欢迎您访问印度洋业务化海洋学研究中心官方网站

 由于观测资料的不确定性(包括仪器误差、观测点的时空密度小引起的插值误差)和资料分析、同化处理中导入的误差,使得数值模式的初始场总是含有不确定性。这种不确定性产生的微小误差在高度非线性的数值模式极其敏感,使得误差在向后积分的过程中不断累积,这是造成预报不准确的一个重要原因。为了解决这一问题Epstein首先提出集合预报理论,目的在于给出大气未来可能发展的概率分布。Leith首先进行了集合预报实验。经典的集合预报首先估计初始误差分布的范围,然后根据这一范围给出一个初值的集合。在此集合中每一个初始场都有同样的可能性代表实际大气的状态。从这一初值集合出发,我们就可以得到一个预报的集合,在这个预报集合中的每个成员都有可能代表将来大气的真实状态,如果集合的成员足够多,我们就可以通过集合平均达到消除初值不确定性的目的。这就是所谓的“集合数值预报”。该方法在天气预报中取得了不错的成绩,世界上各主要的数值天气预报中心都有各自的集合预报系统投入业务或准业务运行,并且有证据表明集合预报已经使中短期天气预报,尤其是中期数值天气预报的预报技巧有了明显改善。科学家将同样的方法用于气候、海洋预报初步也得到了一定的改善。一个比较实用的集合预报系统应该能够提供以下产品:集合平均预报;可信度预报;集合概率预报

我中心唐佑民研究员于2001年将神经网络融合入杂交耦合模式,开展集合预报方面的相关研究。现有的数值模式的物理过程存在不完整的地方,因此建立神经网络模型以期模拟这些缺失的动力过程。将神经网络方程代替缺失的第三动力方程引用于Lorenz模式。大气模块采用非线性的经验统计模型,海洋模块采用动力模式,通过集合平均的方式消除神经网络的不稳定性用于产生预报结果。将NN(神经网络)模型和LR(线性回归)模型产生的风应力驱动海洋模式,结果表明NN模型对近赤道热带太平洋和东太平洋的SST模拟技巧并没有比LR模型有很大的改善。但用NN模型风场代替LR在海洋模式中产生的HC在西太平洋和中太平洋有较好的技巧。这主要是因为上层海洋和大气之间HC的非线性比SST强。

图1为欧洲预报中心多模式集合预报产品关于IOD的预报技巧,图中X轴为预报时间,y轴为预报技巧,即预报与实际观测之间的相关系数。结果表明所有模式对IOD的预报技巧在提前3个月时都低于0.4,如果取0.5的相关系数作为有效的标准,模式对IOD的预报只能提前1-2个月。


图1. 欧洲预报中心多模式集合预报产品关于IOD预报技巧图

现有的动力模式对印度洋偶极子的预报效果并不理想,因此我们希望能采用统计模型对IOD的预报有较大的改善。用EOF方法展开变量,选取适当的几个模态作为预报因子直接对DMI指数进行预报。用1948-1997年作为模型的训练样本,1998-2013年作为模型的验证,结果表明选取SST的6个PC作为预报因子对DMI指数的预报在4个月以内相关系数都在0.5以上,相比动力模式有较好的改进(图2)。


图2 统计模型关于IOD的预报技巧图

关于我们 | 研究 | 观测网 | 数据资源印度洋业务化海洋学研究中心 版权所有 Copyright 2015 All rights reserved 浙ICP备10040255号-9