李 剛,楊秀莊,劉彥華,陳貞宏,余 清,吳昌航
(1.貴州省氣象臺(tái),貴州 貴陽(yáng) 550002;2.貴州省安順市氣象局,貴州 安順 561000)
隨著氣象科技的不斷進(jìn)步和社會(huì)經(jīng)濟(jì)的發(fā)展,對(duì)外公眾預(yù)報(bào)服務(wù)及政府決策氣象服務(wù)要求也越來(lái)越高。盡管當(dāng)前數(shù)值預(yù)報(bào)技術(shù)發(fā)展迅速,其精細(xì)化程度及預(yù)報(bào)準(zhǔn)確率都有改進(jìn)和提高,但其預(yù)報(bào)結(jié)果與觀測(cè)值之間仍存在誤差[1-2]。為提高天氣預(yù)報(bào)精度和預(yù)報(bào)準(zhǔn)確率,更好地進(jìn)行公眾及政府氣象決策服務(wù),有必要對(duì)模式直接輸出結(jié)果進(jìn)行解釋?xiě)?yīng)用和客觀技術(shù)訂正[3]。近年來(lái)針對(duì)數(shù)值預(yù)報(bào)后處理客觀訂正研究較多,特別在氣溫預(yù)報(bào)方面取得不少有意義的成果[4-7]。在當(dāng)前天氣預(yù)報(bào)服務(wù)工作中,氣溫預(yù)報(bào)一直是很復(fù)雜的科學(xué)問(wèn)題[8-9],其影響因子較多,且不同天氣形勢(shì)下影響氣溫的因子各有不同。為此,在實(shí)際氣溫預(yù)報(bào)業(yè)務(wù)中,多數(shù)氣象臺(tái)站皆是在數(shù)值模式預(yù)報(bào)產(chǎn)品基礎(chǔ)上,利用多年歷史累積觀測(cè)資料,通過(guò)分析不同因子對(duì)氣溫的影響程度而建立不同的預(yù)報(bào)模型得出最終預(yù)報(bào)結(jié)論[10-13],或是利用不同的后處理技術(shù)對(duì)數(shù)值預(yù)報(bào)進(jìn)行訂正[14-16],這些預(yù)報(bào)方法無(wú)論是主觀經(jīng)驗(yàn)分析還是客觀統(tǒng)計(jì)回歸分析等,在一定程度上都有效延長(zhǎng)了溫度預(yù)報(bào)時(shí)效,改善了預(yù)報(bào)準(zhǔn)確率。
多元回歸分析是目前氣象統(tǒng)計(jì)分析中最常用也是最基本的方法之一[17-18],其理論嚴(yán)謹(jǐn)成熟,適用于氣溫等氣象要素變化的特性(在一定時(shí)間和空間范圍內(nèi)變化可視為線(xiàn)性變化)。韋淑俠[19]利用多因子線(xiàn)性回歸MOS統(tǒng)計(jì)方法對(duì)青海省51個(gè)觀測(cè)站24~240 h預(yù)報(bào)間隔24 h的日最低氣溫、最高氣溫進(jìn)行預(yù)報(bào)試驗(yàn),結(jié)果表明當(dāng)天氣形勢(shì)變化較平穩(wěn)時(shí),MOS方法制作的氣溫預(yù)報(bào)結(jié)果不但可用,而且相當(dāng)穩(wěn)定。在氣溫客觀訂正預(yù)報(bào)中,除了MOS方法和單個(gè)預(yù)報(bào)模式輸出結(jié)果的應(yīng)用外,多模式集合預(yù)報(bào)也取得較好的發(fā)展,該方式較好地發(fā)揮并集成了各預(yù)報(bào)模式優(yōu)勢(shì)的同時(shí)給出較單一模式更優(yōu)的預(yù)報(bào)結(jié)果[20-22],大幅度改進(jìn)了預(yù)報(bào)效果。
