Conditional nonlinear optimal perturbation and its applications to the studies of weather and climate predictability

Conditional nonlinear optimal perturbation （CNOP） is the initial perturbation that has the largest nonlinear evolution at prediction time for initial perturbations satisfying certain physical constraint condition. It does not only represent the optimal precursor of certain weather or climate event, but also stand for the initial error which has largest effect on the prediction uncertainties at the prediction time. In sensitivity and stability analyses of fluid motion, CNOP also describes the most unstable （or most sensitive） mode. CNOP has been used to estimate the upper bound of the prediction error. These physical characteristics of CNOP are examined by applying respectively them to ENSO predictability studies and ocean＇s thermohaline circulation （THC） sensitivity analysis. In ENSO predictability studies, CNOP, rather than linear singular vector （LSV）, represents the initial patterns that evolve into ENSO events most potentially, i.e. the optimal precursors for ENSO events. When initial perturbation is considered to be the initial error of ENSO, CNOP plays the role of the initial error that has largest effect on the prediction of ENSO. CNOP also derives the upper bound of prediction error of ENSO events. In the THC sensitivity and stability studies, by calculating the CNOP （most unstable perturbation） of THC, it is found that there is an asymmetric nonlinear response of ocean＇s THC to the finite amplitude perturbations. Finally, attention is paid to the feasibility of CNOP in more complicated model. It is shown that in a model with higher dimensions, CNOP can be computed successfully. The corresponding optimization algorithm is also shown to be efficient.     

A new approach to the generation of initial perturbations for ensemble prediction: Conditional nonlinear optimal perturbation

Conditional nonlinear optimal perturbation （CNOP）, which is a natural extension of singular vector （SV） into the nonlinear regime, is applied to ensemble prediction study by using a quasi-geostrophic model under the perfect model assumption. SVs and CNOPs have been utilized to generate the initial perturbations for ensemble prediction experiments. The results are compared for forecast lengths of up to 14 d. It is found that the forecast skill of samples, in which the first SV is replaced by CNOP, is comparatively higher than that of samples composed of only SVs in the medium range （day 6-day 14）. This conclusion is valid under the condition that analysis error is a kind of fast-growing ones regardless of its magnitude, whose nonlinear growth is faster than that of SV in the later part of the forecast. Furthermore, similarity Index and empirical orthogonal function （EOF） analysis are performed to explain the above numerical results.     

一次特大暴雨天气的数值模拟试验研究

目的检验各非绝热物理过程参数化方案对模式输出结果的影响,进一步了解和认识MM5模式中不同积云对流参数化方案的性能、特点和适用范围,为合理选择使用模式中的物理过程参数化方案提供依据,提高模式对类似暴雨天气过程的预报能力。方法运用相互比较和试验分析的方法在不同模式分辨率下,对MM5V3模式中的不同物理过程参数化方案设计18种组合方案,进行比较试验和分析。结果主要雨带位置对参数化方案并不是十分敏感,但模拟的暴雨中心强度、范围、雨带走向随参数化方案的不同有较大变化,甚至出现虚假的强降水中心。各组合方案模拟的天气尺度系统水平环流结构差别较小,模拟的中尺度系统结构存在着较大差别,这种差别对定点、定量降水的准确预报产生影响。结论在实际预报中可根据初始气象场的分型特点选择较合适的组合方案启动数值预报模式,从而达到提高模式对类似暴雨天气过程的预报能力。     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高，太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度，在安全稳定运行中保障工业电力系统的正常使用，提出一种结合改进的自适应噪声互补集成经验模态分解（improved complementary ensemble empirical mode decomposition with adaptive noise ,ICEEMEDAN）与差分自回归移动平均（autoregressive integrated moving average ,ARIMA）的长短期记忆（long-term and short-term memory ,LSTM）神经网络模型，使用该复合模型对光伏发电功率进行预测，通过对影响光伏功率的不同变量进行评估，获取特征重要性并作为模型的输入，在时间尺度上利用改进后的LSTM模型进行建模，以R2等相关指标评判模型性能的优劣，从而实现完整的光伏功率预测。实验采用澳大利亚（DKASC）光伏数据集群中一光伏电站2016年实测数据进行验证，两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高了2.82%、0.02%。     

基于小波分解和支持向量机的ENSO预测试验

为了改善ENSO的预测效果,基于Nino综合区的海温距平时间序列,采用小波分解和最小二乘支持向量机结合的方法,引入多步递阶预测的思想,建立ENSO的预测模型.试验结果表明:基于小波分解和最小二乘支持向量机结合的多步预测方法,可以有效提高ENSO的预报精度.同时,该模型具有同时得到不同时效的预测结果,建模方便,计算效率高...     

