Page 195 - 《高原气象》2025年第6期

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 1603
的第一个输入为 EC 高空预报数据， 共有 58 个特征 据再经过一次编码模块大小变成 7×7， 充分提取多
变量， 空间分辨率为 0. 25°×0. 25°， 变量范围为 尺度特征。
22°N -36. 75°N， 103. 2°E -118. 0°E， 数据尺寸为 3. 3 高分辨率输出模块
60×60； 第二个输入为 EC地面预报数据， 共有 11个 本模型为不对称的 U-Net 模型， 原始的第一个
特征变量， 空间分辨率为 0. 125°×0. 125°， 变量范 输入数据尺寸为60×60， 共经历了三次下采样过程。
围 为 常 德 区 域（24. 15° N -30. 50° N， 112. 75° E - 在上采样过程中， 经过对应三次解码过程之后特征
119. 10°E）， 在研究区域为 17×17 的空间网格。值 尺寸也只能变成 60×60， 为了输出更高分辨率的预
得注意的是， 这两个输入的区域有所不同， EC高空 报产品， 接下来主要采用卷积和上采样操作。首先
变量的范围远大于地面变量范围， 这是由于高层变 将经过三次解码过程之后 60×60的空间网格首先通
量通常对应高层大尺度系统， 多具有超前滞后效 过 11×1 的卷积至 52×52， 接着再通过两次上采样和
应， 所以其选取范围涵盖了研究区域上下游的信 双卷积得到尺寸 208×208， 最后通过两次 9×1 的卷
息。在模型中为了融合高空和地面特征， 利用下采 积输出分辨率为 1 km×1 km， 尺寸为 196×196 的格
样和卷积操作使得两个输入具有相同大小的尺寸， 点气温预报产品。
然后再进行特征拼接。具体而言， 在模型中第一个 相较于原始的 U-Net 模型， MU-NET 具有两个
输入图像尺寸为 60×60， 为 EC 高空特征， 经两次 优点： 一是在特征提取模块融合了不同尺寸大小的
U-Net 模型的下采样操作后大小变为 15×15； 第二 输入， 可以更好地提取不同分辨率数据的时、 空相
个输入尺寸为 17×17， 为 EC 地面特征， 经过 5×1 的 关特征； 二是该模型仅利用低分辨率的数据进行训
卷积尺寸变为 15×15， 再将两个尺寸相同的输入进 练却得到了高分辨率的订正产品， 有效缓解了因数
行特征拼接。通过这个模块可以使得不同分辨率 据量庞大而导致的模型训练问题， 这一特性能够很
大小的高、 低空数据进行融合， 最后将融合后的数 好地满足城市对于高分辨率产品的需求。

图2 融合EC地面和高空特征对2 m气温进行预报的MU-NET模型示意图
Fig. 2 A MU-NET model for 2-meter temperature prediction integrating high and low-altitude features form EC

4 结果检验分析 和温度预报技巧评分定义如下：
h
4. 1 检验指标 PC = n × 100% （1）
采 用 平 均 绝 对 误 差（MAE）、 均 方 根 误 差 T mean - T meaf
TSS = × 100% （2）
（RMSE）、 2 ℃以内温度预报准确率（PC）（熊敏诠， T mean
2017）和温度预报技巧评分（TSS）（郝翠等， 2019） 式中： n为样本数（单位： 个）； h为绝对误差≤2 ℃的
对模型具体预报效果进行评估。其中预报准确率 样本数。T mean 和 T meaf 分别为 EC 和试验预报的平均