近年來(lái),關(guān)于貴州氣溫預(yù)報(bào)已有一些研究成果,主要是某一技術(shù)方法下的某種或多種預(yù)報(bào)資料、預(yù)報(bào)因子的研究應(yīng)用,而在同一預(yù)報(bào)資料中采用多種技術(shù)方法進(jìn)行整合卻尚未開(kāi)展。基于此,本文根據(jù)貴州特殊地理位置及現(xiàn)行業(yè)務(wù)運(yùn)行實(shí)際情況,針對(duì)近年來(lái)貴州最高氣溫預(yù)報(bào)在全國(guó)排名比較落后的狀態(tài)(來(lái)源于中央氣象臺(tái)業(yè)務(wù)網(wǎng)http://10.1.64.146/npt/product/iframe/42250),利用中國(guó)氣象局每日下發(fā)的2次城鎮(zhèn)精細(xì)化預(yù)報(bào)指導(dǎo)產(chǎn)品(SCMOC),一方面運(yùn)用精細(xì)化預(yù)報(bào)產(chǎn)品對(duì)同一預(yù)報(bào)時(shí)刻的不同要素(如最高氣溫、最低氣溫、降水量、相對(duì)濕度、最低云量及總云量等)進(jìn)行影響因子選取,建立橫向預(yù)報(bào)模型[3];另一方面利用精細(xì)化指導(dǎo)預(yù)報(bào)提供的最高氣溫預(yù)報(bào)與一定時(shí)段的觀測(cè)序列建立縱向預(yù)報(bào)模型[11,23];最后再對(duì)橫向預(yù)報(bào)與縱向預(yù)報(bào)進(jìn)行整合集成,得出新的最高氣溫預(yù)報(bào)結(jié)果,旨在檢驗(yàn)SCMOC預(yù)報(bào)產(chǎn)品的誤差訂正能力。此外,選用SCMOC站點(diǎn)預(yù)報(bào)資料進(jìn)行研究,一方面它是當(dāng)前預(yù)報(bào)業(yè)務(wù)應(yīng)用參考產(chǎn)品,其預(yù)報(bào)結(jié)果也有較好的參考價(jià)值;另一方面,國(guó)家氣象局及貴州省當(dāng)前預(yù)報(bào)質(zhì)量考核與評(píng)估仍然以站點(diǎn)數(shù)據(jù)為基礎(chǔ),直接應(yīng)用下發(fā)的站點(diǎn)指導(dǎo)預(yù)報(bào),相對(duì)網(wǎng)格預(yù)報(bào)插值到站點(diǎn)的預(yù)報(bào)值誤差更小。
選取2013—2018年中國(guó)氣象局每日下發(fā)的貴州省逐日20:00(北京時(shí),下同)起報(bào)的24~72 h精細(xì)化預(yù)報(bào)指導(dǎo)產(chǎn)品,包括日最高氣溫(Tmax)、最低氣溫(Tmin)及逐日14:00最低云量(Lcc)、總云量(Tcc)、降水量(Rain)、相對(duì)濕度(RH)等,預(yù)報(bào)間隔為24 h。利用2013—2018年貴州省85個(gè)國(guó)家地面觀測(cè)站逐日20:00至次日20:00地面日最高氣溫(來(lái)源于中國(guó)氣象局統(tǒng)一建設(shè)布置的數(shù)據(jù)環(huán)境CIMISS),用于預(yù)報(bào)模型的計(jì)算和檢驗(yàn)。
1.2.1 一元線(xiàn)性回歸模型
在縱向預(yù)報(bào)方程建立中,應(yīng)用精細(xì)化指導(dǎo)預(yù)報(bào)產(chǎn)品的最高氣溫與所對(duì)應(yīng)觀測(cè)站點(diǎn)的逐日最高氣溫建立回歸模型,對(duì)未來(lái)時(shí)刻氣溫預(yù)報(bào)進(jìn)行求解和判斷,以下簡(jiǎn)稱(chēng)“縱向預(yù)報(bào)”(F2),具體公式如下:
Yit=aXit+b
(1)
式中:Xit指t時(shí)刻第i個(gè)站點(diǎn)或格點(diǎn)預(yù)報(bào)值;Yit指t時(shí)刻第i個(gè)站點(diǎn)的觀測(cè)值;回歸系數(shù)a、b由時(shí)間序列t=1,2,…,t-1的觀測(cè)和預(yù)報(bào)值經(jīng)過(guò)訓(xùn)練計(jì)算而確定[4,21]。為盡可能減小計(jì)算誤差和提高預(yù)報(bào)準(zhǔn)確率,其訓(xùn)練期長(zhǎng)度主要選取15~30 d中計(jì)算誤差最小的天數(shù)作為該站點(diǎn)或格點(diǎn)上的計(jì)算訓(xùn)練期。
