基于慢特征分析的哈尔滨市气温预测研究

doi:10.3969/j.issn.1673-503X.2022.03.018

摘要/Abstract

摘要：

慢特征分析方法(Slow Feature Analysis, SFA)是从已知的非平稳时间序列中提取缓变信息的有效方法。本文首先通过Logistic非平稳时间序列模型对SFA方法提取慢特征信息的能力进行了检验, 然后以哈尔滨市为黑龙江省代表站, 对月气温距平序列进行慢特征信号提取及预测研究。结果表明: 慢特征分析方法可以有效地提取哈尔滨市气温距平序列中的慢特征信号。提取的慢特征信号能够反映原序列的变化趋势、极值等信息。拟合和预测试验表明, 与平稳性模型相比, 引入SFA信号后的气温预测模型可以在一定程度上提高预测能力, 改善预测效果。对近48个月独立样本预测也得到相同结论。

关键词: 慢特征分析, 非平稳时间序列, 气温预测模型

Abstract:

Slow feature analysis (SFA) is an effective method to extract slowly varying information from known non-stationary time series.In this paper, the ability of the SFA method to extract slow feature information was first tested by using the Logistic non-stationary time series model, and then the slow feature signals extraction and prediction of monthly temperature anomalies series were carried out at Harbin station as a representative station in Heilongjiang province.The results showed that the SFA method can effectively extract the slow feature signals from the temperature anomalies series in Harbin.The extracted slow feature signals can reflect the trend, extreme value, and other information of the original temperature series.Fitting and prediction experiments show that the temperature prediction model after the introduction of SFA signals can improve the prediction ability, compared with the stationary model.The same conclusion is obtained for the independent sample predictions for the latest 48 months.

Key words: Slow feature analysis (SFA), Non-stationary time series, Temperature prediction model

中图分类号:

P468

娄德君, 潘昕浓, 王冀, 张雪梅, 高振铎. 基于慢特征分析的哈尔滨市气温预测研究[J]. 气象与环境学报, 2022, 38(3): 150-155.

De-jun LOU, Xin-nong PAN, Ji WANG, Xue-mei ZHANG, Zhen-duo GAO. Study on temperature prediction in Harbin based on slow feature analysis method[J]. Journal of Meteorology and Environment, 2022, 38(3): 150-155.

图/表 7

图1

图2

图3

图4

图5

图6

图7

参考文献 24

1	Tsonis A A . Widespread increases in low-frequency variability of precipitation over the past century[J]. Nature, 1996, 382 (6593): 700- 702. doi: 10.1038/382700a0
2	Yang P C , Zhou X J , Bian J C . A nonlinear regional prediction experiment on a short-range climatic process of the atmospheric ozone[J]. Journal of Geophysical Research, 2000, 105 (D10): 12253- 12258. doi: 10.1029/2000JD900098
3	杨培才, 周秀骥. 气候系统的非平稳行为和预测理论[J]. 气象学报, 2005, 63 (5): 556- 570. doi: 10.3321/j.issn:0577-6619.2005.05.003
4	Yang P C , Wang G L , Zhang F , et al. Causality of global warming seen from observations: a scale analysis of driving force of the surface air temperature time series in the Northern Hemisphere[J]. Climate Dynamics, 2016, 46 (9/10): 3197- 3204.
5	潘昕浓, 王革丽, 杨培才. 利用慢特征分析法提取层次结构系统中的外强迫[J]. 物理学报, 2017, 66 (8): 080501.
6	潘昕浓, 王革丽, 王鹏飞, 等. 慢特征分析法在气象上的应用进展[J]. 气象与环境科学, 2016, 39 (1): 96- 101.
7	杨培才, 卞建春, 王革丽, 等. 气候系统的层次结构和非平稳行为: 复杂系统预测问题探讨[J]. 科学通报, 2003, 48 (13): 1470- 1476. doi: 10.3321/j.issn:0023-074X.2003.13.023
8	陈伯民, 纪立人, 杨培才, 等. 改善月动力延伸预报水平的一种新途径[J]. 科学通报, 2003, 48 (5): 513- 520. doi: 10.3321/j.issn:0023-074X.2003.05.022
9	Packard N H , Crutchfield J P , Farmer J D , et al. Geometry from a time series[J]. Physical Review Letters, 1980, 45 (9): 712- 716. doi: 10.1103/PhysRevLett.45.712
10	Takens F. Detecting strange attractors in turbulence[M]//Rand D, Young L S. Dynamical Systems and Turbulence, Warwick 1980. Berlin: Springer, 1981: 366-381.
11	王革丽, 杨培才, 卞建春, 等. 一个包含外强迫因子的非平稳时间序列的预测方法[J]. 科学通报, 2011, 56 (25): 2107- 2110.
12	张彬. 两种建模思想相结合的非平稳时间序列预测试验[D]. 南京: 南京信息工程大学, 2013.
13	陈潇潇, 王革丽, 金莲姬. 包含外强迫因子的大气气溶胶数浓度的预测[J]. 中国环境科学, 2015, 35 (3): 694- 699.
14	李菲, 王永光, 王小桃, 等. 基于DERF 2.0产品东北地区降尺度气温预测模型研究[J]. 气象与环境学报, 2017, 33 (4): 108- 112. doi: 10.3969/j.issn.1673-503X.2017.04.014
15	吴春英, 刘多文, 钟博, 等. 基于数值预报模式的乡镇温度预报方法研究[J]. 气象与环境学报, 2019, 35 (1): 108- 112. doi: 10.3969/j.issn.1673-503X.2019.01.015
16	Berkes P , Wiskott L . Slow feature analysis yields a rich repertoire of complex cell properties[J]. Journal of Vision, 2005, 5 (6): 579- 602.
17	Wiskott L . Slow feature analysis: a theoretical analysis of optimal free responses[J]. Neural Computation, 2003, 15 (9): 2147- 2177. doi: 10.1162/089976603322297331
18	范开宇, 王革丽, 李超, 等. 利用慢特征分析法提取二维非平稳系统中的外强迫特征[J]. 气候与环境研究, 2018, 23 (3): 287- 298.
19	范开宇. 时间序列的外强迫尺度特征分析及其对预测能力的影响[D]. 成都: 成都信息工程大学, 2018.
20	曾祥秋, 叶瑞松. 基于改进Logistic映射的混沌图像加密算法[J]. 计算机工程, 2021, 47 (11): 158- 165, 174.
21	林振山, 邓自旺. 子波气候诊断技术的研究[M]. 北京: 气象出版社, 1999: 61- 88.
22	马开玉, 丁裕国, 屠其璞, 等. 气候统计原理与方法[M]. 北京: 气象出版社, 1993: 28- 29.
23	张勤, 丁一汇. 热带太平洋年代际平均气候态变化与ENSO循环[J]. 气象学报, 2001, 59 (2): 157- 172. doi: 10.3321/j.issn:0577-6619.2001.02.003
24	侯依玲, 刘鸣彦, 赵春雨, 等. 东北地区气温演变的一致性与局地性特征研究[J]. 气象与环境学报, 2019, 35 (2): 69- 76. doi: 10.3969/j.issn.1673-503X.2019.02.010

