使用 EOFs 和机器学习模型进行气候数据时空预测：以智利为例的案例研究

在智利等气候变率较高的地区，有效的资源管理和环境规划需要先进的预测工具。本研究通过采用一种创新且计算高效的混合方法来解决这一挑战，该方法将用于时间序列预测的机器学习（ML）方法与成熟的统计技术相结合。时空数据使用时间依赖的经验正交函数（EOFs）$\phi_{k}(t)$ 及其对应的空间系数 $\alpha_{k}(s)$ 进行分解以降低维度。小波分析从 $\phi_{k}(t)$ 函数中提供高分辨率的时间和频率信息，而神经网络则在中等范围视界 $h$ 内预测这些函数。通过利用各种 ML 模型，特别是小波-ANN 混合模型，我们预测 $\phi_{k}(t+h)$ 直至时间视界 $h$，随后使用这些扩展的 EOFs 重构时空数据。该方法应用于覆盖智利领土的气候数据网格。它将高维多变量时空数据预测问题转化为低维单变量预测问题。此外，利用动态时间规整定义降雨时间序列之间相似性的聚类分析，以及空间相干性和可预测性评估，在识别模型性能提升的地理区域方面发挥了重要作用。该方法还阐明了在空间相干性和可预测性较低的区域或聚类中预测性能不佳的原因。通过利用聚类中心点，预测过程变得更加实用和高效。这种复合方法显著降低了计算复杂度，同时生成了具有合理准确性和实用性的预测。