预测定制系统(重点):Multimodel Ensemble-Based季节性气候预报工具,缅甸的齐次气候区

文摘

基于多模型综合系统(MME)的季节性降雨预报定制工具,称为集中开发缅甸提供改进的季节性降雨预报。工具被开发使用追算7全球气候模型的数据(GCMs)和实际降雨量数据从49气象表面天文台1982年至2011年期间的气象和水文部门。基于同质性的降雨量每年收到,全国分为六个气候区。三种不同的操作的居里夫人技术,即(一)算术平均值(AM-MME), (b)加权平均(WA-MME)和(c)监督主成分回归(PCR-MME),使用和内置的工具开发。在这项研究中,所有7模型与预测数据初始化5月预测降雨(环流)6月至9月期间,缅甸的主要降水季节。原始模型的可预测性,bias-corrected全球大气环流模型,这是因为被评估使用RMSE,相关系数和标准差。terciles也评估使用的概率预测的相对操作特征(ROC)分数,量化模型的不确定性。结果表明,居里夫人的预测表明改进的性能(RMSE = 1.29),相对于原始个体模型中(ECMWF,相对更好的选择模型)和RMSE = 4.4 bias-corrected RMSE = 4.3,在缅甸。具体来说,WA-MME (CC = 0.64)和PCR-MME (CC = 0.68)方法显示显著改善高降雨量(δ)区与WA-MME (CC = 0.57)和PCR-MME (CC = 0.56)南部区域的技术。PCR方法提出更高的可预测性技能上tercile (ROC = 0.78)和低tercile类别(ROC = 0.85)的三角洲地区降水减少区和不熟练的像干区中华民国为上下terciles = 0.6和0.63,分别。 The model is thus suggested to perform relatively well over the higher rainfall (Wet) zones compared to the lower (Dry) zone during the JJAS period.

1。介绍

缅甸高度可变的降雨量空间和时间,很大程度上是因为不同的地形和多个环境影响。它直接影响印度/南亚季风系统以及对流降水从孟加拉湾1,2]。季节性降雨的强度,在某种程度上,是受到大规模气候因素的影响,如厄尔尼诺南方涛动(ENSO)和印度洋偶极子(IOD) [1,3- - - - - -5]。根据气象和水文(DMH),可以看出ENSO暖阶段(厄尔尼诺现象)导致缺乏降雨和气温升高,而拉尼娜现象,寒冷的阶段,会有相反的影响在这个国家(6]。存在这样一个大规模的现象和当地气候之间的远程并置对比缅甸将加强季节性预测。

DMH的运营季节性预测是基于模拟方法(7]。根据这一方法,降雨模式与历史相关的ENSO阶段(厄尔尼诺和拉尼娜)在类似ENSO阶段可能会再次发生在未来。目前的预测今年将取决于过去具有类似ENSO年阶段。这是建议改进的季节性预报系统是必需的,尽管传统方法DMH紧随其后,在用户交互论坛每年由DMH (8]。此外,运动能力自我评估由rim (9)确定需要开发一个标准的平台,为了协助DMH产生季节性气候预测和协助分析不同的全球模型。此外,需要实证研究关注降水变化和预测对于业务应用程序在农业和水资源部门强调在亚洲(10- - - - - -12)和非洲(13]。

全球气候模型预测季节性气候(GCMs)都是有用的工具;然而,有很大的不确定性的预测,主要是因为在最初做出的假设大气状态(14]。模拟和捕捉这些预测的不确定性,全球大气环流模型处理与不同初始条件生成多个预测成员称为集合体(15,16]。Multimodel合奏(MME)是一个过程,乐团的成员一个GCM统计组装与另一个GCM或一组模型(17- - - - - -21]。居里夫人的方法越来越多地展示了更好的预测技能在热带亚洲地区远程预测,相比单个模型的表现(20.,22- - - - - -24]。例如,居里夫人系统月度/季节性预测印度在南亚季风季节实时表现出令人满意的预测(25]。同样,北美是因为(NMME)显示更低的系统误差和更高的预测能力比个体成员对东南亚地区(26]。

居里夫人计划可以开发使用各种统计方法:(1)通过简单的意思是所有与分配同等重量个别合奏乐团成员(20.)或(2)通过分配更高的weightage模型的统计上显著的成员根据他们的表现在追算期间(20.,24,27- - - - - -29日)或使用复杂的神经网络算法。然而,它是一个成熟的概念,这是因为将有用的方案产生季节性前景改善。但到目前为止,没有试图为缅甸开发远程预测系统使用这种类型的先进技术。工具,如气候预测工具(CPT) [30.工具包(CLIK)[],气候信息31日)和季节性气候前景在太平洋岛国(观测仪的)32),功能与气候数据进行统计分析,但有限的效用。例如,CLIK是有用的在区域范围内提供预测,但不是在空间规模建议在当前的研究中。CPT有能力预测特定于位置但不能执行MME-based预测。观测仪的目的是预测季节性气候只对太平洋岛国和没有适用于其它地区33]。

