智能網格24h精細預報汛期應用樣例分析

袁學所 葛慶云 王剛 胡倩

摘 要：基于安徽省鳳陽縣2020年汛期智能網格24h精細預報資料，選取7月22日至8月12日每日預報產品預報值及對應時次（7月22日09時至8月13日08時共528個時次）實況資料，分別按上午、下午、夜間時段統計氣溫、降水、風速、相對濕度預報準確度和0.1mm以上降水空漏報情況，分析絕對誤差、相對誤差分布規律和統計學訂正效果。結果表明：智能網格要素預報與實況的線性相關系數自大到小依次為氣溫、相對濕度、降水量、風速，前2項要素預報的絕對誤差與相對誤差相對較小，后2項要素預報的各項誤差相對較大;氣溫預報平均絕對誤差絕對值不超1.04℃，上午時段預報值較實況偏高占71.97%;相對濕度預報平均絕對誤差絕對值不超7.43%，上午時段預報誤差較夜間、下午大;風速預報雖然平均絕對誤差絕對值不超1.02m/s，但平均相對誤差絕對值均超64%;降水預報漏報率均不超6.06%，空報率在4.55%～19.32%，平均絕對誤差絕對值不超2.93mm;經線性回歸方程訂正，大多能減小智能網格預報的系統性誤差。

關鍵詞：智能網格預報;汛期應用;精細化

中圖分類號 P49文獻標識碼 A文章編號 1007-7731（2021）12-0144-04

天氣預報業務經歷了從原來的城市站點天氣預報，到2010年《現代天氣業務發展指導意見》提出制作逐6h的城鎮、鄉鎮精細化天氣預報，但并未根本上改變預報內容。近年來，廣東、上海等省市由于服務的需求，倒逼發展精細化格點預報。第7次全國氣象預報工作會和《現代氣象預報業務發展規劃》提出了現代氣象預報業務無縫隙、精準化、智慧型的發展方向，2016年開展了全國精細化格點預報實驗業務。經過近幾年的實踐，已初步形成了智能網格預報業務。

智能網格預報就是用云計算、互聯網+、人工智能等現代信息技術和氣象大數據應用技術來改造傳統預報業務，實現業務技術客觀智能，業務流程扁平高效，網格預報滾動制作、實時同步、協同一致。在智能網格預報發展過程中，一些學者對此已經展開了一些研究[1-7]。例如，邵建[1]等采用時間差分法對預報變量開展協調處理，研究出時空協調一致技術，該項技術在主客觀融合訂正、格點/站點/落區一體化中發揮了重要作用。賈艷輝[2]等研究智能網格預報在撲火服務中的評估及應用，發現智能網格預報結果要素豐富、時空分辨率高，在火場的決策氣象服務中有較高的應用價值。沈潔[3]等通過對2017年11月至2018年3月最高、最低溫度格點預報及實況數據，按“鄰近距離最短優先”原則，讀取西寧市38個測站智能網格預報產品，檢驗同時段內的實況值，來檢驗智能網格預報的準確性。方永俠[4]等總結了智能網格預報在陜西省第十六屆運動會氣象服務保障中的應用。

2020年汛期，江淮地區遭受了超長梅雨天氣。面對極其嚴峻的防汛形勢，鳳陽縣氣象局于7月22日至8月12日首次應用國家氣象中心（中央氣象臺）智能網格預報產品開發本地服務產品，進行了24h氣溫、降水、風速、相對濕度逐小時精細化預報服務嘗試，但對該預報服務的準確度等情況尚未進行全面系統的定量化檢驗評估。對該服務過程相關情況做定量分析，將有助于客觀把握目前智能網格預報產品的精細化預報能力，為今后精細化預報服務開展和智能網格預報業務的優化提供客觀依據。

