非线性时间序列分析在气候中的应用研究进展-气象

合集下载

非线性时间序列分析在气候中的应用研究进展

非线性时间序列分析在气候中的应用研究进展彭跃华1,2　于江龙3(1.解放军理工大学气象学院,南京211101;2.中国科学院大气物理研究所;3.总参气象水文空间天气总站)提　要:非线性时间序列分析方法在气候领域中的应用主要包括如下三个方面:观测数据处理、气候突变和气候预测。

综述众多文献的结果表明,有许多学者为非线性时间序列分析方法在气候领域中的应用做了大量的工作,大部分文章用到了非线性时间序列分析方面较新的方法,几乎每种方法都能在某个方面取得一定的成功。

但这些大多是个例的研究,得出的结论有待更多的验证和理论上更系统的阐述;可用于业务预测且可提高预报技巧的方法仍需探求。

非线性时间序列分析在气候中的应用还是任重而道远。

关键词:非线性　时间序列分析　气候Research Advances of Nonlinear Time SeriesAnalysis Applying in ClimatologyPeng Yuehua 1,2　Yu Jianglong 3(1.Institute of Meteorology ,PLA University of Science and Technology ,Nanjing 211101;2.Institute of Atmospheric Physics ,Chinese Academy of Sciences ;3.Meteorology ,Hydrology and Space Weather Terminal Center of G eneral Staff )Abstract :The application of nonlinear time series analysis in climatology mainly includes three as 2pects as follows :observation data processing ,abrupt change of climate and climatological predic 2tion.The results of summarizing many papers show that ,a great deal of scholars contribute a lot to the application of nonlinear time series analysis in climatology.Most of the papers have used new methods in nonlinear time series analysis and almost every method can come to the top in some fields.However ,they are just results with case study on the whole ,the inclusions need more validation and more systemic illustration ;it is necessary to hunt methods used in operational prediction and enhancing forecast skill.There is still a long way to go.K ey Words :nonlinear time series analysis climate　收稿日期:2009年4月23日;　修定稿日期:2009年7月1日第35卷,第10期2009年10月气象M ETEOROLO GICAL MON THL Y　Vol.35No.10　October ,2009引　言经典的时间序列分析方法基本上都是线性时间序列分析,所谓线性时间序列分析就是指产生该时间序列的系统是线性的[1],线性时间序列分析的方法已经很成熟了。

