基于深度學(xué)習(xí)方法的氣溫預(yù)報技術(shù)應(yīng)用與評估*

陳 鶴 蔡榮輝 陳靜靜 傅承浩 周 莉 陳 龍

1 湖南省氣象臺，長沙 410118

2 氣象防災(zāi)減災(zāi)湖南省重點(diǎn)實驗室，長沙 410118

提 要： 基于2017—2019年歐洲中期天氣預(yù)報中心的全球預(yù)報系統(tǒng)(ECMWF-IFS)，結(jié)合對應(yīng)時間段站點(diǎn)觀測實況，采用深度學(xué)習(xí)方法建立了多層全連接神經(jīng)網(wǎng)絡(luò)模型(簡稱DL模型)，對未來84 h的地面氣溫進(jìn)行訂正預(yù)報。使用湖南省2020年全年的預(yù)報結(jié)果進(jìn)行對比檢驗評估，得到以下結(jié)論：從空間分布來看，DL模型平均均方根誤差(RMSE)在大部分地區(qū)為1.5～2.0℃(全省平均RMSE為1.78℃)，其對ECMWF-IFS模式的訂正效果明顯，尤其是在高海拔地區(qū)，改善率隨著預(yù)報站點(diǎn)海拔的增加而上升；數(shù)值預(yù)報的RMSE有明顯的日變化特征，每日午后誤差最大，DL模型的改善幅度也最大，日出前時效誤差最小，改善率在不同海拔高度有不同的日變化特征；DL模型每個月相對ECMWF-IFS的平均RMSE都有明顯的訂正效果，其中10月、11月RMSE改善率最高，12月最低；從2020年年底一次寒潮過程的日最高、最低及逐3 h氣溫檢驗效果來看，DL模型對ECMWF-IFS的系統(tǒng)誤差有明顯的訂正效果，在單站的曲線上，也能看出DL模型更接近觀測實況。評估結(jié)果表明：模型可以顯著地減小ECMWF-IFS的預(yù)報誤差，其輸出結(jié)果基本滿足日常預(yù)報業(yè)務(wù)的需求。

