基于機器學習方法的內蒙古地區格點風場模式預報產品研究

摘? 要：為了提高格點風場預報產品的準確性，提出了一套基于深度學習和集成學習的風速、風向預報方法。使用時間序列上的站點風實況數據和空間范圍上的數值模式預報產品建立時空信息匹配模型，使用了長短期記憶法（LSTM）和極端梯度提升（XGBoost）建立時空匹配的聯合預報產品訂正模型，形成72小時隔3小時、5千米時空分辨率的SCMOC風速、風向預報產品。評估結果顯示，相較于SCMOC預測，聯合模型實現風速平均絕對誤差（MAE）降低了14.17%，風向平均絕對誤差（MAE）降低了23.61%。模型對SCMOC風場產品的風速、風向的準確率有較好的提升，產品釋用效果良好。

關鍵詞：LSTM；XGBoost；時空匹配；指導預報產品；產品釋用

中圖分類號：TP18? 文獻標識碼：A? 文章編號：2096-4706（2023）24-0016-05

Research on Grid Wind Field Model Prediction Products in Inner Mongolia Based on Machine Learning Method

LIU Hui

（Meteorological Data Center of Inner Mongolia Autonomous Region， Hohhot? 010010， China）

Abstract： In order to improve the accuracy of grid wind field prediction products， a set of wind speed and direction prediction methods based on deep learning and ensemble learning is proposed. The real-time data of station wind in the time series and the numerical model prediction products in the spatial range are used to establish the spatio-temporal information matching model， and the Long short-term memory method （LSTM） and extreme gradient lifting （XGBoost） are used to establish the joint prediction product correction model with spatio-temporal matching， forming the 72 hour SCMOC wind speed and direction prediction products with spatio-temporal resolution of 3 hours and 5 kilometers. The assessment results show that the mean absolute error （MAE） of wind speed realized by the joint model is 14.17% lower than that of SCMOC prediction， and the mean absolute error of wind direction is 23.61% lower than that of SCMOC prediction. The model has significantly improved the accuracy of wind speed and direction for SCMOC wind farm products， and the product has a good interpretation effect.

Keywords： LSTM; XGBoost; spatiotemporal matching; guiding forecast product; product interpretation

0? 引? 言

數值模式預報產品與實際天氣之間仍存在一些差異，這種誤差主要是由初始場誤差和模型誤差引起的[1]。模式產品釋用（MOS）方法是一種在業務中廣泛預報應用技術，大量的實踐表明，在特定空間、特定時間應用統計等方法對模式輸出結果進行調整，能夠形成更準確的預報[2]。最近幾年，在傳統統計學之外，出現了一些基于集成學習和深度神經網絡進行預報產品釋用的研究，薛諶彬等在研究中提出了一種結合滑動雙權重平均訂正法和空間誤差逐步訂正法的綜合訂正技術，并對2016年5月1日至2017年5月1日期間24～168 h預報時效內歐洲中期天氣預報中（ECMWF）高分辨率模式的2 m最高和最低溫度進行偏差訂正和誤差分析，形成的綜合訂正法已成功運用于江西省精細化氣象要素客觀預報業務系統中[3]。Wei的研究與本項目研究內容相似，同樣是研究風的，研究將臺風期間WRF模式輸出與臺灣各實況觀測站點數據通過深度學習（DNN）的方法來輸出新的預報，結果較WRF更加逼近實況值[4]。陳法敬等人基于NCEP集合預報應用貝葉斯概率進行預報融合，實現集合預報的概率化[5]，這些研究釋用ECMWF高分辨率模式以及WRF模式產品，取得了不錯的效果。

利用鄰近臨近信息改進目標站點的預報的所謂時空預報方法越來越受到人們的關注[6]，基于時間與空間一定范圍內的風場有某種相互影響，特別是對于風，目標站點的時間序列數據與其周圍站點的時間序列數據有緊密關系[7]，本文使用時間序列上的站點風數據和空間范圍的格點預報產品，聯合長短期記憶法（LSTM）和極端梯度提升（XGBoost）建立集成模型尋找觀測與數值模式輸出之間的關系模型，并利用該模型將多個預報轉變為一個單值預報，以獲得更準確的預報結果。

1? 研究方法

1.1? LSTM算法

長短期記憶網絡（Long Short-Term Memory， LSTM）是一種時間循環神經網絡，是為了解決一般的RNN（循環神經網絡）存在的長期依賴問題而專門設計出來的，所有的RNN都具有一種重復神經網絡模塊的鏈式形式。在標準RNN中，這個重復的結構模塊只有一個非常簡單的結構，例如一個tanh層。與基本的 RNN 相比，LSTM網絡具有更好的收斂性能。LSTM由多個函數組成，而常規RNN只有一個函數。這些函數試圖記住有用的信息，忘記來自輸入的不必要的信息[8]。圖1顯示了LSTM中的函數之間的關系。

