基于神經(jīng)網(wǎng)絡的路橋地區(qū)最高氣溫訂正研究

王鵬 張少華 秦采薇 王宏宇 黃曉龍

摘? 要：基于浙江省智能網(wǎng)格模式2 m溫度預報產品，結合NCEP再分析資料、路橋區(qū)域站氣象觀測資料，對模式2018—2020年路橋地區(qū)最高氣溫預報能力進行檢驗分析，利用BP神經(jīng)網(wǎng)絡建立最高氣溫訂正模型。結果表明，該模式對路橋區(qū)夏季和秋季2 m最高氣溫預報具有較好的指導作用，2 ℃以內平均準確率為78%，平均絕對誤差為1.3 ℃，春季和冬季預報能力偏弱。訂正后2020年各站最高氣溫≤2 ℃，平均準確率由65%提高到90%，平均絕對誤差由1.8 ℃下降到1.0 ℃，這說明BP神經(jīng)網(wǎng)絡對路橋地區(qū)2 m最高氣溫有很好的訂正效果。

關鍵詞：神經(jīng)網(wǎng)絡；最高氣溫；氣溫訂正；智能網(wǎng)格預報

中圖分類號：TP183；P423 文獻標識碼：A 文章編號：2096-4706（2023）06-0092-06

Study on the Correction of Maximum Air Temperature in Luqiao District Based on Neural Network

WANG Peng1， ZHANG Shaohua1， QIN Caiwei1， WANG Hongyu1， HUANG Xiaolong2

（1.Luqiao Meteorological Bureau， Taizhou? 318050， China; 2.Taizhou Meteorological Bureau， Taizhou? 318000， China）

Abstract： Based on the 2 m temperature forecast product of the intelligent grid mode of Zhejiang Province， combined with the NCEP reanalysis data and the meteorological observation data of the Luqiao regional station， the maximum temperature forecast ability of the model from 2018 to 2020 in the Luqiao district is tested and analyzed， and the maximum temperature correction model is established using the BP neural network. The results show that the model has a good guiding effect on the prediction of the maximum temperature of 2 m in summer and autumn in the Luqiao district. The average accuracy within 2 ℃ is 78%， the average absolute error is 1.3 ℃， and the prediction ability in spring and winter is weak. After correction， the maximum temperature at each station in 2020 is less than or equal to 2 ℃， the average accuracy rate increases from 65% to 90%， and the average absolute error decreases from 1.8 ℃ to 1.0 ℃， which shows that BP neural network has a good correction effect on the maximum temperature of 2 m in the Luqiao district.

Keywords： neural network; maximum air temperature; air temperature correction; intelligent grid forecasting

0? 引? 言

近年來隨著經(jīng)濟發(fā)展和人民生活水平不斷提高，對天氣預報的時間和空間分辨率需求更加精細。基于精細化網(wǎng)格預報的現(xiàn)代天氣預報逐漸替代了傳統(tǒng)的城市站點天氣預報業(yè)務體系，智能網(wǎng)格預報是目前現(xiàn)代天氣業(yè)務的重要業(yè)務體系和天氣預報的未來發(fā)展方向[1，2]。2018年浙江省氣象局依據(jù)業(yè)務需求建立了浙江省智能網(wǎng)格業(yè)務平臺，為了掌握智能網(wǎng)格溫度預報產品的預報性能，更好地對預報產品進行解釋應用，就需要對產品進行訂正分析。許多氣象工作者通過人工智能神經(jīng)網(wǎng)絡方法進行氣象預報研究[3-8]，吳君等建立BP-MOS神經(jīng)網(wǎng)絡算法，發(fā)現(xiàn)氣溫預報準確率高于逐步回歸模型和M55模型；任巧麗等結合主成分分析（PCA）和RBF神經(jīng)網(wǎng)絡，建立溫度預報模型，提高預報的準確率；李倩等利用BP網(wǎng)絡模式預報溫度進行訂正，能有效減小模式預報偏差；雷彥森等在ECMWF、CMA和JMA等數(shù)值預報產品基礎上，用BP神經(jīng)網(wǎng)絡算法進行集成預報；李虎超等采用BP神經(jīng)網(wǎng)絡方法建立預測數(shù)值模式非系統(tǒng)性預報誤差的模型，并驗證了該模型的預測能力；郭慶春等利用神經(jīng)網(wǎng)絡系統(tǒng)工具，建立比多元回歸分析精度更高的BP神經(jīng)網(wǎng)絡算法。上述研究表明人工神經(jīng)網(wǎng)絡在溫度訂正中具有一定優(yōu)勢。此前還未開展浙江省智能網(wǎng)格氣溫預報產品在路橋地區(qū)訂正評估工作，本文通過BP神經(jīng)網(wǎng)格算法，建立路橋區(qū)各站點分季節(jié)2 m最高氣溫客觀預報技術方法，進而提供更加精細準確的站點溫度預報產品，對服務社會需求具有重要意義。

