Page 202 - 《高原气象》2026年第2期

高 原 气 象 45 卷
502
2 数据来源及预处理方法

2. 1 数据来源
本文使用 ECMWF 高分辨率数值预报产品， 起
报时间为 20:00（北京时， 下同）， 预报时效为 15~
84 h， 预报间隔为 6 h， 地面和高空要素水平分辨率
分别为 0. 125°×0. 125°和 0. 25°×0. 25°。预报时段
选取 2018年 1月至 2023年 6月。ECMWF预报产品
接收时间相比实际起报时间延迟约7 h， 对ECMWF
模式后处理时需采用预报时效 12 h 之后的预报产
品。此外， ECMWF 预报产品中并不直接包含日最
高、 最低气温， 利用逐 6 h 预报时效的过去 6 h 2 m
温度数据计算生成日最高、 最低气温产品。除 EC‐
MWF外， 选用中央气象台每日 08:00下发的指导预
报产品（SCMOC）的日最高、 最低气温资料作为 图1 湖南省地形图
对照。 Fig. 1 Topographic map of Hunan
观测资料来源于 CLDAS 日最高/最低气温资
制作， 底图无修改。
料， 水平分辨率为 0. 05°×0. 05°， 选取时间长度同
2. 2 因子选择
为 2018 年 1 月至 2023 年 6 月。该产品利用数据融
选择合适的预测因子是建立深度学习模型的
合与同化技术， 对地面观测数据、 卫星遥感资料和
关键步骤之一， 合适的预测因子可以降低模型复杂
数值模式产品等多源数据进行融合同化， 弥补了站
度， 提升模型性能。孙康慧等（2024）在进行气温订
点稀疏区域观测不足的问题， 已经实现业务上实时
正建模任务时， 主要引入了反映大气环流背景场、
运行， 可以作为机器学习训练中的真值场（师春香
温湿垂直廓线信息及具有其他物理意义的 ECMWF
等， 2019）。数字高程、 坡向、 坡度数据产品来源于
地面和高空要素， 例如不同气压层的温度、 湿度、
地球观测数据源——美国航天飞机雷达地形测绘
任务（Shuttle Radar Topography Mission， SRTM）数 风速及风向等因子。本研究综合考虑相关研究成
据集， 空间分辨率 90 m， 可从地理空间数据云平台 果（Zhong et al， 2024）， 选取了涵盖大气热力、 动力
（https： //www. gscloud. cn/）下载。 因子在内的多维特征集， 以期更全面地刻画影响气
订正区域为24. 5°N -30. 3°N， 108. 7°E -114. 4°E 温变化的物理过程， 具体选用特征见表 1。由于历
范围， 包含整个湖南境内区域（图 1）。该地区地形 史观测数据包含了过去的气温趋势信息， 对于未来
复杂， 为三面环山、 中部丘陵、 北部平原的向东北 气温的预测有一定的指示意义， 因此加入临近观测
方向开口的不对称马蹄形地貌， 不同地形条件下气 因子（与预报日相比滞后 2 d以及 3 d的日最高/最低
温分布差异较大， 导致数值模式对该地区气温的预 气温观测）作为特征因子（赵琳娜等， 2022）。另
报偏差大。另外， 文中涉及的地图是基于中华人民 外， 地貌地形会对大气运动和稳定性产生显著影响
共和国自然资源部地图技术审查中心标准地图服 （Sun et al， 2019）， 本文加入地理变量（数字高程、
务系统下载的审图号为 GS（2016）1552 的中国地图 坡度和坡向）作为地表特征因子。

表1 建模所选取的因子
Table 1 Predictors selected for modeling
因子类型 特征变量
ECMWF模式地面预报因子 日最高/最低气温、地面2 m温度、2 m露点温度、地表温度、10 m风速、10 m风向、平均海
平面气压、对流有效位能、预报反照率、大气柱水总量、大气柱水汽总量
ECMWF模式高空预报因子 500 hPa、700 hPa和850 hPa位势高度、温度、比湿、风速和风向
临近观测因子 滞后2 d日最高/最低气温观测、滞后3 d日最高/最低气温观测
地理变量 数字高程、坡度和坡向