A new approach to studying ENSO predictability： Conditional nonlinear optimal perturbation

A new approach, the conditional nonlinear optimal perturbation (CNOP) is introduced to study the predictability of El Nifio-Southern Oscillation (ENSO) using a theoretical coupled ocean-atmosphere model. The differences between CNOP and linear singular vector (LSV) are demonstrated. The results suggest that the nonlinear model and CNOP are superior in determining error growth for studying predictability of the ENSO. In particular, the CNOP approach is used to explore the nature of the ‘spring predictability barrier‘ in ENSO prediction.     

随机群集的实用稳定性分析

本文讨论一类具有吸引和排斥作用的随机群集模型的实用稳定性,分别对不同扰动形式下的群集稳定性问题做了探讨,模拟表明理论的正确性。     

具有输入干扰的模型集随机检验

为了解决面向鲁棒控制的模型集的闭环随机检验问题,该文讨论了具有输入干扰的线性分式扰动模型集的随机检验问题。应用线性代数方法通过对模型集进行讨论,根据一个模型集与对象频域输入输出数据相一致的充要条件,建立了模型集点非伪概率的解析表达式。数值仿真表明点非伪概率体现了模型集与系统真实动态之间的包含关系。     

入口扰动对圆湍射流流动大涡模拟预报的影响

运用大涡模拟方法分别对不加扰动和加扰动的圆湍射流流动进行了数值模拟,比较了两者在大尺度涡结构的演化过程以及时均速度和湍流强度等统计结果方面的预报差异,并与实验结果进行了对照。模拟结果表明,施加了入口扰动的模拟结果在物理真实性方面和统计结果的准确性方面均要明显优于未加扰动的模拟结果。分析了不加扰动和加扰动模拟的本质差异,指出准确预报实际圆湍射流流动应采用施加入口扰动的三维模拟。     

集合预报初值扰动在天气预报中的应用研究进展

对提高数值模式天气预报准确率和可用度,单个模式往往难以达到理想的目的,故常采用集合方法.例如,将模式的初值进行扰动后集合,或者将不同的预报结果集合,甚至运用多模式开展集合预报等.本文着重介绍集合预报初值扰动的应用研究情况,重点阐述目前最先进、最流行的两种方法--奇异向量法和增长模繁殖法.集合初值扰动研究近年取得了丰硕成果,也涌现了一些新的初值扰动方法.但很多问题仍有待解决,例如对初始场误差的进一步认识、误差的离散度还不够大、离散速度还不够快、更有效的扰动生成方法有待出现等.最后,对初值扰动的应用研究进行了展望.     

基于人工神经网络集合预报的济南市臭氧预报方法

由于观测的不准确以及资料分析、同化中的误差,单一预报仅是一个可能的解。为弥补其不足,提出了一种基于人工神经网络集合预报的臭氧(O₃)预报模型,选取8类气象因子及2类污染物因子,搭建人工神经网络预报模型,并采用随机扰动方法,产生15组相互独立的随机扰动气象场,搭建人工神经网络集合预报模型,并以2013年—2019年5月—9月数据作为训练集,以2020年5月—9月数据作为测试集。结果表明:与单一人工神经网络预报相比,人工神经网络集合预报准确率明显提高,O₃污染命中率明显提高,O₃污染漏报率明显减少,O₃污染空报率略有增加;人工神经网络集合预报对O₃污染预报有过多倾向,而单一人工神经网络预报则有过少倾向;以2020年7月3日—9日的一次O₃重污染过程为例,与单一人工神经网络的确定性预报相比,人工神经网络集合预报能够更好地反映出污染的迅速累积上升及持续过程。通过提供定量的概率预报,人工神经网络集合预报可以给出多种可能性及其发生的概率,能为预报员提供包括不确定性在内的更多预报信息,该模型具有一定的实际应用价值。     

基于径向基神经网络的集装箱吞吐量组合预测

利用上海港国际集装箱吞吐量的历史数据,分别采用灰色预测法和三次多项式曲线模型建立了单项预测模型.利用径向基（RBF）神经网络对两个单项预测模型结果进行了组合预测,以作为其最终的预测值.实验结果表明,采用组合方法比采用单一预测方法的预测精度有了进一步的提高.最后,应用马尔可夫链预测模型对组合预测结果进行分析,增加了结果的可信性.     

一种新的遗传策略在含“开关”过程的集合预报中的有效应用

针对初值及模式的不确定性,进行了初值扰动集合预报和模式扰动集合预报。在初值扰动集合预报中,将一种新的遗传策略用于四维变分资料同化生成集合预报的分析场,求解条件非线-}生最优扰动,并结合第二、第三主奇异向量（SVs）生成集合预报的初始扰动。为了检验该方法的有效性,采用一个含“开关”过程的偏微分方程的预报模式,设计了3种比较数值试验方案。结果表明：采用第3方案的集合预报在预报技巧上明显高于其他两种方案。第2方案和第1方案相比,由于“开关”的影响,集合预报技巧提高并不明显。在模式扰动集合预报数值实验中,为了模拟模式的不确定性,在控制方程右端添加6个随机的误差项模拟由于物理参数化方案的不同而带来的模式扰动,采用新的遗传策略在扰动模式中同化出6个对应于扰动模式的分析场后进行集合预报,并与基于伴随技术的方法进行比较。结果表明,基于遗传算法的扰动模式集合预报的预报技巧明显优于伴随方法,且这种优势随着预报时间的增加愈发明显。     

