气候与环境研究

作者：门晓磊

单位：北京信息科技大学信息与通信工程学院, 北京 100101,,北京信息科技大学信息与通信工程学院, 北京 100101,,北京信息科技大学信息管理学院, 北京 100192,,北京信息科技大学信息管理学院, 北京 100192,,北京信息科技大学信息管理学院, 北京 100192,,中国科学院大气物理研究所东亚区域气候-环境重点实验室, 北京 100029,,北京大学数学科学学院, 北京 100871,,中国科学院大气物理研究所东亚区域气候-环境重点实验室, 北京 100029;中国科学院大学, 北京 100049,,中国科学院大气物理研究所东亚区域气候-环境重点实验室, 北京 100029,,中国科学院大气物理研究所东亚区域气候-环境重点实验室, 北京 100029,

关键词：地面2 m气温;多模式集合平均;岭回归;随机森林;深度学习

基金：中国科学院战略性先导科技专项（A类-XDA19030403、XDA19040202），北京信息科技大学2017年度“实培计划”

模式预报的订正是决定局地天气预报结果的一个重要步骤，基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归（Ridge）、随机森林（Random Forest，RF）和深度学习（Deep Learning，DL）的3种后处理模型，基于中国气象局（CMA）的BABJ模式、欧洲中期天气预报中心（ECMWF）的ECMF模式、日本气象厅（JMA）的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月（训练期）近地面2 m气温预报和实况资料确定各模型参数，进而对2016年10月至2017年9月（预报期）华北地区（38°N~43°N，113°E~119°E）的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估，这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均（Ensemble Mean，EMN）的预报效果的对比表明：1）随着预报时长增加，4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势；但区域平均而言，Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式；特别是前几天的短期预报DL的预报效果更好，中后期预报Ridge的预报效果略好。2）华北地区的东南部均方根误差较小，其余格点上均方根误差较高，从空间分布而言，DL的订正预报效果最好，3种机器学习模型的误差在1.24~1.26℃之间，而EMN的误差达1.69℃。3）夏季各种方法的预报效果都较好，冬季预报效果都较差；但是Ridge、RF和DL的预报效果明显优于EMN，这3种模型预报的平均均方根误差在2.15~2.18℃之间，而EMN的平均均方根误差达2.45℃。

来源：2019年第1期

《气候与环境研究》期刊编辑部

查看气候与环境研究杂志2019年第1期