时间序列分析算法在天气预报中的应用探讨

时间序列分析算法在天气预报中的应用探讨天气预报对于我们的日常生活、农业生产、交通运输等各个领域都具有至关重要的意义。

随着科技的不断发展，时间序列分析算法在天气预报中的应用越来越广泛，为提高天气预报的准确性和可靠性提供了有力的支持。

时间序列分析算法是一种基于历史数据来预测未来趋势的方法。

在天气预报中，这些历史数据可以包括气温、气压、湿度、风速、风向等气象要素的观测值。

通过对这些数据的分析和建模，时间序列分析算法能够揭示气象要素的变化规律，并据此对未来的天气状况进行预测。

常见的时间序列分析算法包括移动平均法、指数平滑法和自回归移动平均（ARMA）模型等。

移动平均法是一种简单而直观的方法，它通过计算一定时间窗口内数据的平均值来平滑数据，从而去除噪声和短期波动，突出长期趋势。

然而，这种方法对于季节性和周期性变化的捕捉能力相对较弱。

指数平滑法在移动平均法的基础上进行了改进，它赋予近期数据更高的权重，使得预测结果更能反映数据的最新变化。

指数平滑法可以分为一次指数平滑、二次指数平滑和三次指数平滑等，适用于不同类型的数据特征和预测需求。

自回归移动平均（ARMA）模型则是一种更为复杂和精确的时间序列分析方法。

它将时间序列视为由一个自回归（AR）部分和一个移动平均（MA）部分组成。

AR 部分表示当前值与过去值之间的线性关系，MA 部分则用于描述随机干扰对序列的影响。

通过对历史数据的拟合和参数估计，ARMA 模型能够生成较为准确的预测结果，但同时也需要更多的计算资源和数据量支持。

在实际应用中，时间序列分析算法在天气预报中发挥着重要作用。

例如，在气温预测方面，通过对历史气温数据的分析，可以发现气温的季节性变化规律以及长期趋势。

利用时间序列分析算法，可以预测未来一段时间内的气温走势，为人们的出行、衣物选择和能源消耗提供参考。

对于降水的预测，时间序列分析算法同样具有一定的价值。

虽然降水的发生具有较大的随机性，但通过对降水数据的长期观察和分析，仍然可以发现一些潜在的规律。

处理非线性分类和回归问题的一种新方法(Ⅱ)——支持向量机方法在天气预报中的应用

处理非线性分类和回归问题的一种新方法(Ⅱ)——支持向量机方法在天气预报中的应用处理非线性分类和回归问题的一种新方法(Ⅱ)——支持向量机方法在天气预报中的应用摘要支持向量机方法是一种常用的机器学习方法，具有广泛的应用领域。

