Page 200 - 《高原气象》2026年第2期
P. 200

第 45 卷  第 2 期                         高     原    气     象                             Vol. 45  No. 2
                2026 年 4 月                       PLATEAU METEOROLOGY                               April， 2026


             卢姝， 许霖， 顾雪，等， 2026.  融合地形特征和神经网络的日最高/最低气温预报订正方法研究［J］. 高原气象， 45（2）： 500-
             514.  LU Shu， XU Lin， GU Xue，et al， 2026.  Research on Daily Maximum and Minimum Temperature Forecasts by Integrating
             Terrain  Features  and  Neural  Networks［J］. Plateau  Meteorology，  45（2）：  500-514.   DOI：  10. 7522/j. issn. 1000-0534. 2025.
             00081. CSTR: 32265.14.gyqx.CN62-1061/P.2025.00081.




                         融合地形特征和神经网络的日最高/最低

                                         气温预报订正方法研究



                                卢 姝      1， 2， 3， 4 ， 许 霖  1， 2， 3， 4 ， 顾 雪 ， 周 悦 ，
                                                                             5
                                                                                        6
                                             戴泽军     1， 2， 3， 4 ， 陶雅琴  1， 2， 3， 4

                                         （1. 气象防灾减灾湖南重点实验室，  湖南  长沙    410118；
                                                2. 湖南省气象台，  湖南  长沙    410118；
                                            3. 洞庭湖国家气候观象台，  湖南  岳阳    414000；
                                    4. 中国气象局高影响天气（专项）重点开放实验室，  湖南  长沙    410118；
                                                5. 湘西州气象局，  湖南  吉首    416000；
                                  6. 中国气象局武汉暴雨研究所/暴雨监测预警湖北省重点实验室/中国气象局流域
                                             强降水重点开放实验室，  湖北  武汉    430205）

                     摘要： 日最高、 最低气温的预报是天气预报业务的重要组成部分， 其精度提升对保障社会经济活动具有
                     重要意义。针对数值模式在复杂地形区域系统性偏差显著的问题， 本研究以湖南省为试验区（具有“凹”
                     字形三级阶梯地貌， 涵盖山地、 丘陵、 平原等多种下垫面类型）， 提出一种融合地理特征聚类的深度学习
                     改进方案。基于欧洲中期天气预报中心（European Centre for Medium Range Weather Forecasts， ECMWF）
                     模式预报场、 中国气象局陆面数据同化系统（CMA Land Data Assimilation System， CLDAS）再分析数据
                     和地理变量， 首先构建基准卷积神经网络 CNN模型并针对地形特征处理策略设置三类对照实验： 方案 1
                     （K-means聚类地理变量）、 方案 2（标准化非聚类地理变量）及方案 3（无地理变量）。对比实验表明， 方案
                     1 对 24 h 最高/低温度平均绝对误差 MAE 较方案 3 分别降低 4. 7%/9. 4%， 较方案 2 预报技巧提升 2. 5%/
                     1. 4%， 证实地理特征聚类处理对模型性能具有显著增益。因此， 优选方案 1 发展了未来 72 h 气温预报
                     CNN-TC（Terrain Correction）模型。该模型表现出显著预报优势： 相较 ECMWF 产品， 最高/低温 MAE 降
                     幅 达 23. 5%~37. 3%/20. 8%~26. 9%；  较 中 央 气 象 台 指 导 预 报 产 品 SCMOC，  最 高/低 温 度 误 差 降 低
                     18. 7%~27. 6%/26. 8%~32. 3%， 其中 24 h 预报时效下， 最高/低温度空间分布 MAE 区间由 1. 2~5. 8 ℃/
                     0. 8~5. 9 ℃（ECMWF）降低至0. 9~1. 7 ℃/0. 8~1. 7 ℃， 区域稳定性大幅提升。分月检验表明， CNN-TC模
                     型在所有月份均保持最优性能， MAE相对降幅覆盖5. 6%~59. 1%（最高温度）和6. 3%~47. 8%（最低温度）。
                     典型强天气过程检验中， 模型成功捕捉2022年11月寒潮过程的降温特征， 较ECWMF和SCMOC表现均
                     为最优， 显示出优异的极端天气应对能力。本研究证实通过深度学习耦合地形特征聚类， 可有效解决数值
                     模式在复杂下垫面区域的系统性偏差问题， 为山地气候区精细化气象服务提供了可靠的技术方案。
                     关键词： 日最高/最低气温； 地理变量； 卷积神经网络； K-means方法
                     文章编号： 1000-0534（2026）02-0500-15   中图分类号： P456.9   文献标识码： A
                     DOI： 10. 7522/j. issn. 1000-0534. 2025. 00081
                     CSTR: 32265.14.gyqx.CN62-1061/P.2025.00081


                 收稿日期： 2025⁃03⁃16； 定稿日期： 2025⁃07⁃01
                 资助项目： 湖南省气象局重点项目（XQKJ22A005）； 湖南省气象台青年创新基金项目（QNJJ202501）； 武汉市自然科学基金项目
                        （2024020901030454）
                 作者简介： 卢姝（1997 -）， 女， 湖南浏阳人， 工程师， 主要从事天气预报技术研发相关工作. E-mail： lushu0818@163.com
                 通信作者： 许霖（1983 -）， 女， 湖南长沙人， 正高级工程师， 主要从事灾害性天气客观预报方法研究. E-mail： railin@126.com
                 © Editorial Department of Plateau Meteorology （CC BY-NC-ND）
   195   196   197   198   199   200   201   202   203   204   205