華南地區(qū)日極值氣溫統(tǒng)計(jì)降尺度研究
發(fā)布時(shí)間:2017-08-01 09:07
本文關(guān)鍵詞:華南地區(qū)日極值氣溫統(tǒng)計(jì)降尺度研究
更多相關(guān)文章: 統(tǒng)計(jì)降尺度 日極值氣溫 BP神經(jīng)網(wǎng)絡(luò) 多元線性回歸 遺傳算法
【摘要】:全球氣候模式(Global Climate Model,GCM)是目前預(yù)估和描述全球氣候變化最重要的模式之一,它能較好地模擬出未來一段時(shí)間大尺度的平均氣候特征。但GCM輸出的空間分辨率較低,無法對(duì)局部域天氣場(chǎng)景變化做出準(zhǔn)確的預(yù)測(cè)。統(tǒng)計(jì)降尺度方法通過建立低分辨率的全球氣候模式輸出與局部區(qū)域氣象要素之間的統(tǒng)計(jì)關(guān)系,對(duì)小尺度區(qū)域氣象變量做出預(yù)測(cè),是目前借助大尺度全球氣候模式輸出預(yù)估局部區(qū)域天氣情景變化的重要技術(shù)手段之一。本文基于統(tǒng)計(jì)回歸的降尺度方法,分別建立了逐步回歸、主成分回歸、以及遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的多元非線性回歸的統(tǒng)計(jì)降尺度模型,對(duì)華南地區(qū)2000-2013年逐日的日最高氣溫和日最低氣溫進(jìn)行了精細(xì)化的數(shù)值預(yù)報(bào)。其中,2000-2010年的數(shù)據(jù)用于模式的標(biāo)定;2011-2013年的數(shù)據(jù)用于模式的檢驗(yàn)。模式的預(yù)報(bào)變量為華南地區(qū)每日的極值氣溫;預(yù)報(bào)因子為大尺度的全球氣候模式輸出變量中與氣溫有關(guān)的氣象要素資料。大尺度氣象數(shù)據(jù)資料選取的是美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心/美國(guó)國(guó)家大氣研究中心(NCEP/NCAR)提供的1°×1°全球再分析資料,而小尺度區(qū)域氣象變量選取的是中國(guó)華南地區(qū)21個(gè)國(guó)家基本氣象觀測(cè)站的日極值氣溫的實(shí)時(shí)觀測(cè)數(shù)據(jù)。通過計(jì)算各個(gè)模型的決定系數(shù)(coefficient of determination)R2、均方根誤差RMSE、平均最大誤差MAE等參數(shù)綜合比較分析各種統(tǒng)計(jì)降尺度模型在預(yù)估華南地區(qū)日極值氣溫中的表現(xiàn),得到如下結(jié)論:(1)三個(gè)統(tǒng)計(jì)回歸模型都能很好地模擬華南地區(qū)21個(gè)站點(diǎn)日極值溫度的物理和統(tǒng)計(jì)特性;三個(gè)模型中,大部分站點(diǎn)的逐日極值氣溫用非線性的BP神經(jīng)網(wǎng)絡(luò)統(tǒng)計(jì)降尺度模型模擬得較好,R2約為0.85和RMSE約為1.5℃;但其計(jì)算量較逐步回歸和主成分回歸模型計(jì)算量更大。(2)一般說來,統(tǒng)計(jì)回歸模型對(duì)沿海岸的站點(diǎn)較內(nèi)陸站點(diǎn)的模擬效果要好。(3)比較華南地區(qū)不同季節(jié)的溫度降尺度模擬,三個(gè)統(tǒng)計(jì)降尺度模型在模擬冬季逐日極值氣溫趨勢(shì)變化把握較夏季好,體現(xiàn)在R2值更大;夏季受臺(tái)風(fēng)等強(qiáng)對(duì)流天氣影響,溫度變化趨勢(shì)把握較難,但模擬的夏季逐日極值氣溫的誤差較小,體現(xiàn)在MAE,RMSE更小。
【關(guān)鍵詞】:統(tǒng)計(jì)降尺度 日極值氣溫 BP神經(jīng)網(wǎng)絡(luò) 多元線性回歸 遺傳算法
【學(xué)位授予單位】:湘潭大學(xué)
【學(xué)位級(jí)別】:碩士
【學(xué)位授予年份】:2016
【分類號(hào)】:O212.1
【目錄】:
- 摘要4-5
- Abstract5-9
- 第1章 緒論9-14
- 1.1 研究背景和意義9-10
- 1.2 統(tǒng)計(jì)降尺度研究的進(jìn)展10-12
- 1.3 本文的工作和創(chuàng)新點(diǎn)12-14
- 1.3.1 本文主要的工作12-13
- 1.3.2 本文的創(chuàng)新點(diǎn)13-14
- 第2章 數(shù)據(jù)資料與方法14-25
- 2.1 資料介紹14-15
- 2.1.1 小尺度地面觀測(cè)日極值氣溫資料14-15
- 2.1.2 大尺度全球氣候模式輸出資料15
- 2.1.3 數(shù)據(jù)集的劃分與使用15
- 2.2 研究方法介紹15-25
- 2.2.1 多元線性回歸15-17
- 2.2.2 逐步回歸17-18
- 2.2.3 主成分回歸18
- 2.2.4 人工神經(jīng)網(wǎng)絡(luò)18-23
- 2.2.5 遺傳算法23-25
- 第3章 統(tǒng)計(jì)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 預(yù)報(bào)變量和預(yù)報(bào)因子的劃分25
- 3.2.2 預(yù)報(bào)因子的篩選25-27
- 3.2.3 降尺度方法的選擇27
- 3.2.4 模型的評(píng)價(jià)指標(biāo)27-28
- 3.3 逐步回歸模型的建立28-30
- 3.4 主成分回歸模型的建立30-33
- 3.5 BP神經(jīng)網(wǎng)絡(luò)模型的建立33-37
- 第4章 結(jié)果與分析37-53
- 4.1 從模型觀測(cè)值和仿真值的折線圖進(jìn)行分析37-40
- 4.2 從R2,RMSE,MAE的角度來比較與分析40-48
- 4.2.1 以深圳市為例評(píng)價(jià)三種統(tǒng)計(jì)降尺度模型40-45
- 4.2.2 三種統(tǒng)計(jì)降尺度方法模擬華南地區(qū)一月份日最低溫度的比較45-48
- 4.3 從模型的預(yù)測(cè)值和仿真值的箱線圖進(jìn)行比較分析48-52
- 4.4 相關(guān)性結(jié)論52-53
- 第5章 總結(jié)與展望53-55
- 5.1 工作小結(jié)53
- 5.2 展望53-55
- 參考文獻(xiàn)55-57
- 致謝57-58
本文編號(hào):603455
本文鏈接:http://www.sikaile.net/kejilunwen/yysx/603455.html
最近更新
教材專著