本文介绍了支持向量机方法的基本原理和算法，并探讨了其在天气预报中的应用。

通过收集并处理大量的气象数据，利用支持向量机方法构建了天气预报模型。

实验结果表明，支持向量机方法在天气预报中有着良好的性能，能够准确地对天气情况进行分类和回归预测。

关键词：支持向量机；非线性分类；回归问题；天气预报；应用1. 引言随着气候变化的加剧和人们对天气情况的需求不断增加，天气预报成为人们生活中不可或缺的一部分。

然而，由于天气情况的复杂性和非线性特征，传统的统计方法在天气预报中存在一定的局限性。

因此，需要引入新的方法来处理非线性分类和回归问题。

2. 支持向量机方法的基本原理支持向量机方法是一种基于统计学习理论的机器学习方法。

其基本原理是通过找到一个最优超平面来实现分类或回归任务。

支持向量机方法通过最大化两个不同类别样本之间的间隔，找到一个最优的超平面，实现简单高效的分类和回归。

而对于非线性问题，引入核函数可以将问题映射到高维特征空间中，进而实现非线性分类和回归。

3. 支持向量机方法的算法支持向量机方法的核心算法是通过求解一个凸二次规划问题来找到最优超平面。

常用的求解方法有序列最小优化算法（SMO）和内点法等。

通过优化算法，可以得到最佳的超平面参数，从而实现准确的分类和回归。

4. 支持向量机方法在天气预报中的应用针对天气预报的特点，本文提出了一种基于支持向量机方法的天气预报模型。

首先，收集并处理大量的气象数据，包括温度、湿度、气压、风速等因素。

然后，通过特征选择和数据预处理等方法，得到合适的输入特征。

接下来，利用支持向量机方法，构建天气预报模型。

通过对多个气候样本进行训练，不断优化模型参数，从而实现对未来天气情况的预测。

时间序列分析在气候科学中的应用

时间序列分析在气候科学中的应用时间序列分析是一种统计学方法，用于研究随时间推移而变化的数据。

在气候科学领域，时间序列分析被广泛运用于研究气候变化、气象预测、气候周期性等方面。

本文将深入探讨时间序列分析在气候科学中的应用。

一、气候变化预测时间序列分析可帮助气候科学家预测未来气候的变化趋势。

通过对历史气候数据进行分析，建立适当的时间序列模型，可以根据过去的变化模式预测未来气候的发展。

这对于制定气候变化政策和准备应对未来气候变化具有重要意义。

二、气象事件监测时间序列分析还可用于监测和分析各种气象事件的发展过程，如风暴、干旱、暴雨等。

通过对气象事件的时间序列数据进行分析，可以及时预警并采取相应的措施应对可能出现的灾害。

三、气候周期性研究气候科学家常常通过时间序列分析来研究气候的周期性变化。

例如，太阳黑子周期、厄尔尼诺现象等都是通过时间序列分析进行研究的对象。

通过对这些周期性现象的研究，可以更好地理解气候系统的运行规律。

四、气候趋势监测利用时间序列分析技术，可以监测气候变量的长期趋势。

例如，全球气温的升高、降水量的变化等趋势都可以通过时间序列分析进行监测。

这有助于我们更好地了解气候变化的发展态势，为未来的气候预测和气候变化调控提供依据。

总结时间序列分析在气候科学中扮演着重要角色，无论是气候变化预测、气象事件监测、气候周期性研究还是气候趋势监测，时间序列分析都为气候科学家提供了有效的研究工具。

随着数据采集技术的不断进步和时间序列分析方法的不断完善，相信时间序列分析在气候科学中的应用将会更加广泛和深入，为我们更好地理解和应对气候变化提供有力支持。

【此内容仅供参考】。

掌握时间序列分析的基本方法和应用场景

掌握时间序列分析的基本方法和应用场景时间序列分析是一种用来研究随时间变化的数据的方法，它可以帮助我们揭示数据中的模式和趋势，预测未来的发展趋势，以及解释和预测时间序列数据的变化原因。

在各个领域中，时间序列分析都有着广泛的应用，包括经济学、金融学、气象学、交通运输、医学等等。

本文将介绍时间序列分析的基本方法和常见的应用场景。

一、时间序列分析的基本方法1. 数据收集和整理：时间序列分析首先需要收集和整理相关的时间序列数据。

这些数据可以是按照一定时间间隔收集的，比如每天、每月或每年的数据。

收集到的数据需要进行清洗和整理，确保数据的准确性和完整性。

2. 数据可视化：为了更好地理解数据的特征和趋势，我们可以使用图表来展示时间序列数据。

常用的可视化方法包括折线图、散点图和柱状图等。

通过可视化，我们可以直观地观察到数据的周期性、趋势性以及异常值等信息。

3. 平稳性检验：在进行时间序列分析之前，我们需要检验数据是否满足平稳性的要求。

平稳性是指时间序列数据的均值和方差在时间上保持不变。

常用的平稳性检验方法包括单位根检验、ADF检验和KPSS检验等。

4. 模型拟合：根据时间序列数据的特征，我们可以选择合适的模型进行拟合。

常用的时间序列模型包括ARIMA模型、ARCH模型、GARCH模型等。

模型拟合的目标是找到最佳的参数组合，以最好地拟合数据并进行预测。

5. 模型评估和预测：在模型拟合之后，我们需要对模型进行评估和验证。

常用的评估指标包括均方根误差（RMSE）、平均绝对百分比误差（MAPE）等。

通过评估模型的准确性，我们可以选择最佳的模型，并进行未来的预测。

二、时间序列分析的应用场景1. 经济学和金融学：时间序列分析在经济学和金融学中有着广泛的应用。

它可以用来分析和预测股票价格、利率、通货膨胀率等经济指标的变化趋势。

通过时间序列分析，我们可以帮助投资者制定投资策略，预测市场的涨跌趋势。

2. 气象学：时间序列分析在气象学中可以用来预测天气变化和气候趋势。

非线性时间序列分析的最新进展及其在地球科学中的应用前景_洪时中

第14卷第6期1999年12月地球科学进展ADVANCE IN EART H SCIENCESVo l.14　No.6Dec.,1999综述与评述非线性时间序列分析的最新进展及其在地球科学中的应用前景X洪时中(成都市地震局,四川　成都　610015)摘　要:评述了非线性时间序列分析的最新进展,包括相空间重构、序列性质的鉴别、建模与预报,同时介绍了非线性时间序列分析在地球科学中的应用概况。

关　键　词:时间序列;非线性;混沌;相空间(状态空间)重建;建模;预报中图分类号:P315.75　文献标识码:A　文章编号:1001—8166(1999)06-0559-071　引　言在古代中国和巴比伦,人们就已经能从天文观测所得到的时间序列中寻找周期,并以此预报一些天文现象。

