Page 209 - 《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 509

图8 CNN-TC模型、 SCMOC和ECMWF模式在不同预报时效日最高气温（a， c）和日最低气温预报（b， d）的平均绝对误差
（单位： ℃）、 气温预报准确率（单位： %）月际变化
Fig. 8 Monthly variations of the MAE （unit： ℃） and ATF （unit： %） values of the daily maximum （a， c） and minimum （b， d）
temperature forecasts from the CNN-TC， SCMOC and ECMWF at different forecast leading times
在 冬 季 预 报 效 果 相 对 更 差 ， 1 月 ATF 值 仅 为 （1. 4 ℃）和 SCMOC（2. 4 ℃）。计算所有样本预报
64. 6%， 而 7 月可达 85. 0%。CNN-TC 模型对各月 值与观测值的绝对误差， 并统计不同绝对误差区间
份的 ECMWF模式预报同样有正的订正技巧， MAE 范围样本数占比， CNN-TC 模型预报值与观测值绝
为 0. 8~1. 3 ℃， 与 ECMWF 模式和 SCMOC 相比降 对误差≤1 ℃的样本数所占比例比 ECMWF 模式和
低幅度分别介于 16. 7%~33. 3% 和 18. 2%~47. 8%； SCMOC 分别高出 13. 8% 和 33. 5%［图 10（a）］。从
ATF 为 76. 2%~94. 9%， 与 ECMWF 和 SCMOC 相比 站点的检验情况来看（表 4）， CNN-TC 日最高气温
最高提升幅度分别达33. 3%和46. 3%。 产品的 MAE为 1. 2 ℃， 低于 ECMWF模式（1. 5 ℃）
4. 3 个例检验 和SCMOC（2. 5 ℃）。
发生转折性天气时如强降温、 寒潮时的气温预 由图 9（d）~（f）可知， 当观测值位于 15 ℃左右
报一直是天气预报的重点和难点。2022 年 11 月 28 时， 三种预报产品日最低气温预报均存在一定低
日至 12月 1日， 湖南省自北向南出现一轮强寒潮天 估， 但 CNN-TC 模型散点分布相较对角线最为集
气过程， 平均气温下降 20. 8 ℃。图 9为本次强降温 中， MAE 为 0. 9 ℃， 绝对误差≤1 ℃的样本数所占
过程中三种预报产品的日最高、 最低气温预报值与 比例比 ECMWF 模式和 SCMOC 分别高出 14. 9% 和
观测值的核密度图， 填色表示像素点的样本个数， 22. 8%［图 10（b）］。由此可见， CNN-TC 模型对于
如果色标中数值越高， 表明该区域内散点越集中。 转折性天气的预报效果与数值模式和中央台指导
在进行个例检验时， 主要对比三种预报产品对于未 产品相比有较大的提升。从站点的检验情况来看
来1 d日最高、 最低气温预报效果。 （表4）， CNN-TC日最低气温产品的MAE为0. 9 ℃，
由图 9（a）~（c）可知， ECMWF 模式和 CNN-TC 低于ECMWF模式（1. 2 ℃）和SCMOC（1. 3 ℃）。
模型拟合线与对角线接近重合， 当观测值位于 0 ℃ 5 结论
左右时， SCMOC 日最高气温预报存在明显高估。
CNN-TC模型的 MAE为 1. 1 ℃， 低于 ECMWF模式 本文利用ECMWF高分辨率数值模式、 CLDAS