日最高、最低气温的预报是天气预报业务的重要组成部分,其精度提升对保障社会经济活动具有重要意义。针对数值模式在复杂地形区域系统性偏差显著的问题,本研究以湖南省为试验区(具有“凹”字形三级阶梯地貌,涵盖山地、丘陵、平原等多种...日最高、最低气温的预报是天气预报业务的重要组成部分,其精度提升对保障社会经济活动具有重要意义。针对数值模式在复杂地形区域系统性偏差显著的问题,本研究以湖南省为试验区(具有“凹”字形三级阶梯地貌,涵盖山地、丘陵、平原等多种下垫面类型),提出一种融合地理特征聚类的深度学习改进方案。基于欧洲中期天气预报中心(European Centre for Medium Range Weather Forecasts,ECMWF)模式预报场、中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)再分析数据和地理变量,首先构建基准卷积神经网络CNN模型并针对地形特征处理策略设置三类对照实验:方案1(K-means聚类地理变量)、方案2(标准化非聚类地理变量)及方案3(无地理变量)。对比实验表明,方案1对24 h最高/低温度平均绝对误差MAE较方案3分别降低4.7%/9.4%,较方案2预报技巧提升2.5%/1.4%,证实地理特征聚类处理对模型性能具有显著增益。因此,优选方案1发展了未来72 h气温预报CNN-TC(Terrain Correction)模型。该模型表现出显著预报优势:相较ECMWF产品,最高/低温MAE降幅达23.5%~37.3%/20.8%~26.9%;较中央气象台指导预报产品SCMOC,最高/低温度误差降低18.7%~27.6%/26.8%~32.3%,其中24 h预报时效下,最高/低温度空间分布MAE区间由1.2~5.8℃/0.8~5.9℃(ECMWF)降低至0.9~1.7℃/0.8~1.7℃,区域稳定性大幅提升。分月检验表明,CNN-TC模型在所有月份均保持最优性能,MAE相对降幅覆盖5.6%~59.1%(最高温度)和6.3%~47.8%(最低温度)。典型强天气过程检验中,模型成功捕捉2022年11月寒潮过程的降温特征,较ECWMF和SCMOC表现均为最优,显示出优异的极端天气应对能力。本研究证实通过深度学习耦合地形特征聚类,可有效解决数值模式在复杂下垫面区域的系统性偏差问题,为山地气候区精细化气象服务提供了可靠的技术方案。展开更多
基于中国气象局陆面数据同化系统(China Meteorological Administration Land Data Assimilation System,CLDAS)格点实况资料与欧洲中期天气预报中心-综合预报系统(European Centre for Medium-Range Weather Forecasts-Integrated Fore...基于中国气象局陆面数据同化系统(China Meteorological Administration Land Data Assimilation System,CLDAS)格点实况资料与欧洲中期天气预报中心-综合预报系统(European Centre for Medium-Range Weather Forecasts-Integrated Forecast System,ECMWF-IFS)模式最优因子集,构建了Res-STS(residual spatio-temporal stacking)网络气温预报订正模型,旨在提高湖南省气温预报的准确性。Res-STS模型在深度学习框架残差网络(residual networks,ResNets)的基础上进行了改进,采用“面-点”结构进行建模,有效保留了环境背景场特征和时序特征,包含ECMWF-IFS特征融合模块(EC feature fusion,ECFF)和降尺度模块(downscaling module,DM),前者利用卷积残差块提取特征,后者通过反卷积层实现分辨率降低,最终生成逐小时气温预报。在湖南省逐小时、日最高、日最低气温预报产品的误差分析中,Res-STS模型平均绝对误差(mean absolute error,MAE)分别为1.21、1.38、1.07℃,相较于ECMWF-IFS和国家气象中心指导预报表现出更低的误差,特别是在最高气温预报中表现尤为优异(误差比国家气象中心指导预报降低23.8%)。在高海拔地区的误差分布对比中,Res-STS模型表现出更高的精度和稳定性,其误差分布更为集中,中位数最低。在寒潮和高温天气过程中,Res-STS模型的最低气温、最高气温、逐1 h气温预报分别高于其他客观产品和人工订正结果。展开更多
文摘日最高、最低气温的预报是天气预报业务的重要组成部分,其精度提升对保障社会经济活动具有重要意义。针对数值模式在复杂地形区域系统性偏差显著的问题,本研究以湖南省为试验区(具有“凹”字形三级阶梯地貌,涵盖山地、丘陵、平原等多种下垫面类型),提出一种融合地理特征聚类的深度学习改进方案。基于欧洲中期天气预报中心(European Centre for Medium Range Weather Forecasts,ECMWF)模式预报场、中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)再分析数据和地理变量,首先构建基准卷积神经网络CNN模型并针对地形特征处理策略设置三类对照实验:方案1(K-means聚类地理变量)、方案2(标准化非聚类地理变量)及方案3(无地理变量)。对比实验表明,方案1对24 h最高/低温度平均绝对误差MAE较方案3分别降低4.7%/9.4%,较方案2预报技巧提升2.5%/1.4%,证实地理特征聚类处理对模型性能具有显著增益。因此,优选方案1发展了未来72 h气温预报CNN-TC(Terrain Correction)模型。该模型表现出显著预报优势:相较ECMWF产品,最高/低温MAE降幅达23.5%~37.3%/20.8%~26.9%;较中央气象台指导预报产品SCMOC,最高/低温度误差降低18.7%~27.6%/26.8%~32.3%,其中24 h预报时效下,最高/低温度空间分布MAE区间由1.2~5.8℃/0.8~5.9℃(ECMWF)降低至0.9~1.7℃/0.8~1.7℃,区域稳定性大幅提升。分月检验表明,CNN-TC模型在所有月份均保持最优性能,MAE相对降幅覆盖5.6%~59.1%(最高温度)和6.3%~47.8%(最低温度)。典型强天气过程检验中,模型成功捕捉2022年11月寒潮过程的降温特征,较ECWMF和SCMOC表现均为最优,显示出优异的极端天气应对能力。本研究证实通过深度学习耦合地形特征聚类,可有效解决数值模式在复杂下垫面区域的系统性偏差问题,为山地气候区精细化气象服务提供了可靠的技术方案。