1? 資料與方法

1.1? 試驗資料

使用2018年1月－2020年12月浙江省智能網(wǎng)格預報的路橋地區(qū)（121.20～121.65，28.45～28.65，共計50個格點）0.05°×0.05°分辨率的未來24 h逐日最高溫度格點產品，實況資料為路橋區(qū)10個具有代表性的區(qū)域自動監(jiān)測站點（路橋、橫街、金清、黃瑯、桐嶼、新橋、蓬街、峰江、水廠、涼溪）日最高溫度。地面數(shù)據(jù)包括各站點6種氣象因子，高空數(shù)據(jù)包括NCEP116 h再分析資料三個高度的14種氣象因子，20種氣象因子數(shù)據(jù)如表1所示。用雙線性插值法將智能網(wǎng)格預報資料、高空氣象因子資料與實際站點進行空間上的對應。

1.2? 方法

BP神經(jīng)網(wǎng)絡是一種多層次的前饋神經(jīng)網(wǎng)絡，其主要特點是誤差反向學習。BP神經(jīng)網(wǎng)絡的結構包括輸入層、隱藏層和輸出層。這三層神經(jīng)元所起的作用各不相同，輸入信息的傳輸路徑為輸入層-隱藏層-輸出層。如果輸出結果與實際預期的輸出結果產生“偏差”，則將兩者計算產生的偏差進行反向傳輸，通過改變神經(jīng)元的權數(shù)和臨界值，使偏差最小。當輸出偏差滿足預期要求，則系統(tǒng)停止網(wǎng)絡計算，并記錄各個神經(jīng)元的權數(shù)，最終得到BP網(wǎng)絡模型。

具體算法過程如下：

樣本數(shù)據(jù)正向傳輸，經(jīng)過輸入層后加權輸送給隱藏層，然后隱藏層各神經(jīng)元匯總所有的輸入，再通過轉移函數(shù)產生某種輸出，并通過下一層連接權重加權由輸出層輸出。BP神經(jīng)網(wǎng)絡隱藏層中第i個神經(jīng)元的輸出為：

（1）

輸出層中第k個神經(jīng)元的輸出為：

（2）

式中，n為輸入層節(jié)點數(shù)，pj為輸入層第j個神經(jīng)元的輸入，a1i為隱藏層含層節(jié)點i的輸出，a2k為輸出層節(jié)點k的輸出，w1ij為節(jié)點i和節(jié)點j的連接權值，w2kj為節(jié)點i和節(jié)點k的連接權值，b1i為隱藏層節(jié)點i的閡值，b2k為輸出層節(jié)點k的閡值，f1（·）和f2（·）分別為隱藏層和輸出層的傳遞函數(shù)。

