气候变率中长期记忆性信号的提取及其在中国气候预测中的应用

It has been well recognized that Long-term memory (LTM) is ubiquitous in climate records. During the past few years, understanding climate memory has become one of the goals of climatology. However, few explorations have been made regarding how one can improve climate prediction skills by using climate memory. In this project we aim to introduce LTM into the studies of climate prediction. Based on the frame work of stochastic climate models and the fractional integral techniques, we expect to establish an approach, through which one can extract memory signals from any given climatic time series. By taking the memory signals into account, the climate prediction skill is expected to improve. We will take a statistical climate projection scheme, Statistical Analog Resampling (STAR), as a detailed example to show our research ideas. By applying the improved scheme (with memory signals taking into account) to the researches over China (especially the Yangtz River region), we will test the superiorities of the new improved scheme, and further make an assessment of to what extent LTM could improve our ability of climate prediction. We believe this work will not only provide us a better climate projection scheme, but also show us a new perspective on the research of climate prediction.

气候变率中的长期记忆性特征已在近年来逐渐为气候学家所熟悉。但与之相关的研究仍主要停留在对现象的诊断和解释阶段。本项目将尝试将这种长期记忆性特征引入到实际的气候预测研究中来。我们将从随机气候模型的思想出发，利用分数阶积分的方法实现对气候变率中长期记忆性强弱的定量化及其信号的提取；并将提取出的长期记忆性信号与已有的一种气候预测方案——统计类比再抽样方案（Statistical Analog Resampling Scheme, STAR）相结合，提出一套新的、基于气候变率长期记忆性特征的气候预测方案。通过将新提出的预测方案应用于中国地区（尤其是长江流域地区）的气候预测研究中，验证该方案的优越性，并定量评估这种普遍存在于气候变率中的长期记忆性信号在提高气候预测技巧中的所能起到的作用。通过本项目的研究，希望不仅给出一种改进后的新预测方案，更能形成一条未来气候预测研究的新思路。

近年来，气候变率中的长期记忆性特征已被广泛地发现于多种气候变量中，但基于该方向的研究还主要停留在对现象的诊断和解释阶段。本项目研究的主要目标是将这种长期的记忆性特征引入到实际的气候预测研究中来。希望最终形成一条气候预测研究的新思路。. 为完成这一目标，按照项目计划书，首先建立了一套新的分数阶随机气候模型。利用该模型，可以定量提取出气候变率中的记忆性信号，并将给定的气候变量分解为记忆性部分和非记忆性部分；对于非记忆性部分的估算，借助统计类比再抽样的思想，通过引入气候的长期记忆性特征，建立了新的方案；通过与原有预测方案的模拟效果相对比，验证了将气候长期记忆性特征引入到气候预测中的必要性；通过计算记忆性部分对气候变率（不同变量，包括气温、降水、河水径流量等）的解释方差，进一步定量刻画了气候的长期记忆性特征在提高气候预测技巧中的作用；为了更好的估算非记忆性部分，研发了可诊断多因子多尺度相互作用强弱的新方法，去趋势的偏-交叉波动分析法，并将该方法拓展到时间维，实现了对相互作用随时间变化的诊断。依据这一系列研究，目前已形成了一条气候预测的新思路，即首先定量计算并分解出气候变率中的记忆性部分，再对非记忆性部分进行估算。目前的研究成果为下一步建立分层降尺度的气候预测模型奠定了坚实的基础。. 此外，本项目还研究了发现了赤道太平洋海表气温网络对厄尔尼诺/拉尼娜事件的相变响应，为更好地研究ENSO在我国预测中的作用提供新的视角；发现了传统趋势评估方法因忽视气候变率中长期记忆性的影响而普遍存在高估趋势显著性的现象，并基于长期记忆性特征，对气温、南极海冰范围等变量的变化趋势做了重新评估。这些研究有助于进一步加深对气候系统非线性特征的认识，并利用这些非线性现象服务于实际的气候预测中。