引 言

現(xiàn)代天氣預(yù)報在數(shù)值預(yù)報模型的支持下，正在快速發(fā)展，但由于資料同化方法、地理分辨率的限制，數(shù)值模式的應(yīng)用仍有較大的提升空間。早期國際上常用模式輸出統(tǒng)計(MOS)等技術(shù)，使用數(shù)值預(yù)報與觀測數(shù)據(jù)，通過線性回歸方法推導(dǎo)預(yù)報方程，評估表明，MOS方法在最高氣溫等要素預(yù)報中能顯著減小數(shù)值預(yù)報的誤差，是有效的客觀預(yù)報技術(shù)(Glahn and Lowry，1972)，美國國家氣象局將其進(jìn)行了業(yè)務(wù)化(Klein and Glahn，1974)。大氣本身是非線性的動力系統(tǒng)，其對初始條件非常敏感，增加初始條件的擾動，生成多成員的集合預(yù)報方法，也能有效的優(yōu)化單模型的預(yù)報結(jié)果(Leutbecher and Palmer，2008)。根據(jù)我國氣象部門智能網(wǎng)格預(yù)報發(fā)展要求，現(xiàn)已在全國范圍推行逐3 h精細(xì)化網(wǎng)格預(yù)報業(yè)務(wù)。針對數(shù)值預(yù)報的氣溫訂正，已有較多試驗性的研究：智協(xié)飛等(2009)分別利用固定訓(xùn)練期超級集合和滑動訓(xùn)練期超級集合方法對北半球中緯度地面氣溫進(jìn)行預(yù)報試驗，發(fā)現(xiàn)均有效降低了預(yù)報誤差，滑動訓(xùn)練期效果更優(yōu)；李佰平和智協(xié)飛(2012)分別利用一元線性回歸、多元線性回歸、單時效消除偏差和多時效消除偏差平均等訂正方法，對ECMWF-IFS的2 m氣溫預(yù)報結(jié)果進(jìn)行訂正，能有效地減小地面氣溫多個時效預(yù)報的誤差；王敏等(2012)采用非齊次高斯回歸技術(shù)對國家氣象中心區(qū)域集合預(yù)報系統(tǒng)的2 m溫度預(yù)報結(jié)果進(jìn)行校準(zhǔn)，預(yù)報可靠性和預(yù)報技巧均顯著提高；王婧等(2015)采用平均法、雙權(quán)重平均法、滑動平均法和滑動雙權(quán)重平均法對GRAPES_RAFS系統(tǒng)2 m溫度預(yù)報產(chǎn)品進(jìn)行偏差訂正，結(jié)果表明大部分地區(qū)的平均誤差、均方根誤差都有顯著降低；馮慧敏等(2016)利用多模式集合平均、消除偏差集合平均、加權(quán)消除偏差集合及多模式超級集合方法，對地面逐3 h氣溫進(jìn)行多模式集成預(yù)報試驗，結(jié)果表明集成方案對預(yù)報效果有不同程度的改善。近幾年，基于模式輸出統(tǒng)計方法(吳啟樹等，2016)、滑動雙權(quán)重平均訂正法和空間誤差逐步訂正法綜合訂正技術(shù)(薛諶彬等，2019)對ECMWF-IFS逐日最高/最低氣溫進(jìn)行訂正，較好地改善了站點(diǎn)溫度的預(yù)報質(zhì)量并應(yīng)用于業(yè)務(wù)系統(tǒng)中；曾曉青等(2019)使用溫度格點(diǎn)多源融合產(chǎn)品和ECMWF-IFS的2 m溫度預(yù)報場，采用簡單誤差訂正、誤差回歸訂正等8種方案，進(jìn)行訂正預(yù)報試驗，對格點(diǎn)、站點(diǎn)的檢驗結(jié)果表明，多種方案都對3～24 h(預(yù)報時間間隔3 h)預(yù)報有明顯的訂正作用；王丹等(2019)使用遞減平均法和一元線性回歸法對ECMWF-IFS的定時最高(低)氣溫預(yù)報誤差進(jìn)行訂正，訂正后的預(yù)報質(zhì)量有提升，但在較長預(yù)報時效不太理想，部分地區(qū)訂正技巧為負(fù)；郝翠等(2019)采用最優(yōu)集合預(yù)報方法對北京市各站1～7 d的日最高氣溫和日最低氣溫進(jìn)行訂正，結(jié)果表明滑動訓(xùn)練期、優(yōu)化變量權(quán)重兩種方案能改善模式固有偏差，其結(jié)果優(yōu)于或與預(yù)報員主觀預(yù)報相當(dāng)，但在某些局地天氣影響下不如主觀預(yù)報；王在文等(2019)使用相似集合方法對北京快速更新循環(huán)數(shù)值預(yù)報系統(tǒng)的地面要素開展訂正試驗，并將其與支持向量機(jī)的訂正效果進(jìn)行了對比，在有效減小氣溫預(yù)報誤差的同時，其計算資源要求更低；盛春巖等(2020)使用氣溫偏差訂正和準(zhǔn)對稱混合滑動訓(xùn)練期MOS方法集成訂正ECMWF-IFS的氣溫預(yù)報，取得較好的效果，但也發(fā)現(xiàn)從第3天開始客觀方法高溫準(zhǔn)確率有明顯下降趨勢；尹珊等(2020) 應(yīng)用滑動平均誤差訂正方法和歷史偏差訂正方法，對ECMWF-IFS延伸期2 m溫度預(yù)報進(jìn)行誤差訂正，兩種方法在全年各月都有正訂正技巧，其中1—3月效果最明顯，但無法訂正模式對變溫時間的預(yù)報誤差；任萍等(2020)分別基于機(jī)器學(xué)習(xí)方法XGBoost、等權(quán)重平均方法、線性回歸方法且考慮地形因子影響，構(gòu)建出多種模型，對北京地區(qū)快速循環(huán)同化數(shù)值預(yù)報系統(tǒng)輸出的結(jié)果進(jìn)行訂正，在包括氣溫在內(nèi)的多要素上XGBoost表現(xiàn)最優(yōu)。

深度學(xué)習(xí)(deep learning，DL)方法是處理氣象大數(shù)據(jù)的前沿技術(shù)。雖然受到一些客觀因素的制約，現(xiàn)階段DL技術(shù)無法完全學(xué)習(xí)到大氣運(yùn)動的物理規(guī)律，但累積的數(shù)值模式歷史預(yù)報數(shù)據(jù)，可處理成為一項有效的數(shù)據(jù)集輸入到DL模型中。當(dāng)前，從注重數(shù)理原理解釋到注重動力熱力方程求解與人工智能方法相結(jié)合，已經(jīng)取得了重大進(jìn)展(許小峰，2018)。圖像處理單元(GPU)計算技術(shù)對比傳統(tǒng)中央處理單元(CPU)具有更高效率，給更大規(guī)模、更深層次的數(shù)據(jù)挖掘提供了可能，因此，基于深度學(xué)習(xí)方法的氣溫訂正技術(shù)相比傳統(tǒng)MOS方法，能從數(shù)值預(yù)報中挖掘出更多時間、空間相關(guān)信息。

