气象预测数据分析及后处理方法

气象预测方法分为三种，分别是：

1过程驱动预测方法(procss-based forecasting model)，以大气物理先验知识为基础。

2数据驱动预测方法(data-driven forecasting model):将气象资料看作时间序列，基于变化规律和历史趋势，结合卷积神经网络、长短期记忆网络获取预测结果。

3混合预测，包括集成、降尺度、概率预测。

气象场资料分析

观测资料是通过地面检测，卫星遥感得到的真实气象数据，使用时域特性分析其：

1平稳性。弱平稳性是一般的评判标准，指时间序列的均值随时间保持不变，协方差与时间差相关。常使用ADF单位根假设评判平稳性。

2自相关和偏相关。

在一个时间序列中，今天的值与昨天的值之间可能存在一定的相关性，这种相关性可以通过计算自相关系数来量化。自相关函数 (ACF)是一种统计工具，用来衡量一个时间序列在不同滞后期下的自相关程度。ACF图通常会显示随着滞后期增加，自相关系数如何逐渐减少，直至趋近于零。

当控制了中间的所有滞后效应之后，两个时间点的数据之间的相关性就是偏相关性。

观测资料通过数据同化，融合遥感数据和物理模拟数据，得到重分析资料。对于重分析资料，展开空间关联分析，使用Pearson（连续数据，线性关系，序列为正态分布）,Spearman（非参数，对异常不敏感，通过秩计算，侧重衡量平均象限依赖性）,Kendall（配对，侧重衡量平均似然比依赖性，即非线性依赖性）相关性度量。

最后介绍基于观测和预报资料的预测精度评估，评估参数有：

1平均绝对误差MAE，值对预测误差绝对值取平均，公式如下，

2均方误差MSE。MSE将对MAE的计算改成了平方计算，因此具有可微性（一个函数在某一点处可微，意味着该函数在这点附近的行为可以用一条直线/切线来近似，这条直线反映了函数在这一点的局部变化率）

3均方根误差RMSE，对均方误差开根号。若误差序列符合高斯分布，且序列足够长，RMSE可以比MAE更好的评估误差。

气象预测模式集成

集成建模可以融合不同预测结果，优化结果

1线性集成：最小二乘，单、双目标启发算法

介绍单目标启发算法中的灰狼算法：包围（迭代），狩猎（位置更新），攻击（全局搜索）

2非线性集成：多层感知器，SVR支持向量回归，集成树

气象统计降尺度

1递归深度学习降尺度，通过不停循环迭代，学习关键信息并保存，遗忘次要的信息，有长短期记忆网络，门控循环

2Transformer降尺度，注意力机制Attention作为解码器和编码器的核心

另外，预测存在不确定性，需要描述并评估。