本工作的目的是为了克服上述限制和开发一个基于web的图形化用户界面(web gui)预测定制系统为国家使用。工具允许一代的月度和季节性气候使用中国的居里夫人技术前景和协助评估性能的前景。该工具还能够提供定义的气候区在缅甸的前景。描述的方法将连续的部分。

2。研究区域

2.1。区分类

缅甸是纬度之间地理上位于东南亚的09年°32′N和28°31′N和经度9°101°11′′E和E .缅甸气候分为六大区域(数据1(一)和1(b), (10):(1)中央干燥区,最低的平均年降雨量和强烈的农业实践;(2)东部地区(山);(3)区北部大部分是高地形和森林地区;(4)沿海(若开邦);(5)三角洲区(伊洛瓦底地区);(6)区南部,收到的最大年降水量区。这也同步和分类做了过去在引用(1,5,20.]。这些分类是基于全国平均年降雨量(图2),农业生态的分区,分别和季节性降雨模式。

2.2。气候学缅甸

年降雨量周期图2显示分布的降雨主要集中在环流时期,这主要是由于西南季风的影响(图1(c))。季风爆发期间标记可以在8月峰,年底撤军(9月34]。降雨的空间分布变化明显在此期间所有区域。中央干燥区接收的最低数量的季节性降雨,而南部地区收到的最高金额(34]。环流主要是降雨季节的所有区域的国家,本研究关注调查的特征降雨量环流也预测季节性降雨的操作应用在农业和水资源管理部门。

3所示。数据和方法

3.1。GCM数据

追算降雨数据从七个模型(列在表中1)获得了1982 - 2011年期间。所有的GCM追算数据集在每月的时间尺度。四个完全耦合模型,即国家环境预报中心的耦合预测系统模型版本2 (NCEP CFSv2) [37),地球物理流体动力学实验室(GFDL),可乐,系统4 (ECMWF技术备忘录,2011)欧洲中期天气预报中心(ECMWF)被用于这项研究。CFSv2模型光谱三角截断126波(T126)水平(相当于近100公里网格分辨率)和有限差分垂直64 sigma-pressure混合层。这个模型的大气成分是全球预报系统(GFS 2009)虽然海洋地球物理流体动力学实验室模块化模型4 (GFDL MOM4)被认为是海洋组件。回顾的九个月预测初始条件的0000,0600,1200,和1800 UTC周期为每5天,从0000年开始UTC每年的1月1日。可乐和GFDL模型被认为是来自美国国家Multimodel合奏(NMME)项目第二期(36]。可乐预测是由NCAR CCMv3.6 [35),耦合气候模式与组件代表大气,海洋,海冰,陆地表面由磁耦合器连接。三层模型,ECHAM4.5 CASST, ECHAM4.5 CFSSST,和CCMv3.6使用。的ECHAM4.5 CASST模型是强迫与构造模拟(CA)海表面温度(SST) [38)边界条件在热带海洋(30 s-30n),和CFSSST被迫与气候预报系统(CFS)海温资料。这些全球气候模型的降雨数据访问国际研究所的数据网上图书馆http://iridl.ldeo.columbia.edu/(39]。追算数据摘要CFSv2下载http://cfs.ncep.noaa.gov/cfsv2/downloads.html。系统4追算ECMWF的数据从气象档案和检索系统中检索网上(火星)http://apps.ecmwf.int/archive-catalogue/。

3.2。观测数据

观测降雨数据在日常时间步从70年地面天文台获得了1982 - 2011年期间的气象和水文(DMH),缅甸。然而,数据只有49台(如图1(b)),本研究基于以下质量检查:气候和时间检查,数据一致性测试,保理人为错误、缺失数据的比例(40]。

3.3。方法

一个完整的图中所描述的方法的示意图3从不同的全球中心,包括数据采集,数据准备和处理,居里夫人的偏差修正和发展计划,一代的概率预报,最后评价模型的技巧。在随后的章节将描述这些步骤。

