的时间序列功率谱、驱动因子指数时间序列功率谱、NPSDV的时间序列滞后交叉自相关、驱动因子指数时间序列滞后交叉自相关、滞后交叉相关以及SSS异常重构结果确定驱动因子；根据驱动因子预测海洋气候。
近年来，短期气候预测领域迅速发展，基于观测的耦合模式的初始化可以显著提高一年至十年的预测能力。第五、六次耦合模式比较计划中就有考察初始化对年代际气候预测的影响。运行和分析年代际预报实验的巨大计算成本是近期气候预测进展的重大障碍，使得***地评估年代际预报***对参数选择的敏感性变得困难，如集合大小、集合生成方法、开始日期、集合组数以及初始化方法，初始化地球***分量的数量和模式分辨率。目前每一项的评估都还不足，需要投入更多的设计和计算资源。
发明内容
针对现有技术中的缺陷，本发明提供一种年代际预报的初始化方法及***。
根据本发明提供的一种年代际预报的初始化方法及***，所述方案如下：
第一方面，提供了一种年代际预报的初始化方法，所述方法包括：
步骤S1：基于全球耦合模式的历史模拟得到预报初始场，对所得该组大气初始场进行多次扰动，得到多组大气预报初始场；
步骤S2：基于大气再分析数据驱动的海洋海冰历史模拟，将其气候态订正为全球耦合模式历史模拟的海洋和海冰的气候态，从而得到海洋海冰预报初始场；
步骤S3：将得到的多组大气预报初始场分别与陆地、海洋和海冰初始场结合，构建成年代际集合预报的多组初始场；
步骤S4：对预先构造的年代际预报***进行初始化，实施历史后报或对未来的业务型集合年代际预测。
优选的，所述步骤S1中的保存指定日期的重启场，将大气和陆地作为预报初始场。
优选的，所述步骤S1还包括对大气重启场叠加机器截断误差级别的随机扰动，采用不同大小的扰动得到不同的大气预报初始场。
优选的，所述步骤S2包括：
选择和获取大气再分析数据；
特定变量需要转换到海洋和海冰分量所需的强迫场格式；
进行多轮驱动实验，得到深海充分调整的海洋和大气的重启场。
优选的，所述步骤S2中的海洋海冰预报初始场为海洋海冰重启场的气候态与海冰重启场的异常场相加。
优选的，所述步骤S3构建成年代际集合预报的多组初始场包括指定后报/预报的开始与结束日期。
第二方面，提供了一种年代际预报的初始化***，所述***包括：
预报初始场的选择单元：用于指定预报的起始状态；
模型构建单元：用于构建/指定预报的模式分量选择，外强迫场的选择；
结果分析单元：用于分析回报/预测的效果。
优选的，所述预报初始场的选择单元包括：
大气分量选择模块：用于选择哪一组大气预报初始场；
海洋海冰分量模块：用于选择哪一轮的海洋海冰预报初始场。
优选的，所述模型构建单元包括：
预报***参数设置模块：用于指定模式的网格及外强迫的来源，运行的长度，输出变量和文件的设置。
预报***的编译和运行模块：用于衔接预报***与服务器间的接口。
优选的，所述结果分析单元包括：
数据处理模块：用于把逐月的数据/文件，拼接成季节平均或年平均的数据；
绘图模块：用于绘制全球表面温度的年际变化，表面温度趋势的空间结构。
与现有技术相比，本发明具有如下的有益效果：
将多组大气预报初始场分别与陆地、海洋和海冰初始场结合，构建成年代际集合预报的多组初始场；从而对预先构造的年代际预报***进行初始化，实施历史后报或对未来的业务型集合年代际预测，使用准实时的大气再分析资料驱动的海洋海冰初始场，并对该场进行气候态订正的初始化方法，能保证进行业务型年代际预测，减少初始化后冲击带来的影响，提高预报***对自然变率预测的准确性，从而加强年代际预报***的业务预测水平。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的整体流程示意图；
图2为本发明实施例1全球表面温度的曲线图；
图3为本发明实施例1中冬季表面温度趋势的空间分布图；
图4为本发明实施例2中冬季表面温度趋势的空间分布图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种年代际预报的初始化方法，参照图1所示，步骤如下：
步骤S1：基于全球耦合模式的历史模拟得到预报初始场，从全球耦合模式模拟中获得大气和陆地的预报初始场，包括进行随机扰动后，获得多组大气预报初始场。
步骤S2：基于大气再分析数据驱动的海洋海冰历史模拟，将其气候态订正为全球耦合模式历史模拟的海洋和海冰的气候态，从而得到海洋海冰预报初始场。
步骤S3：将得到的多组大气预报初始场分别与陆地、海洋和海冰初始场结合，构建成年代际集合预报的多组初始场。
步骤S4：对预先构造的年代际预报***进行初始化，实施历史后报或对未来的业务型集合年代际预测。
在步骤S1中，先获取大气和陆地的预报初始场，选定全球耦合模式进行历史模拟，保存指定日期的重启场，其中的大气和陆地将作为年代际预报***的预报初始场。
对大气重启场叠加机器截断误差级别的随机扰动，采用不同大小的扰动得到不同的大气预报初始场。
再步骤S2中，对海洋海冰历史模拟的构建包括：
