Page 198 - 《高原气象》2025年第6期
P. 198
高 原 气 象 44 卷
1606
升效果有限； 而在融合了地面和高层变量之后， 2 m 气温预报进行检验（图 6）， 结果显示， 这四种
MU-NET 表现最优， 其大部分格点的提升幅度均在 2 m气温预报产品均呈现单峰型， 日变化特征显著。
10 %以上。这表明融合了多尺度信息的 MU-NET EC、 UNET_S、 UNET_U、 MU-NET 试验的 MAE 最
模型不仅对高海拔地区有显著的提升效果， 同时在 大 值 均 出 现 在 14: 00 -17: 00， 分 别 为 2. 2 ℃ 、
平原和湖区也具有更大的提升作用， 能够有效应对 1. 7 ℃、 1. 9 ℃和 1. 6 ℃； 最小值均出现在 05:00，
精细化地形对气温预报的影响。 相应值分别为 1. 2 ℃、 0. 9 ℃、 1 ℃和 0. 8 ℃。究其
4. 5 预报误差月变化特征 原因， 在研究区域内， EC模式对于日最高气温预报
结合 MAE 的月变化特征来看（图 5）， EC 模式 普遍偏低， 这种偏低现象致使偏差增大， 进而出现
在 2024 年 4 -9 月 的 MAE 均 明 显 偏 高 ， 为 1. 5~ 了 MAE 在 13:00 -17:00内 5个时次均大于 2 ℃的情
1. 7 ℃。相比之下， MU-NET 模型在每个月的表现 况； 而 EC 对于日最低气温的预报效果相对更佳。
均优于其他模型， 其 MAE 稳定位于 1. 1~1. 2 ℃之 这一现象是导致以 EC 为基础进行训练的三组模型
间。此外， UNET_S 模型也展现出了较好的性能。 均与 EC 呈现相同变化趋势的关键因素。此外， 三
值得注意的是， MU-NET模型在 5月、 7月和 8月改 组试验在每个时刻的 MAE 值均小于 EC， 且在 2 ℃
进最大， 其MAE的降幅均达30%。这是因为5月位 以内， 这表明其准确率有了明显的提高。其中 MU-
于春夏之交， 气温起伏大， 且在 2024 年 5 月研究区 NET 模 型 的 MAE 值 最 低 ， 在 05: 00 MAE 仅 为
域内不仅出现了“五月低温”还受冷空气影响出现 0. 75 ℃， 相较于 EC 降低了 0. 4 ℃左右， 且在 15:00
了 5 次降温降雨过程， 这些因素共同导致了模式对 前后改进最大， 有效改进了 EC 模式对于日最高气
5 月气温预报出现较大偏差。而将 EC 模式资料通 温的预报。
过模型进行训练后， 能更好地捕捉这些多尺度信
息， 从而将 MAE 值相较于 EC 模式降低了 0. 6 ℃。
而在 2024 年 7 月和 8 月， 三组试验的 MAE 均比 EC
小 0. 4 ℃以上， 且三组试验的 MAE差异最小， 改进
最大的原因可能在于 EC 模式对于研究区域的高温
预报一直偏低（陈鹤等， 2022）， 而这两个月份研究
区域内出现了持续的晴热高温天气。因此， 通过深
度学习训练之后， 有效改进了这两个月的气温
预报。
4. 6 预报误差日变化特征
对每个时刻研究区域 EC 模式和三组试验的
图6 2024年4 -9月EC和三组试验气温预报MAE的日变化
Fig. 6 The diurnal variation of MAE in temperature forecasts
from April to September 2024 for EC and three
experimental sets
4. 7 天气过程检验
在业务使用中， 模型不仅需要在整体评估层面
展现出较好的预报效果， 而且在关键天气过程中的
出色表现亦至关重要。鉴于此， 接下来将以研究区
域内 2024年 5月 1 -5日“五月低温”天气过程和 7月
4 -27 日持续 24 天的区域性高温天气过程为例， 针
对 EC 模式和三组试验在重要天气过程中的预报效
果开展检验与评估工作。
4. 7. 1 “五月低温”天气过程
图5 2024年4 -9月EC和三组试验气温预报MAE的月变化
Fig. 5 The monthly variation of MAE in temperature fore‐ 2024 年 5 月 1 -5 日研究区域出现一次“五月低
casts from April to September 2024 for EC and three 温”天气过程（连续 5 天日平均气温低于 20 ℃）， 过
experimental sets 程平均气温 15. 0~19. 9 ℃， 其中最低气温出现在 5