1.2.2 多元線(xiàn)性回歸模型
通過(guò)對(duì)同一預(yù)報(bào)時(shí)效上的不同要素進(jìn)行相關(guān)性分析,選取相關(guān)性較為顯著的影響因子進(jìn)行預(yù)報(bào)模型的建立,以下簡(jiǎn)稱(chēng)“橫向預(yù)報(bào)”(F1),具體公式如下:
(2)
式中:y是預(yù)報(bào)結(jié)果;xj是第j個(gè)預(yù)報(bào)因子(j=1,2,…,m);b0、bj是回歸系數(shù),由最小二乘法計(jì)算而得;ε是服從正態(tài)分布的隨機(jī)誤差[24]。
1.2.3 預(yù)報(bào)整合模型
為進(jìn)一步改進(jìn)預(yù)報(bào)準(zhǔn)確率,將縱向預(yù)報(bào)F2和橫向預(yù)報(bào)F1的預(yù)報(bào)結(jié)果進(jìn)行整合集成,以下簡(jiǎn)稱(chēng)“整合預(yù)報(bào)”(Fzh),具體公式如下:
(3)
式中:yp為整合集成后預(yù)報(bào)模型的預(yù)報(bào)結(jié)果;yk為第k個(gè)預(yù)報(bào)模型的預(yù)報(bào)值;ak為第k個(gè)預(yù)報(bào)值的系數(shù),主要通過(guò)一定時(shí)間序列絕對(duì)誤差的倒數(shù)取其平均值最小化而求解,其計(jì)算訓(xùn)練期與公式(1)一致。
1.2.4 滑動(dòng)系數(shù)的應(yīng)用及氣候偏差訂正
以往預(yù)報(bào)模型對(duì)訓(xùn)練期的分析計(jì)算時(shí),其系數(shù)不變,使得預(yù)報(bào)時(shí)間越向后其誤差越來(lái)越大。為使預(yù)報(bào)結(jié)果進(jìn)一步改進(jìn)和誤差最優(yōu)化,在預(yù)報(bào)模型中應(yīng)用滑動(dòng)系數(shù)及氣候偏差訂正[16,22],即在保持使用訓(xùn)練期長(zhǎng)度不變的情況下,通過(guò)每天增加新的實(shí)況和預(yù)報(bào)值錄入,舍棄第一天的觀測(cè)及對(duì)應(yīng)預(yù)報(bào)值,從而達(dá)到模型系數(shù)的滑動(dòng)更新。氣候偏差訂正主要利用短期內(nèi)預(yù)報(bào)模型與氣候態(tài)的系統(tǒng)偏差對(duì)預(yù)報(bào)結(jié)果進(jìn)行訂正,具體訂正如下:
(4)
1.3.1 預(yù)報(bào)準(zhǔn)確率
根據(jù)中國(guó)氣象局對(duì)各省、地(市)氣象部門(mén)現(xiàn)行業(yè)務(wù)考核標(biāo)準(zhǔn),以預(yù)報(bào)值與觀測(cè)值的絕對(duì)誤差≤2.0 ℃作為溫度預(yù)報(bào)準(zhǔn)確率檢驗(yàn)的閾值。即絕對(duì)誤差小于等于2.0 ℃為正確,否則為錯(cuò)誤,其計(jì)算公式如下:
(5)
式中:TT為預(yù)報(bào)準(zhǔn)確率,Nr為預(yù)報(bào)正確的站(次)數(shù),Nf為預(yù)報(bào)的總站(次)數(shù)。
1.3.2 均方根誤差
對(duì)于某種預(yù)報(bào)方法,通過(guò)不同的檢驗(yàn)手段從不同角度對(duì)其進(jìn)行評(píng)估,除上述準(zhǔn)確率外,還采用均方根誤差對(duì)預(yù)報(bào)結(jié)果進(jìn)行檢驗(yàn)。具體計(jì)算如下:
(6)
式中:RMSE為均方根誤差;Fs為預(yù)報(bào)值;Os為觀測(cè)值;s為資料長(zhǎng)度(s=1,2,3,…,n)。