选择和获取大气再分析数据；
特定变量需要转换到海洋和海冰分量所需的强迫场格式；
进行多轮驱动实验，得到深海充分调整的海洋和大气的重启场；
海洋海冰重启场的气候态与海冰重启场的异常场相加最终为海洋海冰预报初始场。
在步骤S3中，构建成年代际集合预报的多组初始场包括指定后报/预报的开始与结束日期。
本发明还提供了一种年代际预报的初始化***，该***包括：
预报初始场的选择单元：用于指定预报的起始状态；
模型构建单元：用于构建/指定预报的模式分量选择，外强迫场的选择；
结果分析单元：用于分析回报/预测的效果。
其中，在预报初始场的选择单元中包括：
大气分量选择模块：用于选择哪一组大气预报初始场；
海洋海冰分量模块：用于选择哪一轮的海洋海冰预报初始场。
在模型构建单元中包括：
预报***参数设置模块：用于指定模式的网格及外强迫的来源，运行的长度，输出变量和文件的设置；
预报***的编译和运行模块：用于衔接预报***与服务器间的接口。
在结果分析单元中，具体包括：
数据处理模块：用于把逐月的数据/文件，拼接成季节平均或年平均的数据；
绘图模块：用于绘制全球表面温度的年际变化，表面温度趋势的空间结构。
接下来，对本发明进行更为具体的说明。
实施例1：
全球变暖停滞现象的可预测性。2002-2012期间全球平均的地表气温不再持续变暖，称为全球变暖停滞。全球变暖停滞的未来走势及其对气候的影响是目前包括科学界和社会及经济学界关心的热点问题。变暖停滞虽然是全球表面温度平均的结果，但是在各个区域表现的并不一致。而这些区域模态的形成及对应的年代际-多年代际变化是变暖停滞可预测性的基础，然而目前尚缺乏该方面的研究。
参照图1所示，步骤如下：
步骤一：全球耦合模式的历史模拟；
全球耦合模式的历史模拟的设置，包括：
模式及其版本为，cesm1_1_1_lrg_ens；模式网格为，f09_g16；
模拟时段为，1980年至2019年；
对于1980-2005年，采用的compset为，B20TRC5CN；
对于2006-2019年，采用的compset为，BRCP85C5CN；
输出频率为，每月一次，用于分析气候模拟能力；
本实例的重启场选为每年的1月1号,即1980年1月1日，1981年1月1日，……，2020年1月1日；该实验做为控制实验。
步骤二：对所得该组大气初始场进行多次扰动；
采用机器截断误差级别的扰动的方法是，在user_nl_cam中添加pertlim＝1.d-14，即随机扰动的大小为1014；
以此类推，pertlim＝2.d-14，pertlim＝1.d-14，……,pertlim＝9.d-14得到9组扰动的大气初始场，加上原始的大气初始场，共有10组大气初始场；
步骤三：得到大气再分析数据并转换为海洋海冰模式所需的强迫场；
本例中大气再分析数据采用NCEP2，时间范围是1979-2019，下载的变量包括：
逐月的降水，逐日的向下短波通量、向下长波通量、向上短波通量，逐6小时的海标气压场，10米处的纬向风和经向风，2米处的比湿和气温。
把2米比湿和气温转换到10米，转换公式采用2009年Large和Yeager发表在Climate Dynamics上的方法。
步骤四：基于步骤三的大气强迫场驱动的海洋海冰进行历史模拟；
模式及其版本为，cesm1_1_1_lrg_ens；
模式网格为，f09_g16；
模拟时段为，1979年至2019年；
采用的compset为，GIAF；
输出频率为，每月一次，用于分析气候模拟能力；
本实例的重启场选为每年的1月1号，即1979年1月1日，1980年1月1日，……，2020年1月1日；
第一轮得到1980-2020年1月1日，共42年的重启场；
把2020年1月1日的重启场做为1979年1月1日，带入上述模式设置，从而得到第二轮的42年的重启场；
以此类推，共进行5轮，使得海洋状态基本与大气强迫场达到平衡；
保留第5轮的1980年1月1日-2020年1月1日的重启场。
步骤五：得到海洋和海冰的预报初始场；
由步骤二中重启场，计算海洋和海冰的气候态；
由步骤四中重启场，计算海洋和海冰的异常场；
二者相加，做为海洋和海冰的预报初始场；
步骤六：全球变暖停滞的年代际预报；
模式及其版本为，cesm1_1_2_LENS_n17；模式网格为，f09_g16；
模拟时段为，2002年至2013年；
采用的compset为，B20TRLENS；
输出频率为，每月一次，用于分析对全球变暖停滞的模拟能力；
由步骤一得到的2002年1月1日的大气和陆地预报初始场，结合步骤五得到的2002年1月1日的海洋和海冰预报初始场，做为第一组年代际预报的初始场；
采用上述模式设置运行11年，得到第一组的年代际预报结果；
由步骤二得到的2002年1月1日的大气和陆地预报初始场，结合步骤五得到的2002年1月1日的海洋和海冰预报初始场，做为第二组至第九组的年代际预报的初始场；
采用上述模式设置运行11年，得到第二组至第九组的年代际预报结果。
