楊曉軍 韓林君 張君霞 葉培龍 段伯隆 李勇

摘要 利用2000—2013年西北地區(qū)376個國家站逐日最低氣溫及NCEP FNL再分析資料，基于西北區(qū)站點降溫幅度和歐亞大陸500 hPa低頻高度場，使用偏最小二乘回歸方法建立西北區(qū)站點寒潮延伸期預(yù)測模型，分別以2017年1月的一個寒潮日和非寒潮日為例進行預(yù)測試驗，并對2014—2017年冬半年（共728 d）西北地區(qū)的寒潮進行回報試驗。結(jié)果表明，該模型能夠提前10～30 d較好預(yù)測寒潮日與非寒潮日，對寒潮日提前10～30 d預(yù)測的降溫幅度≥8 ℃的站數(shù)平均為32.9個，命中率最高可達67%，而對非寒潮日提前10～30 d預(yù)測的降溫幅度≥8 ℃的站數(shù)平均為2.7個。對2014—2017年冬半年西北地區(qū)延伸期寒潮日的預(yù)測結(jié)果顯示，該模型提前10～30 d預(yù)測的平均站點命中率為11.5%，空報率為70.3%。規(guī)定降溫幅度≥8 ℃的站數(shù)超過15個時為一個寒潮日，則平均CS評分為0.1，預(yù)測的寒潮日與實際寒潮日對應(yīng)最好。該模型可用于西北區(qū)地區(qū)延伸期寒潮的預(yù)測，具有一定的參考價值。

關(guān)鍵詞偏最小二乘回歸方法;寒潮;延伸期預(yù)報;西北地區(qū)

10～30 d延伸期預(yù)報因其時效超過了確定性預(yù)報的理論上限（2周左右）（Lorenz，1969），預(yù)報對象的時間尺度又小于短期氣候預(yù)測的月、季時間尺度，因此成為“無縫隙預(yù)報”中的難點熱點（Hoskins，2013）。關(guān)于延伸期的準確預(yù)報，由于理論研究不完備，還存在較多困難，然而這一時段的預(yù)報對開展防災(zāi)減災(zāi)工作，促進經(jīng)濟社會可持續(xù)發(fā)展具有極其重要的價值和意義（楊秋明，2015）。

隨著對大氣系統(tǒng)認識和研究的不斷深入以及觀測資料的增多，已有許多觀測和理論研究表明，大氣中存在10～20 d的準雙周振蕩及30～60 d的季節(jié)內(nèi)振蕩（Instra Seasonal Oscillation，ISO）、繞球遙相關(guān)型（Circum Global Teleconnection，CGT）、南半球繞球遙相關(guān)性（Southern Circum Global Teleconnection wave train，SCGT）、熱帶地區(qū)30～50 d振蕩（Madden and Julian Oscillation，MJO）等低頻信號為10～30 d的延伸期天氣提供了有用的低頻信息（Madden and Julian，1971;李崇銀，1990;Waliser et al.，2003;李崇銀，2004;Ding and Wang，2005;孫國武等，2008;張慶云等，2008;Zhu et al.，2015;Gao et al.，2019;Hsu et al.，2020;徐邦琪等，2020;楊雙艷和李天明，2020;Zhu et al.，2020），為延伸期預(yù)報方法的研究提供了依據(jù)。丑紀范和徐明（2001）、丑紀范等（2010）基于數(shù)值預(yù)報結(jié)果指出10～30 d的預(yù)報雖然超出了逐日天氣預(yù)報的可預(yù)報時效，但仍存在著可預(yù)報分量，可通過一定的方法將可預(yù)報分量提取出來，從而對特定的可預(yù)報分量在延伸期尺度上進行預(yù)報。近年來我國多位學者通過各種方法分解大氣中的可預(yù)報分量，并在10～30 d的延伸期預(yù)報實驗中取得了較好的效果（王闊等，2012a，2012b;封國林等，2013;曾宇星等，2013;王啟光等，2014）。

延伸期預(yù)報的方法基本有兩類，分別為動力模式和統(tǒng)計方法（Waliser et al.，2003;何金海等，2013;章毅之，2017）。動力模式主要有對模式初始場的同化、可預(yù)報分量的提取、利用歷史資料信息對模式誤差進行訂正、模式延伸期預(yù)報效果的評估以及利用數(shù)值模式預(yù)報資料的動力—統(tǒng)計等方法（任宏利和丑紀范，2005;丑紀范等，2010;陳官軍和魏鳳英，2012;王啟光等，2012;鄭志海等，2012，2013）。統(tǒng)計方法大多基于觀測資料和大氣低頻信號（琚建華等，2010;何金海等，2013;洪梅等，2015;張韌等，2014）。大氣季節(jié)內(nèi)振蕩特征的研究成果為延伸期統(tǒng)計預(yù)報方法的研究提供了基礎(chǔ)和依據(jù)（梁萍和丁一匯，2012;孫國武等，2017）。

