数据驱动的长江下游低频降水次季节-季节气候预测方法

     2 周到2 个月的次季节-季节（S2S）气候预测介于较为完善的常规天气预报和正在发展中的季节预测之间的时间尺度范围内。对于日常的天气预报业务，虽然海洋和陆面条件对其有一定影响，但影响短期数值天气预报准确性的最主要问题还是大气初始条件；在季节到年际尺度上的预测则更强烈依赖于像海表面温度这样缓慢变化的强迫源要素，介于这两个时间尺度之间的是次季节尺度的变率。到目前为止,对次季节尺度的预测与短中期天气预报和季节预测相比,受到的关注程度要少得多。无论从天气-气候尺度的无缝隙预报的专业发展还是从社会需求角度,S2S气候预测的开展和实施都具有重要的科学意义和广泛的社会应用价值,是近5年来国际上气候业务预报发展的一个重要方向之一。

S2S气候预报需要结合初始气象条件和海洋、大气以及气候的影响因素,观测资料具有复杂性、综合性、全面性、高度数据相关性和多重数据属性，预测过程十分复杂。传统的“假设—模型—验证”的模式已难以有效分析科学大数据的内在规律、提取其蕴含的真实价值,需要采用从多角度进行数据分析的方法,着力研究解决复杂现象的“海量数据+简单逻辑”的问题。

随着卫星遥感等多种观测手段进步,近10年来气候观测获得的各种数据迅速增加,这些科学大数据,反映和表征着复杂的自然现象与关系,从海量数据中提取出部分有效数据,可以获得比过去的抽样分析更全面的与天气气候变化密切联系的低频变化信息。如果把这些观测资料分解、变换,将其去冗分类、去粗取精,得到关键数据,将这些关键数据视为多样化的动态数据变化过程的一系列数据解,即可反演出可预报性较大的简化数据模型,显著减小了计算误差。江苏省气象科学研究所杨秋明主持的课题组基于季节内振荡（ISO）信号开展的S2S预报新方法便是通过复杂的超高维数据分析,约简系统复杂度,采用交叉和综合多种数据分析方法和技术,把大数据集合变为小数据集合,从大量观测资料中合理识别和提取有效数据,并扩大有效数据规模,分析影响各种极端天气的关键数据的优先级,构建了完全由数据驱动的具有较高预测能力的随时间变化的简单模型LFCF1.0、2.0和3.0(分别是MLR、ECAR、MLR/PC-CAR模型)，可以较好预测未来6－7周长江下游降水20－30 天低频分量变化,将强降水预报时效延长到50天左右。这些方法减少人们处理数据时带入的主观假设的影响,完全依靠数据间的多种时滞相关性及其时间变化来阐述,本质是可以很偶然的发现一些非预期但很有价值的知识和信息，揭示反映气候数据生长性的动态变化全景图。综合利用这些具有不同特性的相关关系及其时间变化对这些联系进行研究,全力挖掘相关关系的潜力,可以识别复杂气候系统自然变化中的很丰富同时很严谨的结构。这种气候预测新方法表现为大量多种类型的数据分解、变换、逼近历史数据和实时数据中的变化规律并用于解析、预测和评估的各方面的集合,体现数据处理、简化模型的构建、解析、预测、评估和信息更新一体化。

人类发展永无止境,信息网络创造数字社会。随着大数据时代的发展,会改变现有天气气候监测和预报思维模式和方法。在气象变化莫测的每一天,为提升天气气候预报能力、时效和精度,从复杂现象中透视本质,不断延伸、开拓S2S气候预报新途径和方法。通过融入随机动力核心、数据分析科学和技术发展以及数据新产品应用等科技创新,可以让预报模式从根本上摆脱可预报性的束缚,实现模式的短中期、延伸期和短期气候无缝隙预报预测的能力。