步骤七：分析全球变暖停滞的年代际预报结果；
再分析数据NCEP中2002-2013年全球平均的地表温度趋势接近于0，而10组年代际预报的地表温度趋势与控制实验接近，都表现为一定的增暖趋势如图2所示，其中第四组模拟的结果与观测最为接近，其温度趋势为0.23℃/10年，如表1所示：
表1
Figure BDA0003106034310000071
此外，第四组模拟的温度趋势的空间结构在一定程度上能够抓住观测中的特征，参照图3所示，如北美、南太平洋、澳大利亚和南大洋的变冷趋势。但是未能再现欧亚大陆、北大西洋的变冷和中东太平洋的冷趋势。事实上，其它九组实验模拟的中东太平洋都呈现一致的变暖结构，也因此全球平均地表温度也呈现变暖趋势。
实施例2：
未来气候预测，在本实施例中，提供一种构建未来短期气候的预测方法，如图1所示，具体如下：
步骤一至步骤五与实施例1相同；
步骤六：未来短期气候的预测；
模式及其版本为，cesm1_1_2_LENS_n17；模式网格为，f09_g16；
模拟时段为，2020年至2009年；
采用的compset为，B20TRLENS；
输出频率为，每月一次，用于分析未来短期气候的预测能力；
由步骤一得到的2020年1月1日的大气和陆地预报初始场，结合步骤五得到的2020年1月1日的海洋和海冰预报初始场，做为第一组年代际预报的初始场；
采用上述模式设置运行10年，得到第一组的年代际预报结果；
由步骤二得到的2020年1月1日的大气和陆地预报初始场，结合步骤五得到的2020年1月1日的海洋和海冰预报初始场，做为第二组至第九组的年代际预报的初始场；
采用上述模式设置运行10年，得到第二组至第九组的年代际预报结果；
步骤七：分析未来短期气候的预测结果；
预测的2020-2029全球表面温度呈现变暖的趋势参照图2所示，空间上表现为热带太平洋和欧亚大陆是变暖最强的区域，北极和南大洋是变冷的区域如图4所示。
本发明实施例提供了一种年代际预报的初始化方法及***，基于全球耦合模式的历史模拟得到大气和陆地的预报初始场，对所得该组大气初始场进行多次扰动，得到多组大气预报初始场；基于大气再分析数据驱动的海洋海冰历史模拟，将其气候态订正为上述全球耦合模式历史模拟的海洋和海冰的气候态，从而得到海洋和海冰的预报初始场；将上述得到的多组大气预报初始场分别与陆地、海洋和海冰初始场结合，构建成年代际集合预报的多组初始场；从而对预先构造的年代际预报***进行初始化，实施历史后报或对未来的业务型集合年代际预测，使用准实时的大气再分析资料驱动的海洋海冰初始场，并对该场进行气候态订正的初始化方法，能保证进行业务型年代际预测，减少初始化后冲击带来的影响，提高预报***对自然变率预测的准确性，从而加强年代际预报***的业务预测水平。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种年代际预报的初始化方法，其特征在于，包括：
步骤S1：基于全球耦合模式的历史模拟得到一组大气预报初始场和一组陆地预报初始场，对所得该组大气预报初始场进行多次扰动，得到多组大气预报初始场；
步骤S2：基于大气再分析数据驱动的海洋海冰历史模拟，将其气候态订正为全球耦合模式历史模拟的海洋的气候态和海冰的气候态，从而得到海洋预报初始场和海冰预报初始场；
步骤S3：将得到的多组大气预报初始场与陆地预报初始场、海洋预报初始场、海冰预报初始场结合，构建成年代际集合预报的多组初始场；
步骤S4：预先构造年代际预报***，并使用S3中所得年代际集合预报的多组初始场对年代际预报***进行初始化，实施历史后报或对未来的业务型集合年代际预测。
2.根据权利要求1所述的年代际预报的初始化方法，其特征在于，在步骤S1中，选定全球耦合模式进行历史模拟，保存历史模拟指定结束日期的重启场，作为大气预报初始场和陆地预报初始场。
3.根据权利要求2所述的年代际预报的初始化方法，其特征在于，所述步骤S1还包括对大气预报初始场叠加机器截断误差级别的随机扰动，采用不同大小的扰动得到不同的大气预报初始场。
4.根据权利要求1所述的年代际预报的初始化方法，其特征在于，所述步骤S2包括：
选择和获取大气再分析数据；
特定变量需要转换到海洋分量和海冰分量所需的强迫场格式；
进行多轮驱动实验，得到深海充分调整的海洋的重启场和海冰的重启场。
5.据权利要求4所述的年代际预报的初始化方法，其特征在于，所述步骤S2中的海洋预报初始场为海洋重启场的气候态与海洋重启场的异常场相加，海冰预报初始场为海冰重启场的气候态与海冰重启场的异常场相加。
6.据权利要求1所述的年代际预报的初始化方法，其特征在于，所述步骤S3构建成年代际集合预报的多组初始场包括指定后报/预报的开始与结束日期。
7.一种年代际预报的初始化***，其特征在于，基于如权利要求1-6中任意一项所述的年代际预报的初始化方法，包括：
预报初始场的选择单元：用于指定预报的起始状态；