近年來，學者針對延伸期預(yù)報方法開展了多角度應(yīng)用和研究。已有研究表明低頻天氣圖方法對強降水過程的延伸期預(yù)測效果較好（陳青等，2014;孫昭萱等，2016;孫國武等，2017）。李勇（2016）研究指出集合平均預(yù)報對大范圍降水過程期間主要影響系統(tǒng)的預(yù)報具有較好的穩(wěn)定性，在延伸期預(yù)報時效內(nèi)大尺度環(huán)流調(diào)整具有較好的表現(xiàn)。陳官軍和魏鳳英（2012）指出我國南方夏季出現(xiàn)的持續(xù)性強降水過程與大氣季節(jié)內(nèi)振蕩有密切關(guān)系。賈旭偉等（2016）基于低頻振蕩對西北地區(qū)中西部延伸期內(nèi)降水的預(yù)報研究表明對低頻要素場的擬合準確度隨預(yù)報時效增長逐漸降低，但后期趨于穩(wěn)定。楊秋明（2014a，2014b，2015）建立了擴展復(fù)數(shù)自回歸模型、多變量時滯回歸模型以及多變量時滯回歸模型和主成分復(fù)數(shù)自回歸模式的混合預(yù)報模型等一系列簡化的時變線性預(yù)測模型，對區(qū)域極端天氣過程的預(yù)報時效有明顯的提高（楊秋明，2018）。擴展復(fù)數(shù)自回歸模型（ECAR）對與暴雨過程對應(yīng)的低頻分量的非線性增長過程預(yù)測效果較好，對長江下游低頻降水預(yù)測時效最長可達43 d（楊秋明等，2014a），后又將該模型用于長江下游溫度低頻分量的延伸期預(yù)測，發(fā)現(xiàn)能夠提前20～25 d預(yù)報出長江下游地區(qū)夏季持續(xù)高溫過程（楊秋明，2018）。多變量時滯回歸模型（MLR）能夠提前25～30 d預(yù)測出20～30 d時間尺度的長江下游低頻降水（楊秋明，2015），章毅之等（2017）基于不同時間尺度的江南地區(qū)降水低頻分量和東亞地區(qū)850 hPa低頻經(jīng)向風主成分建立的MLR模型，對持續(xù)性強降水過程和降水低頻位相的正負轉(zhuǎn)換預(yù)測效果好，對50～70 d時間尺度的江南低頻降水的平均預(yù)報技巧高達0.92。多變量時滯回歸模型和主成分復(fù)數(shù)自回歸模型的混合預(yù)報模型（MLR/PC-CAR）對20～30 d時間尺度的長江下游低頻降水預(yù)測時效為50 d左右（楊秋明等，2014b）。

寒潮的主要特點是劇烈降溫和大風，有時還伴有雪、雨凇和霜凍等，是中國北方冬半年主要災(zāi)害性天氣之一（陳豫英等，2010;喬雪梅和劉普幸，2020），極易造成大范圍的凍災(zāi)和風災(zāi)，對社會經(jīng)濟、生態(tài)環(huán)境等帶來重大影響?，F(xiàn)有的中、短期預(yù)報和30 d以上的短期氣候預(yù)測難以滿足公眾及政府部門對氣象信息的需求，且寒潮過程整個生命期一般為2～3周，屬于低頻波，具有一定的可預(yù)測性。目前對于延伸期寒潮預(yù)報的研究較少，主要集中在對寒潮源地、路徑、天氣系統(tǒng)成因及預(yù)報方法等方面的研究，且大多數(shù)對高低溫的延伸期預(yù)報方法是基于集合預(yù)報進行研究的，利用低頻資料建立對延伸期寒潮的站點預(yù)報模型具有一定創(chuàng)新意義。因此，本文使用Butterworth帶通濾波器（Murakami，1984）對1°×1°的FNL再分析資料進行濾波得到低頻資料，基于低頻資料，利用偏最小二乘的方法建立西北地區(qū)共376個站冬半年（12月—次年5月）延伸期（10～30 d）寒潮預(yù)測模型，對西北地區(qū)冬半年的大范圍的寒潮過程進行預(yù)測試驗。根據(jù)影響西北地區(qū)（陜西、寧夏、甘肅、青海、新疆以及內(nèi)蒙古110°E以西的地區(qū)）寒潮天氣的冷空氣源地和路徑，本文中選取50°～120°E、30°～80°N歐亞大陸為關(guān)鍵區(qū)。

1 資料和方法

1.1 資料與選取標準

選取2000—2013年西北地區(qū)376個國家站逐日最低氣溫，美國國家環(huán)境預(yù)報中心的FNL再分析資料（https：//rda.ucar.edu）。在整個北半球?qū)NL資料進行Butterworth帶通濾波，得到10～20 d的低頻資料，選取關(guān)鍵區(qū)內(nèi)（50°～120°E，30°～80°N）的500 hPa、700 hPa高度場、經(jīng)向風和緯向風場低頻資料用于建模。規(guī)定當天國家站降溫幅度≥8 ℃的站數(shù)超過20站為一個寒潮日，少于20站則為非寒潮日。

本文使用CS評分方法評估模型的預(yù)測效果，計算方法（陳伯民等，2017）為：

ICS=（預(yù)測正確日數(shù)）/（預(yù)測正確日數(shù)+空報日數(shù)+漏報日數(shù)）。

對于強降溫過程，預(yù)測正確日數(shù)為降溫日在所預(yù)測時段內(nèi)的日數(shù)（允許偏差1 d），空報日數(shù)為所預(yù)測時段內(nèi)不包含實際降溫日的日數(shù)，漏報日數(shù)為實際降溫日未包含在所預(yù)測時段內(nèi)（允許偏差1 d）的日數(shù)。

1.2 偏最小二乘法回歸模型

偏最小二乘回歸（PLS）是對多元線性回歸模型的一種擴展，可以在一個算法下同時實現(xiàn)回歸建模（多元線性回歸）和數(shù)據(jù)結(jié)構(gòu)簡化（主成分分析）過程。在樣本數(shù)小于變量數(shù)的情況下仍可使用，所以該預(yù)報模型在建立時并不需要很長時間的訓練樣本，可大大縮短建模時間（從幾年可以縮短到30 d），常用于數(shù)值預(yù)報產(chǎn)品的釋用（蔣國興等，2006）。