選取影響日最高氣溫預(yù)報(bào)的諸多因子進(jìn)行分析,如日最高氣溫、最低氣溫及每日14:00的低云量、總云量、相對(duì)濕度和降水量等。為在預(yù)報(bào)模型中得到較好的影響因子而建立最優(yōu)化的預(yù)報(bào)模型,有必要對(duì)這些因子進(jìn)行分析和篩選。表1列出2013—2018年貴州實(shí)測(cè)日最高氣溫與精細(xì)化指導(dǎo)預(yù)報(bào)產(chǎn)品24~72 h預(yù)報(bào)中逐24 h各預(yù)報(bào)要素的相關(guān)系數(shù)??梢钥闯?,實(shí)測(cè)日最高氣溫與精細(xì)化城鎮(zhèn)預(yù)報(bào)指導(dǎo)產(chǎn)品提供的最高氣溫、最低氣溫呈正相關(guān)性,相關(guān)系數(shù)較高(均在0.88以上),且通過(guò)α=0.001的顯著性檢驗(yàn);與14:00低云量和總云量均呈負(fù)相關(guān),相關(guān)系數(shù)分別在-0.27和-0.14以下,且分別通過(guò)α=0.02和α=0.1的顯著性檢驗(yàn);與14:00相對(duì)濕度、降水量也呈負(fù)相關(guān),但相關(guān)系數(shù)均較低(絕對(duì)值均在在0.1以下),且未通過(guò)α=0.1的顯著性檢驗(yàn),即相對(duì)濕度和降水量對(duì)最高氣溫的預(yù)報(bào)影響較小,在預(yù)報(bào)模型中作剔除處理。
圖1為2013—2018年精細(xì)化指導(dǎo)預(yù)報(bào)(SCMOC)、橫向預(yù)報(bào)(F1)、縱向預(yù)報(bào)(F2)和整合預(yù)報(bào)(Fzh)在24~72 h逐24 h預(yù)報(bào)的平均均方根誤差和預(yù)報(bào)準(zhǔn)確率。可以看出,相對(duì)SCMOC預(yù)報(bào)結(jié)果,橫向預(yù)報(bào)、縱向預(yù)報(bào)及整合預(yù)報(bào)的平均均方根誤差(RMSE)均有不同程度的減小,且整合預(yù)報(bào)改進(jìn)效果最明顯,在24~72 h預(yù)報(bào)中,各時(shí)效平均RMSE減小約1.0 ℃,其中72 h預(yù)報(bào)改進(jìn)最大(平均RMSE減小1.1 ℃)。不同預(yù)報(bào)模型的平均準(zhǔn)確率顯示,在24~72 h預(yù)報(bào)中,橫向預(yù)報(bào)、縱向預(yù)報(bào)及整合預(yù)報(bào)在準(zhǔn)確率上均有不同改進(jìn),且效果最好的同樣是整合預(yù)報(bào),在整個(gè)預(yù)報(bào)時(shí)效中平均準(zhǔn)確率在原有基礎(chǔ)上提高10%左右,其中改進(jìn)最大為72 h預(yù)報(bào),達(dá)11%。
表1 2013—2018年貴州省實(shí)測(cè)最高氣溫與精細(xì)化指導(dǎo)預(yù)報(bào)產(chǎn)品各要素在不同預(yù)報(bào)時(shí)效中的相關(guān)系數(shù)Tab.1 Correlation coefficients between different factors of SCMOC and observed maximum temperature for different forecast periods during 2013-2018
注:*、**、***分別表示通過(guò)0.1、0.02、0.001的顯著性檢驗(yàn)
圖1 2013—2018年貴州省SCMOC預(yù)報(bào)、橫向預(yù)報(bào)(F1)、縱向預(yù)報(bào)(F2)和整合預(yù)報(bào)(Fzh)最高氣溫的平均均方根誤差(a)和準(zhǔn)確率(b)Fig.1 The mean RMSE (a) and accuracy rate (b) of the maximum temperature forecasted by the SCMOC, F1, F2 and Fzh in Guizhou Province from 2013 to 2018
