Page 201 - 《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 1609
1. 1~1. 2 ℃之间， 较 EC 降低了 0. 4 ℃以上。从日
变化特征来看， 三组试验 2 m气温预报产品的 MAE
与 EC 呈现类似的变化趋势， 均为单峰型。此外，
三组试验在每个时刻的 MAE 值均小于 EC， 且在
2 ℃以内， 准确率有明显提高。其中 MU-NET 试验
的 MAE 值最低， 平均相较于 EC 降低了 0. 4 ℃， 且
在 15:00前后改进最大， 有效改进了 EC模式对于日
最高气温的预报。
（3） 针对三组模型在 2024 年常德地区两次重
要天气过程进行检验， 发现在“五月低温”天气过程
中， UNET_S 模型表现优于 UNET_U 模型； 然而在
持续性高温天气过程中， UNET_U 模型则表现更
图10 2024年7月4 -27日西北太平洋副热带高压西伸脊点
优， 说明这两个模型互有优劣， 在过程检验中呈现
（柱状）和面积指数（曲线）的逐日演变
出不稳定的特性。相比之下， MU-NET 模型由于
虚线为西伸脊点的平均值
Fig. 10 Daily evolution of the Western North Pacific Subtrop‐ 不仅融合了地面特征， 也学习了高层不同尺度环流
ical High's westernmost ridge point （bar chart） and area index 演变， 因而在天气过程中的预报性能能够保持稳
（line chart） from 4 to 27 July， 2024. The dashed line repre‐ 定， 展现了其良好的适用性。
sents the average value of the westernmost ridge point 在实际工作中， 多尺度特征融合是一个极为复

而在持续性高温天气过程中， 情况则相反， UN‐ 杂的过程， 下一步将更深入地探索多尺度特征的融
ET_U 表现更优。由此可见， 这两个模型互有优 合策略， 并将环流指数作为特征变量纳入模型之
劣， 在过程检验中呈现出不稳定的特性。相比之 中， 以期进一步提升城市高分辨率气温的预报准确
下， MU-NET 模型则在两个过程中均表现最优。一 率。同时， 也将通过增加极端样本的训练以及优化
方面， 该模型融合了地面特征； 另一方面它还学习 模型结构， 进一步提升模型对极端气温的预报
了高层不同尺度环流演变。正是由于这些因素， 使 能力。
得 MU-NET 模型在天气过程中的预报性能能够保
参考文献（References）：
持稳定， 从而展现出良好的适用性。
Han L， Chen M X， Chen K K， et al， 2021. A deep learning method
5 结论 for bias correction of ECMWF 24-240 h forecasts［J］. Advances
in Atmospheric Sciences， 38（9）： 1444-1459. DOI： 10. 1007/
本研究利用 2021 -2023 年 4 -9 月常德地区的
s00376-021-0215-y.
EC 模式预报数据和 HRCLDAS 格点实况数据， 构
Jeong S， Park I， Kim H S， et al， 2021. Temperature prediction based
建了融合多尺度特征的常德地区高分辨率深度学 on bidirectional long short-term memory and convolutional neural
习模型 MU-NET， 为了深入考察融合高空、 地面特 network combining observed and numerical forecast data［J］. Sen‐
征对模型结构的影响， 设计了三组试验， 分别对这 sors， 21（3）： 941. DOI： 10. 3390/s21030941.
三组模型和 EC模式在 2024年 4 -9月常德地区的逐 Krizhevsky A， Sutskever I， Hinton G E， 2017. ImageNet classifica‐
tion with deep convolutional neural networks［J］. Communica‐
小时2 m气温预报进行检验， 得到以下主要结论：
tions of the ACM， 60（6）： 84-90. DOI： 10. 1145/3065386.
（1） 在整体评估过程中， 三组试验均在 EC 预
Rodrigues E R， Oliveira I， Cunha R L F， et al， 2018. Deep Downscale：
报上有较大改进， 其中融合了高空和地面特征的 A deep learning strategy for high-resolution weather forecast
MU-NET 模型在研究区域内展现了更好的订正效 ［J］. 2018 IEEE 14th International Conference on e-Science，
果， 且在一定程度上降低了模型的离散度。针对不 IEEE， 415-422. DOI： 10. 48550/arXiv. 1808. 05264.
同的地形， 在平原和洞庭湖地区， MU-NET 虽然有 Ronneberger O， Fischer P， Brox T， 2015. U-net： convolutional net‐
所提升， 但仅在 10% 以上； 而在高海拔地区， MU- works for biomedical image segmentation ［C］//International
Conference on Medical Image Computing and Computer-Assist‐
NET则较EC模式实现了显著的预报精度提升。
ed Intervention. Springer， 234-241. DOI： 10. 1007/978-3-319-
（2） 结合月变化特征来看， EC 模式在 2024 年
24574-4_28.
4 -9 月的 MAE 均明显偏高， 而 MU-NET 模型在每 Senior A， Heigold G， Ranzato M， et al， 2013. An empirical study of
个月的表现均优于其他模型， 其 MAE 稳定位于 learning rates in deep neural networks for speech recognition