Page 193 - 《高原气象》2025年第6期
P. 193

6 期                   黎   璐等：基于多尺度特征融合的深度学习常德市格点气温预报                                       1601
               气温格点预报奠定了基础。                                      部的武陵山脉和西南部的雪峰山脉区域， 其平均均
                   近年来， 为了获得更精细、 准确率更高的气温                        方根误差（RMSE）均超过 2 ℃， 表明这些复杂地形
               预报产品， 研究者们开始利用数值模式预报进行订                           区域的气温预报难度较大。为提高城市气温预报
               正， 传统订正方法和机器学习方法被广泛应用， 尽                          精度， 本研究基于常德地区， 提出了一种新型的高
               管这些方法能在一定程度上提高预报准确率， 但它                           分辨率深度学习模型——MU-NET（Multi-Scale U-
               们通常是基于点对点建模， 计算量大， 且难以考虑                          Net）。该模型通过在 U-Net的下采样层利用卷积操
               相邻站点或格点之间的相互作用和上下游效应（吴                            作融合不同尺度的数据并提取特征， 有效减少了插
               启树等， 2016； 尹姗等， 2020； 任萍等， 2020； 王可               值误差， 最终通过上采样至 1 km 分辨率形成常德
               心等， 2021； 方鸿斌等， 2024； 孙康慧等， 2024）。                地区高分辨率的格点数据。此外， 本研究设计了多
               面对 1 km 及以下分辨率的精细化产品需求， 这些
                                                                 组消融试验， 探讨了融合地面和高空不同尺度天气
               方法在处理海量数据时存在一定的局限性。深度
                                                                 系统对高分辨率 2 m 气温预报的影响， 以期显著提
               学习， 尤其是其在处理大数据方面的优势， 为气象
                                                                 高数值预报订正效果。这一研究不仅有助于提高
               预报提供了新的视角。它可以进行点对点、 面对点
                                                                 气温预报的准确性， 也为城市气候适应和规划提供
               甚至面对面的建模， 根据需求灵活搭建模型， 充分
                                                                 了科学依据。
               挖掘气象数据的时空特征以及各要素之间的相互
               关系（Krizhevsky et al， 2017； 马景奕等， 2021； 陈          2  数据来源与预处理
               鹤 等 ， 2022； 赵 琳 娜 等 ， 2022）。 卷 积 神 经 网 络
                                                                     本文将用到下列数据： 订正对象是 EC 数值预
              （CNN）、 长短期记忆神经网络（LSTM）和循环神经
                                                                 报格点数据， 参考标签为 HRCLDAS 实况格点数
               网络（RNN）等模型在气象预报领域得到了广泛应
                                                                 据， 模型训练中使用的数据为EC高、 低空数据。
               用（Rodrigues et al， 2018； 雷蕾等， 2022； 智协飞
                                                                 2. 1 研究区域
               等， 2020； Jeong et al， 2021； 索朗多旦等， 2024）。
                                                                     文中研究区域（24. 15°N -30. 50°N， 112. 75°E
                   针对面到面的预测任务， 部分学者基于图像语
               义分割模型 U-Net（Ronneberger et al， 2015）进行气            -  119. 10°E）为湖南常德区域， 水平空间分辨率为
               温预测研究， 并取得一定进展， Han et al（2021）基                  1 km， 格点数为 196×196。研究区域地形分布复
               于 U-Net 模型， 建立气象要素网格预报订正模型                        杂， 海拔在-6~2300 m 范围内， 平均海拔 295. 4 m。
               CU-Net， 所得结果与传统订正方法相比有明显提                         西部多丘陵、 山脉， 垂直气候差异大； 东部为平原
               升， 张延彪等（2022）和李浙华等（2024）在 CU-Net                  和湖泊， 包含洞庭湖， 东、 西部地形差异显著（图
               的基础上进行了一定改进， 但这些研究均未能有效                           1）。文中涉及地图是基于中华人民共和国自然资
               融合高低空不同尺度的天气系统信息， 且分辨率不                           源部地图技术审查中心标准地图服务系统下载的
               足， 难以满足复杂地形地区的精细化气象服务需                            审图号为 GS（2017）3320 号的中国地图制作， 底图
               求。谈玲等（2024）则通过融合地形高程数据、 静止                        无修改。
               卫星风云四号 A 星（FY-4A）观测数据、 欧洲中期天
               气预报中心（ECMWF， 简称 EC）第 5 代全球再分析
               数据产品（ERA5）对 EC 数值预报格点数据进行订
               正， 但由于 ERA5 数据存在滞后性， 无法满足实时
               业务的需求， 此外， 模型仅考虑 ERA5 数据的地面
               要素， 没有考虑高空环境变量对气温预报的影响。
                   湖南省地形复杂多样， 其中常德地区尤为典
               型。常德北部、 西部和南部三面环山， 西北部为武
               陵山脉余脉， 西南部为雪峰山脉的延伸部分。其
               中， 壶瓶山海拔 2098. 7 m， 是湖南省境内海拔第二
               高的山峰。与山区形成鲜明对比的是， 常德东南部
               为洞庭湖平原， 海拔大多在 50 m 以下。此外， 常德
               中部地区以丘陵为主， 地形差异显著。陈鹤等                                     图1 研究区域数字高程地形（单位： m）
              （2022）研究发现， EC 的原始气温预报在湖南西北                            Fig. 1 Digital elevationof the target area. Unit： m
   188   189   190   191   192   193   194   195   196   197   198