表2、表3分別列出2013—2018年精細(xì)化指導(dǎo)預(yù)報(bào)(SCMOC)、橫向預(yù)報(bào)(F1)、縱向預(yù)報(bào)(F2)和整合預(yù)報(bào)(Fzh)在不同預(yù)報(bào)時(shí)效、不同閾值的平均均方根誤差和平均預(yù)報(bào)準(zhǔn)確率在貴州省的百分比。由表2可見(jiàn),在24~72 h內(nèi)各預(yù)報(bào)隨著各閾值的增大其平均均方根誤差所占區(qū)域百分率均明顯增加,且各閾值下SCMOC、F1、F2和Fzh預(yù)報(bào)所占比例也依次增加,其中占比最大、效果最明顯的為整合預(yù)報(bào)(Fzh)。在SCMOC提供的24 h預(yù)報(bào)中,閾值小于2.0 ℃的平均均方根誤差所占區(qū)域比例為0%,經(jīng)過(guò)整合預(yù)報(bào)后可達(dá)24%,而在閾值小于2.5 ℃時(shí)整合預(yù)報(bào)Fzh平均均方根誤差的區(qū)域占比可達(dá)78%;SCMOC 72 h預(yù)報(bào)通過(guò)整合后,在閾值小于2.5 ℃時(shí)占全省的比例從0%增至38%。因此相對(duì)于同時(shí)次、同閾值的F1與F2,F(xiàn)zh改進(jìn)最明顯,特別是相對(duì)于精細(xì)化指導(dǎo)預(yù)報(bào)(所占百分比為0%),預(yù)報(bào)效果得到大幅度改善。
由表3可以看出,在不同閾值下,F(xiàn)zh較其他3種預(yù)報(bào)表現(xiàn)好,所占區(qū)域百分率明顯增加。在預(yù)報(bào)準(zhǔn)確率閾值大于40%時(shí),72 h內(nèi)SCMOC、F1、F2和Fzh預(yù)報(bào)模型均幾乎覆蓋全省范圍,表現(xiàn)較好;閾值大于50%時(shí),SCMOC在24~72 h預(yù)報(bào)中所占全省預(yù)報(bào)區(qū)域從96%降至13%,而整合預(yù)報(bào)(Fzh)結(jié)果所覆蓋區(qū)域均在99%以上,其中改進(jìn)最顯著為72 h預(yù)報(bào),從13%增加至99%;在閾值大于60%及以上時(shí),SCMOC幾乎沒(méi)有任何預(yù)報(bào)能力(所占區(qū)域幾乎小于1%),但通過(guò)客觀訂正后,F(xiàn)1、F2和Fzh平均預(yù)報(bào)準(zhǔn)確率均有不同程度改進(jìn),其中效果最顯著為24 h預(yù)報(bào),F(xiàn)zh預(yù)報(bào)占全省比率從1%增加至72%,而準(zhǔn)確率大于70%的區(qū)域占全省比率從0%增加至13%,較其他3種預(yù)報(bào)表現(xiàn)出更優(yōu)的預(yù)報(bào)性能。
表2 2013—2018年SCMOC預(yù)報(bào)、橫向預(yù)報(bào)(F1)、縱向預(yù)報(bào)(F2)和整合預(yù)報(bào)(Fzh)的地面最高氣溫在不同預(yù)報(bào)時(shí)效、不同閾值下的平均均方根誤差在貴州省的百分比Tab.2 The percentage of mean RMSE of maximum temperature forecasts of SCMOC, F1, F2 and Fzh under different thresholds in Guizhou Province during 2013-2018 單位:%
表3 2013—2018年SCMOC預(yù)報(bào)、橫向預(yù)報(bào)(F1)、縱向預(yù)報(bào)(F2)和整合預(yù)報(bào)(Fzh)的地面最高氣溫在不同預(yù)報(bào)時(shí)效、不同閾值下的平均預(yù)報(bào)準(zhǔn)確率在貴州省的百分比Tab.3 The percentage of mean accuracy rate of maximum temperature forecasts of SCMOC, F1, F2 and Fzh under different thresholds in Guizhou Province during 2013-2018 單位:%
