科学家利用气候系统建模的知识开发COVID-19大流行全球预测系统

在撰写本文时，2019冠状病毒病(COVID-19)正严重威胁着世界各地的人类生命和健康。在开发有效疫苗和特定药物之前，非药物干预和数值模型预测是必不可少的。为此，中国兰州大学黄建平教授领导的团队开发了COVID-19大流行全球预测系统(GPCP)。

黄建平，兰州大学大气科学学院教授，西部生态安全协同创新中心主任。长期以来，他一直致力于研究长期气候预测结合实地观测和理论研究，研究了沙尘-云相互作用和半干旱气候变化。2020年初的封锁严重影响了他的研究。因此，困在家里的他在网上和家人讨论团队成员关于它们在开发气候系统模型方面的经验如何能够有助于抗击大流行。他并没有期望得到太多的回应，但当他的许多同事都热情地回应时，他感到惊讶。

因此，他和他的团队结合了30年来在统计动态数值天气预报方法方面的工作成果，并基于传统的易感-感染-恢复(SIR)传染病开发了GPCP模型．改进的方法和结果发表在大气与海洋科学通讯．

为了将流行病学数据与模型相结合，提出了Levenberg-Marquardt (LM)参数优化算法来识别流行病学模型，从而构建了Statistical-SIR模型。LM算法在传统最小二乘法计算Hessian矩阵时引入了阻尼系数，从而结合了高斯牛顿法和梯度下降法的优点，提高了参数的稳定性。

黄教授解释说:“从四个确诊病例数量相对较高的选定国家的模拟结果来看，使用LM算法的统计-易感-感染-恢复模型更符合疫情的实际曲线，能够更好地反映其发展趋势。”

此外，综合经验模态分解(EEMD)模型和自回归移动平均(ARMA)模型结合使用，改善了GPCP的预测结果。EEMD方法已广泛应用于工程、气象、生态学等领域。它能根据信号自身的尺度对信号进行分解，适用于非平稳和非线性信号处理。ARMA方法能较好地预测时间序列。

“我们发现EEMD-ARMA方法可以直接用于预测确诊病例数量较少的国家，这些国家的发展趋势无法用传染病模型预测。基于结果，该方法更有效地提高了预测结果，并进行了直接预测。”

黄建平团队开发的GPCP模型可以对不同国家和地区进行有针对性的预测，并取得了良好的预测效果。该团队将在未来继续改进模型，为不同国家和地区提供更准确的预测。

---

---