Malaria early warnings based on seasonal climate forecasts from multi-model ensembles

The control of epidemic malaria is a priority for the international health community and specific targets for the early detection and effective control of epidemics have been agreed. Interannual climate variability is an important determinant of epidemics in parts of Africa where climate drives both mosquito vector dynamics and parasite development rates. Hence, skilful seasonal climate forecasts may provide early warning of changes of risk in epidemic-prone regions. Here we discuss the development of a system to forecast probabilities of anomalously high and low malaria incidence with dynamically based, seasonal-timescale, multi-model ensemble predictions of climate, using leading global coupled ocean-atmosphere climate models developed in Europe. This forecast system is successfully applied to the prediction of malaria risk in Botswana, where links between malaria and climate variability are well established, adding up to four months lead time over malaria warnings issued with observed precipitation and having a comparably high level of probabilistic prediction skill. In years in which the forecast probability distribution is different from that of climatology, malaria decision-makers can use this information for improved resource allocation.     

用T106L19全球谱模式制作中期集合预报的试验

为解决传统的数值预报初值存在的不确定性,利用增长模繁殖法在T106L19全球谱模式上进行了中期集合预报试验.繁殖循环的初始扰动由模式24 h预报均方根误差和随机数的乘积构成,该随机数服从[-1,＋1]区间上的均匀分布,繁殖循环的周期为6 h,繁殖的总时间为3 d,集合成员为15个.结果表明：在1～10 a的预报中,无论是距平相关系数还是预报均方根误差,除第1天外,集合预报都优于控制预报,集合预报相对于控制预报的优势更主要地体现在对第3天以后的中期预报时段.从计算的离散度来看,集合平均预报的可信度要比控制预报的高.     

Stability Robustness Bounds of Stochastic Linear Systems with Delayed Perturbations

This note considers stability robustness bounds on a classof stochastic linear systems with delayed perturbations.Using the stochastic Lyapunov stability theory,severalsufficient conditions for delay-independent stochasticasymptotic stability are obtained.It is shown that if theperturbation terms satisfy some conditions,then the sto-chastic systems have the robustness.     

系统非线性组合预测方法及在黄河凌汛预测中应用

为了提高预测的精度，尤其是冰凌中长期预测的精度，基于工程模糊集、人工神经网络、遗传算法与组合预测理论，提出了系统非线性组合预测方法，给出了黄河内蒙段冰凌三种单一预测模型的非线性组合预测值．结果表明，所建立的非线性组合预测方法物理意义明确，数学推导过程严谨，预测精度高于任意单一预测模型．     

快子暴涨的Hamilton-Jacobi形式及宇宙学扰动

讨论带有Born-Infeld作用量的快子场所驱动的暴涨模型.首先给出了快子暴涨方程的Hamilton-Jacobi形式并且考虑如何去解Hamilton-Jacobi方程;然后讨论快子场的宇宙学扰动给出扰动场的模方程;最后,讨论了一个真实的由弦理论得来的滚动快子模型.     

非线性动力系统非定常态的最快增长扰动

计算了洛伦兹模式随时间变化的非定常态的条件非线性最优扰动．在比较条件非线性最优扰动和线性奇异向量模态的基础上进一步探讨了它们随时间的演变．结果表明，线性奇异向量代表初始扰动最优增长的方向，条件非线性最优扰动，由于受非线性的影响不能代表扰动最优增长方向，它代表在预报时刻有最大非线性发展的一类初始扰动．另外，条件非线性最优扰动代表了最敏感或最不稳定的扰动模态，从而揭示了非线性对洛伦兹模式敏感性的影响．     

小应力扰动下岩石弹性波速变化的波形检测

弹性波速变化能够反映岩石内部结构和应力的变化,成为工程结构监测的重要基础,其关键是实现小应力扰动下的高精度检测。在室内建立一套试验测量系统,对3类岩石的6块样品进行单轴压缩试验,同步记录小应力作用下岩石的应变、声发射及超声波波形。分析岩石非均质引起的多次散射波(尾波)特性,利用尾波干涉测量实现波速变化的高精度波形检测,发展小应力扰动下岩石弹性波速变化的检测方法,并对尾波波速随应力的变化规律进行分析。结果表明:尾波干涉测量可以实现小应力扰动下的高精度动态监测,具有对岩体扰动小、灵敏度高、稳定性好、操作简单的优点;所提方法应用的条件是介质散射强度高,尾波较为发育,观测系统重复性好;尾波波速随应力的相对变化率dv/v是岩石损伤状态的一种表征,尾波波速变化具有记忆效应;与声发射相比,所提方法稳定,易识别,可用于岩心地应力测试。