3.4。数据准备

GCM追算数据集保存在不同的格式,在不同的全球生产中心(gpc)。例如,IRI数据图书馆在连续的二进制格式存储数据,CFSv2数据集在网格二进制(grib2)格式,和ECMWF火星数据集在网络常见的数据格式(NetCDF)或grib2。同时,天气观测数据集从DMH访问在简单的文本(ASCII)格式。因此,数据归一化算法是使用Python编程语言开发的将所有数据标准格式(.mat)更有效地处理数据。

3.5。数据处理

该方法将使用追算数据训练模型;因此,有必要结合追算数据与预测数据,为同一预报初始化。例如,研究使用可能对环流的预测初始数据。因此,应结合追算可能会(5月的数据_{hc_1982 - 2011}为可能会(可能)和预测数据_{fc_2018})。选择的模型是对从1982年到2011年与观测数据的可用性。然后插入数据优先解决0.25°(∼30公里)使用双线性插值方法(41]。作为目标空间分辨率的季节性预测气候区,平均降雨量数据模型和观测这些区域。此外,偏差纠正方法和不同的居里夫人方案应用于数据集生成bias-corrected确定性和概率预测季节性预测的定义气候区。

3.6。模型偏差减少

随着全球模型表现出季节性降雨模拟大偏差,偏差需要删除或最小化为了提供熟练的预测。有几种偏差纠正技术,quantile-to-quantile映射方法被广泛使用并被证明是有效的,印度夏季风期间(42]。GCM模拟方法消除系统性偏差,利用累积分布函数的倒数(CDF)观察到的值(F_ob)相对应的概率系综平均输出提供(F_新兴市场)在特定的值。然后,对于 ,bias-corrected预测(F_公元前)可以表示为

本研究利用分位数映射方法去除模型的系统性偏差之前被用于中国的居里夫人算法。

3.7。居里夫人的发展计划

居里夫人是一个统计上装配的过程不同的全球模型。因此,在中国的居里夫人过程中,n的全球模型t几年追算分的统计系综构造的预测t+ 1年。例如,当前的研究使用7模型(n= 7),30年的追算运行(t= 30),提供预测2018年(t+ 1)。GCM会认为只有拥有超过一个乐团成员。表1列出了可用的乐团成员总数为每个全局模型。在这项研究中,三个不同的统计系综的居里夫人使用方案:(a)算术平均值multimodel合奏(AM-MME), (b)加权平均multimodel合奏(WA-MME)和(c)监督主成分回归multimodel合奏(PCR-MME)。居里夫人计划集体利用所有成员以生成最终的整体预测。

AM-MME平均是一个简单的方案,所有单个模型集合体(20.,43]。所有个体成员的模型分配与同等重量的假设所有的模型被认为是在这个居里夫人计划预测季节性降雨与统一的技能。所有模型预测数据规范化的意思(1982 - 2011年期间的平均计算)从时间序列和观察到的年际趋势添加到推导预测时间序列。AM-MME预测由bias-corrected预测数据可以表示为 在哪里年代_t=居里夫人在时间的预测t,F_我,不=我^th模型预测在时间t,=气候学我^th模型预测,=气候学的观测,=年际变化我^th模型预测,=年际变化的观察N= no。的模型。

WA-MME方案,回归系数为每个合奏训练阶段获得(t)利用奇异值分解)技术。回归系数分配一个权重每个合奏基于训练数据然后用于计算一个健壮的加权平均预测(44的时间t+ 1。WA-MME预测构造与bias-corrected数据使用以下方程: 在哪里=回归系数在培训期间,通过最小化过程之间的预测模型的和观察O。其他变量AM-MME计划是一样的。

监督主成分回归(SPCR)方法主要用于消除任何个人之间的显著相关性模型(45]。这是一种降维/转换技术来最小化的独立变量的数量描述所有变量的最大方差。预测模型考虑这个方案是基于主成分分析(PCA)的概念,在主成分(pc)计算相关矩阵的特征向量分解之后。在这种方法中,对主成分回归的过程(25]。电脑的选择基于相关性的观察(预测值)与传统PCR技术,他们在哪里选择根据他们的差异。电脑选择基于相关性预测将是非常有用的选择意义。SPCR方法确保相关性较高的预测因子选择回归和预测的一代。

3.8。专注:GUI

图形用户界面(GUI,见图4)是使用Python编程语言的结合,开发等后端业务处理数据,进行统计分析和统计方法来生成预测产品开发。前端设计使用Microsoft . net框架作为一个网络平台。该工具可以从以下链接访问:http://203.159.16.146/ForecastWeb/Login.aspx。网络数据检索方案,“wget”,用于后端自动下载所需的全球预测数据集从各自的网站。集中工具有内置的数据处理功能,结合和插值,偏差纠正,并生成合奏概率预测。工具还利用superensemble技术生成组合和重构产品合奏的居里夫人的预测(22]。此外,该工具可以执行模型预测技能评估的ROC得分和预测的可靠性。

