利用云气候学数据预判目标区域未来月平均云量的方法

摘要

本发明提供了一种利用云气候学数据预判目标区域未来月平均云量的方法。该方法基于目标区域历史云量的平稳性和季节周期性特征，选用不同的预判模型来预判目标区域未来月平均云量，具有可靠性高、应用广泛的优势，可广泛应用于经济、气象、农业、生物科学等领域。

主权项

一种利用云气候学数据预判目标区域未来月平均云量的方法，其特征在于，包括：步骤A，读取ISCCP的D2数据集中目标区域所在网格的预设年份段的月平均云量序列C；步骤B，采用迪基‑福勒检验法检验所述月平均云量序列C的平稳性，如果所述月平均云量序列C的数据平稳，执行子步骤D1；以及子步骤D1，利用自回归滑动平均模型对月平均云量进行处理，得到未来月平均云量，包括：子分步骤D1a，使用以下参数初始值：θ₁＝‑0.90,θ₂＝‑0.85,...,θ_q＝‑0.95+0.05q，ε_t＝0，按照p＝1,2,…,12，q＝1,2,…12，共144组可能组合，分别建立自回归滑动平均模型，每一自回归滑动平均模型的参数包含p阶自回归系数和q阶滑动平均系数，即把月平均云量序列C的序列值及参数估计初始值代入下述方程：e_t＝c_t‑φ₁c_t‑1‑φ₂c_t‑2‑...‑φ_pc_t‑p‑ε_t+θ₁ε_t‑1+θ₂ε_t‑2+...+θ_qε_t‑q；子分步骤D1b，利用上述方程针对144组组合分别建立相应的最小化目标函数：$S_c({\phi }_1,{\phi }_2,...,{\phi }_p,{\theta }_1,{\theta }_2,...,{\theta }_q)=\underset{t=2}{\overset{N}{\Sigma }}{e}_t^2$用高斯牛顿法对每个目标函数S_c(φ₁,φ₂,...,φ_p,θ₁,θ₂,...,θ_q)中的参数进行最小二乘估计，得到144组可能组合的p阶自回归系数和q阶滑动平均系数；子分步骤D1c，利用残差分析方法，从144组参数值中选出最优的一组参数组合作为最终的模型参数，确定最终的自回归滑动平均模型；子分步骤D1d，将月平均云量序列C及自回归滑动平均模型参数代入以下预测方程，得到未来第r个月的月平均云量预判值：$\begin{array}{c}\hat{c}\left(r\right)={\Phi }_1\hat{c}(r-1)+{\Phi }_2\hat{c}(r-2)+...+{\Phi }_p\hat{c}(r-p)+{\Theta }_0-\\ {\Theta }_{1}E\left(e_{N+r-1}\right|c_{1,}{c}_2,...,c_N)-{\Theta }_{2}E\left(e_{N+r-2}\right|c_1,c_{2,...,}{c}_N)-...-\end{array}$${\Theta }_{q}E\left(e_{N+r-q}\right|c_1,c_{2,...,}{c}_N)$其中，r＝1，2，3，……，12；$E\left(e_{N+r-1}\right|c_1,c_{2,...,}{c}_N)=\left\{\begin{array}{cc}0& r>0\\ e_{N+r}& r\le 0\end{array}\right.;$N为月平均云量序列C元素个数，c₁,c₂,...,c_N为月平均云量序列C的各个元素。