1 資料與方法

選取2020年7月22日至8月12日鳳陽縣氣象局每日預報服務產品中24h智能網格氣溫、相對濕度、風速、降水量預報結論，該數據來源于國家氣象中心智能網格預報應用分析平臺;選取對應時次，即7月22日09時至8月13日08時共528個時次鳳陽國家氣象觀測站逐小時實況資料。運用地面氣象月報表數據文件（A文件）查詢軟件（SMSD）、Excel軟件、SPSS Statistics軟件等分析預報量的絕對誤差、相對誤差、線性相關系數、0.1mm以上降水空漏報率等統計特征，分析項目每要素14項，降水增加2項達16項，具體分析項目間表1～4。所有項目均按上午08：01—14：00、下午14：01—20：00、夜間20：01—08：00等3個時段分別統計，對統計結果加以分析總結，找出誤差分布特征，給出線性回歸訂正方程，以消除預報量存在的系統性偏差。

分析約定：絕對誤差為預報量與實況之差;相對誤差為絕對誤差占實況的百分比;線性相關系數、回歸方程指實況與預報量之間的統計關系，實況為因變量，預報量為自變量。降水空報指預報了0.1mm及其以上降水，實況為無降水或雨量不足0.1mm;降水漏報指實況為0.1mm及以上降水，但預報降水量為0.0mm或無降水。降水預報誤差不統計空漏報時次和實況為無降水時次。

2 結果與分析

2.1 氣溫 由表1可知：絕對誤差均方差在1.117～1.264℃，由小到大排序為上午、下午、夜間;最大絕對誤差絕對值為3.1～6.6℃，由小到大排序為上午、夜間、下午;絕對誤差絕對值≤2℃頻率在87.88%～95.45%，由小到大排序為上午、夜間、下午;絕對誤差絕對值≤1℃頻率在54.55%～64.39%，由小到大排序為夜間、上午、下午;預報較實況偏高頻率在44.32%～71.97%，由小到大排序為夜間、下午、上午;預報較實況偏低頻率在25.76%～52.27%，由小到大排序為上午、下午、夜間;平均絕對誤差絕對值在0.90～1.04℃，由小到大排序為下午、夜間、上午;平均相對誤差絕對值在3.23%～4.08%，由小到大排序為下午、上午、夜間;預報與實況的相關系數在0.854～0.939，由小到大排序為夜間、下午、上午，均通過信度0.001的顯著性檢驗;線性回歸方程標準差在1.121～1.231℃，由小到大排序為夜間、上午、下午;經線性回歸方程訂正后平均絕對誤差絕對值在0.88～0.99℃，由小到大排序為上午、下午、夜間;訂正后平均絕對誤差絕對值變化量在-0.16～0.00℃，由小到大的排序為上午、夜間、下午。

總體而言，智能網格逐小時氣溫預報效果良好，平均絕對誤差絕對值為1.04℃以下，平均相對誤差絕對值為4.08%以下。其中，上午預報值較實況偏高頻率達71.97%，經線性回歸方程訂正后，其平均絕對誤差絕對值減小0.16℃。

2.2 相對濕度 由表2可知：絕對誤差均方差在4.220%～9.746%，由小到大排序為夜間、下午、上午;最大絕對誤差絕對值在15.0%～39.6%，由小到大排序為夜間、下午、上午;絕對誤差絕對值≤5%頻率在40.91%～75.76%，由小到大排序為下午、上午、夜間;絕對誤差絕對值≤10%頻率在77.27%～96.59%，由小到大排序為上午、下午、夜間（其中，上午、下午并列）;預報較實況偏高頻率在34.85%～42.42%，由小到大排序為夜間、下午、上午;預報較實況偏低頻率在56.06%～64.77%，由小到大排序為上午、下午、夜間;平均絕對誤差絕對值在3.37%～7.43%，由小到大排序為夜間、下午、上午;平均相對誤差絕對值在3.58%～9.12%，由小到大排序為夜間、下午、上午;預報與實況的相關系數在0.494～0.664，由小到大排序為夜間、上午、下午，均通過信度0.001的顯著性檢驗;線性回歸方程標準差在3.794%～8.078%，由小到大排序為夜間、下午、上午;經線性回歸方程訂正后平均絕對誤差絕對值在2.92%～6.76%，由小到大排序為夜間、下午、上午;訂正后平均絕對誤差絕對值變化量（%）在-0.91%～-0.45%，由小到大排序為下午、上午、夜間。