3.9。代的概率预测

最好的方法之一来表达一个一致的和可核查的方式是通过概率的不确定性预测(14]。一个概率预测指定一个定义的事件发生的可能性有多大(46]。在这项研究中,GCM乐团成员都是用于估计的概率的抽样方法和识别预测的可能范围。确定性预测的产生是因为用于生成概率预测根据观察到的气候学,意义与平等(∼33%)为每个tercile类别出现的机会。可以定义一个事件与一个事件的概率发生ΩX(降雨)在一个区间内(x₁,x₂)。

如果F 是预报值的分布X条件的给定值β,然后的概率X躺在一个时间间隔(x₁,x₂条件)β被表示为

与高斯噪声ε条件概率可以表示为 在哪里F_N是标准正态分布的分布函数。的概率都依赖的价值β和标准差ε。

正如前面提到的,概率预测生成的三个tercile类别:(i)低于正常,(ii)附近正常,和(3)高于正常参考观察气候学和每个类别都有平等的观念表现的机会。最后,确定性预测是用作预测分布的均值,而计算的传播相关法(29日,47)和相应的条件概率的事件 而且,F_N再次,是标准正态分布的分布函数x_一个和x_b的界限。

3.10。模块的居里夫人绩效评估

几个标准的技术,如盒子和须情节,相对操作特征(中华民国)的情节,和泰勒图可用来评估模型的预测能力。盒子和须情节48,49)是用来解释分布和变化。中华民国是用来评估概率预测性能的技巧(46]。

3.11。ROC曲线

ROC曲线的二维测量分类性能和特性的潜在分布预测(50]。ROC曲线图形由命中率(人力资源)和假警报率(Fr)三种不同tercile类别。中华民国领域技能分数(ROCASS)是一个验证指标的概率预测没有价值的信息,例如,人力资源=Fr,定义为

ROCASS是单位的量化预测,得分0到0.5代表没有预测能力,得分> 0.5至1表明更熟练的预测,以及任何得分0.5∼或少建议任何技巧(50]。

3.12。泰勒图

泰勒图(51]提供了一个简洁的统计汇总模式相互匹配,如何的相关系数,其均方根差(RMSE)和方差的比率。这些情节是用来设计技能分数适当体重模式对应的各种措施。

数学上,三个相关统计数据显示在泰勒图由以下公式: 在哪里E′=集中观察和预测均方根差,=相关系数=观察和预测的差异。

4所示。结果与讨论

4.1。原始模型的性能

7系综平均追算技能模型环流季节在缅甸1982年到2011年期间最初诊断基于RMSE和相关系数,如图5。看到所有模型展览大误差的模拟降雨与相对较少的相关性观察。CFSv2(0.39)和ECMWF(0.25)显示更好的相关性较小错误7.17和4.44,分别。ECHAM4.5模型,构造模拟SST与CFS-forecasted SST描绘更大的均方根误差,类似辛格等人的结果。52印度夏季风的预测)。CCMv3.6具有更好的负相关(−0.3),但与一个非常大的均方根误差(10.3)。很明显,所有的模型可以直接利用季节性预测,需要适当的纠错和降尺度方法来改善这些模型的性能在缅甸。

4.2。缅甸Bias-Corrected模型和居里夫人性能

bias-corrected结果七个模型在缅甸显示合理改善均方根误差与观测(图和更好的协议5(b)),特别是ECHAM4.5模型改进从−0.63到0.35 (CASST)和−0.67到0.35 (CFSSST)和均方根误差从14.01减少到6.8 CASST和CFSSST。ECMWF和CFSv2改进相关从0.25到0.46和0.39至0.50,分别与均方根误差没有显著改善。同时,CCMv3.6 GFDL,可乐表现出负面影响的偏差修正均方根误差和退化的进一步增加。虽然在特定模型表现明显改善国家注意到,这仍是不足够的操作使用,是没有一个模型是一致的。

图5(c)和表2显示的结果三个居里夫人技术缅甸,这表明显著改善的相关系数高达0.64为WA-MME (MME2)和PCR方法而AM-MME 0.5 (MME1)略少。同时,MME1均方根误差减少到1.39和1.29 MME2 PCR,分别。这是因为执行超过缅甸提供了动力生成不同气候区域的气候信息并检查其性能。