設(shè)有p個自變量{x1，x2，…，xp}和q個因變量{y1，y2，…，yq}，有n個觀測樣本點，構(gòu)成自變量因變量的數(shù)據(jù)矩陣X和Y。偏最小二乘回歸方法分別在X與Y中提取成分t1和u1，即t1是x1，x2，…，xp的線性組合，u1是y1，y2，y3，…，yq線性組合。提取過程中t1和u1要滿足以下兩點：1）t1和u1應(yīng)盡可能大的攜帶他們各自數(shù)據(jù)矩陣變異信息。2）t1和u1的相關(guān)程度能夠達到最大（陸洪濤，2014）。在第一個成分t1和u1被提取后分別實施X對t1和Y對t1的回歸。若此時回歸方程已達到要求精度，則算法停止，否則將利用X被t1解釋后的殘余信息以及Y被t1解釋后的殘余信息進行第二個成分的提?。顕鴹?，2013）。如此反復(fù)，設(shè)定當前k個成分解釋變量的比率達到90%時滿足精度要求，算法終止。最終對X共提取了k個成分t1，t2，…，tk，偏最小二乘法回歸將通過實施ym（m=1，2，…，q）對t1，t2，…，tk的回歸，最終表達成ym關(guān)于原變量x1，x2，…，xp的回歸方程，偏最小二乘回歸的基本方程式參見楊國棟（2013）和陸洪濤（2014）。

本文只關(guān)注降溫幅度這個單因子，因此采用單因變量的偏最小二乘回歸方法，建立10～30 d寒潮延伸期預(yù)測模型。選取2000—2013年冬半年92個寒潮日與35個非寒潮日作為樣本集，將關(guān)鍵區(qū)內(nèi)（50°～120°E，30°～80°N）寒潮日和非寒潮日前10～30 d的500 hPa和700 hPa高度場、經(jīng)、緯向風場6種不同要素低頻資料分別作為自變量，單站127 d的降溫幅度作為因變量，分別構(gòu)建標準化的自變量矩陣X和因變量矩陣Y。提取10～20 d的低頻濾波資料矩陣X的主成分，建立主成分與單站降溫幅度Y的關(guān)系，進而建立西北區(qū)376個站的寒潮延伸期偏最小二乘法預(yù)測模型（每種模型為西北區(qū)376站10～30 d逐日預(yù)測模型，共7 896個）。偏最小二乘回歸的具體建模步驟見許鳳華（2006）、楊國棟（2013）和陸文濤（2014）。

2 低頻資料與最優(yōu)訓練集

為測試訓練集樣本數(shù)量對建模結(jié)果的影響，隨機對一單站建立第10 d模型，選取3～91 d作為訓練集長度，調(diào)試最優(yōu)訓練集長度。氣溫預(yù)報的均方根誤差（Root Mean Square Error，RMSE）能很好地反映氣溫預(yù)報的技巧（智協(xié)飛等，2018），因此本文采用RMSE作為訓練期長度調(diào)試的預(yù)報檢驗指標。6種要素低頻資料在不同訓練期長度的平均RMSE如表1所示。由此可知，各低頻資料的RMSE隨訓練集長度的增加變化趨勢基本一致，即隨著訓練期長度的增加，RMSE逐漸減小。訓練期長度小于50 d時RMSE波動較大，平均RMSE維持在6以上;訓練期長度超過50 d時，RMSE變化趨于平穩(wěn)，平均RMSE小于6;訓練期長度在80～90 d時變化平穩(wěn)，波動較?。▓D略）。因此可以判斷訓練集長度越長，RMSE越小，且變化越平穩(wěn)。故選取2000—2013年共127個個例作為訓練集，進行模型的訓練。對比訓練期長度為3～91 d時不同低頻資料的平均RMSE，可以發(fā)現(xiàn)500 hPa低頻高度場與500 hPa低頻經(jīng)向風場RMSE較小，值分別為6和6.1;其次是700 hPa低頻高度場與700 hPa低頻經(jīng)向風場，值分別為6.3和6.2;500 hPa與700 hPa的低頻緯向風場的RMSE最高，值分別為7和7.1（表1）。由此，500 hPa低頻高度場資料的適用性在6種要素低頻資料中最高，其次是500 hPa低頻經(jīng)向風場資料。

由以上分析可知500 hPa低頻高度場的適用性最好，故選取2000—2013年共127個個例（92個寒潮日與35個非寒潮日的個例）前10 d 500 hPa低頻高度場和單站降溫幅度（單站觀測資料有缺測，實際用于建模的個例少于127個），建立單站第10 d偏最小二乘法延伸期預(yù)測模型，選取個例發(fā)生前11 d 500 hPa低頻高度場和單站降溫幅度，建立第11 d的預(yù)測模型，以此類推，建立西北五省376個國家站第10～30 d的延伸期寒潮預(yù)測模型。

以2017年1月7日的寒潮過程（寒潮日）和2017年1月14日的非寒潮過程（非寒潮日）為例，檢驗延伸期寒潮預(yù)報模型的預(yù)測能力。實況觀測顯示，2017年1月7日降溫幅度超過8 ℃的站主要集中在陜北、寧夏及內(nèi)蒙和甘肅部分地區(qū)（圖1a），且有53站降溫幅度超過8 ℃;而2017年1月14日非寒潮日僅有6站降溫幅度超過8 ℃，且降溫站點分布較為分散（圖1b）。