比較期望輸出與實際輸出之間的誤差。誤差函數(shù)為：

（3）

誤差反傳階段，需將誤差送回，反向依次調整各連接層之間的權重并反復學習訓練，一直循環(huán)直到輸出層輸出相對滿意的結果。

2? 訂正過程

2.1? 夏季最高氣溫訂正

以路橋站夏季最高溫度預測模型構建為例，通過氣象因子與實況最高氣溫相關性分析，選擇6個最相關因子，包括（模式預報的最高氣溫，850 hpa溫度，日照時數(shù)，濕度，700 hpa溫度，500 hpa高度），1個輸出參數(shù)為日最高氣溫，樣本數(shù)為276（7列276行）。在建立模型前，將276個樣本分配成2：1，訓練集與測試集樣本為184和92個，2018—2019年數(shù)據(jù)用于訓練，2020年數(shù)據(jù)用于預測。通過MATLAB神經(jīng)網(wǎng)絡工具箱，設定輸入層節(jié)點為6，輸出層節(jié)點為1，設置隱藏層節(jié)點數(shù)9，設定固定學習率為0.01，最大學習迭代次數(shù)為1 000次，通過反復迭代運算，確定權值系數(shù)及閾值。為解決BP神經(jīng)網(wǎng)絡中輸入變量間單位及數(shù)量級不一致問題，采用歸一化處理將樣本數(shù)據(jù)控制在0-1，將輸出數(shù)據(jù)作反歸一化處理。在此學習訓練過程結束后，比對實際值與預測值，利用相關系數(shù)R2驗證該模型擬合程度，再結合平均絕對誤差（MSE）、≤2 ℃準確率等，挑選出預測精度較高的模型。用相似方法得到其余9個站點的預測模型。不同之處是，金清站6個最相關因子分別為：模式預報的最高氣溫，850 hpa溫度，日照時數(shù)，濕度，700 hpa溫度，500 hpa風速。

2.2? 秋季最高氣溫訂正

通過氣象因子相關性分析后，金清站6個最相關因子為：模式預報的最高氣溫，日照時數(shù)，850 hpa高度，500 hpa溫度，700 hpa溫度，850 hpa溫度。其余9個站點6個最相關因子包括：模式預報的最高氣溫，日照時數(shù)，500 hpa溫度，700 hpa溫度，850 hpa溫度，500 hpa風速。再通過神經(jīng)網(wǎng)絡訓練，得到了各站點秋季最高氣溫預測模型。

2.3? 冬季最高氣溫訂正

關于冬季最高氣溫訂正，考慮到冬季冷空氣影響下，會出現(xiàn)最高氣溫為前一天20時的情況，用14時相關因子分析，會有誤差。分析路橋站2018—2020年冷空氣影響下氣溫明顯倒置的天氣，即前一日20時氣溫超過12—16時最高氣溫2 ℃以上，發(fā)現(xiàn)冬季共有13天，屬于少數(shù)情況，因此不考慮專門進行訂正。經(jīng)過因子相關性分析，路橋、橫街、黃瑯、新橋、峰江、螺洋6個站點最相關因子包括：模式預報的最高氣溫，日照時數(shù)，500 hpa高度，700 hpa高度，700 hpa溫度，850 hpa溫度。其余站點6個最相關因子為：模式預報的最高氣溫，500 hpa高度，700 hpa高度，700 hpa溫度，850 hpa溫度，850 hpa比濕。再通過神經(jīng)網(wǎng)絡訓練，得到了10個站點冬季最高氣溫預測模型。

2.4? 春季最高氣溫訂正

在訂正路橋站春季最高氣溫時，發(fā)現(xiàn)按上述方法建立模型，≤2 ℃準確率較低在70%以下。因此對春季天氣進行了分型研究，通過分析天氣形勢，將春季天氣分為西南氣流型和非西南氣流型，西南氣流型850 hpa為南到西南氣流。由此得到了春季西南氣流型有128天，非西南氣流型有148天。

分析春季西南氣流型相關因子，考慮春季850 hpa在持續(xù)西南氣流或暖平流條件下，氣溫容易快速回升，增加850 hpa12小時變溫、850 hpa24小時變溫這兩個因子。氣象因子經(jīng)相關性分析，路橋站6個最相關因子包括：模式預報的最高氣溫，日照時數(shù)，500 hpa高度，700 hpa溫度，850 hpa溫度，850 hpa24小時變溫。其余9個站最相關因子為：模式預報的最高氣溫，日照時數(shù)，500 hpa高度，700hpa高度，700 hpa溫度，850 hpa溫度。為了取得更好的預測效果，將128個樣本分為4：1，再通過神經(jīng)網(wǎng)絡訓練，得到10個站點春季西南氣流最高氣溫預測模型。

春季非西南氣流最高氣溫訂正各站點選擇7個相關因子，包括模式預報的最高氣溫，500 hpa高度，500 hpa溫度，700 hpa高度，850 hpa溫度，850 hpa比濕，500 hpa風速。將148個樣本分為4：1，再通過神經(jīng)網(wǎng)絡訓練，得到10個站點春季非西南氣流最高氣溫預測模型。