4.3。居里夫人的表现在气候区

4.3.1。量化观测和模型的变化

图6显示实际降雨量的变化,个体模型输出偏差纠正的六个气候区。一般来说,个体模型不能够捕捉变化的观察,而这是因为抓住了可变性比单个模型。几个模型如ECMWF和CFSv2掸邦地区表现得更好和干燥区(数字6(一)和6 (c)),如该地区的降雨变化本身就是最低沿海相比,山地,南部地区(数字6 (b),6 (d),6 (e))。耦合模型的方式设计和参数化,性能因地区而异,从一季到下一季。例如,CFSv2的可预测性和GFDL模型对印度地区环流月期间更好的与其他模型相比,ECMWF和CFSSST等。虽然ECMWF的可预测性技能较低环流的季节,它执行超过印度地区在冬季(53]。在这项研究中,CFSv2表现良好在掸邦地区干燥区,但GFDL可预测性的技能很低。进一步调查的居里夫人计划在研究区域表明AM-MME方案不能提高的整体技能较高的预测主要是因为一个乐团成员技能都得到同样的重量作为技能较低(16]。然而,WA-MME方法执行更好的权重计算和分配给每个乐团成员。相同的气候学如图7。

4.4。相关系数和RMSE

泰勒图绘制了不同气候区量化regionwise居里夫人的技巧方法,如图8。结果表明WA-MME三角洲和PCR模型显示增强技能,沿海,干燥区,而没有观察到显著的改善在东部和北部地区。AM-MME方案表现更好的沿海和三角洲地区,最有可能因为个人的集合体同意彼此的地区相比,在个人集合体不在协议和AM-MME性能很差。总的来说,这三个居里夫人计划执行得更好在三角洲地区意味着他们描述平均降雨量相当不错。观察颞可变性的三角洲(2.1),沿海(2.4),(3.6)南部地区是最高的,而对于干(0.6)、北(1.5)和(0.7)东部地区,可变性是最低的。在所有的模型和方法,WA-MME计划(图8)被观察到的变化除了北方区。

4.5。测量概率预报技巧

中华民国成绩表所示3表明,概率预测与WA-MME生成方案显示更好的技能在所有三个tercile类别:低于正常(0.78),正常的(0.83),高于正常(0.83)整体缅甸。在一般情况下,所有三个计划能够预测高于正常降雨类别很好,但是附近的“正常”降雨的可预测性技能类别差,尤其是对于AM-MME PCR-MME。表3显示了中华民国的气候区,表明模型是最熟练的在三角洲地区紧随其后的是南方和沿海地区,尽管它是满意的干区PCR-MME表现更好。然而,东部和北部的技能是非常低的政权,相比其他区域。技能差的原因在掸邦北部山区或东部可能主要是由于不可用良好的质量和足够数量的观察点,这使得它很难定义这些地区的预测值好冰斗et al。47)描述类似的结果在印度季风预测,预测技能提高更高质量的训练数据集时部署multimodel偏见的评价统计(47]。另一方面,它也可能是由于失败的全球模型来捕获降水变化在海拔较高的地区,在缅甸北部的息差东部区域。重要的是要注意,居里夫人方法是熟练的在预测较低(低于正常)和上层(高于正常)tercile类别比正常的范畴,是一个积极的迹象通常高于和低于正常降雨类别是至关重要的以开展季节性防范措施,而不是通常的降雨类别。

5。结论

农业系统主要是依靠熟练的天气预报与更长的交货时间,最好在季节性的规模。关键决策需要更高的风险缺乏这样的预测系统。因此,预测定制系统(焦点)能解决这个问题,它提供了一个有利环境气象服务与标准化的平台访问缅甸和评估各种全球模型简化方法。该工具使用免费和开源开发的脚本语言,Python和微软的。net框架。三个标准的居里夫人方法开发和集成到重点平台组件插入并结合全球追算数据与预测模型。MME-based预测当时气候区定义生成的环流。

量化的不确定性,中国的居里夫人输出(i)精度的评估标准的验证方法使用RMSE和相关系数和(2)可预见性的技能与中华民国的分数。结果表明,利用中国的居里夫人方法,预测的性能显著提高国家和环流期间,可预见性的技能。这是因为,加权系综平均的方法(ROC = 0.83)有轻微的优势简单算术平均法(ROC = 0.58)的可预测性技能为正常tercile类别。主成分回归方法表现良好在强降雨(ROC = 0.7)和南部三角洲地区(ROC = 0.85)的预测上terciles以及降低与中华民国terciles = 0.78(南部地区)和中华民国= 0.78(三角洲)。总的来说,很明显,居里夫人性能令人满意,特别是WA-MME和PCR-MME可以认为,高可靠性,产生季节性预测高降雨区域。同样,值得注意的是,模型是高度可靠的预测上下terciles但未能准确预测正常降雨类别。

