Page 206 - 《高原气象》2026年第2期
P. 206

高     原      气     象                                 45 卷
              506
             同预报时效 ECMWF 模式、 SCMOC 和 CNN-TC 模                   整体预报效果优于 SCMOC。原因可能在于气象数
             型逐日的日最高、 最低气温预报 MAE 箱线图和平                          据包含复杂的非线性关系， 通过深层卷积操作，
             均 ATF 折线图。随着预报时效增加， ECMWF 模式                       CNN-TC 模型能够同时处理多通道、 多维度信息，
             对日最高和最低气温预报的 MAE 逐渐增加， ATF                         综合考虑了地理信息、 历史气温观测等多要素对当
             逐渐降低， 箱线图中箱体长度增加， 意味着 MAE                          前气温预报的影响， 有效捕捉气象数据的空间特
             离散度也进一步增加， SCMOC 和 CNN-TC 模型呈                      征， 提高气象变量间复杂关系的建模能力。
             现一致的变化趋势， 说明 CNN-TC 模型的订正效果                            CLDAS 作为同化融合数据产品， 与国家站观
             依赖于数值模式的预报效果。三种预报产品中，                              测资料相比略有偏差。朱宏武等（2023）基于 2021
             CNN-TC 模型箱体位置最靠下， 在不同预报时效下
                                                                年 1 -12 月 湖 南 省 内 自 动 站 气 温 数 据 ，  评 估 了
             日最高（低）气温 MAE 分布的均值介于 1. 2~1. 8 ℃
                                                                CLDAS 气温数据产品质量， 结果表明 CLDAS 气温
             （1. 1~1. 2  ℃），  中 位 数 介 于 1. 1~1. 6  ℃（1. 0~
                                                                数据整体可信度较高， 93. 8%的站点偏差在1 ℃内，
             1. 1 ℃）， 四分位距介于 0. 5~0. 9 ℃（0. 5~0. 6 ℃）；
                                                                MAE和均方根误差均小于1 ℃。由于本模型是应用
             其均值与 ECMWF 模式和 SCMOC 相比降低幅度
                                                                CLDAS资料作为真值格点场进行建模的， 为了对模
             分 别 介 于 23. 5%~37. 3% （20. 8%~26. 9%） 和
                                                                型产品进行更全面的检验评估， 同时也基于观测站
             18. 7%~27. 6%（26. 8%~32. 3%）之间， 中位数降低
                                                                实测数据计算了不同模型日最高、 最低气温的MAE
             幅 度 分 别 介 于 25. 3%~40. 8%（23. 1%~27. 8%）和
                                                                与ATF（表3）。从站点检验评估结果来看， CNN-TC
             18. 4%~29. 9%（24. 3%~28. 0%）之间。
                  CNN-TC模型对未来 1 d、 2 d和 3 d日最高（低）               模型相较于其他两个模型仍然表现出一定优势，
             气 温 的 ATF 分 别 为 81. 6%、  73. 2% 和 66. 6%           CNN-TC的日最高（低）气温MAE与SCMOC相比减
             （85. 8%、 84. 0% 和 80. 3%）， 与 ECMWF 相比分别            少 了 16. 9%~18. 9%（12. 3%~15. 4%），  与 ECMWF
             高 出 23. 2%、  19. 1% 和 14. 9%（11. 7%、  11. 6% 和     相 比 减 少 了 20. 3%~28. 3%（4. 9%~8. 0%）；  CNN-
             10. 1%）， 与 SCMOC 相比分别高出 14. 2%、 12. 2%             TC 的最高（低）气温的 ATF 与 SCMOC 相比提升了
             和 9. 9%（14. 6%、 15. 3% 和 13. 3%）。综上， CNN-          10. 9%~13. 1%（5. 5%~8. 5%）， 与 ECMWF 相比提
             TC 模型能有效降低 ECMWF 模式的预报偏差， 且                        升了20. 9%~25. 9%（2. 0%~3. 9%）。

                                表3  基于国家气象站日最高、 最低气温观测数据的预报订正误差检验统计表
                            Table 3  Verification statistics for corrected forecast of daily maximum and minimum
                                     temperatures using national meteorological station observations

                                               CNN-TC                  SCMOC                   ECMWF
                 评估指标        预报时效
                                          最高温        最低温         最高温         最低温         最高温         最低温
                  MAE/℃        24 h        1. 3        1. 2        1. 6        1. 4        1. 8        1. 3
                               48 h        1. 5        1. 3        1. 9        1. 5        2. 1        1. 4
                               72 h        1. 8        1. 4        2. 1        1. 6        2. 2        1. 4
                  ATF/%        24 h       78. 9       81. 4       71. 1       77. 2       62. 7       78. 8
                               48 h       72. 4       79. 7       64. 0       73. 5       57. 9       76. 8
                               72 h       66. 7       76. 2       59. 4       71. 4       55. 2       74. 7

             4. 2. 2 模型时空维度的预报效果                                区域-1（包括武陵山、 雪峰山、 南岭、 阳明山等），
                  结合图 2 的 K-means 聚类结果， 对比图 6 中三                ECMWF 模式的 MAE 较高， 超过 2. 0 ℃， 最高可达
             种预报产品在不同预报时效下的日最高气温预报                              5. 8 ℃， 山地复杂地形诱发的局地环流效应（如山
             MAE 空间分布。CNN-TC 模型几乎在所有格点上                         谷风、 热力差异、 坡面辐射差异）构成显著干扰模
             的 MAE 小于 ECMWF 模式和 SCMOC， 聚类特征有                    式预报精度的关键机制（Casaretto et al， 2022； Wu
             效区分了不同地形单元的气象响应机制， 从而揭示                            and Takemi， 2023； Bugnard et al， 2025）。而在地形
             了地形对气温预报误差的空间影响。基于 24 h 预                          均质区的区域-2（尤其是湘北平原区）的 MAE 较
             报时效的检验结果显示， 不同地形区域的气温预报                            低， 仅为 1. 2~1. 4 ℃， 平坦下垫面条件下主导的大
             准确率存在显著空间分异特征。在高海拔山区的                              尺度平流过程与模式参数化方案具有更好的适应
   201   202   203   204   205   206   207   208   209   210   211