圖2為提前10～30 d預(yù)測的寒潮日（2017年1月7日）降溫幅度，第10～30 d的預(yù)測結(jié)果在圖中按時間順序放置，圖中所標數(shù)字為預(yù)測的降溫幅度超過8 ℃的站點總數(shù)。10～30 d模型預(yù)測的降溫站點分布與實況（圖1a）較為吻合。降溫幅度超過8 ℃的站數(shù)從第10 d至第30 d分別為36、54、51、27、7、6、17、33、48、59、60、44、18、23、34、43、41、31、21、19、19，這21 d中共有15 d達到文中規(guī)定的寒潮標準。寒潮日10～30 d的站點平均命中率為39.7%，提前第11、12、18、20、21、25 d的命中率超過50%，其中提前第11 d預(yù)測的命中率最高，為67%，而提前第14 d與第15 d預(yù)測的命中率最低，為9%。10～30 d的平均空報率為35%（表2）。綜合所述，該模型對寒潮日的預(yù)測效果較好。

對于非寒潮日（2017年1月14日）提前10～30 d的預(yù)測表明，降溫幅度超過8 ℃的站數(shù)從第10 d至第30 d分別為8、4、0、3、2、4、7、9、2、1、1、0、0、0、8、2、1、2、2、1、0（圖3），未達到規(guī)定的寒潮天氣過程。預(yù)測的寒潮日與非寒潮日中，降溫幅度達到8 ℃以上的站數(shù)差別較大，其中寒潮日預(yù)測中平均每天有32.9站的降溫達8 ℃以上，而非寒潮日平均每天為2.7站。對比寒潮日與非寒潮日的預(yù)測，可以看出，該模型能夠較好地預(yù)測寒潮日和非寒潮日，預(yù)測結(jié)果具有一定的參考價值。

利用已建立的延伸期寒潮預(yù)測模型對2014—2017年冬半年的寒潮進行預(yù)測試驗。除去實況資料缺失的12 d，該時段共有728 d的實況降溫幅度資料，共76個寒潮日，652個非寒潮日。該模型回報的西北區(qū)站點降溫幅度的命中率如表3所示，10～30 d平均命中率為11.5%，除個別預(yù)測時間的命中率低于10%以外，其余預(yù)測時間的命中率均高于10%，其中提前第15 d預(yù)測的命中率最高，達14%;提前10～30 d平均空報率70.3%，其中提前第11 d的空報率最高，為74%，提前第20 d與第28 d預(yù)測的空報率最低，為67%。

為了開展寒潮預(yù)測模型的應(yīng)用及評估，假定模型預(yù)測的降溫幅度≥8 ℃的站數(shù)超過25、20、15站為一個寒潮日，分別計算了2014—2017年冬半年寒潮日的CS評分，如表4所示。規(guī)定當日降溫幅度≥8 ℃的站數(shù)超過25站為寒潮日時，則提前10～30 d預(yù)測的平均CS評分為0.091，若規(guī)定當日降溫幅度≥8 ℃的站數(shù)超過20站時，則平均CS評分為0.095，若規(guī)定當日降溫幅度≥8 ℃的站數(shù)為15站時，則平均CS評分達0.1，故當日降溫幅度≥8 ℃的站數(shù)超過15站為一個寒潮日時，與實際寒潮日對應(yīng)較好，因此，在實際應(yīng)用中，可選取此標準對模型的預(yù)測結(jié)果進行釋用。另外，當日降溫幅度≥8 ℃的站數(shù)超過25站、20站、15站規(guī)定的寒潮日，提前12 d的預(yù)測效果最好，CS評分分別達0.122、0.116、0.117，超過25站、20站規(guī)定的寒潮日，提前17 d預(yù)測效果最差，CS評分分別為0.061、0.070，超過15站規(guī)定的寒潮日，提前22 d效果最差，CS評分為0.091。由CS評分可以看出，該模型對寒潮空報日數(shù)較高，應(yīng)根據(jù)實際環(huán)流形勢和預(yù)報經(jīng)驗進行適當消空處理。

3 結(jié)論

選取2000—2013年冬半年寒潮過程的降溫幅度及其前10～30 d的500 hPa、700 hPa高度場、經(jīng)緯向風場低頻資料，利用偏最小二乘回歸方法建立西北區(qū)共376個站的延伸期（10～30 d）寒潮預(yù)測模型。

該模型以2017年1月7日寒潮日與2017年1月14日非寒潮日為例進行試報，并對2014—2017年冬半年西北區(qū)寒潮進行了回報試驗，結(jié)果表明：

1）隨機建立單站第10 d的預(yù)測模型進行最優(yōu)訓練集長度的選取，發(fā)現(xiàn)訓練集長度越長，RMSE越小且越平穩(wěn);500 hPa低頻高度場資料的適用性最好，其次是500 hPa低頻經(jīng)向風場資料。

2）該模型對2017年1月7日寒潮日與2017年1月14日非寒潮日的預(yù)測結(jié)果表明，該模型能夠提前10～30 d較好的預(yù)測寒潮日和非寒潮日，其中寒潮日平均每天有32.9站的降溫幅度≥8 ℃，而非寒潮日平均每天有2.7站的降溫幅度≥8 ℃，能夠很好區(qū)分寒潮日和非寒潮日。該模型提前10～30 d預(yù)測的寒潮日站點平均命中率為39.7%，最高可達67%。

