华南地区日极值气温统计降尺度研究

发布时间：2017-08-01 09:07

  本文关键词：华南地区日极值气温统计降尺度研究

  更多相关文章： 统计降尺度 日极值气温 BP神经网络 多元线性回归 遗传算法

【摘要】：全球气候模式(Global Climate Model,GCM)是目前预估和描述全球气候变化最重要的模式之一,它能较好地模拟出未来一段时间大尺度的平均气候特征。但GCM输出的空间分辨率较低,无法对局部域天气场景变化做出准确的预测。统计降尺度方法通过建立低分辨率的全球气候模式输出与局部区域气象要素之间的统计关系,对小尺度区域气象变量做出预测,是目前借助大尺度全球气候模式输出预估局部区域天气情景变化的重要技术手段之一。本文基于统计回归的降尺度方法,分别建立了逐步回归、主成分回归、以及遗传算法优化BP神经网络的多元非线性回归的统计降尺度模型,对华南地区2000-2013年逐日的日最高气温和日最低气温进行了精细化的数值预报。其中,2000-2010年的数据用于模式的标定;2011-2013年的数据用于模式的检验。模式的预报变量为华南地区每日的极值气温;预报因子为大尺度的全球气候模式输出变量中与气温有关的气象要素资料。大尺度气象数据资料选取的是美国国家环境预报中心/美国国家大气研究中心(NCEP/NCAR)提供的1°×1°全球再分析资料,而小尺度区域气象变量选取的是中国华南地区21个国家基本气象观测站的日极值气温的实时观测数据。通过计算各个模型的决定系数(coefficient of determination)R2、均方根误差RMSE、平均最大误差MAE等参数综合比较分析各种统计降尺度模型在预估华南地区日极值气温中的表现,得到如下结论:(1)三个统计回归模型都能很好地模拟华南地区21个站点日极值温度的物理和统计特性;三个模型中,大部分站点的逐日极值气温用非线性的BP神经网络统计降尺度模型模拟得较好,R2约为0.85和RMSE约为1.5℃;但其计算量较逐步回归和主成分回归模型计算量更大。(2)一般说来,统计回归模型对沿海岸的站点较内陆站点的模拟效果要好。(3)比较华南地区不同季节的温度降尺度模拟,三个统计降尺度模型在模拟冬季逐日极值气温趋势变化把握较夏季好,体现在R2值更大;夏季受台风等强对流天气影响,温度变化趋势把握较难,但模拟的夏季逐日极值气温的误差较小,体现在MAE,RMSE更小。
【关键词】：统计降尺度 日极值气温 BP神经网络 多元线性回归 遗传算法
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O212.1
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-14
• 1.1 研究背景和意义9-10
• 1.2 统计降尺度研究的进展10-12
• 1.3 本文的工作和创新点12-14
• 1.3.1 本文主要的工作12-13
• 1.3.2 本文的创新点13-14
• 第2章 数据资料与方法14-25
• 2.1 资料介绍14-15
• 2.1.1 小尺度地面观测日极值气温资料14-15
• 2.1.2 大尺度全球气候模式输出资料15
• 2.1.3 数据集的划分与使用15
• 2.2 研究方法介绍15-25
• 2.2.1 多元线性回归15-17
• 2.2.2 逐步回归17-18
• 2.2.3 主成分回归18
• 2.2.4 人工神经网络18-23
• 2.2.5 遗传算法23-25
• 第3章 统计降尺度模型的建立25-37
• 3.1 模型的基本原理25
• 3.2 模型建立的基本流程25-28
• 3.2.1 预报变量和预报因子的划分25
• 3.2.2 预报因子的筛选25-27
• 3.2.3 降尺度方法的选择27
• 3.2.4 模型的评价指标27-28
• 3.3 逐步回归模型的建立28-30
• 3.4 主成分回归模型的建立30-33
• 3.5 BP神经网络模型的建立33-37
• 第4章 结果与分析37-53
• 4.1 从模型观测值和仿真值的折线图进行分析37-40
• 4.2 从R2,RMSE,MAE的角度来比较与分析40-48
• 4.2.1 以深圳市为例评价三种统计降尺度模型40-45
• 4.2.2 三种统计降尺度方法模拟华南地区一月份日最低温度的比较45-48
• 4.3 从模型的预测值和仿真值的箱线图进行比较分析48-52
• 4.4 相关性结论52-53
• 第5章 总结与展望53-55
• 5.1 工作小结53
• 5.2 展望53-55
• 参考文献55-57
• 致谢57-58

，

本文编号：603455