為進(jìn)一步了解各客觀預(yù)報(bào)的性能,以72 h預(yù)報(bào)為例,圖2、圖3分別為2013—2018年精細(xì)化指導(dǎo)預(yù)報(bào)(SCMOC)和其他3種客觀預(yù)報(bào)(F1、F2和Fzh)的平均均方根誤差(RMSE)及平均預(yù)報(bào)準(zhǔn)確率的空間分布??梢钥闯觯現(xiàn)1、F2和Fzh預(yù)報(bào)的平均RMSE在全省范圍內(nèi)均有明顯減小,其中Fzh預(yù)報(bào)改進(jìn)最明顯,相對(duì)SCMOC預(yù)報(bào),全省平均RMSE下降1.0~1.5 ℃,其次為F2預(yù)報(bào)。另外,F(xiàn)1對(duì)貴州中部以北地區(qū)改進(jìn)極為明顯,平均RMSE由最高4.2 ℃下降至最低2.7 ℃,改善幅度達(dá)1.5 ℃,南部地區(qū)改進(jìn)略差,平均RMSE下降幅度在0.5~1.0 ℃,在西南部的預(yù)報(bào)卻不如SCMOC。F2較SCMOC改進(jìn)相對(duì)平穩(wěn),全省平均RMSE下降1.0 ℃左右。通過(guò)橫向預(yù)報(bào)與縱向預(yù)報(bào)進(jìn)行集成整合后,F(xiàn)zh相對(duì)于SCMOC全省范圍內(nèi)預(yù)報(bào)效果明顯提升,對(duì)北部地區(qū)改進(jìn)幅度突破2.0 ℃以上,對(duì)F1在西南部預(yù)報(bào)不足的情況也得到較大改善。平均預(yù)報(bào)準(zhǔn)確率的空間分布與平均RMSE分布比較類(lèi)似,即F1較SCMOC的改進(jìn)中北部較明顯,F(xiàn)2較SCMOC改進(jìn)整體較平穩(wěn)。其中效果最顯著的仍為Fzh,F(xiàn)zh全省平均預(yù)報(bào)準(zhǔn)確率在原有基礎(chǔ)上(SCMOC)平均提升11%,在中部以北提升達(dá)15%~22%,在中部以南提升5%~9%。
為詳細(xì)了解各客觀預(yù)報(bào)的改進(jìn)能力,圖4為2013—2018年貴州省不同季節(jié)、不同時(shí)效下的平均預(yù)報(bào)準(zhǔn)確率??梢钥闯觯ㄟ^(guò)客觀方法訂正后,各季節(jié)在各預(yù)報(bào)時(shí)效上準(zhǔn)確率均有不同程度提高,但由于季節(jié)差異,SCMOC春、夏季預(yù)報(bào)準(zhǔn)確率總體低于秋、冬季。F1春、夏季相對(duì)于SCMOC在各預(yù)報(bào)時(shí)效上改進(jìn)較為突出,尤其是春季預(yù)報(bào)準(zhǔn)確率超過(guò)F2,但在秋季各預(yù)報(bào)時(shí)效及冬季24 h預(yù)報(bào)時(shí),其訂正效果不如SCMOC預(yù)報(bào)。相對(duì)于SCMOC各預(yù)報(bào)時(shí)效,F(xiàn)2在四個(gè)季節(jié)中均有改進(jìn),且較穩(wěn)定。三種客觀預(yù)報(bào)模型中,改進(jìn)最明顯的為整合預(yù)報(bào)Fzh,在24~72 h預(yù)報(bào)中,各季節(jié)的平均預(yù)報(bào)準(zhǔn)確率在原有基礎(chǔ)上(SCMOC)均提升10%左右,其中,提升最高為夏季72 h預(yù)報(bào),其平均準(zhǔn)確率提升達(dá)12%。