3）該模型對2014—2017年冬半年的寒潮延伸期回報試驗結(jié)果表明，該模型提前10～30 d的平均命中率為11.5%，其中提前第15 d預(yù)測的命中率最高，為14%;平均空報率為70.3%。因此該模型對西北區(qū)延伸期寒潮的預(yù)測有一定參考價值，但對寒潮的空報日數(shù)較高，應(yīng)適當消空。另外，規(guī)定當預(yù)測的降溫幅度≥8 ℃的站數(shù)超過25站、20站、15站為一個寒潮日時，CS評分表明，當預(yù)測降溫幅度≥8 ℃的站數(shù)超過15站為一個寒潮日時，平均CS評分為0.1，預(yù)測的寒潮日與實際寒潮日對應(yīng)最好，在該模型的實際應(yīng)用中，可將此作為判斷有無寒潮發(fā)生的依據(jù)。

本文對寒潮延伸期內(nèi)的預(yù)測方法進行了初步探索性研究，使用的資料和方法均較單一，偏最小二乘法建立的預(yù)測模型對寒潮具有一定預(yù)測能力，但整體預(yù)測的空報率較高，今后一方面需要投入大量工作對該模型進行改進和訂正，另一方面需要進一步研究延伸期的預(yù)測方法，嘗試使用更多元資料建立新的模型，以期提升延伸期寒潮等災(zāi)害性天氣的預(yù)測。

參考文獻（References）

陳伯民，梁萍，信飛，等，2017.延伸期過程預(yù)報預(yù)測技術(shù)及應(yīng)用[J].氣象科技進展，7（6）：82-91. Chen B M，Liang P，Xin F，et al.，2017.The extended-range process prediction technique and application[J].Adv Meteor Sci Technol，7（6）：82-91.（in Chinese）.

陳官軍，魏鳳英，2012.基于低頻振蕩特征的夏季江淮持續(xù)性降水延伸期預(yù)報方法[J].大氣科學，36（3）：633-644. Chen G J，Wei F Y，2012.An extended-range forecast method for the persistent heavy rainfall over the Yangtze-Huaihe River Valley in summer based on the low-frequency oscillation characteristics[J].Chin J Atmos Sci，36（3）：633-644.（in Chinese）.

陳青，廖玉芳，楊書運，等，2014.低頻天氣圖方法在湖南省雨季強降水過程預(yù)報中的應(yīng)用[J].氣象，40（2）：223-228. Chen Q，Liao Y F，Yang S Y，et al.，2014.Application of low frequency synoptic chart to predicting severe precipitation process in Hunan Province[J].Meteor Mon，40（2）：223-228.doi：10.7519/j.issn.1000-0526.2014.02.010.（in Chinese）.

陳豫英，陳楠，馬金仁，等，2010.近48 a寧夏寒潮的變化特征及可能影響的成因初步分析[J].自然資源學報，25（6）：939-951. Chen Y Y，Chen N，Ma J R，et al.，2010.Variety of Ningxia cold waves in the last 48 years and its possible reasons[J].J Nat Resour，25（6）：939-951.（in Chinese）.

丑紀范，徐明，2001.短期氣候數(shù)值預(yù)測的進展和前景[J].科學通報，46（11）：890-895. Chou J F，Xu M，2001.Progress and prospects of short-term climate prediction[J].Chin Sci Bull，46（11）：890-895.（in Chinese）.

丑紀范，鄭志海，孫樹鵬，2010.10～30 d延伸期數(shù)值天氣預(yù)報的策略思考：直面混沌[J].氣象科學，30（5）：569-573. Chou J F，Zheng Z H，Sun S P，2010.The think about 10—30 d extended-range numerical weather prediction strategy：facing the atmosphere chaos[J].Sci Meteor Sin，30（5）：569-573.（in Chinese）.

Ding Q H，Wang B，2005.Circumglobal teleconnection in the Northern Hemisphere summer[J].J Climate，18（17）：3483-3505.doi：10.1175/jcli3473.1.

封國林，孫樹鵬，趙俊虎，等，2013.基于2009年初長江中下游地區(qū)持續(xù)陰雨過程的10～30 d延伸期穩(wěn)定分量的提取及配置分析[J].中國科學：地球科學，43（5）：851-862. Feng G L，Sun S P，Zhao J H，et al.，2013.Analysis of stable components for extended-range （10—30 days） weather forecast：a case study of continuous overcast-rainy process in early 2009 over the mid-lower reaches of the Yangtze River[J].Sci Sin Terrae，43（5）：851-862.（in Chinese）.

Gao Y X，Hsu P C，Li T，2019.Effects of high-frequency activity on latent heat flux of MJO[J].Clim Dyn，52（3/4）：1471-1485.doi：10.1007/s00382-018-4208-1.

何金海，梁萍，孫國武，2013.延伸期預(yù)報的思考及其應(yīng)用研究進展[J].氣象科技進展，3（1）：11-17. He J H，Liang P，Sun G W，2013.Consideration on extended-range forecast and its application study[J].Adv Meteor Sci Technol，3（1）：11-17.doi：10.3969/j.issn.2095-1973.2013.01.002.（in Chinese）.

洪梅，陳希，張韌，等，2015.基于模糊系統(tǒng)的西太平洋副熱帶高壓異常年份的影響因子檢測分析和動力預(yù)報模型反演[J].氣象學報，73（2）：355-367. Hong M，Chen X，Zhang R，et al.，2015.Analysis of the impact factors of abnormal western Pacific subtropical high years based on the fuzzy systems and the dynamical forecast model inversion[J].Acta Meteor Sin，73（2）：355-367.（in Chinese）.

Hoskins B，2013.The potential for skill across the range of the seamless weather-climate prediction problem：a stimulus for our science[J].Quart J Roy Meteor Soc，139（672）：573-584.doi：10.1002/qj.1991.