目前，有學(xué)者使用DL方法對數(shù)值預(yù)報結(jié)果進(jìn)行改進(jìn)。在氣溫預(yù)報的應(yīng)用上，Li et al(2019)基于模式輸出機(jī)器學(xué)習(xí)(MOML)方案，將已有的機(jī)器學(xué)習(xí)回歸算法應(yīng)用到處理后的訓(xùn)練集、測試集中，結(jié)果比ECMWF-IFS模式結(jié)果和MOS方法更好，尤其是冬季更明顯。陳昱文等(2020)基于TIGGE的ECMWF-IFS資料，建立深度學(xué)習(xí)模型，并對部分站點(diǎn)進(jìn)行氣溫誤差訂正，結(jié)果表明機(jī)器學(xué)習(xí)在數(shù)值模式預(yù)報結(jié)果訂正中具有較大的應(yīng)用潛力。門曉磊等(2019)使用基于嶺回歸、隨機(jī)森林和深度學(xué)習(xí)的3種后處理模型，應(yīng)用多模式預(yù)報結(jié)果進(jìn)行逐日氣溫預(yù)報，對比了多種模型的訂正效果，發(fā)現(xiàn)DL方法在空間分布上效果最好。Han et al(2021)基于U-Net(為生物醫(yī)學(xué)圖像分割而開發(fā)的卷積神經(jīng)網(wǎng)絡(luò))提出深度學(xué)習(xí)模型CU-Net，對ECMWF-IFS的2 m溫度、2 m相對濕度、10 m風(fēng)的24～240 h預(yù)報進(jìn)行格點(diǎn)訂正，在多個檢驗指標(biāo)上都取得了更優(yōu)的結(jié)果，并指出深度學(xué)習(xí)方法具有從NWP海量數(shù)據(jù)中直接進(jìn)行學(xué)習(xí)從而構(gòu)建NWP偏差特征的能力。在第二屆AI Challenger全球挑戰(zhàn)賽中，使用基于時間序列分析、梯度提升樹、深度概率預(yù)測等AI模型構(gòu)建的多組集合預(yù)報方法，相比之前的相似集合預(yù)報方法，顯著提高了2 m氣溫的預(yù)報水平(嵇磊等，2019)。

由于對數(shù)據(jù)獲取、模型運(yùn)行的穩(wěn)定性要求高等原因，大多數(shù)深度學(xué)習(xí)預(yù)報方法僅停留在試驗階段(大多數(shù)預(yù)報為逐日最高/最低氣溫預(yù)報)，有的標(biāo)簽、驗證數(shù)據(jù)使用了一日2次的模式分析場(或者再分析場)而并非實際觀測數(shù)據(jù)，或者使用較為稀疏的氣象站，代表性不足，真正建立預(yù)報模型并應(yīng)用到智能網(wǎng)格預(yù)報業(yè)務(wù)且取得較好效果的先例較少。從2016—2018年國家級網(wǎng)格指導(dǎo)預(yù)報、省市級訂正反饋網(wǎng)格預(yù)報的氣溫要素檢驗來看，國家級網(wǎng)格統(tǒng)計預(yù)報模型建立后，預(yù)報誤差呈現(xiàn)出數(shù)值模式、國家級、省市訂正逐級減小的趨勢，體現(xiàn)出智能預(yù)報的巨大優(yōu)勢(韋青等，2020)。湖南省位于江南地區(qū)西部，地形上東、南、西三面環(huán)山，北部海拔稍低，東北部洞庭湖地區(qū)為其最主要的南下冷空氣輸入路徑。目前針對湖南地區(qū)的氣溫預(yù)報，較少進(jìn)行系統(tǒng)的評估，更無有效的客觀訂正方法，從日常預(yù)報業(yè)務(wù)檢驗看，ECMWF-IFS等數(shù)值預(yù)報對湖南的氣溫預(yù)報結(jié)果存在明顯的誤差。例如，在湖南西部的雪峰山、西北部的武陵山及南部的南嶺部分地區(qū)，數(shù)值預(yù)報平均偏差3℃以上，部分海拔超過800 m的站點(diǎn)平均偏差4℃以上，東部部分低海拔地區(qū)也出現(xiàn)了3℃以上的偏差。誤差并非簡單隨海拔變化而線性增長，它受到下墊面、坡向，以及各個層次溫度平流等多個氣象要素的共同影響，無法使用簡單的消除偏差方法去除。本文以改善湖南全省逐3 h氣溫預(yù)報為目標(biāo)，建立了精細(xì)化氣溫預(yù)報流程，并使用氣象站觀測資料進(jìn)行結(jié)果驗證與評估。

1 資 料

本研究使用湖南省氣象信息中心通過CMACast接收保存的北半球區(qū)域ECMWF-IFS高分辨率數(shù)值預(yù)報模式產(chǎn)品進(jìn)行訓(xùn)練，模式地面層分辨率為0.125°×0.125°，氣壓層分辨率為0.25°×0.25°，選取了地面層所有預(yù)報要素，以及19個氣壓層的氣溫、高度、濕度、風(fēng)場等要素；訓(xùn)練期為2017年1月1日至2019年12月31日，將2020年1月1日至12月31日的數(shù)據(jù)作為測試集進(jìn)行預(yù)報評估分析，模式每日00時和12時(世界時，下同)起報?；谥? h精細(xì)化氣象要素預(yù)報工作的需要，本文選擇了0～84 h，一共27個預(yù)報時效的要素預(yù)報數(shù)據(jù)。使用湖南省全境421個氣象站(包含國家站和骨干站)逐3 h(分別為00、03、06、09、12、15、18、21時)氣溫觀測數(shù)據(jù)，數(shù)據(jù)來源為湖南省氣象信息中心CIMISS系統(tǒng)，數(shù)據(jù)總長度為2017年1月1日至2020年12月31日，其中將2020年的數(shù)據(jù)作為測試集進(jìn)行評估與對比分析。

