基于智能網格的灞橋區溫度預報檢驗與訂正

王一格 劉延莉 張宏利 雷宇

摘要 基于灞橋區12個區域自動站數據，采用6種滾動訂正法，對陜西智能網格氣象預報系統DCOEF的2 m氣溫預報產品進行誤差訂正。結果表明，6種滾動訂正法對DCOEF的2 m氣溫預報有不同程度訂正效果：滑動誤差回歸訂正效果最優，誤差回歸法和滑動雙因子回歸法次之；隨預報時效延長，滑動雙因子回歸法較誤差回歸法和滑動誤差回歸法穩定性更好。

關鍵詞 預報檢驗；偏差訂正；格點溫度預報

中圖分類號：P457.3 文獻標識碼：B 文章編號：2095–3305（2023）07–0117-03

隨著經濟、社會高速發展，站點預報已經無法滿足精細預報的需要，針對格點的精細化要素預報成為未來發展方向。由于模式本身在動力框架、參數化過程和方案、初始場等方面存在誤差，導致相應的模式預報產品存在不確定性，近年來隨著模式不斷發展，模式產品的誤差在不斷減小，但仍未完全消除。在此背景下，對模式產品進行訂正釋用是提高氣溫客觀預報準確率的重要手段，眾多學者利用線性或非線性方法對模式預報產品進行訂正。白永清等[1]分時建立MOS方程能夠有效降低夜間的預報誤差，將實況最高氣溫引入卡爾曼濾波方程，提高預報準確率。王婧等[2]在對比多種訂正方法后認為采用滑動雙權重平均法對2 m溫度的預報訂正效果最好。

精細化網格預報是中國氣象局的主推業務和未來發展方向，陜西省氣象局就此現狀利用“動態交叉最優要素預報”（DCOEF）建立陜西省基礎網格預報場，為網格預報發展提供參考[3]。在此基礎上，王瑾婷等[4]根據咸陽大風天氣特征對大風預報產品進行訂正。本研究利用灞橋區12個氣象觀測站逐3 h數據，采用6種不同誤差訂正方法，對陜西智能網格氣象預報系統（秦智）3 h預報時效2 m氣溫DCOEF預報產品進行誤差訂正，并對訂正前后的預報結果檢驗分析，以期為灞橋區2 m氣溫預報提供參考。

1 資料和方法

1.1 資料與方法介紹

2 m氣溫模式預報選用秦智00：00和12：00（世界時）起報的3 h預報時效DCOEF產品（空間分辨率3×3 km），觀測數據采用灞橋區12個氣象觀測站逐3 h數據。從2019年6月1—30日中截取樣本時間。為方便計算比較，將DCOEF產品通過雙線性插值法插值到灞橋區12個站點上，并根據灞橋區天氣氣候和地形特征，將站點分為洪慶山、白鹿原和城區（見表1）。

為了在有限的資源下獲取較高質量預報場，利用滾動誤差訂正，即在獲得t時刻觀測場后，及時對未來t+n（n=1，2，3，…，24 h）時刻預報場進行誤差訂正。在此設置6種誤差訂正方案進行回歸模擬對比試驗[5]。具體如下：

方案1：誤差回歸訂正（bias regression

correction，BRC），采用最小二乘回歸思路，對t時刻與t+n時刻的觀測場與DCOEF預報場誤差回歸建模，最終得到訂正場。

F′t+n=Ft+n+b0+b1Et

方案2：模式直接輸出回歸訂正

（direct model output regression correction，DRC），根據MOS思想，同一時刻的模式預報產品對訂正場有決定性作用，采用最小二乘回歸思路，對t+n時刻預報場與t+n時刻觀測場回歸建模。

F′t+n=b0+b1Ft+n

方案3：雙因子回歸訂正（two-pred-

ictor regression correction，TPRC），利用多元線性回歸，將t時刻誤差與t+n時刻預報場作為預報因子，與t+n時刻觀測場回歸建模得到訂正場。

F′t+n=b0+b1Ft+n+b2Et

以上三式中，Et為t時刻觀測場與DCOEF預報場的誤差，Ft+n和F′t+n分別為t+n時刻訂正前后的預報場。b0、b1和b2分別為利用最小二乘法建立的模型系數。

