0引言

氣候預測方法有統(tǒng)計學,、動力學和動力統(tǒng)計相結(jié)合三類方法。統(tǒng)計學方法由于指數(shù)因子過多且各因子相互作用過程復雜,，難以基于簡單的人工分析把握主要統(tǒng)計要素,，因此不確定性較高。動力學方法基于數(shù)值預報模式,，受初始擾動和大氣可預報性影響,，氣候預測技巧有限，特別是青藏高原地區(qū)海拔高且地形復雜,，氣候動力模式難以精準捕捉氣候過程,，從而表現(xiàn)出了明顯偏差［1-2］。動力統(tǒng)計結(jié)合方式為現(xiàn)在主流方式,，能彌補統(tǒng)計和動力方法各自的不足,，明顯提升預測準確度［3-5］。因此,，利用統(tǒng)計學方法訂正西部方向氣候模式,，以提升預報準確度是值得探索的一個方向。

近年來,，大數(shù)據(jù)分析挖掘技術(shù)——機器學習正騰飛發(fā)展,，也在對數(shù)據(jù)關(guān)鍵信息的提取、識別和預測上取得了巨大成就,。充分利用大數(shù)據(jù)分析挖掘技術(shù),，優(yōu)化傳統(tǒng)統(tǒng)計預測方法,，是提升高原地區(qū)氣候預測準確度的重要途徑。氣候預測準確性的影響因子眾多,，包含不同起報時間的模式場數(shù)據(jù)以及前期環(huán)流特征等,，因子數(shù)量多、呈現(xiàn)顯著的非線性,。機器學習算法能夠挖掘大數(shù)據(jù)規(guī)律,，區(qū)別于傳統(tǒng)統(tǒng)計方法，它從數(shù)據(jù)出發(fā)進行學習,，具有很強的處理非線性問題的能力［6］,，能夠從地氣系統(tǒng)大數(shù)據(jù)中發(fā)現(xiàn)并挖掘分析相互關(guān)聯(lián)信號，提升氣候預測技巧［7-8］,。

機器學習已經(jīng)被廣泛應(yīng)用于氣候預測中,，涌現(xiàn)出大量創(chuàng)新創(chuàng)造性成果［9-11］。機器學習方法常與數(shù)值模式融合,，Gentine等［11］用神經(jīng)網(wǎng)絡(luò)模擬云和對流中熱量,、水汽的垂直輸送以及輻射與云和水蒸氣的相互作用，更有效地改進數(shù)值模式的模擬性,，對氣候模式的發(fā)展和預測水平的提高帶來深遠影響,。機器學習也被廣泛用于訂正動力模式偏差，Moghim和Bras［12］使用ANN模型對CCSM3的南美洲北部降水進行訂正,，效果顯著優(yōu)于線性回歸模型,；Wang等［13-14］用隨機森林、支持向量,、貝葉斯模型等工智能模型訂正偏差,，從而提高動力模式預測水平。機器學習算法對提升氣候預測業(yè)務(wù)水平也有極大的貢獻,，黃超［15］等采用隨機森林挑選因子,、多層前饋神經(jīng)網(wǎng)絡(luò)、支持向量回歸和自然梯度算法建立模型,，有效提升了湖南夏季降水的預測能力,；鄧居昌等［7］用多種機器學習算法構(gòu)建廣西月降水量預測統(tǒng)計訂正，結(jié)合動力模式方法,，極大提升了預測準確率,；向波等創(chuàng)造性地將機器學習算法融入多省市的氣候預測業(yè)務(wù)中，成功優(yōu)化預測效果,。

上述研究在氣候預測中機器學習算法的應(yīng)用領(lǐng)域做出了較大貢獻,，但由于模式表現(xiàn)差、測站少等原因,，鮮有研究關(guān)注西部方向,。因此,，本文利用西部方向240個區(qū)域站30年觀測數(shù)據(jù)、國內(nèi)外主流氣候模式數(shù)據(jù),、前期環(huán)流特征等大數(shù)據(jù)樣本,，基于EOF分解的時間系數(shù)，采用信息流算法分析挖掘數(shù)據(jù)因果特征,，運用機器學習算法構(gòu)建高影響因子集與時間系數(shù)的預報模型,，以優(yōu)化模式預報場，最后將模式數(shù)據(jù),、重構(gòu)預報數(shù)據(jù)插值回240個區(qū)域站,，分析對比模型預報效果，探索基于機器學習算法的氣候模式訂正方法在西部方向的適用性,。

本文下載請點擊：基于機器學習算法的西部方向氣候模式預測訂正研究AET-電子技術(shù)應(yīng)用-最豐富的電子設(shè)計資源平臺 (chinaaet.com)

作者信息：

楊理智,張櫨丹,王俊鋒,張帥,嚴渝昇

（中國人民解放軍31308部隊,，四川成都610031）