基于机器学习订正模型的未来百年全球海表温度预估研究
Study on the Future Projection of Global Sea Surface Temperature over 21st Century Using a Biases Correction Model Based on Machine Learning
DOI: 10.12677/CCRL.2020.94031, PDF,  被引量    国家自然科学基金支持
作者: 匡志远：南京信息工程大学海洋科学学院，江苏 南京；自然资源部第一海洋研究所，山东 青岛；青岛海洋科学与技术国家实验室区域海洋动力学与数值模拟功能实验室，山东 青岛；宋振亚：自然资源部第一海洋研究所，山东 青岛；青岛海洋科学与技术国家实验室区域海洋动力学与数值模拟功能实验室，山东 青岛；自然资源部海洋环境科学与数值模拟重点实验室，山东 青岛；董昌明：南京信息工程大学海洋科学学院，江苏 南京；青岛海洋科学与技术国家实验室区域海洋动力学与数值模拟功能实验室，山东 青岛；南京信息工程大学海洋数值模拟与观测实验室，江苏 南京
关键词: 机器学习；订正模型；海表面温度；FIO-ESM v2.0；未来预估；Machine Learning； Biases Correction Model； Sea Surface Temperature； FIO-ESM v2.0； Future Projection
摘要: 经过半个多世纪的发展，气候模式已成为理解气候变化机理和预测预估未来气候不可或缺的工具，然而由于其对气候变化的模拟能力仍存在一定的不足，这影响了气候预测预估的精准性。基于机器学习的订正模型在天气预报和气候预测预估等方面的探索性研究中表现出了较好的应用潜力。本文基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和BP (Back Propagation)神经网络发展了气候模式全球月平均海表温度(Sea Surface Temperature, SST)的订正模型，基于历史观测数据和气候模式FIO-ESM v2.0参与第六次国际耦合模式比较计划(Coupled Model Intercom-parison Project 6, CMIP6)的历史试验结果确定了模型参数，进而对该模式三种排放情景(SSP1-2.6、SSP2-4.5和SSP5-8.5)的未来百年全球月平均SST开展了预估订正。结果表明：采用本文建立的机器学习订正模型，能够有效降低历史试验的模拟偏差，均方根误差由0.401℃降至0.096℃，平均绝对偏差由0.338℃降至0.077℃，相关系数由0.33提升到了0.95。经过订正后，未来三种排放情景下的全球平均SST增温趋势分别为0.424℃/100a、1.325℃/100a和3.185℃/100a，本世纪末20年(2081~2100)年平均的全球平均SST较最近20年(1995~2014)将分别升温0.608℃、1.183℃和2.409℃。
Abstract: The climate model has become the key tool to understand climate change and predict the future climate. However, due to the simulation biases, accurate simulation and prediction is still a chal-lenge for climate models. The pilot works on the biases correction based on machine learning have shown good application potential in research on the weather forecast and climate prediction. In this paper, based on Ensemble Empirical Mode Decomposition (EEMD) and BP (Back Propagation) neural network, a biases correction model for monthly global mean sea surface temperature (SST) of a climate model is developed. The parameters of the biases correction model are determined using historical observation data and simulation results, and then it is used to project the global mean SST over 21st century under three future emission scenarios (SSP1-2.6, SSP2-4.5, SSP5-8.5) based on the sixth phase of the Coupled Model Intercomparison Project experiments conducted by FIO-ESM v2.0. The results show that the biases correction model can effectively reduce the historical simulation biases of FIO-ESM v2.0.The root-mean-square-error and absolute mean deviation decrease from 0.401˚C to 0.096˚C and from 0.338˚C to 0.077˚C, respectively, while the correlation coefficient increases from 0.33 to 0.95. The corrected trends of global mean SST under the three future emission scenarios over the 21st century are 0.424˚C/100a, 1.325˚C/100a, and 3.185˚C/100a, respectively. And the global mean SST will increase by 0.608˚C, 1.181˚C, and 2.409˚C at the end of 21st century (2081-2100) compared to the present (1995-2014).
文章引用：匡志远, 宋振亚, 董昌明. 基于机器学习订正模型的未来百年全球海表温度预估研究[J]. 气候变化研究快报, 2020, 9(4): 270-284. https://doi.org/10.12677/CCRL.2020.94031