2 模型與方法

2.1 深度學(xué)習(xí)模型

本文設(shè)計了一種適用于氣象要素預(yù)測訂正的深度學(xué)習(xí)模型，模型使用了多層全連接神經(jīng)網(wǎng)絡(luò)模型對數(shù)值預(yù)報氣溫訂正函數(shù)進(jìn)行擬合。

多層全連接網(wǎng)絡(luò)模型是一種經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，具有輸入層、隱藏層和輸出層三種結(jié)構(gòu)。其中輸入層和輸出層有且只有一層神經(jīng)元結(jié)構(gòu)，隱藏層可以根據(jù)計算量的接受程度設(shè)計為多層神經(jīng)元結(jié)構(gòu)。相鄰層之間的神經(jīng)元全部相互連接，并在每個連接上賦予一個計算權(quán)重。每層神經(jīng)元(除輸入層)的輸入均為上一層神經(jīng)元的輸入，每個神經(jīng)元的輸出均為上層各神經(jīng)元的值與相應(yīng)連接權(quán)重的相乘后再相加，并經(jīng)過激活函數(shù)計算之后形成的值。經(jīng)過前期試驗，考慮到計算強(qiáng)度和過擬合問題，最終全連接結(jié)構(gòu)使用了4個隱藏層，分別設(shè)置了256、128、64和32個神經(jīng)元,全連接網(wǎng)絡(luò)結(jié)構(gòu)示意圖(圖1)中，Hij為第i個隱藏層的第j個神經(jīng)元；輸入數(shù)據(jù)為某時刻經(jīng)過篩選的各個氣象要素的值xi，輸出為各個氣象要素的綜合提取特征y。為避免神經(jīng)元死亡的問題，本文在初始試驗階段控制、調(diào)整了學(xué)習(xí)率。模型中使用了Dropout技術(shù)，在神經(jīng)網(wǎng)絡(luò)中丟棄部分隱藏神經(jīng)元(圖1中表現(xiàn)為虛線圓)，能夠避免在訓(xùn)練數(shù)據(jù)上產(chǎn)生復(fù)雜的相互適應(yīng)。為了模擬天氣運(yùn)動的復(fù)雜多樣，激活函數(shù)一般采用非線性函數(shù)，本文使用的是線性整流函數(shù)(ReLU)，ReLU具有收斂速度快、效率高、能克服梯度消失等優(yōu)點(diǎn)。在激活函數(shù)ReLU示意圖(圖2)中，x軸為上一層神經(jīng)網(wǎng)絡(luò)的輸入量，進(jìn)行變換后，y軸為輸出的下一層神經(jīng)元或者神經(jīng)網(wǎng)絡(luò)最終結(jié)果。

圖1 全連接網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖2 激活函數(shù)ReLU示意圖

由于天氣的演變過程復(fù)雜多變，所以模型的選擇應(yīng)該重點(diǎn)考慮提取各個氣象要素的時序特征。同時天氣預(yù)報具有時效性，影響天氣變化的氣象要素多種多樣，所以模型也要考慮輸入數(shù)據(jù)集的大小以及網(wǎng)絡(luò)訓(xùn)練的時間成本問題。常見的模式后處理方法在對站點(diǎn)要素進(jìn)行訂正預(yù)報時，采用單點(diǎn)、多層、多種氣象要素因子進(jìn)行建模。基于這個思路，本文使用全連接神經(jīng)網(wǎng)絡(luò)建立了站點(diǎn)的氣溫預(yù)報模型(下文簡稱為DL模型)，從而減少網(wǎng)絡(luò)訓(xùn)練時間，以達(dá)到快速高效的預(yù)報訂正效果。在建立模型時，分別按單站、區(qū)域建立了多類預(yù)報模型，以測試集的訂正效果自動優(yōu)選誤差低的模型，盡量避免站點(diǎn)因為樣本量過少而出現(xiàn)過擬合。

2.2 數(shù)據(jù)預(yù)處理

本文從數(shù)值模式訓(xùn)練集中提取了高空多層的位勢高度、比濕、溫度、風(fēng)場等要素和地面單層的氣溫、降水等要素。先使用最近格點(diǎn)法插值到421個目標(biāo)站點(diǎn)，再對數(shù)據(jù)集進(jìn)行篩查、清洗等相關(guān)預(yù)處理，使用氣象觀測閾值過濾或替換奇異值。最終進(jìn)行標(biāo)準(zhǔn)化處理：使用Z-score算法對數(shù)據(jù)集進(jìn)行縮放，公式如下：