集中工具使用定义良好的方法和有潜力成为进一步扩大,该地区的其他国家,使用更高级的统计和计算技术。然而,它是必要的工具有高质量的降雨观测数据集足够的空间和时间范围。总之,MME-based方法包含在一个用户友好的界面将会是一个非常有用的工具生成的季节性预测热带地区。同样,一种改进的季节性预测可以有效决策在所有气候敏感行业,如农业和水资源。

数据可用性

GCM数据用于支持本研究的发现可以从相应的作者。然而,观察数据集用于支持的所有权与气象和水文部门发现,缅甸。

附加分

突出了。(i)预测定制系统(焦点)与用户友好的图形用户界面开发生成提高合奏季节性预测和评估个人和整体性能预测各种全球季节预测模型的输出在一个单一的平台来确定一个适当的操作为缅甸季节性预测模式。(2)统计技能不同空间;然而,multimodel整体方案具有更好的可预测性技能模拟的降水变化在不同的气候区域缅甸,相比单个模型。(3)加权平均multimodel考虑更好的性能和主成分分析在缅甸合奏,这些计划可以通过气象服务生成常规操作季节性预测农业规划和预期风险。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. 罗伊n s和s·考尔气候学雨季的缅甸(缅甸),“国际气候学杂志,20卷,不。8,913 - 928年,2000页。视图:出版商的网站|谷歌学术搜索
2. 罗伊和n s罗伊,”太平洋年代际振荡的影响和厄尔尼诺南方涛动夏季季风降水在缅甸,”国际气候学杂志没有,卷。31日。1、14号至21号2011页。视图:谷歌学术搜索
3. j·r·达帕默,c . c . Ummenhofer n . n .觉和p . Krusic”三个世纪的缅甸柚木树的年轮季风气候变化推断,“《地球物理研究快报,38卷,不。24日,2011年。视图:出版商的网站|谷歌学术搜索
4. r·达瑞格和c . c . Ummenhofer”缅甸的气候:太平洋年代际振荡的影响的证据,”国际气候学杂志,35卷,不。4、634 - 640年,2015页。视图:出版商的网站|谷歌学术搜索
5. z . m . m .盛b . a . Ogwang诉Ongoma f . k . Ogou和k . Batebana“夏季季风降水年际变化的缅甸与IOD ENSO,”环境和农业科学杂志》上4卷,几个,2015页。视图:谷歌学术搜索
6. r . r . Policarpio和m . Sheinkman州的气候信息产品和服务在缅甸农业和粮食安全农业和粮食安全,哥本哈根,丹麦,2015年。
7. rim,”第十季风论坛简短,“技术代表、区域综合多人风险预警系统,运河Nueng,泰国,2013年,活动报告。视图:谷歌学术搜索
8. rim,”11日rim季风论坛”,科技代表、区域综合多人风险预警系统,运河Nueng,泰国,2013年,活动报告。视图:谷歌学术搜索
9. rim,“第十五届rim季风论坛”,科技代表、区域综合多人风险预警系统,运河Nueng,泰国,2015年,活动报告。视图:谷歌学术搜索
10. t .咦,w . m . Hla a . k .久久,“干旱条件和管理策略在缅甸,”气象和水文部门的报告,9卷,2013年。视图:谷歌学术搜索
11. 李、t . n .追逐和b . Rajagopalan”高度提高预测能力的预测东亚夏季季风,”水资源研究,44卷,不。10日,2008年。视图:出版商的网站|谷歌学术搜索
12. j . Shanmugasundaram和李”,海洋和大气条件与五降雨量东南印度半岛东北印度季风季节期间,“大气和海洋动力学卷,81年,页1 - 14,2018。视图:出版商的网站|谷歌学术搜索
13. y他和李,“实证关系的海洋表面温度和植被与夏季降水变化在萨赫勒地区活动,“地球的相互作用,20卷,不。6队,2016页。视图:出版商的网站|谷歌学术搜索
14. j·斯·t·帕尔默,“天气和气候预测的不确定性。”英国皇家学会哲学学报A:数学,物理和工程科学,卷369,不。1956年,第4767 - 4751页,2011年。视图:出版商的网站|谷歌学术搜索
15. e . Kalnay大气建模、数据同化和可预测性英国剑桥,剑桥大学出版社,2003年。
16. 美国将阿,c·莫汉蒂和k·戈什,”印度夏季风降水的预测:加权多模型整体提高概率预测技能,”气象应用程序,21卷,不。3、724 - 732年,2014页。视图:出版商的网站|谷歌学术搜索
17. f . Molteni r . Buizza c . Marsigli A . Montani f . Nerozzi和t . Paccagnella”,高分辨率的策略集合预测。我:代表成员和全局模型实验的定义,“季度皇家气象学会杂志》上,卷127,不。576年,第2094 - 2069页,2001年。视图:出版商的网站|谷歌学术搜索
