基于自组织映射神经网络的吉林省春夏期降水统计模拟研究

作     者：吴香华 蒙芳秀 熊萍萍 于华英 燕妮 刘伟奇 WU Xianghua;MENG Fangxiu;XXIONG Pingping;YU Huaying;YAN Ni;LIU Weiqi

作者机构：南京信息工程大学数学与统计学院江苏南京210044 南京信息工程大学大气物理学院江苏南京210044 

出 版 物：《大气科学学报》 (Transactions of Atmospheric Sciences)

年 卷 期：2018年第41卷第6期

页      面：829-837页

学科分类：07[理学] 070601[理学-气象学] 0706[理学-大气科学] 

基　　金：图家重点研发计划重点项目(2018YFC1507900) 国家自然科学基金资助项目(41505118 71701105 41605045 41705009) 

主　　题：春夏期降水 自组织映射神经网络 天气模态 蒙特卡罗模拟 

摘      要：利用1997—2015年吉林省春夏期(4—7月)逐日气象站地面观测资料,以气温、气压、相对湿度、水汽压、风速为协变量,建立各站点逐日降水量的基于自组织映射神经网络(Self-Organizing Maps,SOM)的统计预测模型;分析吉林省春夏期的主要天气模态,研究逐日降水和天气模态之间的关系,并基于此关系提出逐日降水量的蒙特卡罗模拟方法。结果表明:SOM对天气模态的分型质量较好,邻近天气模态的累积概率分布较相似,距离较远的天气模态累计概率分布差异较大。各天气模态下无降水的概率与日降水量区间宽度的相关系数为-0. 94,显著性水平小于0. 01。基于降水量累积概率分布,20种天气模态被划分成4类,并与降水易发程度和逐日降水量完全对应。在此基础上,对吉林省24个站点逐日降水量进行蒙特卡罗模拟,并进行预测性能分析。平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RM SE)的中位数分别为3. 12 mm和6. 13 mm,SBrier和Ssig分别为0. 06和0. 51,站点的逐日降水量预测性能整体较好。MAE和RMSE分布呈现东南大西北小,去除降水自然变异差异的影响,所有站点的误差都较小; SBrier和Ssig没有明显的空间分布特征。