圖5為2013—2018年貴州省夏季SCMOC預(yù)報(bào)、橫向預(yù)報(bào)F1、縱向預(yù)報(bào)F2和整合預(yù)報(bào)Fzh在72 h最高氣溫的平均準(zhǔn)確率空間分布??梢钥闯?,三類(lèi)客觀訂正預(yù)報(bào)相對(duì)于SCMOC均有改進(jìn),且改進(jìn)效果最好的仍為整合預(yù)報(bào),相對(duì)于SCMOC全省平均準(zhǔn)確率提升12%以上。其中,改進(jìn)最明顯的是貴州省北部地區(qū),預(yù)報(bào)準(zhǔn)確率由42%提升至74%,改進(jìn)幅度達(dá)32%。
圖2 2013—2018年貴州省SCMOC預(yù)報(bào)(a)、橫向預(yù)報(bào)F1(b)、縱向預(yù)報(bào)F2(c)和整合預(yù)報(bào)Fzh(d)72 h最高氣溫平均均方根誤差空間分布(單位:℃)Fig.2 The spatial distribution of mean RMSE of 72-hour maximum temperature forecast of SCMOC (a), F1 (b), F2 (c) and Fzh (d) in Guizhou Province from 2013 to 2018 (Unit: ℃)
圖3 2013—2018年貴州省SCMOC預(yù)報(bào)(a)、橫向預(yù)報(bào)F1(b)、縱向預(yù)報(bào)F2(c)和整合預(yù)報(bào)Fzh(d)72 h最高氣溫預(yù)報(bào)準(zhǔn)確率空間分布Fig.3 The spatial distribution of accuracy rate of 72-hour maximum temperature forecast of SCMOC (a), F1 (b), F2 (c) and Fzh (d) in Guizhou Province from 2013 to 2018
圖4 2013—2018年貴州省不同季節(jié)SCMOC預(yù)報(bào)、橫向預(yù)報(bào)F1、縱向預(yù)報(bào)F2和整合預(yù)報(bào)Fzh的平均預(yù)報(bào)準(zhǔn)確率Fig.4 Mean forecast accuracy rate of SCMOC, F1, F2 and Fzh in different seasons in Guizhou Province from 2013 to 2018
(1)橫向預(yù)報(bào)(F1)的最高氣溫在24~72 h預(yù)報(bào)中較SCMOC預(yù)報(bào)均有明顯改進(jìn),特別在貴州省中北部地區(qū)改進(jìn)較顯著,平均RMSE減小幅度達(dá)1.5 ℃。
(2)縱向預(yù)報(bào)(F2)的改進(jìn)效果相對(duì)于F1在貴州省中北部地區(qū)略差,但在全省總體優(yōu)于F1,相對(duì)于SCMOC,平均RMSE和平均預(yù)報(bào)準(zhǔn)確率均有改進(jìn),且其性能在空間、時(shí)間上表現(xiàn)相對(duì)較穩(wěn)定。
(3)整合預(yù)報(bào)(Fzh)相對(duì)于SCMOC、F1和F2,在24~72 h預(yù)報(bào)中,其平均預(yù)報(bào)準(zhǔn)確率和平均均方根誤差的改善幅度最明顯,全省平均RMSE下降1.0~2.0 ℃,準(zhǔn)確率平均提高11%,其中貴州省中部以北地區(qū)可達(dá)15%~22%。
由于季節(jié)和空間的差異,不同訂正方法均有各自?xún)?yōu)勢(shì),在不同季節(jié)和區(qū)域上表現(xiàn)出不同的改進(jìn)效果和穩(wěn)定程度。如在季節(jié)上,F(xiàn)1訂正效果優(yōu)于F2,但秋季F1卻不如F2;在空間分布上,F(xiàn)1在貴州省的中北部?jī)?yōu)于F2,但南部地區(qū)F1又不如F2。通過(guò)預(yù)報(bào)集成整合后,彌補(bǔ)了不同訂正方法在不同季節(jié)和空間上的差異,F(xiàn)zh展現(xiàn)出更好的預(yù)報(bào)效果,大幅度提升了預(yù)報(bào)準(zhǔn)確率。