Page 197 - 《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 1605
（PC）， 可以看到， PC 的排序为 EC<UNET_U< UN‐ 征信息的模型， 在一定程度上降低了模型的离散
ET_S<MU-NET， RMSE 排序则相反， 这表明三组 度， 提高了稳定度， 更利于业务运行。
试验均比 EC 有更高的准确率且均方根误差更小， 4. 4 预报误差空间分布特征
即预报效果优于 EC 模式。其中以 MU-NET 模型表 为了更直观地了解三组模型的气温预报分布
现最优， PC 达 83%， 相较于 EC 有接近 14% 的提 特点， 本研究进一步计算了三组试验气温预报技
升， RMSE 为 1. 5 ℃， 较 EC 有 0. 5 ℃降低， 做到了 巧评分的空间分布（图 4）。一般而言， 正值的技巧
预报准确率有较大提升的同时稳定性更高。图 3 评分表示预报性能优于 EC 模式， 且数值越大， 提
（b）进一步给出了 EC 与各组试验 MAE 的箱线图， 升越显著。分析发现， 三组试验中 MU-NET 较 EC
可以发现三组试验的 MAE 箱体均比 EC 模式低， 提 升 最 明 显 ， 提 升 幅 度 均 在 10%~80%； 其 次 是
MU-NET 最低为 1. 1 ℃， 说明通过 UNET 模型有效 UNET_S， 在研究区域的大部格点上， 其预报技巧
地改进了 EC 模式对 2 m 气温的预报结果。此外， 均为正值； 而 UNET_U 虽然有一定程度的提升， 然
在三组试验中， 又以 UNET_U 的 MAE 箱体最高， 而在低海拔地区存在部分站点的评分接近 0。此
说明仅以高层的变量作为特征因子对预报的改进 外， 三组试验气温预报技巧评分的空间分布与图 1
存在一定的局限。而在加入了地面变量的试验中 中高程地形的分布呈现出高度相似性， 这表明气温
（UNET_S 和 MU-NET）， 虽然这两组试验的 MAE 预报与地形之间存在密切的关联。基于此， 本研究
值相差较小， 但值得注意的是， MU-NET 中 MAE 进一步给出了不同海拔格点的平均 MAE 以进行对
的离散值明显更小。由此可见， 融合了不同尺度特 比（表3）。

图4 三组试验气温预报技巧评分的空间分布（单位： %）
Fig. 4 Spatial distribution of the forecasting skill scores for temperature forecasts in three sets of experiments. Unit： %

表3 EC和三组试验在不同海拔分类区间的MAE 明显差异。具体来看， 对于高海拔地区， 三组试验
Table 3 The MAE for different altitude classification 均实现了对预报精度的显著提升。其主要原因在
intervals of EC and three sets of experimental results 于， EC 作为大尺度模式， 其空间分辨率存在不足，
不同海拔分类区间的MAE/℃ 无法充分捕捉复杂地形对气温分布所产生的影响，
模式和
200~ 500~1000 1000~ 进而致使在高海拔地区气温预报偏差较大， 而在小
试验 <200 m >2000 m
500 m m 2000 m 于 200 m 的低海拔地区预报效果则更佳。通过
EC 1. 5 1. 8 1. 8 1. 9 2. 1 U-Net 模型训练后， 模型能够通过其多尺度特征提
UNET_S 1. 2 1. 3 1. 3 1. 3 1. 7 取能力间接反映精细化地形对气温的影响， 从而使
UNET_U 1. 3 1. 4 1. 4 1. 4 1. 4 得三组试验在高海拔区域的气温预报技巧有 60%~
MU-NET 1. 1 1. 1 1. 2 1. 2 1. 3 80% 的提升。此外对于平原和洞庭湖地区， 由于
EC 模式的高空变量分辨率更低， 在未融合地面要
通过表 3 可以看到， 三组试验相较于 EC 在不 素改进的情况下， UNET_U 试验对 2 m 气温的预报
同高度区间的预报均有一定程度的改进， 尤其在海 技巧最低， 甚至在平原和湖区出现了负技巧； 同样
拔大于 200 m 以上的格点改进幅度较大。此外三组 地， 仅加入地面要素进行训练时， UNET_S 虽然对
试验在海拔小于 200 m 和大于 2000 m 的地区存在 平原和湖区有所提升， 但提升幅度在 10 %以下， 提