Page 205 - 《高原气象》2026年第2期

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 505
可以提供与地理位置相关的附加信息， 可以使模型
更 好 地 理 解 地 理 空 间 上 的 特 征 关 联（Han et al，
2021）。进一步分析发现， 经过地理变量聚类后的
方案一日最高、 最低气温 SS 相比未经聚类直接将
地 理 变 量 输 入 模 型 的 方 案 二 分 别 高 出 2. 5% 和
1. 4%， 表明基于地形特征空间聚类， 可有效解耦地
形异质性对气象场的差异化调控机制， 进而提取主
导性响应模态。值得注意的是， 地理变量对最低温
的改进率（9. 4%）显著高于最高温（4. 7%）， 这与夜
图4 不同特征组合方案下CNN模型未来1 d日最高、 最低 间稳定边界层受地形辐射效应调控的物理机制
气温预报的平均绝对误差（柱状图， 单位： ℃）和技巧评分 一致。
（折线图， 单位： %）
4. 2 基于最优特征方案的CNN模型评估
Fig. 4 Mean absolute error （bar chart， unit： ℃） and skill
scores （line chart， unit： %） for the 24-hour daily maximum 4. 2. 1 模型整体预报效果
经过特征组合方案试验， 基于方案一这种多源
and minimum temperature forecasts by the CNN model
under various feature combination schemes 数据融合方式（组合 ECMWF 预报因子、 临近观测
因子和地理变量聚类特征作为模型输入）分别构建
一、 二和三对于未来 1 d 日最高（低）气温的 SS 分别
24 h、 48 h 和 72 h 预报时效的 CNN 模型（CNN-TC，
为 37. 4%、 34. 9% 和 34. 4%（26. 9%、 25. 5% 和 其中 TC 为 Terrain Correction）， 实现不同预报时效
19. 3%）。与方案三相比， 方案一和方案二对于未来 下日最高、 最低气温精细化格点预报， 并评估该模
1 d 日最高（低）气温预报 MAE 降低幅度分别达 型、 ECMWF模式和SCMOC的预报效果。
4. 7% 和 0. 8%（9. 4% 和 7. 7%）， 证实由于地理变量 首先对模型整体预报效果进行检验。图 5为不

图5 CNN-TC模型、 SCMOC和ECMWF模式在不同预报时效日最高气温（a）和日最低气温（b）预报的平均绝对误差
（箱线图， 单位： ℃）和气温预报准确率（折线图， 单位： %）
Fig. 5 MAE （box plot， unit： ℃） and ATF （line chart， unit： %） for the daily maximum temperature （a） and minimum
temperature （b） from the CNN-TC， SCMOC and ECMWF model at different forecast leading times