(1)

式中：x為需被標(biāo)準(zhǔn)化的原始數(shù)據(jù)值，u為氣象要素的總體數(shù)據(jù)均值，σ是總體數(shù)據(jù)的標(biāo)準(zhǔn)差。

然后將數(shù)據(jù)歸一處理到0～1，公式如下：

(2)

式中：Xmax為樣本數(shù)據(jù)的最大值，Xmin為樣本數(shù)據(jù)的最小值。

本文中使用的每個樣本包含因子198個(實際訓(xùn)練中有經(jīng)過調(diào)整和篩選)，2017—2019年數(shù)據(jù)集共有樣本22 457 196個，使用經(jīng)過篩查、清洗后的數(shù)據(jù)進(jìn)行建模，其中86%的數(shù)據(jù)作為訓(xùn)練集,14%的數(shù)據(jù)作為驗證集；以收集到的2020年實際預(yù)報業(yè)務(wù)數(shù)據(jù)作為測試集。分配如表1所示。

表1 建立氣溫預(yù)報模型使用的數(shù)據(jù)集樣本數(shù)(單位：個)

2.3 檢驗方法

均方根誤差(RMSE)是回歸問題的常用性能指標(biāo)，不僅可以作為深度學(xué)習(xí)模型中的損失函數(shù)，還可以明確地指示訂正效果優(yōu)劣，公式如下：

(3)

式中：NF為預(yù)報總站數(shù)，i為預(yù)報站標(biāo)識，F(xiàn)i為第i站預(yù)報值，Oi為第i站觀測值。

改善率I是訂正前后的均方根誤差的差值相對原預(yù)報均方根誤差的比值，公式如下：

(4)

式中：RMSEEC、RMSEDL分別為ECMWF-IFS、DL模型的均方根誤差。

3 訂正效果

從2020年1月1日開始業(yè)務(wù)數(shù)據(jù)輸出站點(diǎn)預(yù)報訂正數(shù)據(jù)，同時與同期ECMWF-IFS輸出的2 m氣溫(使用最近格點(diǎn)插值到421個站點(diǎn))進(jìn)行對比分析。本文重點(diǎn)分析氣溫的均方根誤差以及訂正預(yù)報的改善率(訂正前后均方根誤差的差值與訂正前的均方根誤差之比)。由于業(yè)務(wù)需要，使用B-樣條基函數(shù)插值得到逐3 h預(yù)報產(chǎn)品，并制作了逐日的最高、最低氣溫。

3.1 整體誤差的空間分布

0～84 h 的ECMWF-IFS原始預(yù)報的全省平均RMSE為2.16℃(圖3a)。結(jié)合湖南省地形可以看出，西北部的武陵山區(qū)、西南部的東北—西南向的雪峰山脈周邊、南部的南嶺山脈及大部分海拔超過400 m區(qū)域，平均RMSE在2.0℃以上，海拔100 m以下大部分地區(qū)為1.5～2.0℃。

DL模型訂正后的全省平均RMSE為1.78℃，從全省地理分布上看，誤差值分布較為均勻，大部分地區(qū)為1.5～2.0℃，少量高海拔地區(qū)及個別平原地區(qū)站點(diǎn)達(dá)到2.0℃以上(圖3b)。

從所有訂正時效(0～84 h)進(jìn)行的均方根誤差統(tǒng)計上來看，全省范圍均方根誤差平均減小了15.6%。結(jié)合地形分析改善率的空間分布(圖3c)，改善最明顯的地區(qū)位于湖南省西部和南部山區(qū)，部分高海拔地區(qū)達(dá)到20%～30%，湘西南(雪峰山地區(qū))、湘西北(武陵山地區(qū))、南部(南嶺地區(qū))等山地站點(diǎn)的幅度最大，少數(shù)站點(diǎn)達(dá)到50%～70%；極少數(shù)站點(diǎn)(10個站)改善率為負(fù)，但控制在10%之內(nèi)。由于數(shù)值預(yù)報初始場依賴各類觀測資料同化，而資料在復(fù)雜地形存在系統(tǒng)誤差等原因，導(dǎo)致數(shù)值預(yù)報對某些高海拔地區(qū)的預(yù)報存在偏差。

