Page 192 - 《高原气象》2025年第6期
P. 192

第 44 卷  第 6 期                         高     原    气     象                             Vol. 44  No. 6
               2025 年 12 月                       PLATEAU METEOROLOGY                             December， 2025


             黎璐， 游枭雄， 陈静静，等， 2025.  基于多尺度特征融合的深度学习常德市格点气温预报［J］. 高原气象， 44（6）： 1600-1612.
             LI Lu， YOU Xiaoxiong， CHEN Jingjing，et al， 2025.  Deep Learning Grid-point Temperature Forecasting in Changde City with
             Multi-scale Feature Integration［J］. Plateau Meteorology， 44（6）： 1600-1612.  DOI： 10. 7522/j. issn. 1000-0534. 2025. 00040.
             CSTR: 32265.14.gyqx.CN62-1061/P.2025.00040.




                          基于多尺度特征融合的深度学习常德市

                                                 格点气温预报



                    黎 璐      1， 2， 3 ， 游枭雄   1， 4 ， 陈静静    1， 4 ， 胡振菊    1， 2 ， 卢 姝   1， 4 ， 李 琼    1， 5

                                        （1. 气象防灾减灾湖南省重点实验室，  湖南  长沙    410118；
                                             2. 湖南省常德市气象局，  湖南  常德    415000；
                                       3. 南京信息工程大学江苏省应用数学中心，  江苏  南京    210044；
                                                4. 湖南省气象台，  湖南  长沙    410118；
                                            5. 湖南省人工影响天气中心，  湖南  长沙    410118）


                     摘要： 本研究旨在通过融合高空和地面多尺度特征， 提高城市格点气温预报的精度。基于 2021 -2024年
                     4 -9月常德地区的欧洲中期天气预报中心（ECMWF）模式预报数据和中国气象局高分辨率陆面数据同化
                     系统（HRCLDAS）逐小时气温格点实况数据， 采用高分辨率MU-NET（Multi-Scale U-Net）模型， 设计了三
                     组试验来构建一个能够预测常德市未来 24 h 每小时气温的深度学习模型。试验结果表明， 融合了地面
                     和高空特征的 MU-NET 模型在研究区域内展现了最佳的订正效果， 其平均绝对误差（MAE）和均方根误
                     差（RMSE）相较于 EC 模式分别降低了 22% 和 25%， 并且在日变化中， MU-NET 模型的 MAE 值最低， 尤
                     其在日最高气温预报中表现突出， 平均降低了 0. 4 ℃。在空间尺度上， MU-NET模型在高海拔地区相较
                     于 EC 模式实现了 60%~80% 的预报技巧评分提升， 在平原和洞庭湖地区提升幅度最大。在 2024 年的两
                     次关键天气过程中， MU-NET 模型由于融合了地面和高空特征， 展现了稳定的预报性能， 尤其在处理复
                     杂天气现象时的适用性。本研究的发现为提高气温预报的准确性提供了新的视角， 并为实际的气象预
                     报业务提供了有价值的参考。
                     关键词： 气温预报； 深度学习； 高分辨率； 偏差订正； 多尺度特征
                     文章编号： 1000-0534（2025）06-1600-13   中图分类号： P456.1   文献标识码： A
                     DOI： 10. 7522/j. issn. 1000-0534. 2025. 00040
                     CSTR: 32265.14.gyqx.CN62-1061/P.2025.00040



              1  引言                                             对精细化预报的需求。与此同时， 我国格点实况分
                                                                析场产品也在不断发展， 由国家气象信息中心研发
                  随着城市化进程的不断推进和地形因素的复
                                                                的中国气象局高分辨率陆面数据同化系统（High
             杂影响， 城市及其周边地区的地面气温分布表现出
                                                                Resolution  China  Meteorological  Administration
             越 来 越 明 显 的 空 间 差 异 性（初 子 莹 和 任 国 玉 ，
             2005； 张爱英等， 2010； 周雅清和任国玉， 2014； 卢                 Land Surface Data Assimilation System， HRCLDAS-
             珊等， 2025）， 进一步增加了气温预测的难度， 这些                       V1. 0）于 2020 年正式发布（韩帅等， 2018）， 空间分
             变化要求气象格点预报的分辨率不断提高， 以满足                            辨率达到 1 km×1 km， 时间分辨率为 1 h， 为精细化

                 收稿日期： 2024⁃12⁃09； 定稿日期： 2025⁃03⁃24
                 资助项目： 国家自然科学基金项目（42375017）； 中国气象局气象能力提升联合研究专项（23NLTSZ005）； 全国暴雨研究开放基金项目
                        （BYKJ2024Z05）； 江苏省应用数学（南京信息工程大学）中心开放课题《基于多元深度学习的城市精细化气温预报研究》； 湖
                        南省气象局创新发展专项（CXFZ2024-FZZX24）
                 作者简介： 黎璐（1995 -）， 女， 湖南岳阳人， 工程师， 主要从事数值模式产品订正和数值模拟研究. E-mail： lilu_199504@163.com
                 通信作者： 游枭雄（1986 -）， 男， 湖南湘潭人， 高级工程师， 主要从事短临客观方法和人工智能应用研究. E-mail： crazytiy@163.com
                 © Editorial Department of Plateau Meteorology （CC BY-NC-ND）
   187   188   189   190   191   192   193   194   195   196   197