[1]	姜珊, 张海旭, 张菁, 宋晓巍, 李石, 于璐, 王新秀. 1981—2020年沈阳地区春玉米生长季水热资源时空特征[J]. 气象与环境学报, 2022, 38(4): 76-84.
[2]	王芳, 梁静, 孙洪伟, 高永刚. 三江平原土壤湿度记忆性及其与水热气候条件的关系[J]. 气象与环境学报, 2022, 38(4): 102-109.
[3]	齐铎, 刘松涛, 赵广娜, 高梦竹. 基于多模式集成冬半年气温预报偏差修正[J]. 气象与环境学报, 2022, 38(3): 119-126.
[4]	雷杨娜,毛明策,李明,张侠. 1971—2018年陕西省人体舒适度日数时空变化特征[J]. 气象与环境学报, 2022, 38(2): 89-96.
[5]	娄德君,王冀,周显伟,李治民. 1961—2019年黑龙江省冬季气温季节内变化及环流异常特征[J]. 气象与环境学报, 2022, 38(2): 31-39.
[6]	王秀萍,李燕,张悦,赛瀚,李潇潇. 2018年盛夏大连地区极端高温干旱天气环流特征及成因分析[J]. 气象与环境学报, 2021, 37(4): 70-77.
[7]	张博,于超,黄威,陈传雷. 欧亚持续性阻塞对6月大兴安岭地区气温和降水的影响及气温的前兆信号研究[J]. 气象与环境学报, 2021, 37(4): 63-69.
[8]	杜明哲, 鲁坦, 朱玉周, 廖荣伟, 房小怡. 1961—2019年河南秋季连阴雨天气气候特征分析[J]. 气象与环境学报, 2021, 37(4): 54-62.
[9]	李黎,崔研,王浩宇,吴国振,杨明,张运芝,赵晓川. 营口市百年气温变化特征研究[J]. 气象与环境学报, 2021, 37(3): 73-80.
[10]	常姝婷,白雪,曲梓祎,温舟,徐玉秀,高铭,张翠艳. 全球变暖趋缓背景下辽宁夏季降水变化及水汽输送特征[J]. 气象与环境学报, 2021, 37(3): 57-64.
[11]	温华洋,朱华亮,刘壮,孔芹芹,马文周,陈凤娇. 基于三参数Weibull分布的安徽省年最大风速均一性检验[J]. 气象与环境学报, 2021, 37(2): 77-83.
[12]	支星,谈建国,孙兰东. 1961—2017年中国华东区域高空温度变化特征[J]. 气象与环境学报, 2021, 37(2): 48-55.
[13]	赵洁云,龙步菊,袁维颖,刘思妤,李柯尧. 基于气温和体感温度的中国南方地区供暖必要性分析[J]. 气象与环境学报, 2021, 37(2): 41-47.
[14]	李宇凡,徐士琦,袭祝香,邱译萱,姜忠宝. 吉林省盛夏降水季内变化特征及大气环流分析[J]. 气象与环境学报, 2021, 37(2): 27-32.
[15]	王秀萍,李红斌,张靖萱. 2018年7月大连地区异常少雨天气大气环流分析[J]. 气象与环境学报, 2021, 37(2): 19-26.