近代的Fourier奠定了周期分析的理论基础,给出了对时间序列进行周期分析的数学方法。

直到现在,人们仍在广泛应用Fourier方法来分析研究各种自然现象,也仍然有人试图用周期外推的方法预报一些自然现象。

这类方法是一种简单的确定性的方法。

1927年Yule首先提出AR模型,并用于研究太阳黑子的时间序列。

以后,又进一步发展到ARM A、ARIMA等方法,获得了广泛的应用。

这类方法将时间序列看成一个随机过程,是一种概率统计的方法。

上述两类传统的时间序列分析方法本质上都是线性的,都以简单的迭加原理为前提。

在实际应用中,人们往往从时间序列中提取出趋势项、周期项和随机项,分别加以处理之后叠加在一起进行预报。

这样做,本质上仍然是线性的。

汤家豪(1978)提出的“门限自回归”(T AR)模型开始闯入了非线性的领域,但却不是从动力学出发的,与当代的非线性科学还不完全是一回事。

以混沌理论为核心的当代非线性科学的迅猛发展有力地推动了时间序列分析。

人们发现,即使是一个十分简单的、完全确定的非线性系统,在一定的条件下也可以表现出非常复杂、非常随机的性质。

动力学意义上的非线性时间序列分析开创于80年代初,它以重建相空间为基础研究相空间动力轨道的性质,并据此进行预测。

非线性时间序列预测方法研究

非线性时间序列预测方法研究随着数据科学和移动通信的快速发展，时间序列分析在很多领域中变得越来越重要。

因此，研究人员不断寻找新的和更准确的方法来预测非线性时间序列数据。

本文将研究非线性时间序列预测的方法，并讨论其应用和优势。

在传统的时间序列分析中，线性模型通常被用来预测未来的观测值。

然而，许多实际问题中的时间序列数据并不服从线性关系，因此线性模型的预测精度可能会受到限制。

为了解决这个问题，研究人员提出了各种非线性时间序列预测方法。

一种常用的非线性时间序列预测方法是基于核函数的方法。

这种方法通过将输入数据映射到高维特征空间中，利用核函数进行预测。

核函数可以帮助我们捕捉数据中的非线性关系，从而提高预测的准确性。

常用的核函数有径向基函数、多项式核函数等。

这些核函数在非线性时间序列预测中发挥着重要的作用。

另一种非线性时间序列预测方法是基于机器学习算法的方法。

这些算法利用大数据集和强大的计算能力，可以对复杂的非线性模式进行建模和预测。

其中，支持向量机（SVM）是一种常用的机器学习算法，因其在非线性问题上的良好性能而被广泛应用于非线性时间序列预测中。

SVM通过找到一个最优边界来划分数据，从而预测未来的观测值。

此外，神经网络模型如长短期记忆网络（LSTM）、卷积神经网络（CNN）等也被广泛用于非线性时间序列预测。

除了核函数方法和机器学习算法，还有其他一些非线性时间序列预测方法。

例如，混沌理论可以将非线性时间序列看作是混沌系统的输出，从而利用混沌理论的方法进行预测。

还有近年来非常热门的深度学习方法，如递归神经网络（RNN）、自编码器等，这些方法可以自动学习时间序列数据中的非线性模式，并用于预测。

非线性时间序列预测方法的应用非常广泛。

在金融领域，非线性时间序列模型可以用于股票价格预测、汇率预测等。

在天气预报领域，非线性时间序列模型可以用于气温、降水等气象数据的预测。

在工业制造领域，非线性时间序列模型可以用于产品质量控制和故障诊断。

时间序列季节调整方法在气象要素预测中的应用分析

《现代农业科技》2009年第23期时间序列预测法是一种重要的预测方法，其预测模型比较简单，对资料的要求比较单一，只需变量本身的历史数据，因此在实际中有广泛的适用性。

