Page 76 - 《高原气象》2025年第3期

高 原 气 象 44 卷
634
（0. 83 ℃）的正订正差值最大， 九仙山（0. 61 ℃）次 效果与订正前模式的偏差大小可能存在部分相关，
之。再订正后消除负订正站点， 卡尔曼法的差值大部 为了进一步验证该相关性是否符合线性， 对所有国
分分布在0~0. 6 ℃区间； 平均值法的差值大部分分布 家站在订正前的逐时效 MAE和 ACC 订正幅度占比
在 0. 2~0. 6 ℃区间， 黄山（1. 50 ℃）差值最大， 九仙 （ACC 订正幅度占比=ACC 订正幅度/订正前 ACC）
山（1. 16 ℃）次之。从 ACC 订正插值的分布可以看 进行拟合， 结果如图 8 所示。散点分布更接近二项
出， 卡尔曼法、 平均值法的再订正相比不分级回归法 式分布， 其中不分级回归法 R²=0. 4964， 卡尔曼法
显著提升了准确率， 正订正差值大部分分布在 0~ R²=0. 6634， 平均值法 R²=0. 7858， 平均值法的相关
6%， 黄 山（18. 6%）的 正 订 正 差 值 最 大 ， 九 仙 山 性最好， 证明了模式订正前的 MAE 越大， 订正后
（11. 6%）次之。再订正消除了负订正站点， 大部分差 的 ACC 相对提升也越大， 订正效果也更好。分析
值超过了 6%， 黄山为 25. 4%， 九仙山为 31. 6%。总 斜率发现， 平均值的斜率最大， 卡尔曼次之， 不分
体而言， 对包括长江中下游、 环鄱阳湖区域等预报区 级回归订正后斜率最小， 这表明不分级回归法虽然
域北部的订正效果优于南部， 对于高山站， 地形起伏 在一定程度上可以消除模式地形偏差导致的预报
越大， 则订正前误差越大， 订正后订正效果越显著。 准确率损失， 但总体订正效果有限。经数理订正方
上述分布结果表明， 方法对预报准确率的订正 法的再订正后， 有效提升了准确率的订正幅度。

图8 所有国家站预报时效的订正前MAE和平均值法订正后ACC订正幅度占比（单位： 100×%）拟合图
（a） 不分级回归法， （b） 卡尔曼法， （c） 平均值法
Fig. 8 Fitting diagram of MAE before correction and the proportion of ACC correction margin after the
correction by mean methods for all forecast hours of national stations.（a） Ungraded regression
method， （b） Kalman method， （c） Mean method
4. 4 鄱阳湖平原中部和浙闽丘陵南部地区的误差 主要原因在于平原地形偏差小于丘陵地形偏差［图9
订正效果检验 （a）、 （b）虚线的分布表明进行不分级回归订正后， 图
江西智能网格预报区域内地形分布复杂， 既包 9（b）误差下降幅度显著大于图9（a）］， 鄱阳湖平原因
括以鄱阳湖冲湖积平原为主体的长江中下游平原部 地形偏差导致气温预报的系统性误差更小， 也导致
分地区， 又包括浙闽丘陵、 赣中丘陵、 武夷山脉等以 鄱阳湖平原地形偏差的订正效果更差。
丘陵、 山地为主的复杂地貌区。由于模式地形与实 MAE 逐时效分布表明（图 9）， 鄱阳湖平原中部
际存在差异， 高度偏差导致高分辨率温度产品在复 区域的 MAE 平均降低 0. 45 ℃， 最大降幅出现在
杂地形下插值会产生误差（陈康凯等， 2020； 杨富燕 31 h， 卡尔曼法接近平均值法， 说明二者对平原订正
等， 2023）， 模式与实际地形的高度差越大导致预报 能力相当。浙闽丘陵南部区域平均值法订正效果较
误差越大（智协飞等， 2019）。为研究在不同下垫面 卡尔曼法更优， MAE平均降低0. 38 ℃， 平均降幅与
环境影响下数值模式气温预报偏差的订正效果， 以 鄱阳湖平原接近， 32 h 处降幅最大。由于地形起伏
鄱阳湖平原中部和浙闽丘陵南部区域为例（见图1蓝 更大的丘陵区地形偏差更大， 因此对地形导致的气
色方框和红色方框）， 年平均 MAE 如图 9 所示。在 温误差的订正优于平原区， 丘陵区误差峰值处
全天时段中， 订正前两个地形区 MAE 普遍超过 （32 h）地形误差订正幅度占比最大［图 9（b）虚线］，
1. 5 ℃， 夜间时段（13~24 h）误差变化平缓， 白天时 故在峰值处的订正幅度大于鄱阳湖平原。结果表
段（25~36 h）误差迅速增加呈单峰型， 鄱阳湖平原地 明， 复合订正方法对不同类型地形区的气温预报均有
区误差峰值（2. 27 ℃）小于浙闽丘陵地区（2. 82 ℃）， 较大提升（MAE的平均降幅分别为25. 1%、 19. 8%）。