總體而言，智能網格逐小時濕度預報效果良好，夜間的絕對誤差絕對值≤10%頻率可達96.59%。平均絕對誤差絕對值都在7.43%以下，且由于濕度實況值基數較大，平均相對誤差絕對值較小，都在9.12%以下。其中，下午平均相對誤差絕對值為6.84%，經線性回歸方程訂正后，其平均絕對誤差絕對值可減小0.91%。上午平均絕對誤差絕對值為7.43%，經線性回歸方程訂正后，其平均絕對誤差絕對值可減小0.67%。比較而言，上午預報誤差較夜間、下午大一些，夜間預報誤差最小，這可能與08—20時相對濕度受氣溫影響變化較大，且與不穩定降水過程有關。

2.3 風速 由表3可知：絕對誤差均方差在1.196～1.331m/s，由小到大排序為夜間、下午、上午;最大絕對誤差絕對值在3.9～4.5m/s，由小到大排序為夜間、上午、下午（其中，上午、下午并列）;絕對誤差絕對值≤0.5m/s頻率在35.61%～48.11%，由小到大排序為下午、上午、夜間;絕對誤差絕對值≤1.0m/s頻率在59.85%～70.83%，由小到大排序為下午、上午、夜間;預報較實況偏高的頻率在53.03%～56.82%，由小到大排序為下午、夜間、上午（其中，下午、夜間并列）;預報較實況偏低頻率在41.67%～43.18%，由小到大排序為上午、夜間、下午（其中，上午、夜間并列）;平均絕對誤差絕對值在0.88～1.02m/s，由小到大排序為夜間、上午、下午;平均相對誤差絕對值為64.27%～81.47%，由小到大排序為上午、下午、夜間;預報與實況的相關系數在-0.030～0.182，由小到大排序為夜間、上午、下午，其中下午通過信度0.05的顯著性檢驗;線性回歸方程標準差在0.796～1.041m/s，由小到大排序為夜間、上午、下午;經線性回歸方程訂正后平均絕對誤差絕對值在0.61～0.85m/s，由小到大排序為夜間、上午、下午;訂正后平均絕對誤差絕對值變化量在-0.28～-0.17m/s，由小到大排序為上午、夜間、下午。

總體而言，智能網格逐小時風速預報精度不足，雖然平均絕對誤差絕對值1.02m/s以下，但由于風速實況基數值較小，所以平均相對誤差絕對值在夜間最高可達81.47%。其中，夜間絕對誤差≤1m/s的頻率占70.83%，且夜間的平均絕對誤差絕對值為0.88m/s，經線性回歸方程訂正后，其平均絕對誤差絕對值可減小0.27m/s。上午的平均絕對誤差絕對值為0.97m/s，經線性回歸方程訂正后，其平均絕對誤差絕對值減小0.28m/s。

2.4 降水 由表4可知：降水的空報率在4.55%～19.32%，由小到大排序為下午、上午、夜間;漏報率在3.03%～6.06%，由小到大排序為夜間、上午、下午;絕對誤差均方差在0.812～4.524mm，由小到大排序為上午、下午、夜間;最大絕對誤差絕對值在1.5～12.7mm，由小到大排序為上午、下午、夜間;絕對誤差絕對值≤0.5mm頻率在6.25%～53.85%，由小到大排序為夜間、下午、上午;絕對誤差絕對值≤1.0mm頻率在12.50%～69.23%，由小到大排序為夜間、下午、上午;預報較實況偏高的頻率在50.00%～65.63%，由小到大排序為下午、上午、夜間;預報較實況偏低頻率在31.25%～50.00%，由小到大排序為夜間、上午、下午;平均絕對誤差絕對值在0.62～2.93mm，由小到大排序為上午、下午、夜間;平均相對誤差絕對值在63.52%～460.65%，由小到大排序為下午、上午、夜間;預報與實況的相關系數在0.208～0.295，由小到大排序為下午、上午、夜間，其中，夜間通過信度0.001的顯著性檢驗，上午通過了信度為0.01的顯著性檢驗，下午通過了信度為0.05的顯著性檢驗;線性回歸方程標準差在0.225～1.912mm，由小到大排序為上午、下午、夜間;經線性回歸方程訂正后平均絕對誤差絕對值在0.47～2.25mm，由小到大排序為上午、下午、夜間;訂正后平均絕對誤差絕對值變化量（mm）在-0.68～0.09mm，由小到大排序為夜間、上午、下午。