考慮到模型樣本數不足的情形下，由于方案1～3的模型不隨預報時間變化而變化，因而不能較好地反映新因子變化，分別設計與之對應隨預報時間滑動的3種模型，即：

方案4：滑動誤差回歸訂正（sliding bias regression correction，SBRC）；

方案5：滑動模式直接輸出回歸訂正（sliding direct model output regression correction，SDRC）；

方案6：滑動雙因子回歸訂正（sliding

two-predictor regression correction，STPRC）。

鑒于2 m溫度具有半日周期、日周期和15 d周期的變化特征，采用15 d

為方案4～6的滑動周期，檢驗指標包括平均絕對誤差（MAE）、均方根誤差（RMSE）以及≥2 ℃和≤1 ℃準確率[5]。

1.2 預報檢驗

網格預報能否合理模擬出灞橋區

2 m氣溫的時空間分布，這在一定程度上決定了該產品的可信度。因此需要檢驗對比DCOEF的2 m氣溫預報產品和灞橋區12個氣象觀測站實況。

以00：00起報為例，灞橋區不同區域DCOEF與觀測場的MAE、RMSE范圍分別為1.4～1.9 ℃和1.8～2.4 ℃，≤2 ℃和≤1 ℃準確率范圍分別為0.59%～0.75%和0.32%～0.46%，其中，DCOEF對城區2 m氣溫的預報效果最好，白鹿原地區次之，對洪慶山地區的預報偏差最大，說明DCOEF相對于觀測場的誤差存在明顯的區域性差異。進一步評估了不同起報時間、不同預報時效DCOEF對灞橋區2 m氣溫的預報性能，結果顯示DCOEF不同起報時間的檢驗結果不同：00：00起報的DCOEF相對于觀測場的MAE和RMSE隨預報時效增加而增加，≤2 ℃和≤1 ℃準確率隨預報時效增加而減小；12：00起報的DCOEF相對于觀測場預報誤差隨預報時效增加變化不大。

綜上所述，同一起報時間下，MAE、RMSE、≤2 ℃和≤1 ℃準確率的空間分布類似；隨著預報時效延長，DCOEF相對于觀測場的預報誤差逐漸增加，說明DCOEF的2 m氣溫產品存在一定系統性偏差，能夠通過訂正方法進行調整改善。

2 訂正結果與分析

2.1 平均絕對誤差

圖1是對灞橋區00：00（12：00）起報的訂正場的MAE檢驗，00：00（12：00）起報DCOEF的MAE為1.2 ℃（2.3 ℃）。從檢驗結果來看，00：00起報的訂正場中，方案2和方案5對3～6 h（3～15 h）預報有負訂正效果，并隨預報時效增加訂正效果不穩定性增強；方案1和方案3訂正效果較好，尤其在3～6 h，對應滑動方案4和方案6在9～24 h訂正效果最好。12：00起報的訂正場中，方案1和方案4訂正效果最優，尤其是方案4在3～24 h預報時效的MAE降幅在0.7～1.2 ℃；方案3和方案6訂正效果次之；方案2和方案5在3～15 h出現負訂正效果。綜合上述分析可知，基于平均誤差分析，方案4訂正效果最好，且隨著預報時效延長，其穩定性最好。

2.2 均方根誤差

從檢驗結果來看，RMSE與MAE的檢驗結果類似。方案2和方案5在不同起報時間均對短時預報存在負訂正效果。方案1的訂正效果相對較好，尤其在3～6 h訂正結果為最優；方案3的訂正效果在00：00起報條件下與方案1的類似，但在12：00起報條件下，其訂正效果不如方案1；在00：00起報條件下，方案4和方案6在9～24 h的訂正效果最好，在12：00起報的訂正場中，方案4相較于方案6的訂正效果更好，在3～24 h預報時效的RMSE減小幅度在1.1～1.4 ℃，但隨著預報時效延長，方案6的穩定性較方案4更好。整體上，在均方根誤差方面，方案4和方案6的訂正效果最優，方案1和方案3次之，方案2和方案5較差。

2.3 ≤2 ℃準確率

經計算，不同起報時間的預報場和訂正場的≤2 ℃平均準確率存在差異（圖2）。DCOEF的3 h預報時效平均準確率為0.70%（00：00起報）和0.50%（12：00起報）。從檢驗結果來看，方案2和方案5對灞橋區2 m溫度的訂正效果不明顯，甚至出現負訂正。00：00起報訂正場中，方案4和方案6的平均準確率高達0.87%；12：00起報訂正場中，方案4平均準確率升至0.80%，方案1（平均準確率0.79%）較方案6（平均準確率0.67%）訂正效果更優。整體來看，在≤2 ℃準確率檢驗中，方案4對DCOEF不同起報時間的3 h預報時效預報的訂正效果最好。