18. r . Buizza p l . Houtekamer g . Pellerin z托斯朱y,和m .魏”ECMWF的比较,MSC, NCEP全球整体预测系统,”每月天气回顾,卷133,不。5,1076 - 1097年,2005页。视图:出版商的网站|谷歌学术搜索
19. t·n·帕尔默,a . Alessandri安徒生et al .,“发展欧洲multimodel合奏seasonal-to-interannual预测系统(得墨忒耳),“美国气象学会的公告,卷85,不。6,853 - 872年,2004页。视图:出版商的网站|谷歌学术搜索
20. r . Hagedorn f . j . Doblas-Reyes t·n·帕尔默,“多模型的成功背后的基本原理在季节性forecasting-I集合体。基本概念。”忒勒斯:动力气象学和海洋学57卷,第289 - 280页,2005年。视图:出版商的网站|谷歌学术搜索
21. t·n·帕尔默f . j . Doblas-Reyes a . Weisheimer g . j .茴鱼j .伯纳和j·m·墨菲“概率地球系统模式,”2008年,https://arxiv.org/abs/0812.1074。视图:谷歌学术搜索
22. t·n·克里希那穆提,c . m . Kishtawal z . Zhang et al .,“Multimodel合奏预测天气和季节气候,”杂志的气候,13卷,不。23日,第4216 - 4196页,2000年。视图:出版商的网站|谷歌学术搜索
23. a·p·魏盖尔·m·a . Liniger和c阿彭策尔,“离散荆棘和概率技能成绩排名”,每月天气回顾,卷135,不。1,第124 - 118页,2007。视图:出版商的网站|谷歌学术搜索
24. x智,h .气y呗,c .林”比较三种基于TIGGE multimodel集合预报技术数据,”Meteorologica学报,26卷,不。1,41-51,2012页。视图:出版商的网站|谷歌学术搜索
25. c·莫汉蒂,a·辛格et al。阿”实时实验扩展范围印度夏季季风降水预报系统:一个案例研究在2011年季风,”当前的科学,卷104,不。7,856 - 870年,2013页。视图:谷歌学术搜索
26. b . a .现金,j . v . Manganello和j·l·肯特”评价NMME气温和降水量偏差和预测技能南亚,”气候动力学53卷,第7380 - 7363页,2019年。视图:出版商的网站|谷歌学术搜索
27. b . Rajagopalan、美国拉尔和美国e . Zebiak”直言气候预测通过正则化和最佳组合多个GCM乐团,“每月天气回顾,卷130,不。7,1792 - 1811年,2002页。视图:出版商的网站|谷歌学术搜索
28. s . c .凹地,阿·m·a·Kulkarni美国c·莫汉蒂和l . n . Sahoo”多模型集成方案,预测在印度半岛东北季风降雨,”地球系统科学杂志》上,卷120,不。5,795 - 805年,2011页。视图:出版商的网站|谷歌学术搜索
29. m·k·蒂a . g . Barnston和a·w·罗伯逊“季节性降水估计tercile-based分类概率从乐团,“杂志的气候,20卷,不。10日,2210 - 2228年,2007页。视图:出版商的网站|谷歌学术搜索
30. 美国j·梅森和m·k·蒂气候预测工具,2016,https://academiccommons.columbia.edu/doi/10.7916/D8668DCW。
31. ",气候信息工具包,2008,http://clik.apcc21.org/。
32. 观测仪的,季节性气候太平洋岛屿国家的前景,2005,http://cosppac.bom.gov.au/products-and-services/seasonal-climate-outlooks-in-pacific-island-countries/。
33. a . Cottrill a查尔斯,y Kuleshov“季节性预测的分析从POAMA和观测仪的太平洋地区”学报EGU大会会议摘要,维也纳,奥地利,2013年4月。视图:谷歌学术搜索
34. l·l·昂·e·e·寻p的et al .,缅甸气候报告,2015,https://www.met.no/publikasjoner/met-report_attachment/download/MyanmarClimateReportFINAL11Oct2017.pdf。
35. w·d·柯林斯,j . Wang j·t·基尔·g·j·张,d . i库珀和w·e·Eichinger”比较热带海气通量的NCAR CCM3社区气候模型,”杂志的气候,10卷,不。12日,第3058 - 3047页,1997年。视图:出版商的网站|谷歌学术搜索