1.2? XGBoost算法

XGBoost是Gradient Boost的一種提升版本，Gradient Boost是boosting算法的其中一種[9]。Gradient Boosting中將負梯度作為上一輪基學習器犯錯的衡量指標，算法思想就是不斷地添加樹，不斷地進行特征分裂來生長一棵樹，去擬合上次預測的殘差。按這樣的過程重復訓練出M個學習器，最后進行加權組合[10]，XGBoost的提升模型也是采用擬合殘差去降低損失函數，不同的是其擬合過程是直接用泰勒展開式將損失函數展開成二項式函數[11]，圖2為XGBoost算法流程圖。

1.3? LSTM-XGBoost

LSTM-XGBoost算法將LSTM和XGBoost算法結合使用，使用LSTM進行時間特征訓練，使用XGBoost進行空間特征訓練，將XGBoost模型附加到LSTM輸出上建立集成模型形成時空數據與預測值之間的關系，圖3為LSTM-XGBoost結構圖。

訓練過程分為兩步，首先使用SCMOC時間序列的數據輸入到LSTM中，訓練生成LSTM預報模型，使用T-9、T-6、T-3時刻數據預測T時刻風速、風向數據。第二步用LSTM生成的結果加上T時刻SCMOC目標轉到周圍5×5范圍的風速風向數據輸入XGBoost最終生成T時刻風速、風向數據。

LSTM-XGBoost模型中LSTM網絡嘗試捕獲風演化信息的隱式特征，XGBoost通過目標站點周圍一定范圍風場數據嘗試捕獲一定范圍內風場相互影響關系，LSTM-XGBoost風速模型中使用回歸模型，風向模型中使用分類模型。

2? 試驗與檢驗

2.1? 數據來源

智能網格指導產品（SCMOC）為2018年至2021年中央氣象臺每日下發2次的氣象要素精細化預報指導產品，起報時間分別為北京時間08：00和20：00，格式為grib2，分辨率為5 km格點產品，范圍涵蓋全國區域（70E～140E、0N～60N）預報時長為240小時或72小時。數據來源內蒙古自治區氣象信息中心。

如圖4所示（數據來源內蒙古自治區氣象信息中心），站點數據為內蒙古自治區2018年至2021年119各國家站地面觀測資料，氣象要素包括：10 m風速、10 m風向。

2.2? 數據集生成

數據預處理和質量控制，第一步進行邏輯性檢查對SCMOC風向小于0°或者大于360°，風速小于0或者大于120 m/s的樣本剔除，第二步進行一致性檢查，對于SCMOC預報風速與站點風速差的絕對值大于50 m/s的樣本剔除。

LSTM-XGBoost聯合模型數據集包含兩部分，由于SCMOC模式產品的滯后性，一般滯后12小時，所以3～72小時任意T時刻是可以獲取T-3、T-6、T-9時刻的數據，實驗中LSTM部分數據集以T時刻站點數據作為標簽，站點對應的SCMOC格點產品最近格點數據T-3、T-6、T-9作為訓練數據。生成LSTM數據集。

使用00時和12時SCMOC資料目標站點周圍一定范圍內的格點數據作為XGBoost模型預測輸入數據集。圖5描述了EC模式預報和SCMOC預報起報時間選取數據時間段。

LSTM-XGBoost聯合模型數據集，LSTM部分使用LSTM數據集，XGBoost部分使用00時和12時SCMOC資料目標站點周圍一定范圍內的格點數據和LSTM輸出數據作為XGBoost模型輸入數據集。

2.3? 風速預報模型構建

LSTM-XGBoost風速模型，使用數據集圍為：2018年1月1日～2019年10月1日是數據，采用訓練集數據進行建模，測試集數據進行模，將數據集按照80：20的比例劃分為訓練集和測試集，分別生成LSTM、XGBoost和LSTM-XGBoost回歸模型。

2.4? 風向預報模型的構建

LSTM-XGBoost風向訂正模型，使用數據集與風速相同，由于風速0～360度沒有實際意義的大小，使用回歸方法在預測值與真實值大于180度時失真，為了更好地表示真實的風向意義，項目按照全國智能網格氣象預報業務規定（試行）風向檢驗劃分規則，將0～360度風向按照45度一個角度分為8個類別，生成風向分類模型，如表1所示。