圖3 2020年湖南不同區(qū)域站點(diǎn)的氣溫(a,b)平均均方根誤差(彩色圓點(diǎn))及其(c)改善率(彩色圓點(diǎn))分布

經(jīng)統(tǒng)計發(fā)現(xiàn)，隨海拔高度的增加，改善率有明顯的上升趨勢(表2)：海拔400 m及以下站點(diǎn)共347個，占總站數(shù)的82.4%，平均改善率為13.5%，但也有10個站平均改善率為負(fù)(經(jīng)過深入查看，RMSE增大是因為8月、12月實時數(shù)據(jù)源切換出現(xiàn)了單位不一致的問題)；海拔400～800 m的站點(diǎn)占總站數(shù)12.1%，平均改善率為19.4%；海拔1200 m以上大部分站點(diǎn)改善率達(dá)50%以上。改善率與海拔高度呈正相關(guān)，經(jīng)計算得到相關(guān)系數(shù)為0.560。改善率最高的3個站為大圍山站(72.6%，海拔為1378 m)、南岳站(69.6%，海拔為1265.9 m)、雪峰山站(67.8%，海拔為1420 m)。前文中已提到，誤差的變化并非隨海拔線性增長，海拔只是造成誤差的眾多因素之一，從誤差分布上也可清晰看到DL預(yù)報在東部平原地區(qū)也存在一些改善不明顯的站點(diǎn)。

表2 2020年湖南地區(qū)不同海拔高度站點(diǎn)的均方根誤差改善率

3.2 不同預(yù)報時間的差異

從00時和12時起報的結(jié)果(表3)綜合來看，氣溫預(yù)報的平均RMSE有明顯的日變化，每日06時對應(yīng)的時效誤差達(dá)到最大(兩個起報時次平均誤差ECMWF-IFS為2.78℃，訂正后為2.27℃，減小了0.51℃)，每日21時對應(yīng)的時效誤差最小(兩個起報時次平均誤差ECMWF-IFS為1.79℃，訂正后為1.46℃，減小了0.33℃)。隨著預(yù)報時效的增加(圖4)，每天對應(yīng)時間的RMSE也在緩慢增加，在每日06時、09時，可以看到ECMWF-IFS預(yù)報的RMSE明顯偏高，而DL模型RMSE的訂正幅度也最大(達(dá)0.50℃左右)；不同起報時間(00時和12時)的預(yù)報誤差也有不同，但日變化規(guī)律基本一致。

表3 2020年湖南地區(qū)不同起報時間的逐3 h氣溫預(yù)報與實況的均方根誤差(單位：℃)

圖4 2020年湖南地區(qū)不同起報時間的各預(yù)報時效的ECMWF-IFS與DL模型氣溫預(yù)報均方根誤差(a)00時起報，(b)12時起報

結(jié)合海拔高度與觀測時間(圖5)，可以發(fā)現(xiàn)預(yù)報誤差基本遵從海拔越高、DL模型對數(shù)值預(yù)報的改善越明顯的規(guī)律，但在不同海拔上，改善率具有不同的日變化特征。其中：海拔1200 m以上改善率最高的是00、09、12、21時，平均達(dá)40%以上，800～1000 m則在日落以后改善幅度最高，800 m以下地區(qū)以每日午后(06時、09時)為主。

圖5 2020年湖南地區(qū)不同海拔高度、不同觀測時間的氣溫預(yù)報均方根誤差改善率

從所有站點(diǎn)的統(tǒng)計可以得出，每天06時和09時的誤差改善率最高，本文選取這兩個預(yù)報時間的誤差改善率，分析其地理分布。午后時段(圖6a)，改善最明顯的是海拔200 m以上地區(qū)，大部分誤差降低20%以上，傍晚(圖6b)改善率更高，很多午后改善不明顯的海拔100 m以下地區(qū)(東部平原為主)，改善率達(dá)到20%以上。

圖6 2020年湖南地區(qū)不同海拔站點(diǎn)的氣溫預(yù)報平均均方根誤差改善率(彩色圓點(diǎn))分布

在同年的不同月份，數(shù)值預(yù)報與DL模型的預(yù)報誤差也有變化(圖7)：ECMWF-IFS只有6、9、12月平均RMSE<2℃，其他月份均>2℃，DL模型僅5月平均RMSE>2℃，其他月份均<2℃；ECMWF-IFS在4月的平均RMSE最高為2.48℃(DL訂正后為1.94℃)，5月RMSE為2.38℃(DL訂正后為2.04℃)，說明4月、5月預(yù)報難度較大。每個月，DL模式都有明顯的訂正效果，其中10月、11月(秋季)其對數(shù)值預(yù)報的改善率最高(超過23%),其次是3月、4月(春季，20%左右)，12月最低(9%)。

圖7 2020年不同月份的ECMWF-IFS模式與DL模型訂正后的氣溫預(yù)報均方根誤差

從全年所有日期的全省所有站RMSE變化趨勢(圖略)來看，兩個產(chǎn)品的誤差變化趨勢基本一致。DL訂正方法在絕大部分時間對于ECMWF-IFS數(shù)值預(yù)報結(jié)果進(jìn)行了有效改善，特別是在3、4、10、11月改善較為明顯。

