Page 187 - 《高原气象》2025年第6期

6 期 周秋雪等：一种适用于复杂地形下最高气温订正的机器学习方法 1595

图2 全省及不同地区2 m最高气温平均绝对误差（左， 单位： ℃）和预报准确率（右， 单位： %）逐月变化
Fig. 2 MAE（left， unit： ℃） and FA （right， unit： %） of 2 m maximum temperature in different areas of Sichuan Province

站点集中在盆地西南部、 凉山州东北部、 凉山州南 挑选出特征因子， 用 LighGBM 算法建模生成的 2 m
部和阿坝州北部［图3（c）］。而LGB相较于SCMOC 最高气温客观预报产品较 EC 模式和目前业务使用
的 FA 提高更为显著［图 3（d）］， 其中盆地地区有 的客观预报产品均有显著提高， 具体结论如下。
76. 2% 站点的提高超过 10%， 最大可提高 23. 1% （1） 相较于 EC模式， LightGBM 模型（LGB）对
（乐至）， 对于川西高原和攀西地区， LGB 的提高站 全省 2024 年 1 -6 月的平均绝对误差减小 2. 48 ℃，
次比要略低于SPCO， 分别为80. 6%和90. 5%， 但攀 准确率提高 36. 97%。相较于省台客观预报产品
西地区有全省最大的单站提高量， 达23. 4%（甘洛）。 （SPCO）和中央台城镇预报指导产品（SCMOC）， 同
时段 LGB 对全省预报准确率可分别提高 5. 1% 和
4 结论
10. 3%。且对于四川省不同地区 LGB 的订正效果
本文运用 2021 年 1 月至 2024 年 6 月的逐时实 也有显著差异， 相较于 EC 模式 LGB 在川西高原和
况资料和 EC 细网格模式等数据， 通过相关性分析 攀西地区的提升效果尤为突出， 准确率分别提高