研究成果：基于分数阶导数的天气和气候要素时间序列关系分析.docxVIP

研究成果报告： 黄荟羽于分数阶导数的天气和气候要素时间序列关系分析 摘要：本文利用沈阳市1951-2010年的日、月和年平均气温距平资料，运用自相关性函数和归一化概率密度函数分析了上述时间序列的自相关性和概率分布的长尾特征，在此基础上，利用结构函数法建立了月、年平均气温距平与日平均气温距平的分数阶导数关系，研究结果表明：沈阳日、月、年平均气温距平时间序列分别呈现出无记忆性、短期记忆和长期记忆的特征；相比日、月平均气温距平序列，年平均气温距平序列的归一化概率函数呈现出明显的长尾特征。这些结果表明，月、年平均气温距平序列与日平均气温距平之间存在着分数阶导数关系，计算出相应的导数阶数分别为0.524和0.83。关键字：天气和气候；分数阶导数；气候的记忆性；极值事件1引言我们所熟知的天气和气候其实是两个不同的概念，它们所属不同的时间尺度，天气指的是在一个指定的区域内相对较短时间里所体现的大气的状态，包括各种天气要素情况，例如温度、湿度、风、降水等情况；气候则指的是把一个地区月、季、年或者是更长的时间范围内天气状态加以统计，得到的该地区的平均状态。所以显而易见，天气和气候的时间尺度是不同的，对于某一要素的天气时间序列和气候时间序列来讲，由于两种时间序列的多尺度特性，这两种序列之中必定含有涨落程度不同的各种随机信号，即显示出混沌性，这和Lorenz的发现相一致[1-3]。多年来，极端天气气候事件越来越引起人们的关注，因此关于天气和气候要素时间序列特征及关系的研究，对于提高极端天气和极端气候事件影响的认识，以及提高对模拟预报预测极端天气气候事件，都会起到积极的作用[4]。早在1976年，Hasselmann就建立了气候随机变量和天气随机变量的关系（Langevin随机微分方程），提出气候随机变量对时间的一阶导数是天气随机变量，或天气随机变量对时间的积分是气候随机变量[5]。从某种意义上来看，它反映出了气候随机变量和天气随机变量之间的关系。然而，近年来的研究表明，两者之间的关系并不是单纯的一阶导数关系，很可能是一种分数阶导数的关系[4,6,7]。分数阶导数的概念自1695年由德国著名数学家Leibnizs首次提出后，经过了数学家以及其它领域学者们300多年来坚持不懈的努力探索研究，越来越多的科研工作者们开始关注分数阶微积分，其实有很多方面的应用，它有广泛的研究前景，分数阶微积分可能是描述一些不规则的现象、相对复杂的运动、有记忆特征的序列及其中间过程等方面最恰当的数学工具[8-9]。在本质上，分数阶导数模型和整数阶导数模型具有很大的区别。区别在于：在时间序列分析上，整数阶导数所体现的是一个动力学过程在某个时刻的变化趋势或是体现出来的某种性质，而分数阶导数表现出来的性质则与该时间序列的整个时间长度上的发展历史有关，具有全局相关性，能较好地体现系统函数发展的历史依赖过程。本文以沈阳市1951-2010年的日、月和年平均气温距平序列，即天气和气候要素两类时间序列为研究对象，运用自相关函数及归一化概率密度函数来分析两类时间序列的自相关性和概率分布的长拖尾特征，在此基础上，利用谱分析法、量纲分析及结构函数法建立沈阳天气和气候要素时间序列之间的关系。2数据与方法2.1数据的预处理及平稳性检验本文所用的数据为1951年—2010年共60年沈阳市的日平均气温数据，数据来自于中国气象局。首先对这些数据计算得到日、月和年平均气温距平序列（图1a、b和c），采用距平资料可以去掉气象实测记录数据的趋势干扰，具有相对的平稳性[8]。然后运用时序图法来检验时间序列的平稳性：通过绘制1951-2010年日、月、年平均温度距平的时序图，可以直观得看出日和月平均温度距平序列的数据点稳定地围绕其平均值上下波动，而年距平资料的波动程度稍显偏大，进一步用MATLAB中的adftest检验函数来验证其平稳性，得出参数为1，证明年距平资料也是平稳的。所以1951-2010年沈阳日、月、年平均气温距平时间序列都是平稳时间序列。（a）（b）（c） 年份 沈阳市1951-2010年不同时间尺度的平均气温距平序列（a）日尺度（b）月尺度(c )年尺度.2.2研究方法2.2.1自相关性分析法：自相关性的概念是指时间序列中一个时刻的瞬时值与另一个时刻的瞬时值之间的依赖关系，它的相关程度用自相关系数的数值来表示。对于时间序列来说，它体现了时间序列的记忆性。从计算求得的自相关系数数值可以看出时间序列中任意两个时刻之间的相关性是如何随着时间间隔而改变的，它刻画的是时间序列相邻变量之间的相关性。设一时间序列为，则它的的自相关函数可表示为2.2.2归一化概率密度函数：归一化指的是将数据统一成相同的量纲或者是将其统一成一定范围内的值，例如统一到[0,1]之间.对数据归一化处理是一个重要的过