Page 201 - 《高原气象》2026年第2期
P. 201
2 期 卢 姝等：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 501
1 引言 征可以为模型提供重要的背景信息， 使得模型能够
更 好 地 适 应 特 定 的 环 境 和 地 理 条 件（Xu et al，
近年来， 为顺应精细化天气预报服务需求， 天
2024； Sønderby et al， 2020）。虽然其他下垫面因子
气预报业务正在进行重要改革， 在中国智能网格预
（如植被覆盖等）可以通过调节地气能量交换间接
报业务成为主流趋势， 传统站点预报已经转变为精
影响气温， 但其影响在复杂地形区域相对次要， 空
细化格点预报（金荣花等， 2019； 王丹等， 2023）。
间分布也通常与地形特征相关（陈新明等， 2023），
气温预报是精细化客观预报产品的重要组成部分，
且相关数据还受遥感反演精度、 时间更新频率以及
与人类生活、 农业生产和水资源管理等密切相关，
数据缺失等技术的限制（Darabi et al， 2025）， 因此
提升气温预报准确率一直是现代化天气业务发展
本研究优先考虑地形特征的应用。
的目标之一（潘留杰等， 2017； 胡莹莹等， 2023）。
然而现有研究在利用地理特征建模时， 往往直
数值天气预报模式是天气预报的主要手段， 其利用
接采用原始地理特征， 难以捕捉不同地形类型对气
大气、 陆地和海洋物理参数之间的动态机制来预测
象要素的差异化影响。为解决这一问题， 本研究采
气温。尽管数值模式通过同化技术和物理参数化
用机器学习中的 K 均值（K-means）聚类算法对研究
持续改进， 复杂地形区次网格尺度地形动力-热力
区域内的地理变量进行聚类分区， 从而为模型提供
效应的表征缺陷（薛海乐等， 2011）， 导致其难以完
更具气象意义的地形分区信息。相较于层次聚类，
全准确地模拟复杂地形和局部天气现象， 需要通过
K-means 算法的时间复杂度远低于层次聚类（Mur‐
后处理手段提高气象要素预测精度（李浙华等，
tagh and Contreras， 2012）， 更适用于海量地理空间
2024）。传统模式后处理方法包括模式输出统计法
数据快速处理（管筝等， 2024； Guo et al， 2003）。此
（Model Output Statistics， MOS）方 法（邱 贵 强 等 ，
外， K-means 算法不受局部地形噪声（如孤立山峰）
2023）和卡尔曼滤波方法（张玉涛等， 2020）等虽可
的干扰， 与基于密度的有噪声应用空间聚类（Densi‐
部分修正此类误差， 但其线性假设难以匹配大气系
ty-Based Spatial Clustering of Applications with
统的高度非线性特征。
Noise， DBSCAN）算法依赖密度阈值相比， 更适合
深度学习方法可以有效处理高维气象数据， 充
捕捉地理变量中的全局结构模式（Schubert et al，
分挖掘预报量与预报因子间的非线性关系， 能够更
2017； Li et al， 2020）。与高斯混合模型相比， K-
好适应当前气象数据多样性的特点（朱育雷等，
means 的确定性分类能直接生成空间连续的同质子
2024； 姚润进等， 2024）。在处理具有时空尺度的
区域， 避免了概率隶属度输出所需的二次阈值化，
气象大数据时， 许多学者利用循环神经网络（Re‐
current Neural Networks， RNNs）和卷积神经网络 降低了业务系统的复杂性， 同时提高了过程的可解
（Convolutional Neural Networks， CNNs）进行建模 释性（Vatsavai et al， 2011）。这些特性促使 K-means
（夏侯杰等， 2023）。其中 CNN 模型直接对网格预 算法在气象领域得到广泛应用， 从天气分型（郭小
报产品订正， 而不仅限于个别气象站点， 能够自动 芹 等 ， 2022）到 城 市 微 气 候 模 拟（Chang et al，
学习数据中的空间特征和模式（Jiang et al， 2024）， 2021）， 均证实其对地理-气象关联规则的强大提取
凭借其空间特征提取优势， 在模式误差订正中展现 能力。
出显著潜力（Han et al， 2021； Qin et al， 2023）。随 鉴于湖南地区的复杂地形特征， 本文以湖南地
着地形海拔的增加， 改进效果逐渐减弱， 在复杂地 区为研究区域， 利用 ECMWF 预报产品和 CLDAS
形山区的预报误差仍较大（Zhou et al， 2024）。由于 气温网格融合分析产品， 设计了加入地形条件的两
2 m 气温预报误差的来源具有显著的地形依赖性， 种方案和未加入地形条件的方案三类分别构建不
近年来， 学者们在深度学习模型构建中加入地理特 同的特征因子集来建模， 选取最优特征方案建立0~
征因子， 取得了一系列成果（Zhang et al， 2023； Li‐ 72 h 逐日最高/最低气温深度学习模型， 从时间、 空
an et al， 2024）。Liu et al（2023）将站点经纬度、 海 间等多角度检验分析了ECMWF和深度学习模型预
拔和地貌特征与数值模式输出预报因子进行组合， 报效果， 旨在突破复杂地形区气温预报的“海拔衰
应用深度学习算法进行站点降水偏差订正， 指出深 减效应”， 提高对最高和最低气温网格预报的精
度学习算法可以充分整合多个预报因子信息， 以模 度， 为复杂地形条件下的智能网格气温预报业务提
拟大气条件和地理特征。其他研究也表明地理特 供技术支持。
