两种统计预报方法在广安气温预报中的对比研究

李曦

两种统计预报方法在广安气温预报中的对比研究

李曦

（广安市气象局，四川 广安 638500）

将2009—2012年欧洲中期数值预报模式产品资料（ECMWF）作为预报因子，以四川广安市4个测站（广安、武胜、邻水、岳池）同时期每日最高气温、最低气温为预报对象，分别采用MOS统计方法、BP神经网络算法训练并建立起预报方程，然后利用2012—2013年的实况数据对预报结论进行检验。结果表明，通过MOS方法、BP神经网络方法得到的预报结论明显优于数值模式本身的预报结论；采用两种方法对最低、最高温度的预报准确率均较高，对最低温度的预报准确率略高于最高气温，且均随着时间的延长，准确率下降；MOS方法对最低温度的预报准确率略高于BP方法，而BP方法对最高气温的预报效果更好。

气温预报；MOS方法；BP神经网络；预报检验

1 引言

精细化天气预报业务随着经济、社会的发展需要被提出来，这是气象预报业务现代化发展的总趋势，也是气象事业发展的重点发展方向。由于精细化预报涉及的预报对象的扩充、预报时效的延长、预报间隔的缩短、预报空间的细化，增大了精细化预报的数据量和预报难度，天气预报员按照常规主观预报方式难以完成精细化天气预报工作。随着数值天气预报技术的不断进步，数值产品的时效性越来越强、空间分辨率越来越高、预报准确率越来越高，因此，合理运用数值预报产品并对数值产品进行加工、订正和释用，实现数值产品的本地化运用，进一步提高数值天气预报的本地化产品精度就成为了气象工作的的重要内容。

目前，气象研究者已在气象统计方法中数值预报模式的产品释用方面做了大量的工作，并已取得较好的成果。陈优平等[1]利用卡尔曼滤波法对GFS产品完成了嘉兴市温度客观预报工作，发现使用该方法对气温的具有较好的预报效果；陈豫英等[2]使用MOS方法对宁夏地区的平均气温进行预报，结果表明MOS法对平均气温的预报能力明显优于数值模式产品，随着资料的划分，预报效果有差异；林纾等[3]利用MOS方法对风场产品进行预报，发现MOS方法对风场具有较好的预报效果；胡江林等[4]利用人工神经网络算法完成了暴雨的预报研究，预报效果表明人工神经网络算法明显提高了数值模式的暴雨预测效果；韦惠红等[5]以欧洲、日本等数值模式资料为基础，使用SVM方法（支持向量机）建立了暴雨预报模型，完成了对暴雨的预报工作，检验结果表明该方法对暴雨预报具有一定的预报能力和参考价值；熊秋芬等[6]、贺皓等[7]分别使用SVM方法完成了天空云量和大雾的预报，并取得了一定的成果；吴爱敏[8]利用欧洲中期预报资料并集成MOS方法、SVM方法、卡尔曼滤波方法完成了庆阳市极端温度预报，发现集成后的方法比单一的方法准确性有所改善和提高。

本文采用ECMWF（欧洲中期数值预报）高分辨率数值预报资料作为预报因子，以同时段四川广安各站的最低、最高温度作为预报对象，分别应用多元统计回归算法（MOS方法）、前馈神经网络算法（BP算法）两种统计算法建立的预报方程，制作四川广安地区24 h、48 h、72 h的最高气温、最低气温预报，同时利用实况资料对预报结论进行检验，并讨论两种方法的预报准确率。

2 预报方法

2.1 资料与数据

本文采用2009—2012年欧洲中期数值预报模式产品资料（ECMWF）作为预报因子，以四川广安市4个测站（广安、武胜、邻水、岳池）的同时期每日最高气温、最低气温作为预报对象，将模式产品资料利用距离插值方法插值到各个站点上，完成模式产品到实况资料的匹配。

在温度预报中，降水、云量、日照、风向风速、气压、湿度、垂直运动以环流背景都对测站温度有着重要的影响，为了全面、准确描述温度的影响因子，本文选定的预报因子包括2009—2012年ECMWF 08：00和20：00资料：海平面气压、地面变压、850 hPa温度、850 hPa变温、850 hPa相对湿度、700 hPa相对湿度、500 hPa高度以及500 hPa变高等。

以下将分别介绍两种重要的气象统计算法：MOS方法和BP神经网络算法，通过这两种统计算法对2010—2012年的数据进行训练、模拟，得到基于MOS方法、BP神经网络算法的预报方程，然后利用2012—2013年的数据对预报方程进行验证。

2.2 MOS方法介绍

MOS预报方法是一种重要的统计学释用方法，它在数值天气预报模式的历史预报产品和相应时次的预报对象间建立统计关系，建立回归预报方程。在进行预报时，把数值预报输出的各因子代入相应的预报方程中，就可以输出预报产品。

MOS方法在气象预报中具有明显的优点：MOS方法可以较好地订正数值模式的系统性偏差，只要数值模式的具有较稳定的偏差特征，就可以通过MOS方法得到较好的预报结果。而由于MOS方程的建立依赖于数值模式，当数值模式发生较大的变动时，MOS的预报结果就较差。

2.3 BP方法介绍

BP神经网络是由人工建立的以有向图为拓扑结构的动态系统，通过对连续或断续的输入作状态响应而进行信息处理。BP算法为一种监督式的学习方法，它通过输入大量的学习样本，再通过使用反向传播算法对网络权值和偏差进行反复调整训练，使输出向量与期望尽量接近，当网络输出层误差平方小于指定的误差时，完成训练，最终得到权重值和偏差分布。