Hsu P C，Qian Y T，Liu Y，et al.，2020.Role of abnormally enhanced MJO over the western Pacific in the formation and subseasonal predictability of the record-breaking northeast Asian heatwave in the summer of 2018[J].J Climate，33（8）：3333-3349.doi：10.1175/jcli-d-19-0337.1.

賈旭偉，李旭，張瑩，等，2016.基于低頻振蕩的西北地區(qū)中西部延伸期降水預(yù)報研究[J].干旱氣象，34（3）：553-559. Jia X W，Li X，Zhang Y，et al.，2016.Study on extended-range precipitation forecast based on low frequency oscillation in midwest region of Northwest China[J].J Arid Meteor，34（3）：553-559.doi：10.11755/j.issn.1006-7639（2016）-03-0553.（in Chinese）.

蔣國興，江志紅，金龍，等，2006.偏最小二乘回歸方法（PLS）在短期氣候預(yù)測中的應(yīng)用[J].數(shù)學的實踐與認識，36（8）：266-273. Jiang G X，Jiang Z H，Jin L，et al.，2006.The application for the partial least-squares regression （PLS） in the short-term climate forecast[J].Math Pract Theory，36（8）：266-273.（in Chinese）.

琚建華，劉一伶，李汀，等，2010.預(yù)測夏季南海季節(jié)內(nèi)振蕩的一種新方法[J].熱帶氣象學報，26（5）：521-525. Ju J H，Liu Y L，Li T，et al.，2010.A new method for predicting summer intra-seasonal oscillation over the South China sea[J].J Trop Meteor，26（5）：521-525.doi：10.3969/j.issn.1004-4965.2010.05.002.（in Chinese）.

李崇銀，1990.大氣中的季節(jié)內(nèi)振蕩[J].大氣科學，14（1）：32-45. Li C Y，1990.Interseasonal oscillation in the atmosphere[J].Chin J Atmos Sci，14（1）：32-45.（in Chinese）.

李崇銀，2004.大氣季節(jié)內(nèi)振蕩研究的新進展[J].自然科學進展，14（7）：734-741. Li C Y，2004.Recent progress in atmospheric intraseasonal oscillation research[J].Prog Nat Sci，14（7）：734-741.doi：10.3321/j.issn：1002-008X.2004.07.003.（in Chinese）.

李勇，2016.2011年長江中下游梅雨期強降水延伸期集合預(yù)報性能初探[J].氣象，42（9）：1114-1123. Li Y，2016.Performance analysis on extended-range ensemble prediction over middle and lower reaches of Yangtze River in Meiyu period of 2011[J].Meteor Mon，42（9）：1114-1123.doi：10.7519/j.issn.1000-0526.2016.09.009.（in Chinese）.

梁萍，丁一匯，2012.基于季節(jié)內(nèi)振蕩的延伸預(yù)報試驗[J].大氣科學，36（1）：102-116. Liang P，Ding Y H，2012.Extended range forecast experiment based on intraseasonal oscillation[J].Chin J Atmos Sci，36（1）：102-116.（in Chinese）.

Lorenz E N，1969.The predictability of a flow which possesses many scales of motion[J].Tellus，21（3）：289-307.doi：10.3402/tellusa.v21i3.10086.

陸洪濤，2014.偏最小二乘回歸數(shù)學模型及其算法研究[D].北京：華北電力大學. Lu H T，2014.Partial least squares regression models and algorithms research[D].Beijing：School of Mathematics and Physics.（in Chinese）.

Madden R A，Julian P R，1971.Detection of a 40—50 day oscillation in the zonal wind in the tropical Pacific[J].J Atmos Sci，28（5）：702-708.doi：10.1175/1520-0469（1971）028<0702：doadoi>2.0.co;2.

Murakami M，1984.Analysis of the deep convective activity over the western Pacific and Southeast Asia[J].J Meteor Soc Japan，62（1）：88-108.doi：10.2151/jmsj1965.62.1-88.

喬雪梅，劉普幸，2020.中國北方地區(qū)寒潮時空特征及其成因分析[J].冰川凍土，42（2）：357-367. Qiao X M，Liu P X，2020.The temporal and spatial characteristics and genesis of cold wave in Northern China[J].J Glaciol Geocryol，42（2）：357-367.（in Chinese）.

任宏利，丑紀范，2005.統(tǒng)計-動力相結(jié)合的相似誤差訂正法[J].氣象學報，63（6）：988-993. Ren H L，Chou J F，2005.Analogue correction method of errors by combining both statistical and dynamical methods together[J].Acta Meteorol Sin，63（6）：988-993.doi：10.3321/j.issn：0577-6619.2005.06.015.（in Chinese）.

孫國武，信飛，陳伯民，等，2008.低頻天氣圖預(yù)報方法[J].高原氣象，27（S1）：64-68. Sun G W，Xin F，Chen B M，et al.，2008.A predicting method on the low-frequency synoptic weather map[J].Plateau Meteor，27（S1）：64-68.（in Chinese）.

孫國武，李震坤，陳伯民，等，2017.長江下游地區(qū)6～9月暴雨過程延伸期預(yù)報的探索[J].干旱氣象，35（5）：784-790，796. Sun G W，Li Z K，Chen B M，et al.，2017.Exploration of extended range forecast for rainstorm process from June to September in the lower reaches of the Yangtze River[J].J Arid Meteor，35（5）：784-790，796.doi：10.11755/j.issn.1006-7639（2017）-05-0784.（in Chinese）.

孫昭萱，馬振峰，楊小波，等，2016.低頻天氣圖方法在四川盆地夏季延伸期強降水預(yù)報中的應(yīng)用[J].高原山地氣象研究，36（1）：20-26. Sun Z X，Ma Z F，Yang X B，et al.，2016.Extended-range forecast of summer strong precipitation by the method of the low-frequency synoptic map in Sichuan basin[J].Plateau Mt Meteor Res，36（1）：20-26.doi：10.3969/j.issn.1674-2184.2016.01.004.（in Chinese）.