模型构建单元：用于构建/指定预报的模式分量选择，外强迫场的选择；
结果分析单元：用于分析回报/预测的效果。
8.根据权利要求7所述的年代际预报的初始化***，其特征在于，所述预报初始场的选择单元包括：
大气分量选择模块：用于选择哪一组大气预报初始场；
海洋海冰分量模块：用于选择哪一轮的海洋预报初始场和海冰预报初始场。
9.根据权利要求7所述的年代际预报的初始化***，其特征在于，所述模型构建单元包括：
预报***参数设置模块：用于指定模式的网格及外强迫的来源，运行的长度，输出变量和文件的设置；
预报***的编译和运行模块：用于衔接预报***与服务器间的接口。
10.根据权利要求7所述的年代际预报的初始化***，其特征在于，所述结果分析单元包括：
数据处理模块：用于把逐月的数据/文件，拼接成季节平均或年平均的数据；
绘图模块：用于绘制全球表面温度的年际变化，表面温度趋势的空间结构。
CN202110638200.XA 2021-06-08 2021-06-08 一种年代际预报的初始化方法及*** Active CN113221385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110638200.XA CN113221385B (zh) 2021-06-08 2021-06-08 一种年代际预报的初始化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110638200.XA CN113221385B (zh) 2021-06-08 2021-06-08 一种年代际预报的初始化方法及***

Publications (2)

Publication Number Publication Date
CN113221385A CN113221385A (zh) 2021-08-06
CN113221385B true CN113221385B (zh) 2022-09-23

Family

ID=77083221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110638200.XA Active CN113221385B (zh) 2021-06-08 2021-06-08 一种年代际预报的初始化方法及***

Country Status (1)

Country Link
CN (1) CN113221385B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462247B (zh) * 2022-02-14 2022-10-21 中国人民解放军61540部队 一种北太平洋海表盐度年代际模态识别方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942325A (zh) * 2014-04-29 2014-07-23 中南大学 一种融合气候分区思想的海陆气候事件关联规则挖掘方法
CN107103396A (zh) * 2017-06-13 2017-08-29 南京大学 基于主要svd模态建模的中国季节气候预测方法
CN108549961A (zh) * 2018-05-02 2018-09-18 河海大学 一种基于cmip5预估海浪有效波高的方法
CN110309901A (zh) * 2019-05-16 2019-10-08 同济大学 求解条件非线性最优扰动的改进人工蜂群数据处理方法
CN110443993A (zh) * 2019-06-12 2019-11-12 中国科学院大气物理研究所 一种适用于模式预报enso的方法
CN110532500A (zh) * 2019-08-08 2019-12-03 河海大学 一种区域大气水文模型中水库群参数化方案的构建方法
CN111401634A (zh) * 2020-03-13 2020-07-10 成都信息工程大学 一种获取气候信息处理方法、***、存储介质
CN112069449A (zh) * 2020-09-04 2020-12-11 中科三清科技有限公司 基于初值集合的天气预报方法及装置
CN112819254A (zh) * 2021-03-05 2021-05-18 兰州大学 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10909446B2 (en) * 2019-05-09 2021-02-02 ClimateAI, Inc. Systems and methods for selecting global climate simulation models for training neural network climate forecasting models
CN110543987A (zh) * 2019-08-28 2019-12-06 向波 一种智能气候预测***