参考文献

[1] 董雷娟, 李洪平. 全球海表温度变化特征分析[J]. 地理空间信息, 2013, 11(5): 29-31.
[2] 宋振亚, 鲍颖, 乔方利. FIO-ESM v2.0模式及其参与CMIP6的方案[J]. 气候变化研究进展, 2019, 15(5): 558-565.
[3] Manabe, S. and Bryan, K. (1969) Climate Calculations with a Combined Ocean-Atmosphere Model. Journal of the Atmospheric Sciences, 26, 786-789. [Google Scholar] [CrossRef] 
[4] 陈辉, 尹训强, 宋振亚, 宋亚娟, 鲍颖, 乔方利. 气候模式中海洋数据同化对热带降水偏差的影响[J]. 海洋学报, 2015, 37(7): 41-53.
[5] 宋振亚. 耦合海浪的地球系统模式FIO-ESM [J]. 气候变化研究快报, 2020, 9(1): 26-39.
[6] Flato, G., Marotzke, J., Abiodun, B., et al. (2013) Evaluation of Climate Models. In: Stocker, T.F. and Qin, D., Eds., Climate Change 2013: The Physical Science Basis: Working Group I Contribution to the Fifth Assessment Report of the Inter-governmental Panel on Climate Change, Cambridge University Press, Cambridge, 1-1535.
[7] 陈浩, 宁忱, 南卓铜, 王玉丹, 吴小波, 赵林. 基于机器学习模型的青藏高原日降水数据的订正研究[J]. 冰川冻土, 2017, 39(3): 583-592.
[8] Rasp, S. and Lerch, S. (2018) Neural Networks for Post-Processing Ensemble Weather Forecasts. Monthly Weather Review, 146, 3855-3900. [Google Scholar] [CrossRef] 
[9] 门晓磊, 焦瑞莉, 王鼎, 等. 基于机器学习的华北气温多模式集合预报的订正方法[J]. 气候与环境研究, 2019, 24(1): 116-124.
[10] 孙全德, 焦瑞莉, 夏江江, 等. 基于机器学习的数值天气预报风速订正研究[J]. 气象, 2019, 45(3): 426-436.
[11] 金权. 基于机器学习算法对海浪波高的预测及优化研究[D]: [硕士学位论文]. 青岛: 自然资源部第一海洋研究所, 2019.
[12] 宋振亚, 刘卫国, 刘鑫, 苏天赟, 刘海行, 尹训强. 海量数据驱动下的高分辨率海洋数值模式发展与展望[J]. 海洋科学进展, 2019, 37(2): 161-170.
[13] Huang, B., Thorne, P.W., Banzon, V.F., et al. (2017) Extended Reconstructed Sea Surface Temperature, Version 5 (ERSSTv5): Upgrades, Validations, and Intercomparisons. Journal of Climate, 30, 8179-8205. [Google Scholar] [CrossRef] 
[14] Huang, N.E., Shen, Z., Long, S.R., et al. (1998) The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 454, 903-995. [Google Scholar] [CrossRef] 
[15] Wang, T., Zhang, M.C., Yu, Q.H. and Zhang, H.Y. (2012) Comparing the Applications of EMD and EEMD on Time-Frequency Analysis of Seismic Signal. Journal of Applied Geophysics, 83, 29-34. [Google Scholar] [CrossRef] 
[16] Wu, Z.H. and Huang, N.E. (2009) Ensemble Empirical Mode Decomposition: A Noise-Assisted Data Analysis Method. Advance in Adaptive Data Analysis, 1, 1-41. [Google Scholar] [CrossRef] 
[17] 章国勇, 伍永刚, 刘洋, 张炜博. 基于EEMD与EMD的降雨序列多时间尺度对比分析[J]. 中国农村水利水电, 2014(8): 98-103.
[18] 赵健, 樊彦国, 张音. 基于EEMD-BP组合模型的区域海平面变化多尺度预测[J]. 系统工程理论与实践, 2019, 39(10): 2713-2722.
[19] 夏克文, 李昌彪, 沈钧毅. 前向神经网络隐含层节点数的一种优化算法[J]. 计算机科学, 2005, 32(10): 143-145.
[20] 史先铭, 刘以安. MPSO算法优化BP网络的数字调制识别方法[J]. 计算机工程与应用, 2016, 52(17): 133-139.

为你推荐