總體而言，智能網格逐小時降水預報有一定的參考價值，漏報率在6.06%以下，但空報率相對較大，夜間高達19.32%;其中夜間的最大絕對誤差絕對值高達12.7mm。平均絕對誤差絕對值都在2.93mm以下，但由于小時降水量基數一般較小，夜間平均相對誤差絕對值可達460.65%。上午絕對誤差≤1.0mm的頻率達69.23%。其中，上午的平均絕對誤差絕對值為0.62mm，經線性回歸方程訂正后，其平均絕對誤差絕對值可減小0.15mm。夜間的平均絕對誤差絕對值達2.93mm，但經線性回歸方程訂正后，其平均絕對誤差絕對值可減小0.68mm。

3 結論

（1）智能網格預報產品可給出某地未來24h氣溫、相對濕度、風速、降水量等氣象要素的逐小時精細預報，能為做好定點定時精細氣象預報服務提供參考。

（2）樣例分析表明，智能網格要素預報與實況的線性相關系數自大到小依次為氣溫、相對濕度、降水量、風速。前2項要素預報的絕對誤差與相對誤差相對較小;后2項要素預報的各項誤差相對較大。

（3）樣例氣溫預報平均絕對誤差絕對值不超1.04℃，平均相對誤差絕對值不超4.08%。其中，上午時段預報值較實況偏高頻率達71.97%。

（4）樣例相對濕度預報平均絕對誤差絕對值不超7.43%，平均相對誤差絕對值不超9.12%。上午時段預報誤差較夜間、下午大一些，夜間預報誤差最小，這可能與降水過程及其預報能力有關。

（5）樣例風速預報雖然平均絕對誤差絕對值不超1.02m/s，但平均相對誤差絕對值均超64%，夜間可達81.47。上午和夜間時段風速預報與實況的相關系數不顯著。

（6）樣例降水預報漏報率均不超6.06%;空報率為4.55%～19.32%，依次分別為下午、上午、夜間。降水量預報平均絕對誤差絕對值不超2.93mm，但受實況降水量有時偏小影響，夜間時段平均相對誤差絕對值高達460.65%。

（7）用樣例資料建立了以預報值為因子，實況值為模擬對象的線性回歸方程。經回歸方程訂正后，各要素大部分時段平均絕對誤差絕對值不同程度減小，有利于減小智能網格預報的系統性誤差。

參考文獻

[1]邵建，張肅詔，李強，等.智能網格預報時空協調一致關鍵技術研發[J].氣象科學，2019，39（6）：847-852.

[2]賈艷輝，王承偉，孫琪，等.智能網格預報在撲火服務中的評估及應用探討[J].黑龍江氣象，2019，36（3）：12-13.

[3]沈潔，朱寶文.智能網格預報在西寧最高、最低溫度中的檢驗[J].青海農林科技，2020（2）：54-59，93.

[4]方永俠，范承.智能網格預報在陜西省第十六屆運動會氣象服務保障中的應用[J].江西農業，2019（16）：33-34.

[5]時洋，吳乃庚，羅聰，等.多模式集成釋用在廣東智能網格溫度預報中的應用評估[J].廣東氣象，2020，42（4）：40-43.

[6]高萌，劉帆，王瑾婷，等.關中一次大暴雨天氣過程成因分析及陜西智能網格預報檢驗[J].陜西氣象，2019（5）：28-34.

[7]彭飛，趙清揚.智能網格預報在專業氣象服務中的應用[J].中低緯山地氣象，2020，44（1）：80-83. （責編：張宏民）