CN111291944B (zh) * 2020-03-16 2022-09-23 中国人民解放军61540部队 基于npsdv驱动因子识别的海洋气候预测方法及***
CN112036617B (zh) * 2020-08-17 2021-10-29 国能大渡河流域水电开发有限公司 一种动力-统计客观定量气候预测方法与***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942325A (zh) * 2014-04-29 2014-07-23 中南大学 一种融合气候分区思想的海陆气候事件关联规则挖掘方法
CN107103396A (zh) * 2017-06-13 2017-08-29 南京大学 基于主要svd模态建模的中国季节气候预测方法
CN108549961A (zh) * 2018-05-02 2018-09-18 河海大学 一种基于cmip5预估海浪有效波高的方法
CN110309901A (zh) * 2019-05-16 2019-10-08 同济大学 求解条件非线性最优扰动的改进人工蜂群数据处理方法
CN110443993A (zh) * 2019-06-12 2019-11-12 中国科学院大气物理研究所 一种适用于模式预报enso的方法
CN110532500A (zh) * 2019-08-08 2019-12-03 河海大学 一种区域大气水文模型中水库群参数化方案的构建方法
CN111401634A (zh) * 2020-03-13 2020-07-10 成都信息工程大学 一种获取气候信息处理方法、***、存储介质
CN112069449A (zh) * 2020-09-04 2020-12-11 中科三清科技有限公司 基于初值集合的天气预报方法及装置
CN112819254A (zh) * 2021-03-05 2021-05-18 兰州大学 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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Christian Katlein.Platelet Ice Under Arctic Pack Ice in Winter.《Geophysical Research Letters》.2020, *
RAFI ULLAH KHAN.Risk Assessment and Decision Support for Sustainable Traffic Safety in Hong Kong Waters.《IEEE Access》.2020, *
Yidan Xu.Contribution of SST change to multidecadal global and continental surface air temperature trends between 1910 and 2013.《Climate Dynamics》.2019, *
万修全.地球***模式CESM及其在高性能计算机上的配置应用实例.《地球科学进展》.2014, *
周天军.年代际气候预测问题: 科学前沿与挑战.《地球科学进展》.2017, *
应美佳.南大洋混合层的时空变化特征.《海洋与湖沼》.2019, *
林霄沛.全球变暖"停滞"现象辨识与机理研究.《地球科学进展》.2016, *

Also Published As

Publication number Publication date
CN113221385A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Hashem et al. Change analysis of land use/land cover and modelling urban growth in Greater Doha, Qatar
Alter et al. Rainfall consistently enhanced around the Gezira Scheme in East Africa due to irrigation
Dhanapala Arachchige et al. Least square support vector and multi-linear regression for statistically downscaling general circulation model outputs to catchment streamflows
Wang et al. Subtropical high predictability establishes a promising way for monsoon and tropical storm predictions
