羅 宇，羅林艷，范嘉智，段思汝，高文娟

（1.中國氣象局氣象干部培訓(xùn)學(xué)院湖南分院，長沙410125；2.湖南省氣象信息中心，長沙410118）

隨著全球氣候變化加劇和中國經(jīng)濟(jì)社會快速發(fā)展，天氣與人類生產(chǎn)生活的關(guān)系越來越密切，精細(xì)準(zhǔn)確的天氣預(yù)報在社會經(jīng)濟(jì)、國防軍事等方面作用日益凸顯。氣象科技和信息技術(shù)的快速進(jìn)步，使得天氣預(yù)報在過去20年取得了巨大進(jìn)展，但高時空分辨率的精細(xì)化預(yù)報技術(shù)仍是氣象預(yù)測預(yù)報領(lǐng)域中的難點問題［1-3］。近年來，機(jī)器學(xué)習(xí)等計算機(jī)技術(shù)進(jìn)一步發(fā)展為精細(xì)化預(yù)報預(yù)測提供了一種基于數(shù)據(jù)驅(qū)動的新技術(shù)和新思路。孫德全等［4］利用LASSO回歸、隨機(jī)森林和深度學(xué)習(xí)3種機(jī)器學(xué)習(xí)方法，對華北地區(qū)數(shù)值天氣預(yù)報結(jié)果進(jìn)行訂正，改善局地預(yù)報精度；智協(xié)飛等［5］應(yīng)用貝葉斯模式平均法對多個數(shù)值模式預(yù)報結(jié)果進(jìn)行集成，獲得更高精度的預(yù)報和更全面的預(yù)報信息。李寧等［6］利用耦合集合經(jīng)驗?zāi)B(tài)分解（EEMD）配合自回歸求和滑動平均自回歸模型（ARIMA）對季節(jié)性降水進(jìn)行建模，以提升預(yù)報精度。Singh等［7］等利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法對日平均氣溫進(jìn)行預(yù)報，但未涉及精細(xì)化預(yù)報；王定成等［8］提出一種多元時間序列局部支持向量回歸的預(yù)報方法，對日最高、最低氣溫進(jìn)行預(yù)報。這些研究或是利用機(jī)器學(xué)習(xí)方法對多種數(shù)值模式預(yù)報結(jié)果進(jìn)行優(yōu)化組合，或是利用基于經(jīng)典時間序列預(yù)報方法（ARIMA等）未涉及多元氣象因子，或是雖結(jié)合時間序列分析和機(jī)器學(xué)習(xí)方法但未實現(xiàn)精細(xì)化預(yù)報。20世紀(jì)80～90年代出現(xiàn)的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），可對序列時間維度上的非線性特征進(jìn)行挖掘，其中由Cho等［9］提出的GRU（Grated recurrent unit）是最為常見的循環(huán)神經(jīng)網(wǎng)絡(luò)之一，已在文本分析、交通流量分析、電力負(fù)荷預(yù)報及空氣質(zhì)量預(yù)報等方面得到廣泛應(yīng)用［10-15］。本研究基于深度GRU神經(jīng)網(wǎng)絡(luò)，利用地面氣象數(shù)據(jù)對湖南省石門縣未來24 h內(nèi)逐小時氣溫進(jìn)行預(yù)報，并與ARIMA模型預(yù)報結(jié)果和歐洲中心等數(shù)值預(yù)報產(chǎn)品對比分析，進(jìn)一步探索深度學(xué)習(xí)在精細(xì)化預(yù)報中的應(yīng)用。

1 資料與方法

1.1 資料選取

本研究所用資料由全國綜合氣象信息共享平臺（CIMISS）獲取，選用湖南省石門縣1993年1月1日至2015年6月30日地面氣象觀測站逐小時數(shù)據(jù)（氣溫、氣壓、露點溫度、相對濕度和水汽壓），進(jìn)行深度GRU網(wǎng)絡(luò)建模，各要素整體情況如表1所示。石門地面氣象觀測站位于石門縣南部，29.583 3°N，111.366 7°E，海拔116.9 m，為國家基準(zhǔn)氣候站。為比較深度GRU模型與常用數(shù)值模式預(yù)報精度，選用2019年4月1日至2019年7月31日石門縣地面氣象觀測逐小時資料（CIMISS平臺中的數(shù)值預(yù)報產(chǎn)品僅保存近4個月的數(shù)據(jù)），利用建模所得深度GRU網(wǎng)絡(luò)模型進(jìn)行預(yù)報，并與對應(yīng)時間段歐洲中心（EC）和日本（JAP）數(shù)值預(yù)報產(chǎn)品進(jìn)行對比。

表1 石門國家基準(zhǔn)氣候站各氣象要素整體情況

1.2 數(shù)據(jù)預(yù)處理

石門站為國家基準(zhǔn)氣候站，觀測質(zhì)量穩(wěn)定，且數(shù)據(jù)通過質(zhì)控和審核，觀測數(shù)據(jù)質(zhì)量及數(shù)據(jù)連續(xù)性得到保障，因此數(shù)據(jù)清洗過程只對其中存在的極個別重復(fù)記錄進(jìn)行刪除處理，最終得到197 184個時次的觀測資料序列。相關(guān)研究表明［16-18］，平穩(wěn)時間序列相對更容易分析建模，而氣象數(shù)據(jù)序列多為存在較明顯周期和趨勢的非平穩(wěn)序列，因此利用一階差分方法對各氣象要素序列進(jìn)行平穩(wěn)化處理。為提升模型精度和收斂速度，降低計算負(fù)擔(dān)，采用Z-score方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理［19，20］，消除各氣象要素之間的量綱影響，使其轉(zhuǎn)化為同一個量級。

