Page 207 - 《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 507

图6 CNN-TC模型（a， d， g）、 SCMOC（b， e， h）和ECMWF模式（c， f， i）在不同预报时效下日最高气温预报的
平均绝对误差空间分布（单位： ℃）
Fig. 6 Spatial distributions of the MAE for daily maximum temperature at different forecast leading times：
（a， d， g） CNN-TC， （b， e， h） SCMOC and （c， f， i） ECMWF. Unit： ℃
性， 从而获得更高预报稳定性。SCMOC的 MAE空 能变得更加显著， ECMWF 在空间上的日最高气温
间分布呈现出与 ECMWF 相似的地形响应特征， 预报误差逐渐拉大， MAE 高于 2. 0 ℃格点数占总
MAE 介于 1. 0~6. 7 ℃， 可见相同的气象过程通常 格点数比例由 33. 5%（24 h）增加至 56. 4%（48 h）、
引入相似的气温预报误差。本研究构建的 CNN-TC 78. 2% （72 h）， CNN-TC 模型对于 ECMWF 的偏差
模型创新性地引入地形聚类特征， 能够更精准地捕 订正性能也逐渐降低， CNN-TC 模型相对 ECMWF
捉地形单元对气象过程的影响， 从而显著提升复杂 模式 MAE 减小百分比超过 30% 的格点数占比由

地形条件下的数值预报订正效果。CNN-TC模型在 63. 4%（24 h）降低至 36. 9%（48 h）、 19. 9%（72 h），
湖南地区的MAE介于0. 9~1. 7 ℃， 有94. 2%区域的 但仍优于ECMWF模式和SCMOC。
MAE小于 1. 4 ℃， 而 ECMWF 和 SCMOC 所占区域 图 7 为不同预报产品日最低气温 MAE 空间分
面积仅为 5. 6% 和 18. 0%。随着预报时效增加， 地 布， ECMWF模式、 SCMOC和 CNN-TC模型整体预
形对风向、 湿度和气温等的影响在长时间尺度上可 报效果优于日最高气温。ECMWF同样存在系统性