基于深度学习方法的气温预报技术应用与评估

作者：陈鹤; 蔡荣辉^*; 陈静静; 傅承浩; 周莉; 陈龙

来源：气象, 2022, 48(11): 1373-1383.

• 气温预报
• 深度学习
• 应用与评估

基于2017—2019年欧洲中期天气预报中心的全球预报系统(ECMWF-IFS).结合对应时间段站点观测实况,采用深度学习方法建立了多层全连接神经网络模型(简称DL模型),对未来84 h的地面气温进行订正预报。使用湖南省2020年全年的预报结果进行对比检验评估,得到以下结论:从空间分布来看,DL模型平均均方根误差(RMSE)在大部分地区为1.5～2.0℃(全省平均RMSE为1.78℃),其对ECMWF-IFS模式的订正效果明显,尤其是在高海拔地区,改善率随着预报站点海拔的增加而上升;数值预报的RMSE有明显的日变化特征,每日午后误差最大,DL模型的改善幅度也最大,日出前时效误差最小,改善率在不同海拔高度有不同的日变化特征;DL模型每个月相对ECMWF-IFS的平均RMSE都有明显的订正效果,其中10月、11月RMSE改善率最高,12月最低;从2020年年底一次寒潮过程的日最高、最低及逐3 h气温检验效果来看,DL模型对ECMWF-IFS的系统误差有明显的订正效果,在单站的曲线上,也能看出DL模型更接近观测实况。评估结果表明:模型可以显著地减小ECMWF-IFS的预报误差,其输出结果基本满足日常预报业务的需求。

• 单位
  气象防灾减灾湖南省重点实验室; 湖南省气象台