中文摘要：

目前，短期气候的预测水平远不能满足业务应用的需求,如何提高预测能力仍是前沿科学问题。统计方法和动力方法固有的缺陷使它们目前还无法独立突破预报极限，统计-动力相结合成为重要的发展方向。项目以动力模型和统计模型为研究对象，通过已有预测模型与历史观测值再现误差的"动力"过程,获得模型误差的一系列"观测"样本。这有别于单纯从历史观测数据中提取误差信息,它们更真实地刻画了模型误差的内在机制。鉴于传统方法难以有效处理复杂非线性数据集,项目拟采用先进的演化技术对误差样本进行自动建模。演化技术模仿了复杂系统的自然进化机制，其智能仿生能力更适合处理气候变化这样复杂的非线性系统，建模过程的动力学意义更加明显，所得误差函数更稳定,时效更长。同时,包含动力过程和历史统计信息的误差函数对动力预测实现了统计订正，对统计预测则是实现了动力订正。项目研究将为实现统计-动力相结合提供新的方法,具有重要的应用前景。

结论摘要：

本项目从当前气候预测难题出发，研究了气候数值模式误差订正的有关问题。气候是一个异常复杂的巨系统，气候预测是科学难题,目前主要预测方法之一是数值动力模式。模式是一个描述系统各种变量的近似方程组，是包含许多潜在误差的数学框架。产生误差的原因主要是模式结构误差和参数误差。当人们无法通过先验知识确定这些复杂结构和参数配置时，便有误差存在的可能。虽然修正误差可以利用大量的观测资料进行，但由于气候模式通常很复杂，变量组合及资料运算量十分庞大，因此人工干预的方式难以获取系统的有用信息。本项目利用演化算法开展数值模式的误差研究，旨在发展一种高效的智能订正方案，利用不同类型的动力系统模拟气候模式的误差分布，探索自动优化技术，提高预测能力。项目利用一维动力方程(Logisitic)和三维动力方程（Lorenz/Rossler）开展了不同情形下误差订正的实现方法。对于一维动力系统，订正误差最简单，建模相对容易；对于多维动力系统，单个分量的误差建模与一维情形基本类似，建模效果也不错，但建模运算工作量较大。尤其是单个分量所带来的误差，可以通过优化其它方程分量来实现该系统的全局误差订正。这在人们不了解气候模式误差所产生的位置时，该特点对自动优化模式结构非常有用；另一种复杂的情形是在多维方程组每个分量设定误差强迫项，利用演化算法同时对每个分量的误差进行误差建模。此类型相对要复杂，计算量更大。这三方面的实验表明，对于复杂且不完善的气候模式，通过观测资料加以优化其结构是完全可行的。由于演化建模过程比较灵活，项目还利用观测资料直接建立动力方程，考察演化技术的建模效率。对一维观测资料的试验表明，所建立的动力方程预测能力有较高的稳定性,这为气候预测误差订正提供了更多途径。