气象要素时间序列常呈现出一定的季节性波动，有的以年度为周期，有的以季度、月、日为周期，通常称这类序列为季节性序列。

时间序列如果有季节性，则趋势有时很难判断，从而影响对未来的精确预测。

1季节调整方法气象要素是随时间变化的，对它的观测形成一组有序数据，称这种数据为时间序列。

对时间序列处理的方法大体有2种：一种是从“时域”角度进行分析，称为时间序列分析或时序分析；另一种是从“频域”角度进行分析，称为频谱分析或谱分析。

一个时间序列可以包括上面4个部分中的全部或者几个部分。

在实际应用中，一般使用以下2类模型：一是加法模型：Y=T+C+S+e ；二是乘法模型：Y=T ×C ×S ×e 。

文中采用乘法型季节模型：Y 1=f （t ）×F j ，其中，f （t ）是序列长期变动趋势项；F j 是季节因子，它表示季节性变动幅度的大小，j =1，2，……k ，如月度为周期则k =12，季度为周期则k =4。

季节调整的主要步骤如下：第一步，估计趋势项T ，然后得到季节项和误差项的乘积S ·e=Y /T ；第二步，去掉残差项，估计季节项S ，把与不同季节对应的数字称为季节因子，对季节因子进行规范化；第三步，从原始数据中去掉季节项Y /S ，得到没有季节项的新的时间序列。

