原始观测时间序列进行数字滤波后,其自由度将大大降低。对各种数字滤波器都可以通过 Monte Carlo方法模拟获得对应置信水平的相关系数临界值,从而得到时间序列滤波后的自由度。如果滤波后的频段宽度与Nyquist频率之比为Z,那么对于理想...原始观测时间序列进行数字滤波后,其自由度将大大降低。对各种数字滤波器都可以通过 Monte Carlo方法模拟获得对应置信水平的相关系数临界值,从而得到时间序列滤波后的自由度。如果滤波后的频段宽度与Nyquist频率之比为Z,那么对于理想的单边和双边滤波器,时间序列滤波后的自由度为原始值的Z/2和Z倍,非理想滤波器一般不符合此规律。展开更多
针对日长(Length Of Day,LOD)变化预报中最小二乘(Least Squares,LS)拟合存在端点效应的问题,采用时间序列分析方法对日长变化序列进行端点延拓,形成一个新序列,然后用新序列建立最小二乘模型,最后再结合最小二乘模型和自回归(Autoregre...针对日长(Length Of Day,LOD)变化预报中最小二乘(Least Squares,LS)拟合存在端点效应的问题,采用时间序列分析方法对日长变化序列进行端点延拓,形成一个新序列,然后用新序列建立最小二乘模型,最后再结合最小二乘模型和自回归(Autoregressive,AR)模型对原始日长变化序列进行预报。实验结果表明,在日长变化序列两端增加统计延拓数据,能有效减小最小二乘拟合序列的端点畸变,从而提高日长变化的预报精度,尤其对中长期预报精度提高明显。展开更多
大气是日长变化最重要的激发源。基于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)和美国环境预报中心/美国大气研究中心(National Centers for Environmental Prediction/National Center for Atm...大气是日长变化最重要的激发源。基于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)和美国环境预报中心/美国大气研究中心(National Centers for Environmental Prediction/National Center for Atmospheric Research,NCEP/NCAR)1979—2016年再分析气象数据集,计算大气激发函数(EAEF和NAEF),并与日长变化的观测值进行对比,综合分析大气对日长变化在年际、季节性、亚季节性和高频时间尺度上的激发贡献。鉴于ECMWF和NCEP/NCAR的风场顶层分别到达1 hPa和10 hPa,对NAEF计算地面-10 hPa风项,对EAEF分别计算地面-10 hPa和-1 hPa风项,以方便对比。研究结果表明,大气风项是日长变化在年际、季节性、亚季节性以及高频尺度上最主要的激发源。在季节性尺度上,EAEF和NAEF与日长变化观测值比较接近,但它们三者之间仍存在一定的差异。在亚季节性和4～20 d高频尺度上,大气激发分别可解释约88%和45%的日长变化。在年际尺度上,大气激发可以解释约65%的日长变化。EAEF对日长变化的解释率比NAEF高出2%～3%。1～10 hPa高层风场对日长的亚季节性及高频变化几乎无贡献,但对日长年际和季节性变化会产生影响。此外,还分析年际尺度上的日长变化和大气激发与南方涛动指数的相关性,揭示出2015—2016年厄尔尼诺事件在日长变化和大气激发中的信号。展开更多
文摘原始观测时间序列进行数字滤波后,其自由度将大大降低。对各种数字滤波器都可以通过 Monte Carlo方法模拟获得对应置信水平的相关系数临界值,从而得到时间序列滤波后的自由度。如果滤波后的频段宽度与Nyquist频率之比为Z,那么对于理想的单边和双边滤波器,时间序列滤波后的自由度为原始值的Z/2和Z倍,非理想滤波器一般不符合此规律。
文摘针对日长(Length Of Day,LOD)变化预报中最小二乘(Least Squares,LS)拟合存在端点效应的问题,采用时间序列分析方法对日长变化序列进行端点延拓,形成一个新序列,然后用新序列建立最小二乘模型,最后再结合最小二乘模型和自回归(Autoregressive,AR)模型对原始日长变化序列进行预报。实验结果表明,在日长变化序列两端增加统计延拓数据,能有效减小最小二乘拟合序列的端点畸变,从而提高日长变化的预报精度,尤其对中长期预报精度提高明显。
文摘大气是日长变化最重要的激发源。基于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)和美国环境预报中心/美国大气研究中心(National Centers for Environmental Prediction/National Center for Atmospheric Research,NCEP/NCAR)1979—2016年再分析气象数据集,计算大气激发函数(EAEF和NAEF),并与日长变化的观测值进行对比,综合分析大气对日长变化在年际、季节性、亚季节性和高频时间尺度上的激发贡献。鉴于ECMWF和NCEP/NCAR的风场顶层分别到达1 hPa和10 hPa,对NAEF计算地面-10 hPa风项,对EAEF分别计算地面-10 hPa和-1 hPa风项,以方便对比。研究结果表明,大气风项是日长变化在年际、季节性、亚季节性以及高频尺度上最主要的激发源。在季节性尺度上,EAEF和NAEF与日长变化观测值比较接近,但它们三者之间仍存在一定的差异。在亚季节性和4～20 d高频尺度上,大气激发分别可解释约88%和45%的日长变化。在年际尺度上,大气激发可以解释约65%的日长变化。EAEF对日长变化的解释率比NAEF高出2%～3%。1～10 hPa高层风场对日长的亚季节性及高频变化几乎无贡献,但对日长年际和季节性变化会产生影响。此外,还分析年际尺度上的日长变化和大气激发与南方涛动指数的相关性,揭示出2015—2016年厄尔尼诺事件在日长变化和大气激发中的信号。
