Page 196 - 《高原气象》2025年第6期

高 原 气 象 44 卷
1604
误差。 期迭代次数约为 211。损失函数使用平均绝对误差
由于 EC模式的 2 m 气温预报数据（空间分辨率 （MAE）。训练过程中， 采用 Adam 优化器， 初始训
为 0. 125°×0. 125°）与 HRCLDAS整点实时气温实况 练学习率设置为 10 ， 采用指数调度优化方法降低
-4
数据（空间分辨率为 1 km×1 km）的空间分辨率不一 学习率， 即每 60 个迭代周期递减 10 倍学习率， 避
致， 本研究采用双线性插值方法， 将 EC 模式的 2 m 免模型训练发散或陷入局部最优解（Senior et al，
气温预报数据插值至 1 km 分辨率， 以进行后续的 2013）； 正则化方法采用早停法， 防止模型过拟合，
评估检验。 如果训练过程中验证集上误差连续 10 次不降反
在副热带高压指数方面， 本文参考刘芸芸等 增， 则停止训练， 并保存在验证集上表现最优的模
（2024）的修订方法， 具体定义如下： 型， 其余设置则为默认值。为了比较不同输入对
（1） 西伸脊点指数（GD）： 表征副热带高压最西 2 m 气温预报的影响程度， 本文设计了三组试验如
端的经度位置的指数。在 500 hPa 天气图上， 选取 表 2 所示， 其中 UNET_S 的输入仅为 EC 的地面特
10°N 以北、 150°E 以西的区域， 以副高主体西侧 征， UNET_U 的输入为 EC 高空特征， 而 MU-NET
5880 gpm等值线的最西点经度值来表示。 则有两个输入， 分别为 EC 的地面和高空特征。通
（2） 面积指数（GM）： 表征副热带高压范围大 过将这三组试验结果与 EC 预报的 2 m 气温进行对
小的指数。在 500 hPa 天气图上， 选取 10°N 以北、 比， 探讨加入不同的尺度特征变量的模型对气温预
西伸脊点所在经度至 150°E 的区域， 计算 5880 gpm
报的影响。
等值线所包围区域的面积。其计算公式如下：
(n ij × cosφ j ) （3） 表2 高低空不同尺度特征融合对模型结构影响试验设计
GM = dx × dy × ∑ i∑ j Table 2 Experimental design on the impact of integrating
{ 1， H ij ≥ 5880 high and low-altitude features at different scales on
n ij = 0， H ij < 5880 （4） model structure

式中： dx 和 dy 分别为纬向和径向格距数值； i 为格
试验 UNET_S UNET_U MU-NET
点纬向序号， i=1， 2， …， Nx， Nx为检测范围内纬向 EC地面特征 有 无 有
格点总数； j 为格点径向序号， j=1， 2， …， Ny， Ny
EC高空特征 无 有 有
为检测范围内径向格点总数； H ij 为 500 hPa 位势高
度场中某个格点的位势高度值； φ j 为格点所在的纬 4. 3 整体评估
度值。 由 2024 年 4 -9 月 EC 和三组试验的 2 m 气温预
4. 2 模型参数和试验设计 报产品的检验结果（图 3）可知， 在多种检验方法下
深度学习模型训练设置 200 个迭代周期（Ep‐ MU-NET 的表现最优。具体而言： 首先， 图 3（a）给
och）。批量大小设为 48（Batch-size）， 每个训练周 出了 EC 与三组试验的 RMSE 和 2 ℃以内的准确率

图3 EC和三组试验结果对比
（a） RMSE和2 ℃以内预报准确率PC， （b） MAE箱线图
Fig. 3 Comparison of EC and three sets of experimental results.（a） RMSE and
forecasting accuracy rate PC within 2 ℃， （b） Boxplot of MAE