对新时间序列进行趋势估计，建立合理的趋势模型，根据趋势模型预测趋势，然后让趋势乘以季节指数，得到未来的预测[1，2]。

2实际应用分析首先用季节调整方法对临汾市1962~2006年逐月气温、降水资料进行趋势分析，利用得到的趋势方程对2007年数值进行预测。

为了检验该方法的准确性，用线性回归方法对气温和降水资料进行预测，将2种方法进行比较。

气温、降水的趋势采用一次线性方程表示，即：y =a 0+a 1t 。

时间序列分析方法在天气预报中的应用研究

时间序列分析方法在天气预报中的应用研究天气预报在日常生活中扮演着重要的角色，它不仅给人们提供了必要的气象信息，还对人们的日常生活和决策产生了重要影响。

然而，天气预报的准确性一直是一个挑战。

为了提高天气预报的准确性，研究人员们一直在寻找新的方法和技术。

时间序列分析方法作为一种重要的预测方法，在天气预报中得到了广泛的应用。

时间序列分析方法是一种将时间维度纳入预测模型的方法，它通过分析过去的观测值来预测未来的值。

在天气预报中，时间序列分析方法可以应用于多个方面，包括气温、降水量、风速等多个气象要素的预测。

首先，时间序列分析方法可以用于气温预测。

气温是天气预报的重要因素之一，对人们的生活、农业、交通等方面都有着重要影响。

通过对过去一段时间内的气温观测值进行时间序列分析，可以建立一个预测模型，从而对未来的气温进行预测。

这样的预测可以帮助人们做出相应的决策，比如是否带伞、是否进行户外活动等。

其次，时间序列分析方法还可以用于降水量预测。

对于农业、水资源管理等领域来说，降水量的预测也是非常重要的。

通过对过去的降水量数据进行时间序列分析，可以建立一个预测模型，从而对未来的降水量进行预测。

这样的预测可以帮助人们进行农作物的种植决策，合理安排水资源的利用等。

另外，时间序列分析方法还可以用于风速的预测。

风速是天气预报中的另一个重要因素，对于航空、海洋等领域都有着重要作用。

通过对过去的风速数据进行时间序列分析，可以建立一个预测模型，从而对未来的风速进行预测。

这样的预测可以帮助人们进行飞行、航海等决策，提高安全性。

在时间序列分析方法的应用中，还有一些常用的技术，如ARIMA模型、指数平滑方法、回归模型等。

这些方法可以根据具体的情况选用，并结合天气预报的特点进行相应的调整和改进。

然而，时间序列分析方法在天气预报中的应用也存在一些挑战和限制。

首先，天气现象本身是一种复杂的非线性系统，存在很多不确定性和变化性。

因此，在建立时间序列分析模型时需要充分考虑这些因素，以提高预测的准确性。

时间序列分析在气候变化中的应用

时间序列分析在气候变化中的应用气候变化是当今全球面临的一个重大问题，它对人类社会和自然环境产生了深远的影响。

为了更好地理解和应对气候变化，科学家们采用了各种方法来研究气候系统的变化规律和趋势。

其中，时间序列分析被广泛应用于气候变化研究中，为我们提供了重要的信息和洞见。

时间序列分析是一种用于研究随时间变化的数据的统计方法。

在气候变化研究中，我们可以收集到大量的与气候相关的时间序列数据，如温度、降水、风速等。

通过对这些数据应用时间序列分析方法，我们可以揭示出气候系统的内在变化规律，为我们理解气候变化的原因和趋势提供依据。

首先，时间序列分析可以用于检测气候变化的趋势和周期性。

通过对历史气候数据的时间序列分析，我们可以确定气候变化是否存在明显的趋势，比如温度逐渐上升或降水逐渐增加等。

同时，时间序列分析还可以帮助我们分析气候变化是否存在一定的周期性，比如季节性或年际变化。

这些趋势和周期性的分析结果对于气候变化的预测和调整具有重要意义。

其次，时间序列分析可以用于预测气候变化的未来趋势。

通过建立基于时间序列的预测模型，我们可以利用历史数据来预测未来一段时间内的气候变化趋势。

例如，我们可以利用过去几十年的气温数据建立一个时间序列模型，并基于该模型来预测未来几年的气温变化。