3? ?檢驗評估

3.1? 檢驗方法

3.1.1? 技巧評分

技巧評分參照《城鎮氣象要素預報的風預報質量檢驗辦法（試行）的通知》（氣預函〔2014〕91號）對SCMOC和基于機器學習風預報模型產品進行檢驗。

風向技評分檢驗風向按照8個方位劃分進行檢驗，風向預報檢驗技巧評分采用如式（1）：

式中：SCdi為第i個站風向預報得分，詳見表2。NF為預報總站（次）數，K為1～8，其中，1～8代表8個方位。

風速預報檢驗技巧評分采用如下公式：

式中，SCdi為第i個站風速預報得分，詳見表3。NF為預報總站（次）數。

3.1.2? 平均絕對誤差（MAE）

平均絕對誤差風向的檢驗參考中國氣象局《QX/T 229—2014風預報檢驗方法》。評估風向預報檢驗平均絕對誤差（MAE）采用式（3）：

其中，Oi為站點觀測值，Gi為實況分析產品插值到檢驗站點得到的數值，N為參與檢驗的總樣本數（站次數），風速平均絕對誤差（MAE）：

其中，Oi為站點觀測值，Gi為實況分析產品插值到檢驗站點得到的數值，N為參與檢驗的總樣本數（站次數）。

3.2? 檢驗結果

基于風速預報模型，對全區119個自動站2019年10月1日到2020年10月1日1年的數據進行風速預報評估。評估結果表明，風速模型預報平均絕對誤差相對于指導預報（SCMOC）預報平均絕對誤差（MAE）降低14.17%（ML MODEL：1.035，SCMOC：1.20）；

評分提高了4.63%（ML MODEL：0.752，SCMOC：0.719）；準確率提高了13.16%（ML MODEL：0.493 4，

SCMOC：0.436 1）；風速≤6級準確率提高了13.15%（ML MODEL：0.493 8，SCMOC：0.436 4）；6～8級和≥8級基本相同。

圖6展示了3至72小時逐3小時預報風速模型預報評分和指導預報（SCMOC）預報評分對比。

圖7展示了3至72小時逐3小時預報風速模型預報平均絕對誤差和指導預報（SCMOC）預報平均絕對誤差對比。

3.3? 風向預報模型效果評估

基于風向預報模型，對全區119個自動站2019年10月1日到2020年10月1日1年的數據進行風向預報評估。評估結果表明，風向模型預報平均絕對誤差相對于指導預報（SCMOC）預報平均絕對誤差（MAE）降低23.61%（ML MODEL：43.03，SCMOC：56.35）；評分提高了23.5%（ML MODEL：0.651，SCMOC：0.528）；準確率提高了44.1%（ML MODEL：0.454，SCMOC：0.315）。

圖8展示了3至72小時逐3小時預報風向模型預報評分和指導預報（SCMOC）預報評分對比。

圖9展示了3至72小時逐3小時預報風向模型預報平均絕對誤差和指導預報（SCMOC）預報平均絕對誤差對比。

4? 結? 論

受制于目前的超算性能和超高分辨率數值天氣技術理論尚無突破，數值模式對風的預報能力仍顯不足。本研究通過基于機器學習方法對數值模式風的預報產品進行了釋用，建立了較為完整的風場預報智能模型，從評估結果來看風速模型、風向模型預測結果通過不同的評估方法評估結果相比SCMOC均有提高，為內蒙古智能網格預報提供技術支撐。

參考文獻：

[1] ZHANG K，MU M，WANG Q.Identifying the sensitive area in adaptive observation for predicting the upstream Kuroshio transport variation in a 3-D ocean model [J].Science China（Earth Sciences），2017，60（5）：866-875.

[2] 李莉，朱躍建.T213降水預報訂正系統的建立與研究 [J].應用氣象學報，2006（S1）：130-134.

[3] 薛諶彬，陳嫻，張瑛，等.ECMWF高分辨率模式2m溫度預報誤差訂正方法研究 [J].氣象，2019，45（6）：831-842.

[4] WEI C C. Study on Wind Simulations Using Deep Learning Techniques during Typhoons： A Case Study of Northern Taiwan [J/OL].Atmosphere，2019，10（11）：684[2023-05-29].https：//doi.org/10.3390/atmos10110684.

[5] 陳法敬，矯梅燕，陳靜.一種溫度集合預報產品釋用方法的初步研究 [J].氣象，2011，37（1）：14-20.

[6] 劉大剛，李志華.大風風力預報準確率的統計特征分析 [J].大連海事大學學報，2003（4）：47-49.

[7] 孫軍波，錢燕珍，陳佩燕，等.登陸臺風站點大風預報的人工神經網絡方法 [J].氣象，2010，36（9）：81-86.

[8] GERS F A，Schmidhuber J，Cummins F，et al. Learning to Forget： Continual Prediction with LSTM [J].Neural Computation，2000，12（10）：2451-2471.

[9] CHEN T Q，Guestrin C.XGBoost： A Scalable Tree Boosting System [J/OL].arXiv：1603.02754 [cs.LG].[2023-05-29].https：//arxiv.org/abs/1603.02754.

[10] FRIEDMAN J H.Greedy Function Approximation： A Gradient Boosting Machine [J].Annals of Statistics，2001，29（5）：1189-1232.

[11] CHEN T Q，HE T，Benesty M，et al. xgboost： Extreme Gradient Boosting [EB/OL].https：//cran.r-project.org/web/packages/xgboost/index.html.

作者簡介：劉輝（1989.03—），男，漢族，陜西洛南人，工程師，本科，研究方向：氣象數據處理、衛星數據遙感。