3? 檢驗結果

依據(jù)《全國智能網(wǎng)格要素預報檢驗辦法》，對2018年1月—2020年12月浙江省智能網(wǎng)格未來24 h逐日最高溫度格點預報產品，從≤1 ℃溫度預報準確率、≤2 ℃溫度預報準確率、均方根誤差、平均絕對誤差等幾個方面分析產品的預報性能。

3.1? 模式最高氣溫檢驗

根據(jù)氣候統(tǒng)計將一年劃分為四個季節(jié)，其中冬季為12月至次年2月，春季為3—5月，夏季為6—8月，秋季為9—11月。

從圖1最高氣溫檢驗可知，2018—2020年各站≤2 ℃準確率最高的季節(jié)是夏季和秋季，平均準確率可達到78%左右，最高金清站夏季準確率為89%，冬季和春季平均準確率均為68%左右，最低橫街冬季準確率為57%。分站點來看模式對路橋沿海地區(qū)金清、蓬街站預報效果最好，四個季節(jié)準確率均在73%以上，橫街站準確率偏低在57%～68%之間。各站點≤1 ℃準確率春季和冬季偏低均在50%以下，夏季和秋季準確率略高，最高金清夏季為63%，但平均準確率依然不到50%。從模式誤差分析來看，各站點平均絕對誤差春季、冬季最大，誤差均在1.4～2.0 ℃之間，除橫街站外夏季、秋季誤差在1.0～1.5 ℃之間；均方根誤差各站春季最高2.0～2.6 ℃，冬季次之1.8～2.6 ℃，秋季誤差最小在1.5～2.2 ℃之間。綜上所述，模式對路橋地區(qū)夏季和秋季2 m最高氣溫預報較有優(yōu)勢，對春季和冬季最高氣溫預報能力偏弱。

3.2? 春季最高氣溫訂正分析

預測模型春季訂正效果如圖2所示，可知訂正后各站點≤1 ℃準確率訂正后提升到46%～53%，相對提升了2%～16%；≤2 ℃準確率明顯提升，達到77%～87%，比模式預報相對提升5%～24%，路橋、橫街、涼溪和桐嶼改善效果明顯，提升17%～24%，峰江站訂正前后略有提升。訂正后各站點均方根誤差在1.5～1.8 ℃，下降了0.3～0.9 ℃，

各站點訂正后誤差均有不同程度減少，且不同站點差異較小；平均絕對誤差訂正后在1.1～1.3 ℃之間，誤差減少0.3～0.7 ℃。

3.3? 夏季最高氣溫訂正分析

分析圖3模型夏季訂正效果，訂正后夏季≤1 ℃準確率提升到60%以上，提升了5%～33%；≤2 ℃準確率橫街、桐嶼站明顯提升，其他各站略有提升，訂正后準確率達到88%以上，提升了6%～24%。訂正后誤差明顯下降，均方根誤差在0.9～1.3 ℃，比模式預報下降了0.4～1 ℃，橫街、桐嶼站誤差明顯減小，訂正效果顯著；訂正后平均絕對誤差在0.68～0.96℃，誤差減少了0.3～0.9 ℃。

3.4? 秋季最高氣溫訂正分析

從圖4秋季訂正效果來看，訂正后各站≤1 ℃準確率提升到66%～73%，比智能網(wǎng)格預報提升了10%～29%；≤2 ℃準確率橫街、涼溪和桐嶼站明顯提升，達到10%～27%，最高橫街站提升了27%，訂正后各站準確率均達到93%以上，提升效果顯著。訂正后各站點均方根誤差在0.9～1.2 ℃，誤差下降了0.5～1.1 ℃；平均絕對誤差明顯下降，各站點平均絕對誤差在0.7～0.9 ℃，誤差減少了0.3～0.8 ℃，訂正后各站誤差均較小。

3.5? 冬季最高氣溫訂正分析

預測模型冬季的訂正效果如圖5所示，經(jīng)模型訂正后冬季≤1 ℃準確率提升到51%～66%，比智能網(wǎng)格預報提升了8%～30%；≤2 ℃準確率除蓬街外，各站均有明顯提升，準確率在81%～93%，比智能網(wǎng)格預報提升了6%～31%。訂正后各站點均方根誤差在1.2～1.5 ℃，誤差下降了0.4～1.4 ℃；平均絕對誤差訂正后在0.9～1.2 ℃之間，比智能網(wǎng)格預報下降了0.3～1.1 ℃。

