Page 59 - 《高原气象》2025年第5期
P. 59
5 期 张 雪等：基于EOF-EEMD结合的青藏高原未来气温非平稳时空变化特征分析 1177
未来气候模式模拟结果中， 从而实现气候模式订 提供了多尺度分析能力， 有助于深入理解趋势演化
正， 通常假设在进行订正时气候模式模拟值与观测 过程， 并有效地预测时间序列数据的未来趋势
值的偏差不随时间变化。 （Wang et al， 2015）。
T gcm，D = T gcm + (T obs - T gcm ) （1） 本研究首先将 2015 -2100 年青藏高原气温进
f，，mon f，mon h，mmon h，mmon
式中： T f，mon 表示未来情景下订正后的月气温数据； 行 EOF 分解， 再结合 EEMD 对 EOF 分解出的时间
gcm，D
T gcm 表示未来情景下的月气温数据； T obs 表示基 系数进行滤波去噪， 以提取各空间模态对应时间系
f，mon h，mmon
准期观测气温的多年月平均值； T h，mmon 表示基准期 数中的隐藏趋势信息。这种 EOF-EEMD 方法结合
gcm
气候模式模拟的气温的多年月平均值。 了 EOF 的空间分解能力和 EEMD 的信号滤波优势，
（2） Normal分布匹配法 从而能够准确识别不同强迫情境下青藏高原地区
Normal 分布匹配法是基于概率分布的偏差订 的气温波动情况。
正方法， 本研究方法主要步骤为： 4 结果与分析
1） 建立训练期模拟数据和观测数据的经验累
积分布函数； 4. 1 模式模拟能力评价
2） 通过匹配训练期模拟数据和观测数据的经 根据 1970 -2014 年青藏高原观测及不同气候
验累积分布函数， 建立传递函数； 模式模拟平均气温空间分布（图 2）可知， 整体上青
3） 利用传递函数对预测期模拟数据进行订正。 藏高原气温从东南向西北递减， 6 种气候模式及多
-1
C v，cor = F ot ( F mc (C v )) （2） 模式集合平均模式均能模拟出气温的空间变化， 其
式中： C v，cor 为未来情景气候模式数据订正值； C v 为 中， EC-Earth3 和 MRI-ESM2-0 模式的气温空间分
未来情景气候模式模拟数据； F ot 为是训练期观测数 布与观测数据最为接近。但这些模式在藏北高原
据的经验累积分布函数； F mc 训练期气候模式模拟 和柴达木盆地存在不同程度的气温低估， 而在帕米
-1
数据的经验累积分布函数； F 为逆累积概率分布。 尔高原地区则呈现出明显的气温高估现象。
3. 3 经验正交函数 以 1970 -2014 年 ERA5_Land 气温数据集为观
经 验 正 交 函 数（EOF）分 解 法（王 佐 鹏 等 ， 测数据， 采用泰勒图对各气候模式的气温数据进行
2019）， 类似于主成分分析， 是一种多元统计方法， 精度评估， 各模式评价结果见表 3 及图 3， 可知 6 种
可将气象场数据分解为空间模态和时间系数两部 模式及多模式集合平均（MME）模式中 EC-Earth3模
分。空间模态由互相正交的特征向量组成， 如果特 式模拟效果最好， 其空间相关系数为 0. 797、 标准
征向量的各分量同为正或同为负， 则反映气温变化 差 之 比 为 0. 914、 标 准 化 的 中 心 均 方 根 误 差 为
的一致性； 而如果各分量呈现正负相间的空间分 0. 615， CanESM5 模式模拟效果最差。为进一步量
布， 则反映气温变化的相反性。每种模态的极值点 化选取模式模拟青藏高原地区气温能力， 计算每个
代表了该模态下气温变化的敏感中心。时间系数 模式泰勒指数（S 、 S）， 由表 3 可知， 6 种模式及多
1
2
反映了空间分布模态随时间的变化特征， 其符号表 模式集合平均模式 S 的范围为 0. 757~0. 992， S 范
2
1
示模态的方向， 正值表示与模态同方向， 负值表示 围为 0. 376~0. 992。在所选取模式中 EC-Earth3 的
相反方向， 而绝对值越大， 则表明年尺度下这类模 S 、 S 值最高， 为 0. 992； CanESM5 模式 S 、 S 值最
1
1
2
2
态越典型（Werb and Rudnick， 2023； 周凯和王义 低， 分别为 0. 757、 0. 376。计算每个模式的年际变
民， 2020）。 率评估指数 T ， 由表 3 可知， EC-Earth3 模式指数值
S
3. 4 集合经验模态分解法 最低， 表明该模式模拟值与观测数据年际变率差异
集 合 经 验 模 态 分 解 法（Ensemble Empirical 最小， 而 ACCESS-ESM1-5 模式的与观测数据年际
Mode Decomposition， EEMD）由 经 验 模 态 分 解 变率差异较大。采用 RS 评分法对 S 、 S 、 T 指标评
1
2
S
（Empirical Mode Decomposition， EMD）改进而来， 价结果进行综合排名， 结果表明， 在 6 个模式及多
它是一种用于非线性、 非平稳信号分析的数据处理 模式集合平均模式中 EC-Earth3模式排名第 1， 其气
方法， 其主要目标是将原始信号分解为一组被称为 温 模 拟 能 力 优 于 其 他 模 式 ， 而 CanESM5、 INM-
“本征模态函数”（Intrinsic Mode Functions， IMF）的 CM4-8 模式对气温的模拟能力相对较差。综合以
信号成分。这些 IMF 在时域和频域上都具有局部 上评估结果， 下面将对 EC-Earth3 模式数据进行偏
特征， 使其能够捕捉原始信号的本质特性。EEMD 差订正。