3.3 寒潮降溫過程檢驗

2020年12月29日湖南省出現(xiàn)一次寒潮降溫天氣過程，此次過程為明顯的轉(zhuǎn)折天氣：冷空氣從湘東北洞庭湖地區(qū)南下影響全省，其中29日00時至30日00時，全省大部分地區(qū)24 h最高、最低氣溫相比前一日下降8～10℃，最低氣溫降至0℃左右。數(shù)值模式對降溫幅度有較好的體現(xiàn)，但準(zhǔn)確率不夠，而基于深度學(xué)習(xí)方法訂正后的預(yù)報，準(zhǔn)確率有明顯的提升。

從此次過程統(tǒng)計上(表4)看，過程3 d全省站點(diǎn)高、低溫準(zhǔn)確率(誤差2℃以內(nèi))和逐3 h均方根誤差都是DL模型占優(yōu)勢(除了第3天低溫準(zhǔn)確率ECMWF-IFS表現(xiàn)稍好)；其中：第2天、3天的高溫準(zhǔn)確率，DL提高了近20個百分點(diǎn)，第1天低溫準(zhǔn)確率，DL模型從49.0%提升至80.7%，優(yōu)勢非常明顯。

表4 2020年12月29日00時開始的湖南寒潮過程DL模型與ECMWF-IFS的氣溫預(yù)報評估

以第1天誤差分布(圖8)為例：ECMWF-IFS在湘西、湘東南地區(qū)(山地為主)部分站點(diǎn)高溫預(yù)報偏低2～3℃，DL模型在西部地區(qū)訂正較好，將大部分地區(qū)的偏差控制在±2℃以內(nèi)，但在東南部山區(qū)的預(yù)報的訂正提升效果不明顯，在東北部平原地區(qū)甚至比ECMWF-IFS預(yù)報偏高；從低溫誤差分布上看,ECMWF-IFS在全省大部分地區(qū)預(yù)報偏低2℃，局地偏低3℃以上，DL模型將大部分地區(qū)的誤差控制在±2℃以內(nèi)，效果較明顯。

圖8 2020年湖南地區(qū)站點(diǎn)(a,b)最高、(c,d)最低氣溫預(yù)報的偏差(彩色圓點(diǎn))分布

DL訂正在減小系統(tǒng)性誤差的同時，因為受“學(xué)習(xí)到的經(jīng)驗”影響，對轉(zhuǎn)折天氣可能也有負(fù)向訂正，對其極端性考慮不夠(例如第2天降溫最顯著的東部平原地區(qū)氣溫預(yù)報偏高，第3天低溫準(zhǔn)確率低于ECMWF-IFS)。此外，經(jīng)過分析同時段ECMWF集合預(yù)報的50個擾動成員，發(fā)現(xiàn)每個單獨(dú)站都存在理論上最優(yōu)成員，其對逐3 h氣溫、日高低溫的準(zhǔn)確率接近100%，訂正方法對原始預(yù)報的改善幅度仍不及理想中的最優(yōu)集合成員(但不同條件下最優(yōu)成員的選取值得研究)。

岳陽國家基本氣象站位于湖南省東北部洞庭湖平原地區(qū)，是冷空氣直接影響、降溫顯著的地區(qū)。從單站逐3 h預(yù)報、觀測時序中(圖9)可以看出，相對實況觀測(紅色折線)，ECMWF-IFS(綠色折線)的預(yù)報偏低，特別是每天日出前的最低氣溫偏差明顯，大部分時次，DL模型(藍(lán)色)預(yù)報值比ECMWF-IFS更接近觀測值，改善幅度(黑色虛線)為正且大多在50%以上。也有個別時次DL模型誤差稍大，但也在可接受的范圍內(nèi)。

圖9 2020年12月29日00時至2021年1月1日00時岳陽站逐3 h氣溫預(yù)報與觀測對比

此次過程,DL模型在逐3 h預(yù)報上，RMSE減少了0.2℃左右，說明逐3 h預(yù)報也是氣溫預(yù)報的難點(diǎn)。在實際業(yè)務(wù)應(yīng)用中，預(yù)報員將偏差明顯的個別站點(diǎn)進(jìn)行了手工訂正，起到了最終把關(guān)作用。

4 結(jié)論與討論

本文從站點(diǎn)預(yù)報實際應(yīng)用的角度，評估了基于深度學(xué)習(xí)算法的氣溫訂正方法相對數(shù)值預(yù)報性能的改進(jìn)，并簡要介紹了數(shù)據(jù)處理、訓(xùn)練模型、評估檢驗到實際應(yīng)用的方法。檢驗結(jié)果表明：

(1)從空間分布來看，DL模型預(yù)報的氣溫RMSE在大部分地區(qū)控制在2℃以下，其對ECMWF-IFS模式的訂正效果明顯，尤其是在湖南省西部和南部的雪峰山、武陵山、南嶺地區(qū)有顯著的改善，從海拔分布上看，改善率隨著預(yù)報站點(diǎn)海拔的增加而上升，特別是海拔1200 m以上的站點(diǎn)，改善率達(dá)到50%左右。