3.6? 2020年最高氣溫訂正分析

將2020年智能網(wǎng)格2 m最高氣溫進行訂正分析，如圖6所示，經(jīng)模型訂正后，各站≤1 ℃準確率提升到58%～64%，比模式提升了10%～30%；≤2 ℃準確率均有明顯提升，比智能網(wǎng)格預報提升了10%～30%，路橋、橫街、桐嶼站均提升了30%，各站點訂正后準確率在89%～92%，訂正效果顯著。訂正后均方根誤差在1.3 ℃左右，誤差下降了0.9～2.3℃，訂正后誤差明顯下降；各站點平均絕對誤差在1 ℃以下，誤差下降了0.8～1.9 ℃。綜上所述，經(jīng)模型分季節(jié)訂正后，預報準確率能明顯提升，能顯著降低誤差，說明BP神經(jīng)網(wǎng)絡對路橋地區(qū)最高氣溫訂正有很大改善，訂正效果顯著。

4? 結? 論

浙江省智能網(wǎng)格模式對路橋地區(qū)夏季和秋季2 m最高氣溫預報具有較好的指導作用，≤2 ℃平均準確率為78%，平均絕對誤差為1.3 ℃，對春季和冬季最高氣溫預報能力偏弱。

分季節(jié)來看，訂正后秋季提升效果最為顯著，各站≤2 ℃準確率達到93%以上，平均絕對誤差在0.7～0.9 ℃之間；訂正后春季的準確率較其他季節(jié)低，≤2 ℃準確率77%～87%，平均絕對誤差1.1～1.3℃。

訂正后2020年各站最高氣溫≤2 ℃準確率均有明顯提升，比智能網(wǎng)格預報提升了10%～30%，各站點訂正后準確率在89%～92%，≤2 ℃平均準確率由65%提高到90%；各站點平均絕對誤差在1 ℃以下，誤差下降了0.8～1.9 ℃，平均絕對誤差由1.8 ℃下降到1.0 ℃。

經(jīng)模型分季節(jié)訂正后，各站點預報準確率能明顯提升，能顯著降低誤差，說明BP神經(jīng)網(wǎng)絡對路橋地區(qū)2 m最高氣溫訂正有很大改善，訂正效果顯著。

參考文獻：

[1] 金榮花，代刊，趙瑞霞，等.我國無縫隙精細化網(wǎng)格天氣預報技術進展與挑戰(zhàn) [J].氣象，2019，45（4）：445-457.

[2] 胡爭光，薛峰，金榮花，等.智能網(wǎng)格預報應用分析平臺設計與實現(xiàn) [J].氣象，2020，46（10）：1340-1350.

[3] 吳君，裴洪芹，石瑩，等.基于數(shù)值預報產品的地面氣溫BP-MOS預報方法 [J].氣象科學，2007（4）：430-435.

[4] 任巧麗，馬乾.PCA-RBF神經(jīng)網(wǎng)絡對蘭州市日平均氣溫的預測 [J].宜賓學院學報，2018，18（12）：111-115.

[5] 李倩，胡邦輝，王學忠，等.基于BP人工神經(jīng)網(wǎng)絡的區(qū)域溫度多模式集成預報試驗 [J].干旱氣象，2011，29（2）：231-235+250.

[6] 雷彥森，蔡曉軍，王文，等.遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡在地面溫度多模式集成預報的應用研究 [J].氣象科學，2018，38（6）：806-814.

[7] 李虎超，邵愛梅，何鄧新，等.BP神經(jīng)網(wǎng)絡在估算模式非系統(tǒng)性預報誤差中的應用 [J].高原氣象，2015，34（6）：1751-1757.

[8] 郭慶春，李力，張冉，等.我國氣溫變化的神經(jīng)網(wǎng)絡預測模型 [J].熱帶氣象學報，2009，25（4）：483-487.

作者簡介：王鵬（1992.01—），男，漢族，浙江臺州人，助教，本科，研究方向：氣象預報。

收稿日期：2022-10-31