Page 211 - 《高原气象》2026年第2期
P. 211
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 511
表4 本次强寒潮过程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 4 Verification statistics of forecast corrections for daily maximum and minimum temperatures during
the severe cold-air outbreak event using observational data from national meteorological stations
CNN-TC SCMOC ECMWF
评估指标
最高气温 最低气温 最高气温 最低气温 最高气温 最低气温
MAE/℃ 1. 2 0. 9 2. 5 1. 3 1. 5 1. 2
ATF/% 84. 4 92. 9 55. 6 80. 4 76. 7 86. 2
以使模型更好地捕捉气象系统中的复杂关系， 了解 杂地形试验区， 因其地貌类型多样（山地、 丘陵、 盆
不同地区的气象特征， 提高模型在不同地理条件下 地、 平原并存）、 地形起伏显著， 具备强代表性及高
的鲁棒性， 这对于具有地理梯度或特殊地形的区域 复杂性地形特征， 可充分验证模型对多元地形下气
尤其重要。特别是， 应用 K-means 聚类方法对地理 温分布的识别与预报能力。该区域为检验模型泛
变量进行聚类后输入模型的效果要优于不经聚类 化能力提供了理想基础。文中所提出的 CNN-TC
直接将地理变量输入模型， 未来 1 d 日最高、 最低 模型具有结构普适性： ①模型通过 K-means 聚类自
气温预报的技巧评分分别高出2. 5%和1. 4%。 动提取区域间地理特征差异， 避免了对固定区域依
（2） 通过对比 ECMWF 模式、 SCMOC 以及基 赖， 便于在其他复杂地形区推广； ②卷积神经网络
于最优特征组合（ECMWF 预报因子、 临近观测因 结构具备强大的空间模式识别能力， 已被广泛应用
子和地理变量聚类特征）的 CNN-TC 模型在测试集 于地球科学领域， 具备良好的跨区域适应性。需指
上未来 3 d 日最高（低）气温预报效果， CNN-TC 模 出的是， 不同区域气候背景与下垫面特征存在差
型能有效降低 ECMWF 的预报偏差， 且整体预报效 异， 模型推广时需结合目标区特点调整超参数， 以
果优于 SCMOC， 其逐日平均绝对误差箱线图箱体 优化预报性能。考虑到本研究建模使用的实况真
位置最靠下， 均值介于 1. 2~1. 8 ℃（1. 1~1. 2 ℃）， 值是 CLDAS 气温产品， 但其与站点实测仍有一定
与 ECMWF 模式和 SCMOC 相比降低幅度分别介于 偏差， 未来工作中， 可进一步引入站点观测对 CL‐
23. 5%~37. 3%（20. 8%~26. 9%）和 18. 7%~27. 6% DAS实况数据进行偏差订正， 提升模型在站点尺度
（26. 8%~32. 3%）之间。 的预报准确性。
（3） 在不同预报时效， ECMWF 模式均存在明
参考文献（References）：
显的系统性偏差， 日最高、 最低气温预报的平均绝
对误差在地形复杂区域高于平原地区。ECMWF模 Bugnard A， Collaud C M， Hervo M， et al， 2025. Comparison of tem‐
式经过 CNN-TC 模型订正后， 预报误差得到明显降 perature and wind profiles between ground-based remote sensing
低， 其中， 未来 1 d 日最高（低）气温预报的平均绝 observations and numerical weather prediction model in complex
Alpine topography： the Meiringen campaign［J］. Atmospheric
对误差范围由1. 2~5. 8 ℃（0. 8~5. 9 ℃）降低至0. 9~
Measurement Techniques， 18（4）： 1039-1061.
1. 7 ℃（0. 8~1. 7 ℃）。从时间维度来看， CNN-TC
Casaretto G， Dillon M E， Salio P， et al， 2022. High-resolution NWP
模型在所有预报时效、 所有月份的预报效果最优。 forecast precipitation comparison over complex terrain of the Sier‐
与 ECMWF 模式和 SCMOC 相比， 未来 1 d 日最高 ras de Córdoba during RELAMPAGO-CACTI［J］. Weather and
（低）气温预报准确率最高提升幅度达 82. 0% 和 Forecasting， 37（2）： 241-266.
30. 1%（33. 3% 和 46. 3%）。 随 着 预 报 时 效 增 加 ， Chang J M H， Lam Y F， Lau S P W， et al， 2021. Development of
fine-scale spatiotemporal temperature forecast model with urban
CNN-TC 模型对于 ECMWF 模式偏差订正的性能降
climatology and geomorphometry in Hong Kong［J］. Urban Cli‐
低， 但仍然明显优于 ECMWF 和 SCMOC。个例检
mate， 37： 100816.
验结果表明， CNN-TC 模型对于转折性天气预报效 Darabi H， Haghighi A T， Klöve B， et al， 2025. Remote sensing of
果更优。 vegetation trends： a review of methodological choices and sourc‐
综上， 采用卷积神经网络对 ECMWF 预报产品 es of uncertainty［J］. Remote Sensing Applications： Society and
Environment， 37： 101500.
进行订正， 进一步克服了传统统计学方法， 例如
Dormann C F， Elith J， Bacher S， et al， 2013. Collinearity： a review
MOS 方法仅针对单一站点/格点建模的局限性， 直
of methods to deal with it and a simulation study evaluating their
接输出空间分辨率更高（0. 05°×0. 05°）、 优于 EC‐ performance［J］. Ecography， 36（1）： 27-46.
MWF 的预报产品。本研究选取湖南省作为典型复 Guo D， Peuquet D J， Gahegan M， 2003. ICEAGE： Interactive clus‐