(2)模型預(yù)報的RMSE有明顯的日變化，每日06時、09時，ECMWF-IFS誤差最大(達(dá)2.7℃左右)，DL模型對其訂正的幅度也最大(RMSE平均減小0.5℃)，二者在每日21時對應(yīng)的時效誤差最小，在不同海拔高度有不同的日變化特征。

(3)DL模型每個月相對ECMWF-IFS模式的平均RMSE都有明顯的訂正效果，二者在4月、5月(春季)誤差最大，其中10月、11月(秋季)RMSE改善率最高(超過23%)，其次是3月、4月(春季，20%左右)，12月最低(9%)；DL訂正產(chǎn)品在5月的平均RMSE>2℃，其他月份<2℃。

(4)單次寒潮過程的檢驗效果表明，DL模型對ECMWF-IFS模式的系統(tǒng)誤差有明顯的訂正效果：降溫開始當(dāng)天，日最低氣溫準(zhǔn)確率提升30個百分點(diǎn)，第2天、第3天日最高氣溫準(zhǔn)確率提升20個百分點(diǎn)，大部分時間的最低氣溫準(zhǔn)確率也有明顯的改善，在逐3 h預(yù)報上，RMSE平均減小0.2℃；在單站的曲線上，也能看出DL模型比ECMWF-IFS預(yù)報更接近觀測實況。

湖南省氣象臺原有業(yè)務(wù)中使用的多模式最優(yōu)集成，并沒有針對數(shù)值模式帶來誤差的原因進(jìn)行消除，其效果僅優(yōu)于單個數(shù)值模式，但在一些地區(qū)(特別是山地)存在較明顯的系統(tǒng)性誤差，需要人工逐站訂正。人工訂正往往基于經(jīng)驗，一般參考前1～3 d數(shù)值預(yù)報的氣溫要素預(yù)報，假定短時期內(nèi)預(yù)報偏差固定不變，并直接減去固定的偏差，這種方式無法定量考慮多要素對氣溫預(yù)報的影響，容易受到干擾和誤導(dǎo)。

對比由他人發(fā)展的訂正方法(如滑動雙權(quán)重訂正方法等)，本文中使用的方案更接近的是依據(jù)數(shù)值模式對當(dāng)前天氣形勢場各要素的預(yù)報，來對不同下墊面不同地區(qū)的氣溫進(jìn)行重新預(yù)報，而不是從原始預(yù)報值減去推導(dǎo)出的偏差值。在不同的地形， 氣溫預(yù)報偏差受海拔、氣壓、云量、風(fēng)場、濕度等因素影響，基于多氣象因子的深度學(xué)習(xí)偏差訂正更具有物理意義。

本文中采用的深度學(xué)習(xí)訂正方法針對單站、單點(diǎn)建模，輸出站點(diǎn)預(yù)報，在實際業(yè)務(wù)中設(shè)計出使用站點(diǎn)預(yù)報對背景預(yù)報場進(jìn)行誤差訂正的方案，可以直接輸出成各類服務(wù)產(chǎn)品，并作為第一優(yōu)選客觀預(yù)報源加入智能網(wǎng)格預(yù)報系統(tǒng)。在業(yè)務(wù)實踐中，此產(chǎn)品逐3 h準(zhǔn)確率評分高于其他所有參考預(yù)報來源、每日業(yè)務(wù)檢驗的高低溫也高于其他來源。預(yù)報員大部分時間已不再進(jìn)行手動訂正(手動訂正結(jié)果評分經(jīng)常低于客觀輸出結(jié)果)，特別是在極端天氣高發(fā)時期，節(jié)省了大量的時間和精力，體現(xiàn)了研究型業(yè)務(wù)成果在實際工作中發(fā)揮的巨大作用。

研究初期，統(tǒng)計了本地ECMWF-IFS、CMA-GFS全球預(yù)報以及華東、華南等區(qū)域模式的氣溫預(yù)報準(zhǔn)確率及均方根誤差，發(fā)現(xiàn)ECMWF-IFS綜合誤差最小，因此優(yōu)先采用其進(jìn)行建模訓(xùn)練。

因為時間關(guān)系，本文模型暫未就日最高/最低氣溫單獨(dú)建模，僅使用擬合日變化曲線計算高/低溫，未進(jìn)行針對性評估(針對日最高/最低氣溫的預(yù)報模型也在研究、改進(jìn)中)，基于我國高分辨率區(qū)域數(shù)值預(yù)報、CLDAS氣溫分析場的逐小時智能網(wǎng)格預(yù)報模型也在研究中，但因數(shù)據(jù)量較大，每次建模需要較長時間。但隨著模型的逐步優(yōu)化、算力的提升，后期將得到更加精準(zhǔn)的預(yù)報結(jié)果。