基于卷积神经网络的长江流域夏季日最高温度延伸期预报方法研究

作者：雷蕾; 徐邦琪^*; 高庆九; 谢洁宏

来源：大气科学学报, 2022, 45(06): 835-849.

DOI：10.13878/j.cnki.dqkxxb.20211101001

• 长江流域高温热浪
• 低频振荡
• 卷积神经网络
• 延伸期预报
• 日最高气温预报

长江流域是我国夏季高温热浪灾害的多发区之一，该地区日最高温度( Tmax) 具有显著的低频( 10～30 d 和 30～60 d 周期) 变化特征，超前-滞后相关分析和气温方程诊断的结果显示，影响长江流域 Tmax低频变化的大尺度环流/对流信号包含: 自欧亚大陆东移南下的低频波列，自东北亚向西南方向传播的异常环流，以及由西太平洋向东亚传播的低频对流; 这些低频对流/环流活动通过改变辐射加热过程及绝热过程，导致长江流域 Tmax的低频变化。为了客观且有效地辨识和捕捉这些先兆信号，并考虑长江流域Tmax与大尺度因子间的非线性作用，本文采用机器学习方法中的卷积神经网络( Convolutional Neural Netw ork,CNN) 对大量历史数据进行训练，并构建了长江流域 Tmax的延伸期预报模型。在独立预报阶段，CNN 预报模型对长江流域区域平均 Tmax的预报时效达 30 d，提前 5～30 d 预报的 Tmax与观测 Tmax的时间相关系数介于 0. 63 ～ 0. 70( 通过99%置信度的显著性检验) ，量级偏差( 均方根误差) 小于 1 个标准差，显示出 CNN 在延伸期灾害天气预报的应用潜力。

• 单位
  南京信息工程大学; 气象灾害教育部重点实验室; 广东省揭阳市气象局