Waliser D E，Lau K M，Stern W，et al.，2003.Potential predictability of the madden-Julian oscillation[J].Bull Amer Meteor Soc，84（1）：33-50.doi：10.1175/bams-84-1-33.

王闊，封國林，孫樹鵬，等，2012a.基于2008年1月中國南方低溫雨雪冰凍事件10～30天延伸期穩(wěn)定分量的研究[J].物理學報，61（10）：520-529. Wang K，F(xiàn)eng G L，Sun S P，et al.，2012a.Study of the stable components in extended-range forecasting for the coming l0—30 days during the snow storm event in January 2008[J].Acta Phys Sin，61（10）：520-529.（in Chinese）.

王闊，封國林，孫樹鵬，等，2012b.2009年11月冰凍雨雪事件10～30 d延伸期穩(wěn)定分量提取及分析[J].物理學報，61（20）：553-560. Wang K，F(xiàn)eng G L，Sun S P，et al.，2012b.Study of the stable components in extended-range forecasting for the coming 10—30 days during the snow storm event in November 2009[J].Acta Phys Sin，61（20）：553-560.（in Chinese）.

王啟光，封國林，鄭志海，等，2012.基于Lorenz系統(tǒng)提取數(shù)值模式可預(yù)報分量的初步試驗[J].大氣科學，36（3）：539-550. Wang Q G，F(xiàn)eng G L，Zheng Z H，et al.，2012.The preliminary analysis of the procedures of extracting predicable components in numerical model of Lorenz system[J].Chin J Atmos Sci，36（3）：539-550.doi：10.3878/j.issn.1006-9895.2011.11094.（in Chinese）.

王啟光，丑紀范，封國林，2014.數(shù)值模式延伸期可預(yù)報分量提取及預(yù)報技術(shù)研究[J].中國科學：地球科學，44（2）：343-354. Wang Q G，Chou J F，F(xiàn)eng G L，2014.Extracting predictable components and forecasting techniques in extended-range numerical weather Prediction[J].Sci China Earth Sci，44（2）：343-354.（in Chinese）.

徐邦琪，臧鈺歆，朱志偉，等，2020.時空投影模型（STPM）的次季節(jié)至季節(jié)（S2S）預(yù)測應(yīng)用進展[J].大氣科學學報，43（1）：212-224. Hsu P C，Zang Y X，Zhu Z W，el al.，2020.Subseasonal-to-seasonal （S2S） prediction using the spatial-temporal projection model （STPM）[J].Trans Atmos Sci，43（1）：212-224.doi：10.13878/j.cnki.dqkxxb.20191028002.（in Chinese）.

許鳳華，2006.偏最小二乘回歸分析中若干問題的研究[D].青島：山東科技大學. Xu F H，2006.The study of some problems in partial least squares regression[D].Qingdao：Shangdong University Science And Technology.（in Chinese）.

楊國棟，2013.基于變量篩選的偏最小二乘回歸方法及其應(yīng)用[D].長沙：中南大學. Yang G D，2013.A stepwise partial least squares regression method and its application[D].Changsha：Central South University.（in Chinese）.

楊秋明，2014a.2013年長江下游降水低頻分量延伸期預(yù)報的擴展復(fù)數(shù)自回歸模型[J].物理學報，63（19）：199202. Yang Q M，2014a.Extended complex autoregressive mo del of low-frequency rainfalls over the lower reaches of Yangtze River Valley for extended range forecast in 2013[J].Acta Phys Sin，63（19）：199202.doi：10.7498/aps.63.199202.（in Chinese）.

楊秋明，2014b.基于20～30 d振蕩的長江下游地區(qū)夏季低頻降水延伸期預(yù)報方法研究[J].氣象學報，72（3）：494-507. Yang Q M，2014b.Study of the method of the extended-range forecast for the low frequency rainfall over the lower reaches of the Yangtze River in summer based on the 20—30 day oscillation[J].Acta Meteor Sin，72（3）：494-507.doi：10.11676/qxxb2014.028.（in Chinese）.

楊秋明，2015.2013年初夏長江下游降水低頻分量延伸期預(yù)報的多變量時滯回歸模型[J].氣象，41（7）：881-889. Yang Q M，2015.Multivariable lagged regressive model of low frequency rains over the lower reaches of Yangtze River Valley for extended range forecast in the early summer of 2013[J].Meteor Mon，41（7）：881-889.（in Chinese）.

楊秋明，2018.長江下游夏季低頻溫度和高溫天氣的延伸期預(yù)報研究[J].地球科學進展，33（4）：385-395. Yang Q M，2018.A study of the extended-range forecast for the low frequency temperature and high temperature weather over the lower reaches of Yangtze River valley in summer[J].Adv Earth Sci，33（4）：385-395.doi：10.11867/j.issn.1001-8166.2018.04.0385.（in Chinese）.

楊雙艷，李天明，2020.中高緯大氣ISO對夏季鄂海阻高形成和維持的調(diào)節(jié)作用[J].大氣科學學報，43（1）：104-115. Yang S Y，Li T，2020.The role of intraseasonal oscillation at mid-high latitudes in regulating the formation and maintenance of Okhotsk blocking in boreal summer[J].Trans Atmos Sci，43（1）：104-115.doi：10.13878/j.cnki.dqkxxb.20191001010.（in Chinese）.

