论文部分内容阅读
使用一种新的多模式集成方法偏最小二乘回归(Partial Least Square Regression,PLS),利用其能完全消除多重共线性的特征来改善比湿和地面气温多模式集成预报的效果。偏最小二乘回归本质上也是一种超级集合预报,它的优势在于各个因子之间完全消除了多重共线性,能使每一组数据都相互独立不相互干扰,而其他所有方法包括消除偏差集合平均(BREM)、滑动平均等都不可能避免多重共线性,各个因子之间的多重共线性很容易使模型不稳定,造成误差较大。PLS成分中既保留了原自变量中较多的方差,而且保留了与因变量较大的相关性,从而在消除原自变量复共线性的同时,所建立的回归模型仍能充分的反映出自变量与因变量之间的相关关系。基于TIGGE资料集下的欧洲中期天气预报中心(ECMWF)、中国气象局(CMA)、日本气象厅(JMA)、英国气象局(UKMO)四个中心集合预报结果,建立2012年多模式(25-60°N,60-150°E)区域24小时-168小时预报时效(间隔24小时)比湿和地面气温的多模式集成模型,分别使用消除偏差集合平均(Bias-Removed Ensemble Mean,BREM)、简单集合平均(Ensemble Mean,EMN)、超级集合预报(Multi-model Superensemble,SUP)以及偏最小二乘回归(Partial Least Square Regression,PLS)四种方法对地面气温和水汽多模式集成,进行了四次多模式集成预报试验,利用均方根误差(Root-mean-square Error,RMSE)和距平相关系数(Anomaly correlation coefficient,cor)来判定多模式集成的效果并且针对性的预报了一次短期寒潮过程。四次预报结果均表明偏最小二乘回归(PLS)方法的多模式集成效果最好,不但优于四种单一模式而且相比于其他三种方法,表现出了更好的预报性能,具有一定的价值以及应用前景。