这样的预测结果对于农业、水资源管理等领域的规划和决策具有指导意义。

此外，时间序列分析还可以用于分析气候变化与其他变量之间的关系。

气候系统涉及到众多的因素和变量，如大气环流、海洋温度等。

通过对气候数据和其他数据进行时间序列分析，我们可以判断气候变化与其他变量之间是否存在相关性和因果关系。

这种分析可以帮助我们理解气候变化的驱动机制，为气候模型的研究和改进提供参考。

总之，时间序列分析在气候变化研究中具有重要的应用价值。

它不仅可以帮助我们揭示气候变化的趋势和周期性，还可以用于预测未来的气候变化趋势以及分析气候变化与其他变量之间的关系。

通过时间序列分析，我们可以更好地理解和应对气候变化，为制定相关政策和措施提供科学依据。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（，，；１．ＩｎｓｔｉｔｕｔｅｏｆＭｅｔｅｏｒｏｌｏＰＬＡＵｎｉｖｅｒｓｉｔｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏＮａｎｉｎ１１１０１ｇｙｙｏｇｙｊｇ２，；２．ＩｎｓｔｉｔｕｔｅｏｆＡｔｍｏｓｈｅｒｉｃＰｈｓｉｃｓＣｈｉｎｅｓｅＡｃａｄｅｍｆＳｃｉｅｎｃｅｓｐｙｙｏ，Ｈ）３．ＭｅｔｅｏｒｏｌｏｄｒｏｌｏｎｄＳａｃｅＷｅａｔｈｅｒＴｅｒｍｉｎａｌＣｅｎｔｅｒｏｆＧｅｎｅｒａｌＳｔａｆｆｇｙｙｇｙａｐ
：犃犫狊狋狉犪犮狋Ｔｈｅａｌｉｃａｔｉｏｎｏｆｎｏｎｌｉｎｅａｒｔｉｍｅｓｅｒｉｅｓａｎａｌｓｉｓｉｎｃｌｉｍａｔｏｌｏａｉｎｌｎｃｌｕｄｅｓｐｐｙｇｙｍｙｉ：，ｏｂｓｅｒｖａｔｉｏｎｄａｔａｒｏｃｅｓｓｉｎａｂｒｕｔｃｈａｎｅｏｆｃｌｉｍａｔｅａｎｄｃｌｉｍａｔｏｔｈｒｅｅａｓｅｃｔｓａｓｆｏｌｌｏｗｓｐｐｇｐｇ，ｌｏｉｃａｌｒｅｄｉｃｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｏｆｓｕｍｍａｒｉｚｉｎａｎａｅｒｓｓｈｏｗｔｈａｔａｇｒｅａｔｄｅａｌｏｆｓｃｈｏｌｇｐｇｍｙｐｐａｒｓｃｏｎｔｒｉｂｕｔｅａｌｏｔｔｏｔｈｅａｌｉｃａｔｉｏｎｏｆｎｏｎｌｉｎｅａｒｔｉｍｅｓｅｒｉｅｓａｎａｌｓｉｓｉｎｃｌｉｍａｔｏｌｏ．Ｍｏｓｔｐｐｙｇｙｏｆｔｈｅａｅｒｓｈａｖｅｕｓｅｄｎｅｗｍｅｔｈｏｄｓｉｎｎｏｎｌｉｎｅａｒｔｉｍｅｓｅｒｉｅｓａｎａｌｓｉｓａｎｄａｌｍｏｓｔｅｖｅｒｅｔｈｐｐｙｙｍ，ｔｈｅｒｅｕｓｔｒｅｓｕｌｔｓｗｉｔｈｃａｓｅｓｔｕｄｎｔｈｅｏｄｃａｎｃｏｍｅｔｏｔｈｅｔｏｉｎｓｏｍｅｆｉｅｌｄｓ．Ｈｏｗｅｖｅｒｙａｊｙｏｐ，；ｗｈｏｌｅｔｈｅｉｎｃｌｕｓｉｏｎｓｎｅｅｄｍｏｒｅｖａｌｉｄａｔｉｏｎａｎｄｍｏｒｅｓｓｔｅｍｉｃｉｌｌｕｓｔｒａｔｉｏｎｉｔｉｓｎｅｃｅｓｓａｒｏｙｙｔｈｕｎｔｍｅｔｈｏｄｓｕｓｅｄｉｎｏｅｒａｔｉｏｎａｌｒｅｄｉｃｔｉｏｎａｎｄｅｎｈａｎｃｉｎｆｏｒｅｃａｓｔｓｋｉｌｌ．Ｔｈｅｒｅｉｓｓｔｉｌｌａｌｏｎｐｐｇｇｗａｔｏｇｏ．ｙ：犓犲狅狉犱狊ｎｏｎｌｉｎｅａｒｔｉｍｅｓｅｒｉｅｓａｎａｌｓｉｓｃｌｉｍａｔｅｙ．３５Ｎｏ．１０Ｖ年月，２００９１０ｃｔｏｂｅｒ２００９ＯＭＥＴＥＯＲＯＬＯＧＩＣＡＬＭＯＮＴＨＬＹ
非线性时间序列分析在气候中的应用研究进展
２彭跃华１，于江龙３
（南京２；１．解放军理工大学气象学院，１１１０１２．中国科学院大气物理研究所；３．总参气象水文空间天气总站）提要：非线性时间序列分析方法在气候领域中的应用主要包括如下三个方面：观测数据处理、气候突变和气候预测。综述众多文献的结果表明，有许多学者为非线性时间序列分析方法在气候领域中的应用做了大量的工作，大部分文章用到了非线性时间序列分析方面较新的方法，几乎每种方法都能在某个方面取得一定的成功。但得出的结论有待更多的验证和理论上更系统的阐述；可用于这些大多是个例的研究，业务预测且可提高预报技巧的方法仍需探求。非线性时间序列分析在气候中的应用还是任重而道远。关键词：非线性时间序列分析气候