曾宇星，葉天舒，王闊，等，2015.基于2013年8月中國中東部地區(qū)持續(xù)高溫的延伸期穩(wěn)定分量提取及改進研究[J].物理學報，64（4）：049203. Zeng Y X，Ye T S，Wang K，et al.，2015.Stable comp onents in extended-range forecasting during the continuous high temperature event in August 2013 over the mid-eastern China[J].Acta Phys Sin，64（4）：049203.doi：10.7498/aps.64.0492 03.（in Chinese）.

張慶云，陶詩言，彭京備，2008.我國災(zāi)害性天氣氣候事件成因機理的研究進展[J].大氣科學，32（4）：815-825. Zhang Q Y，Tao S Y，Peng J B，2008.The studies of meteorological disasters over China[J].Chin J Atmos Sci，32（4）：815-825.（in Chinese）.

張韌，洪梅，劉科峰，等，2014.基于副熱帶高壓異常活動個例的動力模型重構(gòu)與變異特性剖析[J].地球科學進展，29（11）：1250-1261. Zhang R，Hong M，Liu K F，et al.，2014.Dynamic model reconstruction and corresponding abnormal characteristics anatomy of subtropical high based on actual data time series samples[J].Adv Earth Sci，29（11）：1250-1261.doi：10.11867/j.issn.1001-8166.2014.11.1250.（in Chinese）.

章毅之，宋進波，屠菊清，等，2017.多變量時滯回歸模型在江南地區(qū)初夏降水低頻分量延伸期預(yù)報中的應(yīng)用[J].大氣科學學報，40（6）：833-840.Zhang Y Z，Song J B，Tu J Q，et al.，2017.Application of multivariable lagged regression model in extended range forecast of low frequency components of precipitation in Jiangnan area in early summer[J].Trans Atmos Sci，40（6）：833-840.doi：10.13878/j.cnki.dqkxxb.20170226001.（in Chinese）.

鄭志海，封國林，黃建平，等，2012.基于延伸期可預(yù)報性的集合預(yù)報方法和數(shù)值試驗[J].物理學報，61（19）：543-550. Zheng Z H，F(xiàn)eng G L，Huang J P，et al.，2012.Predictability-based extended-range ensemble prediction method and numerical experiments[J].Acta Phys Sin，61（19）：543-550.doi：10.7498/aps.61.199203.（in Chinese）.

鄭志海，黃建平，封國林，等，2013.延伸期可預(yù)報分量的預(yù)報方案和策略[J].中國科學（地球科學），43（4）：594-605. Zheng Z H，Huang J P，F(xiàn)eng G L，et al.，2013.Forecast scheme and strategy for extended-range predictable components[J].Sci Sin Terrae，43（4）：594-605.doi：10.1007/s11430-012-4513-1.（in Chinese）.

智協(xié)飛，彭婷，王玉虹，2018.基于BMA方法的地面氣溫的10～15 d延伸期概率預(yù)報研究[J].大氣科學學報，41（5）：627-636. Zhi X F，Peng T，Wang Y H，2018.Extended range probabilistic forecast of surface air temperature using Bayesian model averaging[J].Trans Atmos Sci，41（5）：627-636.doi：10.13878/j.cnki.dqkxxb.20160314001.（in Chinese）.

Zhu Z W，Li T，Hsu P C，et al.，2015.A spatial-temporal projection model for extended-range forecast in the tropics[J].Clim Dyn，45（3/4）：1085-1098.doi：10.1007/s00382-014-2353-8.

Zhu Z W，Lu R，Yan H P，et al.，2020.Dynamic origin of the interannual variability of West China autumn rainfall[J].J Climate，33（22）：9643-9652.doi：10.1175/jcli-d-20-0097.1.

Extended-range forecast of cold wave in Northwest China based on partial least squares regression method

YANG Xiaojun1，HAN Linjun1，ZHANG Junxia1，YE Peilong1，2，DUAN Bolong1，LI Yong3

1Lanzhou Central Meteorological Observatory，Lanzhou 730020，China;

2Key Laboratory for Semi-Arid Climate Change of the Ministry of Education/College of Atmospheric Sciences，Lanzhou University，Lanzhou 730000，China;

3National Meteorological Center，Beijing 100081，China

Based on the daily minimum temperature data of 376 national stations in Northwest China and NCEP FNL reanalysis data from 2000 to 2013，the temperature drop amplitude of the stations and the 500 hPa low-frequency height field in Eurasia were analyzed.An extended-range forecast model of cold wave at stations in Northwest China was established by the partial least squares regression method，and the cold wave day and the non-cold wave day in January 2017 were predicted as an example.The cold wave forecast experiment was carried out using the data in Northwest China in winter half year from 2014 to 2017 （728 d in total）.Results show that the model can well predict cold wave days and non-cold wave days 10—30 d in advance.The average number of stations with temperature drop≥8 ℃ predicted 10—30 d in advance for cold wave days is 32.9，with the highest hit rate of 67%，while the average number for non-cold wave days is 2.7.The forecast results of cold wave days in Northwest China during the extended-range of winter half year from 2014 to 2017 show that，the average station hit rate predicted by the model 10—30 d in advance is 11.5%，and the empty rate is 70.3%.It is a cold wave day，When the number of stations with temperature drop≥8 ℃ exceeds 15.The average CS score is 0.1，and the predicted cold wave day corresponds to the actual cold wave day best.Therefore，the model can be used to predict the cold wave during the extended-range in Northwest China，and has a certain reference value.

partial least squares regression method;cold wave;extended-range forecast;Northwest China

doi：10.13878/j.cnki.dqkxxb.20210106002

（責任編輯：張福穎）