Zheng et al. Projection of future global offshore wind energy resources using CMIP data
Koster et al. A mechanism for land–atmosphere feedback involving planetary wave structures
Ozbek et al. Deep learning approach for one-hour ahead forecasting of energy production in a solar-PV plant
Saha et al. Autoencoder-based identification of predictors of Indian monsoon
Katzfey et al. High-resolution simulations for Vietnam-methodology and evaluation of current climate
Lavers et al. European precipitation connections with large-scale mean sea-level pressure (MSLP) fields
Hu et al. Relation of the South China Sea precipitation variability to tropical Indo-Pacific SST anomalies during spring-to-summer transition
CN113221385B (zh) 一种年代际预报的初始化方法及***
US9536021B1 (en) System and method for providing a renewable energy network optimization tool
Misra et al. Characterizing the rainy season of Peninsular Florida
Data CLIMATE DATA 3
Shang et al. Simulation of the dipole pattern of summer precipitation over the Tibetan Plateau by CMIP6 models
Yang et al. Will the arid and semi-arid regions of Northwest China become warmer and wetter based on CMIP6 models?
Zhang et al. Does objective cluster analysis serve as a useful precursor to seasonal precipitation prediction at local scale? Application to western Ethiopia
Raut et al. Trends in CMIP5 rainfall patterns over southwestern Australia
Zheng et al. Characterization of model spread in PMIP2 mid-Holocene simulations of the African monsoon
Gusev et al. Weather noise impact on the uncertainty of simulated water balance components of river basins
Sun et al. Mapping water vulnerability of the Yangtze River Basin: 1994–2013
Diodato et al. Reconstruction of erosivity density in northwest Italy since 1701
Oguntunde et al. A numerical modelling study of the hydroclimatology of the Niger River Basin, West Africa
Smith et al. A new method for generating stochastic simulations of daily air temperature for use in weather generators

Legal Events

Date Code Title Description
PB01 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