气候与环境研究

作者：李嘉康

单位：中国人民解放军理工大学理学院, 南京 211101,,中国人民解放军理工大学理学院, 南京 211101,,中国人民解放军理工大学理学院, 南京 211101,,中国人民解放军理工大学理学院, 南京 211101,

关键词：集合经验模态分解;互补集合经验模态分解;BP神经网络;海洋表面月平均温度;预测

基金：国家自然科学基金项目91530204、41430426。

海洋表面温度（Sea Surface Temperature，SST）具有非平稳、非线性的特征，直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的，预测的误差将会很大。为了提高预测精度，更好地解决非平稳非线性序列预测的问题，本文以东北部太平洋（40°N～50°N、150°W～135°W）区域的月平均海洋表面距平温度为例，首先分别应用集合经验模态分解（EEMD）和互补集合经验模态分解（CEEMD）方法将SST分解为不同尺度的一系列模态分量（IMF），再运用BP（Back Propagation）神经网络模型对每一个模态分量进行分析预测，最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明，CEEMD分解精度比EEMD分解精度高，CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。

来源：2017年第5期

《气候与环境研究》期刊编辑部

查看气候与环境研究杂志2017年第5期