隐层至输出层权、输入层至隐层权调整表达式为：

j，k=j，k+（k－k）k（1－k）j

输出层、隐含层节点阈值调整表达式为：

k=k+（k－k）k（1－k）

对于某一训练样本，采用以上算法，通过误差反传调整各层神经元的权值，反复输入所有训练模式样本序列，重复以上步骤，直到误差权值不再改变，输出误差限定于规定范围内。

3 结果分析

分别利用MOS方法和BP神经网络算法对2010-11—2012-07共600组数据进行了训练、模拟，得到基于MOS方法、BP神经网络算法的预报方程，然后利用2012-07—2013-06的近300组数据对预报方程进行检验，并对预测结果进行分析。由于目前气象部门实行温度预报2 ℃标准，即预报结果与实况相差2 ℃以上时，评定为预报错误；当相差2 ℃以内时，评定为预报正确。

因此，采用预报准确率来对最高、最低气温进行检验，预报准确率的计算方法为：预报准确率=预报正确个数/（预报正确个数+预报错误个数）。

从预测误差上看，MOS方法和BP方法对24 h、48 h、72 h最低温度的预报系统偏差分别为－0.123 ℃、－0.11 ℃、－0.09 ℃，0.19 ℃、0.01 ℃、－0.03 ℃，对最高温度预报的系统偏差分别为0.3 ℃、0.35 ℃、0.21 ℃，－0.35 ℃、－0.37 ℃、－0.33 ℃。

从绝对误差上看，MOS方法和BP方法对最低温度预报的绝对误差分别为1.02 ℃、1.07 ℃、1.06 ℃，1.3 ℃、1.03 ℃、1.41 ℃，对最高温度预报的绝对误差分别为1.61 ℃、1.66 ℃、1.7 ℃，1.53 ℃、1.65 ℃、1.69 ℃。

通过与实况资料的检验对比表明：以±2 ℃温差为正确标准，MOS算法对24 h最低气温的预报准确率分别达到了88.9%，对48 h的最低温度预报准确率达到了86.2%，对72 h的最低温度预报准确率也达到了88.2%；而BP预报方法对24 h、48 h、72 h的最低温度预报准确率分别达到了80.9%，86.6%，73%。在最高温度方面，MOS方法对24 h、48 h、72 h的最高温度的预报准确率分别达到了67.8%，68.9%，68.4%；而BP方法的预报准确分别为70.7%，69.5%以及67.1%。

检验结果表明：两种方法均能预报出广安本地的最高、最低温度，且预报准确率较高。两种预报方法的最低温度预报准确率均高于最高温度预报准确率，且随着时间的延长，预报准确率逐渐降低。两种预报方法的主要差异表现在：相比BP预报方法，MOS方法对最低温度的预报具有优势，预报准确率更高、更稳定，而BP方法在对最高温度的预报中表现更好。

基于以上检验结果，在实际气温预报工作中利用MOS算法对广安市最低气温进行预报，而采用BP算法预报最高气温。

这样形成的本地气温预报方法就兼具了MOS方法预报最低气温的稳定性及BP方法预报最高气温的优越性。MOS方法、BP方法在广安本地的最高、最低预报工作中均有一定的指导意义。

4 结论

本文采用ECMWF（欧洲中期数值预报）产品，利用MOS方法、BP方法对广安地区的最高、最低气温进行预报，结果表明两种方法均能较为准确地预报出最高、最低气温，且预报准确率较高，最低温度的预报准确率明显高于最高温度，随着时间的延长，准确率逐步降低。两种预报方法差异表现在对最低、最高气温的预报准确率上：MOS方法对最低气温的预报准确率高，而BP方法对最高气温的预报准确率高。因此，在实际业务使用中，应该结合使用MOS方法和BP方法，这样才能更进一步提高预报准确率。

在研究工作中还存在不足之处，包括两种方法建立的预报公式过于笼统和粗糙，不够细化。本文直接针对每日最高、最低气温建立了温度预报方程，没有考虑到季节差异造成的影响。实际上，由于气温的季节性差异明显，采用同一个预报公式对不同季节气温进行预报存在较大的差异。下一步将针对本地的气候特点，分季节建立温度预报方程，这样可进一步提高温度预报的准确率。

［1］陈优平，陆琛莉，李云泉.基于GFS产品和卡尔曼滤波的嘉兴市温度客观预报［J］.气象科技，2009，37（2）：142-144.

［2］陈豫英，陈楠，王素艳，等.MOS方法在动力延伸期候平均气温预报中的应用［J］.应用气象学报，2011，22（1）：86-95.

［3］林纾，张东方，王永光，等.MOS方法在西北地区东部春季干旱预警的应用与检验［J］.气象，2010，36（5）：98-101.

［4］胡江林，涂松柏，冯光柳，等.基于人工神经网络的暴雨预报方法探讨［J］.热带气象学报，2003，19（4）：423-428.

［5］韦惠红，李才媛，邓红，等.SVM方法在武汉区域夏季暴雨预报业务中的应用［J］.气象科技，2009，37（2）：145-148.

［6］熊秋芬，顾永刚，王丽.支持向量机分类方法在天空云量预报中的应用［J］.气象，2007，33（5）：20-26.

［7］贺皓，罗慧.基于支持向量机模式识别的大雾预报方法［J］.气象科技，2009，37（2）：149-151.

［8］吴爱敏.极端气温集成预报方法对比［J］.气象科技，2012，40（5）：772-777.

P457.3

A

10.15913/j.cnki.kjycx.2019.15.039

2095－6835（2019）15－0098－03

李曦（1985—），男，四川广安人，研究生，气象工程师，研究方向为中短期天气预报、雷达气象。

〔编辑：张思楠〕