基于机器学习的华北气温多模式集合预报的订正方法

摘要：

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 °C之间,而EMN的误差达1.69 °C.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 °C之间,而EMN的平均均方根误差达2.45 °C.

关键词：地面2m气温、多模式集合平均、岭回归、随机森林、深度学习

所属期刊栏目：24

分类号：P457.3(天气预报)

资助基金：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"

在线出版日期：2019-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：116-124