基于机器学习的非线性局部Lyapunov向量集合预报订正

基于Lorenz96模型初步探讨了机器学习算法提高非线性局部Lyapunov向量(NLLV)集合预报效果的可行性和有效性.结果表明:基于岭回归算法和NLLV集合预报结果建立的机器学习模型(Ens-ML)能够有效提高整体预报技巧,而且优于集合平均预报(Ens Ave)、控制预报(Ctrl)以及基于Ctrl结果建立的机器学习模型(Ctrl-ML).同时,还发现Ens-ML的预报技巧改进程度依赖于集合成员的数量,即增加集合成员数有助于提高Ens-ML模型的整体预报准确率.通过对比个例预报表现得到,随着预报时间延长, Ens-ML, Ctrl-ML和Ens Ave的个例预报误差逐渐小于Ctrl.进一步分析Ens-ML, Ctrl-ML和Ens Ave预报的吸引子,发现它们的概率分布的值域收缩、峰度增大并向平均值靠拢,尤其Ens-ML的表现更为明显.     

基于Lorenz模型的集合预报与单一预报的比较研究

根据非线性局部Lyapunov向量方法和增长模繁殖方法,选取Lorenz63模型和Lorenz96模型的不同状态为例,对集合预报与单一预报的预报技巧开展了对比研究.结果表明:与单一预报比较,集合预报的均方根误差和型异常相关有明显改善,随预报时间推移,改善效果越显著,且集合平均优于单一预报的实验个例数逐渐增多.就概率分布(f)而言,单一预报状态的f与真实状态基本一致,不随时间变化;而集合平均预报状态的f则随时间呈现出值域变窄、峰值变大的特点.表明随预报时间的延长,单一预报状态为混沌吸引子上的随机状态,而集合平均预报状态为吸引子子集上的随机状态,这可能是集合平均误差小于单一预报的原因.