基于深度学习方法的气温预报技术应用与评估

摘要：

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.

关键词：气温预报、深度学习、应用与评估

所属期刊栏目：48

分类号：P456;P457(天气预报)

资助基金：湖南省气象局第三期业务能力建设项目;湖南省气象局重点项目

在线出版日期：2023-01-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1373-1383