Page 182 - 《高原气象》2025年第6期
P. 182

高     原      气     象                                 44 卷
              1590
             认为是目前天气预报中最有效的预报手段。但是                              地， 特别是陡峭地形区和高海拔山区的最高气温预
             由于大气的混沌特性， 现阶段数值模式对温度、 降                           报准确率， 为业务提供更优的客观预报产品。
             水、 风等气象要素预报与实况还存在不同程度的偏                            2  资料来源
             差（佟华等， 2006； 符娇兰和代刊， 2016； 孙敏等，
             2018）。目前， 针对 2 m 气温的订正方法研究主要                           本文使用了以下4类数据： （1）2021年1月1日至
             包括模式输出统计法、 卡尔曼滤波、 滑动双权重平                           2024 年 6 月 30 日四川省 157 个国家气象观测站（简
             均及多模式集成等方法， 并通过空间插值优化、 调                           称“国家站”）逐小时 2 m 温度观测数据。（2）对应时
             整 最 优 时 窗 等 方 案（王 丹 等 ， 2015； 吴 启 树 等 ，            段 ECWMF 细网格模式（分辨率为 0. 125°×0. 125°）
             2016； 薛谌彬等， 2019； 冯良敏等， 2019a， 2019b；              08:00（北京时， 下同）起报的 12~36 h 预报资料。包
             陈昱文等， 2020； 何珊珊等， 2021）显著改善模式系                     括 2 m 温度、 2 m 露点湿度、 海平面变压、 白天时段
             统性偏差， 有效提高 2 m 气温的预报准确率。但上                        （09:00 -20:00）降水量， 以及各高度层的温度、 相对
             述传统方法的提高效果逐渐达到瓶颈阶段， 近年来                            湿度、 风、 变温和变高， 并将这些要素通过双线性
             机器学习在气象要素预报中的应用显示， 其提高效                            插值法插值到观测站点。（3）对应时段四川省气象
             果逐渐超越许多传统预报方法。其中机器学习算                              台数值预报客观释用城镇预报指导报（SPCO）和中
             法 中 的 LightGBM（Light  Gradient  Boosting  Ma‐      央台城镇预报指导报（SCMOC）20:00起报的 24 h最
             chine）算法是近年来分类预测领域的研究热点， 被                         高温度数据。（4）首套覆盖全球（83°N -83°S）， 水平
             广泛应用于交通（熊苏生， 2018； 康军等， 2020）、                     精度为 30 m 的 DEM（Digital Elevation Model）数据。
             医疗（吴绍武和续育茹， 2019； 周文等， 2019）、 电                    本文用于描述地表特征的因子均基于该数据计算
             力（曹渝昆和朱萌， 2019）、 金融（张国庆和昌宁，                        得出。其中 2021 年 1 月 1 日至 2023 年 12 月 31 日的
             2019； 叶志宇等， 2019）等众多行业， 均取得了较好                     实况和模式预报数据作为建模数据， 2024 年 6 月
             的应用效果。也有不少气象学者尝试将 LightGBM                         1 -30日的实况、 模式预报、 城镇指导报作为模型验
             算 法 应 用 于 气 温（谭 江 红 等 ， 2018； 冯 良 敏 等 ，            证集数据。
             2023； 刘杰等， 2024）、 能见度（王志宇， 2019； 余东                    四川省分区说明： 川西高原指甘孜州和阿坝
             昌等， 2021）、 最大风速预报订正（刘军中， 2021）以                    州， 攀西地区指凉山州和攀枝花市， 盆地地区指四
             及对强对流天气的分类识别（刘新伟等， 2021）等工                         川省除川西高原和攀西地区之外剩余的 17 个市。
             作中， 研究结果显示该算法在气象要素的预测预报                            157 个国家站中， 盆地地区有 105 个， 川西高原有
             方面具有良好的应用前景。                                       31个， 攀西地区有 21个。此外， 文中涉及的地图是
                  四川省地形地貌复杂多样， 虽然本省的 2 m 最                      基于中华人民共和国自然资源部地图技术审查中
             高气温技巧评分在全国排名第一， 但绝对准确率较                            心标准地图服务系统下载的审图号为 GS（2016）
             低， 其中盆地西部陡峭山区、 川西高原和攀西地区                           1552号的中国地图制作， 底图无修改。
             的最高气温预报准确率提升尤为困难。对于全省                              3  基于 LightGBM 算法的最高气温
             所有考核站点而言， 目前业务中应用的四川省气象                                订正模型
             台数值预报客观释用城镇预报指导报（SPCO）的最
             高气温预报准确率比中央台城镇预报指导报（SC‐                            3. 1 算法介绍
             MOC）略高， 但 SPCO 的预报优势主要体现在盆地                            LightGBM （Light  Gradient  Boosting  Machine，
             低海拔地区， 而该产品在盆地西部山区、 川西高原                           LGB）是由微软 DMTK 团队基于梯度提升树（Gradi‐
             东部和凉山州东北部的 2 m 最高气温预报准确率仍                          ent Boosted Decision Tree， GBDT）改进的一种新型
             长期偏低。冯良敏（2023）基于 LightGBM 算法建立                     Boosting 集成算法， 其原理与 GBDT 类似（Fried‐
             了四川省气温转折过程温度变化订正模型， 其最                             man， 2001）， 但与传统的 GBDT 框架相比， LightG‐
             高、 最低气温预报准确率和平均绝对误差均较 SP‐                          BM 优化使用了带深度限制的叶子生长策略、 互斥
             CO 略有提高， 说明该方法对于四川省 2 m 温度订                        稀疏特征绑定以及单边梯度采样算法等新方法， 在
             正有较好的适用性。本文同样基于 LightGBM 算                         保证正确率的基础上， 支持并行化学习， 使得模型
             法， 另新增多个下垫面因子、 实况因子和时间因                            训练速度及内存使用效率有了很大提高， 满足了海
             子， 同时采用梯度式建模思路， 探索适用于本省复                           量数据集的应用需求（刘杰等， 2024）。
             杂地形的最高气温订正方法， 进一步提高四川盆                                 预报员的预报思路是基于各种因子进行分析，
   177   178   179   180   181   182   183   184   185   186   187