大气再分析数据在应用过程中需要根据需求将低分辨率数据插值成高分辨率数据。传统方法多采用线性插值和指数插值。这些方法误差较大,因此在二维空间序列计算中,通常采用单一尺度高斯过程回归进行插值;在一维时间序列计算中,通常采用循环神经网络对风速值进行预测。但是上述方法都建立在被插值变量组分单一且与其他变量相互独立的假设上,这些方法都忽略了气象数据的物理意义和物理约束。风速信号本身是多个物理过程导致的结果,与温度、气压、密度等气象变量有复杂的非线性关系,因而风速序列的插值计算需要考虑多尺度特征和多变量约束,否则可能会丢失序列中隐藏的重要信息。本文将在不同方面对风速空间插值和时间预测方法进行改进,以提高再分析数据应用计算的准确率。本文的主要工作和贡献是以下两个方面:(1)本文提出了一种风速多尺度插值核函数,改进了用于风速空间序列插值的高斯过程回归方法。传统的核函数是由一个单一尺度的风速协方差函数和独立高斯噪声项组成。本文根据风速多尺度特点,将核函数构造为由大尺度风速协方差函数、中小尺度风速协方差函数、空间相关噪声协方差函数和独立高斯噪声组成的组合核函数。实验选取16°E不同高度和17°E~27°E50km高度纬向风和经向风再分析数据为样本数据,以2°为间隔建模,以1°为间隔插值验证。实验结果表明,相对于线性插值、指数插值和单一平方指数协方差核函数插值,本文提出的风速多尺度插值方法纬向风和经向风插值均方根误差(RMSE)更低,使用纬向风和经向风分量计算的误差远小于使用风速向量之模和风速向量角度计算的误差。风速多尺度插值方法的优化效果随垂直高度增加而增大。由于数据是沿着经线选取,因此多尺度核函数经向风分量插值的均方根误差比单一尺度核函数插值、线性插值的均方根误差减小了30%以上,这表明本文提出的风速多尺度插值核函数是有效的。(2)本文提出了一种采用风速状态向量进行多变量约束短期风速预测方法。本文将风速时间序列元素由单一纬向风(或经向风)标量改进为纬向风(或经向风)与温度、位势高度、相对湿度组成的状态向量,分别应用到基于长短期记忆网络(LSTM)的序列到序列(Seq2Seq)预测方法中。实验选取115°E和130°E北半球区域的1948年-1972年再分析数据进行训练,选取1973-1975年数据进行验证。在相同时间步长情况下,由风速、温度、位势高度组合构成的三种状态向量明显改善了向量整体预测结果和纬向风分量(或经向风分量)预测结果。其中,由风速u、温度t、位势高度h组成的3维状态向量(u,t,h)的两种预测均方根误差(RMSE)都达到最低。而包含相对湿度rh的状态向量(u,t,h,rh)不仅未改善预测结果反而使均方根误差(RMSE)更大。上述实验结果表明,基于长短期记忆网络(LSTM)的多变量约束风速预测方法能够有效地优化风速时间序列预测结果,但是优化程度取决于风速状态向量各个分量的相关程度。相关度高的变量构成的风速状态向量优化效果明显,而不合适的状态向量可能会让结果变差。在中高纬度,状态向量(u,t)、(u,h)、(u,t,h)会整体提高向量的预测准确性,也会单独提高风速变量的预测准确性。其中,状态向量(u,t,h)在实验区域所有范围中(115°E~130°E 10°N~80°N)预测的准确性最高,且适用范围最广。本文方法在西雅图地表风预测中的预测结果比NOAA的高空风预报的预测结果准确性更高。