2.4 ≤1 ℃準確率

為進一步比較6種訂正方案的訂正效果，還計算了DCOEF和訂正場≤1 ℃平均準確率。相較12：00起報，00：00起報的預報場和訂正場的≤1 ℃平均準確率更高（圖3）。對比訂正場檢驗結果，方案2、3和5對灞橋區2 m溫度的訂正效果不明顯。00：00起報的訂正場中，方案1、4和6的≤1 ℃平均準確率均超過0.50%，其中方案4的≤1 ℃平均準確率可達0.60%，訂正效果最優，方案6次之；12：00起報的訂正場中，方案1、4和6的≤1 ℃平均準確率較DCOEF提升0.11%～0.28%，其中方案4的≤1 ℃平均準確率超過0.50%，訂正效果更優，方案1次之。總體而言，在≤1 ℃準確率檢驗中，方案4對DCOEF不同起報時間的3 h預報時效預報訂正效果最好，方案1和方案6次之，但隨著預報時效增加，方案6相對于方案1和方案4，訂正效果更加穩定。

3 結論

利用灞橋區12個氣象觀測站的逐3 h數據，采用6種不同的滾動訂正方法，對陜西智能網格氣象預報系統3 h預報時效的2 m氣溫DCOEF預報產品進行誤差訂正，并對訂正前、后的預報結果進行檢驗分析。結果如下：

（1）灞橋區DCOEF的2 m氣溫預報相對于觀測場的誤差存在區域性差異。同一起報時間，MAE、RMSE、≤2 ℃和≤1 ℃準確率的空間分布類似，隨著預報時效延長，DCOEF相對于觀測場的預報誤差逐漸增加，存在系統性偏差，能夠通過訂正方法調整改善。

（2）6種滾動訂正方法對DCOEF的2 m氣溫預報場均有不同程度的訂正作用。綜合多種指標的檢驗結果，方案4對DCOEF不同起報時間的3 h預報時效預報訂正效果最好，其次是方案1和方案6，二者在不同起報時間訂正效果有所不同。但是隨著預報時效的延長，方案6的穩定性優于方案1和方案4。

需要說明的是，通過滾動訂正方法對灞橋區0～24 h預報時效的DCOEF的2 m氣溫預報產品有所改善，但仍未充分發揮秦智系統預報性能，后期若結合訂正結果建立時滯后法集合預報產品，可能能更好地為基層預報員提供預報產品支撐。

參考文獻

[1] 白永清，林春澤，陳正洪，等.基于LAPS分析的WRF模式逐時氣溫精細化預報釋用[J].氣象，2013，39（4）：460-465.

[2] 王婧，徐枝芳，范廣洲，等.GRAPES_RAFS系統2 m溫度偏差訂正方法研究[J].氣象，2015，41（6）：719-726.

[3] 王建鵬，薛春芳，潘留杰，等.陜西省精細化網格預報業務系統技術方法[J].氣象科技，2018，46（5）：910-918.

[4] 王瑾婷，高萌，劉帆，等.咸陽地區大風天氣特征及智能網格大風預報訂正[J].陜西氣象，2022（6）：7-14.

[5] 曾曉青，薛峰，趙瑞霞，等.幾種格點化溫度滾動訂正預報方案對比研究[J].氣象，2019，45（7）：1009-1018.

Temperature Test and Rolling Correction Forecast of Baqiao Based on Intelligent Grid Forecast

Wang Yi-ge et al（Xian Meteorological Centre， Xian， Shaanxi 710016）

Abstract Based on the data of 12 automatic stations in Baqiao， this paper adopts six temperature rolling correction methods to correct the error of 2m temperature DCOEF forecast product of Shaanxi Intelligent Grid Weather Forecast System. The results show that the six rolling correction methods have different degrees of correction effects on the DCOEFs 2m temperature forecast： the sliding error regression correction has the best correction effect， followed by the error regression correction method and the sliding two-factor regression correction method; the stability of sliding two-factor regression correction method is better than that of the error regression correction method and the sliding error regression correction method with the extension of prediction time.

Key words Test of forecast; Deviation correction; Grid temperature forecast