36. b . p . Kirtman d . Min j . m . Infanti et al .,“北美multimodel合奏:第一期seasonal-to-interannual预测;第二阶段对发展动力学预测。”美国气象学会的公告,卷95,不。4、585 - 601年,2014页。视图:出版商的网站|谷歌学术搜索
37. s . k .萨哈s Pokhrel k Salunke et al .,”印度夏季季风降水的潜在可预测性NCEP CFSv2,”地球系统建模的发展》杂志上,8卷,不。1,第120 - 96页,2016。视图:出版商的网站|谷歌学术搜索
38. h . Van den Dool、j·黄和y粉丝,“性能和构造的分析模拟方法应用于我们土壤水分在1981 - 2001,”地球物理学研究杂志:atm,卷108,不。D16, 2003年。视图:出版商的网站|谷歌学术搜索
39. m·布卢门撒尔·m·贝尔,j . del畜栏,r .表妹,和i Khomyakov”IRI数据图书馆:气候知识,提高可访问性”地球的角度,1卷,不。1,p。19日,2014。视图:出版商的网站|谷歌学术搜索
40. 世界气象组织,质量管理过程和实践指南公共气象服务。PWS-11,世界气象组织/ TD 1256号,2005年瑞士,日内瓦。
41. g . g . Dahlquist”,一个特殊的线性多步方法的稳定性问题,“位,3卷,不。1,27-43,1963页。视图:出版商的网站|谷歌学术搜索
42. 美国将阿,c·莫汉蒂s . k .破折号和l . n . Sahoo“偏差纠正的印度夏季风环流模型输出,“气象应用程序,20卷,不。3、349 - 356年,2013页。视图:出版商的网站|谷歌学术搜索
43. t . DelSole j . Nattala, m·k·蒂”技能改进从整体规模和增加模型的多样性,”《地球物理研究快报第41卷。。20日,第7342 - 7331页,2014年。视图:出版商的网站|谷歌学术搜索
44. w·t·Yun, l . Stefanova, t·n·克里希那穆提“改善multimodel superensemble季节性预测技术”杂志的气候,16卷,不。22日,第3840 - 3834页,2003年。视图:出版商的网站|谷歌学术搜索
45. b . d . Fekedulegn j。j科尔伯特,m . e . Schuckers处理多重共线性:一个例子在Dendroecology应用主成分回归东北部,美国农业部林务局,研究站,牛顿广场,PA,美国,2002年。
46. Metoffice留言。概率预测,http://research.metoffice.gov.uk/research/nwp/ensemble/probability.html。
47. s . c .凹地,c·莫汉蒂,阿和m . a . Kulkarni”技能的月降水预测在印度使用多模型集合计划,”国际气候学杂志,32卷,不。8,1271 - 1286年,2012页。视图:出版商的网站|谷歌学术搜索
48. r·麦吉尔·j·w·图基,w·a·拉尔森”框的情节变化,”美国统计学家,32卷,不。1,12日至16日,1978页。视图:出版商的网站|谷歌学术搜索
49. j·w·图基”,分析数据:神圣化或侦探工作。”美国心理学家,24卷,p。8391年,1969年。视图:出版商的网站|谷歌学术搜索
50. c . Marzban“ROC曲线下的面积,作为绩效指标,”天气和预测,19卷,不。6,1106 - 1114年,2004页。视图:出版商的网站|谷歌学术搜索
51. k·e·泰勒,总结模型的多个方面的性能在一个图中,“地球物理学研究杂志:atm,卷106,不。D7, 7183 - 7192年,2001页。视图:出版商的网站|谷歌学术搜索
52. a·辛格·m·a . Kulkarni c·莫汉蒂,s . c .凹地,a·w·罗伯逊和g . Mishra”印度夏季风降水的预测(ISMR)使用全球环流模型产品的典型相关分析,“气象应用程序,19卷,不。2、179 - 188年,2012页。视图:出版商的网站|谷歌学术搜索
53. a Nair g·辛格(manmohan Singh)和c·莫汉蒂,“月度预测夏季季风降水利用全球气候模型通过人工神经网络技术,”纯粹与应用地球物理,卷175,不。1,第419 - 403页,2018。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Itesh短跑等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。