２００９年４月２３日；２００９年７月１日收稿日期：修定稿日期：
５卷气象第３４
方面：观测数据处理、气候突变、气候预测。引言经典的时间序列分析方法基本上都是线性时间序列分析，所谓线性时间序列分析就］１是指产生该时间序列的系统是线性的［，线性时间序列分析的方法已经很成熟了。ＡＲＩＭＡ模型是目前最常用的线性时间序列自回拟合模型。它有四种不同的表现形式：归（、滑动平均（、自回归滑动平均ＡＲ）ＭＡ）（、自回归求和滑动平均（。ＡＲＭＡ）ＡＲＩＭＡ）其流程主要包括四个步骤：模型识别 → 参数估计→模型检验→序列预测。然而实际中的用线性的方法时间序列更多的是非线性的，去做往往会得出不正确的结论或者是拟合很好但预测很差。在实际预测工作中人们发现但在天气预报和气数理方法尽管十分完善，即所谓的候预测中有时也会遇到巨大困难，［］２ “ 预测瓶颈” 。以混沌理论为核心２０世纪７０年代末，有力地的当代非线性科学得到了迅速发展，推动了时间序列的分析研究。人们发现，即完全确定的非线性系使是一个十分简单的、统，在一定的条件下也可以表现出非常复杂、非常随机的性质。动力学意义上的非线性时间序列分析开创于２它以０世纪８０年代初，研究相空间动力轨道的重建相空间为基础，并据此进行预测。这类方法在本质上性质，是动力学的、非线性的，在观念和方法上都有原始性的创新，非线性科学的思想和手段被形成了非线性时应用到时间序列分析领域，］３间序列分析这一新型的学科分支［。非线性时间序列分析有许多方法，但没有通用的方法。非线性模型不像线性模型那样有统一的表达方式，而且某些类型的模型在某些领域有较好的应用前景，而对另外领域却不适合，这也是非线性时序分析的难题［］１之一。本文着重介绍非线性时间序列分析方法］４６在气候领域中的应用［，主要包括以下三个１非线性时间序列分析在观测数据处理中的应用观测数据处理主要包括观测数据的信息提取和降噪。在信息提取方面，常用的方法有小波变换（、经ＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍ，ＷＴ）验模态分解（ＥｍｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｏｓｉｐｐ）。小波变换是泛函分析、傅里叶变换、ｔｉｏｎ样条分析、调和分析和数值分析的结晶，其在时频域中具有良好的局部化特征，能够比较通过对基函有效地从变化信号中提取信息，数的伸缩、平移运算，达到对信号的多分辨率］７分析［。经验模态分解从本质上讲是将一个信号进行平稳化处理，可以把不同特征尺度或层次的波动或趋势从原信号中分解出来，得到一系列具有不同特征尺度的本征模函数（，分量，对各ＩｎｔｒｉｎｓｉｃＭｏｄｅＦｕｎｃｔｉｏｎＩＭＦ）个Ｉ可得到ＭＦ分量进一步作Ｈｉｌｂｅｒｔ变换，谱。该方法被认为是近年来以傅里Ｈｉｌｂｅｒｔ叶变换为基础的线性和稳态谱分析的一个重］］８９大突破［。龚志强等［对经验模态分解和小波分解异同性进行了系统的比较；并对不同代用资料进行周期检测，发现存在不同尺度周期且准１在准１００年尺度是共同周期，００年以上尺度层次上动力学结构特征和外部特随尺度降低可比性降低。姚檀征有可比性，［］１０栋等将Ｈｉｌｂｅｒｔ变换和Ｆｏｕｒｉｅｒ变换结合８应用于青藏高原古里雅冰芯发现，其中１Ｏ时间序列的变化存在着不同尺度的准周期；将结果与树轮序列对比发现存在相似周期。］１１杨保等［研究了近２０００年都兰树轮１０年尺度的气候变化及其与中国其他地区温度代用资料的比较。在观测数据的降噪方面，通常从两个不同的方面着手。一方面是设计一些抗噪声的算法来提取感兴趣的信息，如具有较好鲁棒性的计算Ｌ指数的方法 ��
ＲｅｓｅａｒｃｈＡｄｖａｎｃｅｓｏｆＮｏｎｌｉｎｅａｒＴｉｍｅＳｅｒｉｅｓＡｎａｌｓｉｓＡｌｉｎｉｎＣｌｉｍａｔｏｌｏｙｐｐｙｇｇｙ
１２３ＰｅｎｕｅｈｕａｕＪｉａｎｌｏｎＹｇＹｇｇ，