1.3 門控循環(huán)神經(jīng)網(wǎng)絡(luò)

相較于原生循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），GRU可以避免長序列訓(xùn)練過程中的梯度爆炸和梯度消失問題，捕獲任意長度時間序列的自回歸結(jié)構(gòu)，單元結(jié)構(gòu)如圖1所示，其中zt和rt分別為更新門和重置門。由圖1可見，更新門用于控制前一時刻的狀態(tài)信息被帶入到當(dāng)前狀態(tài)中的程度，更新門越大，前一時刻的狀態(tài)信息被帶入得越多。重置門控制前一狀態(tài)有多少信息被寫入到當(dāng)前的候選集h?t上，重置門越小，前一狀態(tài)的信息被寫入得越少。GRU對應(yīng)的前向傳播公式分別如式（1）至式（5）所示。

圖1 GRU單元結(jié)構(gòu)

式中，xt為t時刻的輸入向量，W為權(quán)重矩陣。

1.4 逐小時氣溫預(yù)報模型

將小時地面氣溫（T）、氣壓（P）、露點溫度（DP）、相對濕度（RH）和水汽壓（VAP）數(shù)據(jù)作為特征向量xt，t為某一特定時刻，利用過去47 h和當(dāng)前時次的特征向量序列X={x(t-47),x(t-46),…,x(t)}作為輸入，預(yù)報未來24 h的逐小時氣溫Y={y(t+1),y(t+2),…,y(t+24)}。預(yù)報模型采用4層神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如表2所示。各層神經(jīng)元數(shù)分別為20、15、20和24，其中輸入層和中間層選用GRU層，激活函數(shù)為tanh，輸出層選用Dense層（全鏈接層），激活函數(shù)為linear，各層的丟棄率均為0.2，以防止過擬合。模型性能度量選用均方誤差，采用RMSProp優(yōu)化器，學(xué)習(xí)率為0.001，訓(xùn)練迭代次數(shù)為100。本研究在Windows操作系統(tǒng)下進(jìn)行，深度GRU網(wǎng)絡(luò)建模基于Python語言和Keras深度學(xué)習(xí)框架中的Sequential模型進(jìn)行，將數(shù)據(jù)集按9∶1切割，前90%用作訓(xùn)練集訓(xùn)練模型，后10%用作測試集驗證模型精度。ARIMA建模基于R語言中的forecast包進(jìn)行。采用決定系數(shù)（R2）、均方根誤差（RMSE）、平均絕對誤差（MAE）和預(yù)報準(zhǔn)確率（ACC）對模型預(yù)報值和真實值偏離程度進(jìn)行評價，其中預(yù)報準(zhǔn)確率考慮預(yù)報氣溫與實際氣溫差值絕對值小于等于2.0℃時次所占比例。相關(guān)計算公式分別如式（6）至式（8）所示。

表2 GRU網(wǎng)絡(luò)模型結(jié)構(gòu)

式中，Tto為t時刻實際氣溫，Ttm為t時刻預(yù)報氣溫，-T o為實際氣溫均值。

2 結(jié)果與分析

2.1 深度GRU模型與ARIMA模型預(yù)報精度對比

利用地面氣象要素訓(xùn)練集數(shù)據(jù)，基于深度GRU神經(jīng)網(wǎng)絡(luò)對石門縣逐小時氣溫預(yù)報模型進(jìn)行訓(xùn)練，利用測試集數(shù)據(jù)對模型精度進(jìn)行驗證，并與ARIMA逐小時氣溫預(yù)報模型精度進(jìn)行對比，結(jié)果如表3所示。由表3可知，GRU逐小時氣溫預(yù)報模型的R2為0.909～0.997、MAE為0.358～1.948和RMSE為0.507～2.652℃，相較于ARIMA模型，評價指標(biāo)均顯著占優(yōu)。隨著預(yù)報時次增加，深度GRU模型預(yù)報誤差逐步增大，ARIMA模型預(yù)報誤差則呈先逐步增大至18 h后略微下降的趨勢，但其誤差明顯大于深度GRU模型。尤其在預(yù)報12 h后的氣溫時，ARIMA模型的RMSE均值達(dá)5.870℃，而深度GRU模型對應(yīng)時次的預(yù)報精度明顯更優(yōu)，RMSE平均僅為ARIMA模型的42.574%。根據(jù)精細(xì)化氣溫預(yù)報業(yè)務(wù)工作的要求考慮氣溫預(yù)報準(zhǔn)確率，由表3可知，深度GRU模型逐小時氣溫預(yù)報模型準(zhǔn)確率隨預(yù)報時次的增加逐漸降低至24 h的62.529%，較ARIMA模型準(zhǔn)確率提升19.379個百分點。

表3 深度GRU與ARIMA逐小時氣溫預(yù)報模型精度對比

為研究深度GRU模型預(yù)報結(jié)果的季節(jié)性差異，基于測試集數(shù)據(jù)對預(yù)報結(jié)果RMSE按春季（3月至5月）、夏季（6月至8月）、秋季（9月至11月）和冬季（12月至次年2月）進(jìn)行分析，結(jié)果如圖2所示。除在1 h預(yù)報時次上春季精度略高于夏季外，其余所有預(yù)報時次上精度均呈秋季＞冬季＞夏季＞春季，其中春季24 h預(yù)報精度2.960℃，較秋季24 h預(yù)報精度2.229℃偏高0.731℃。該結(jié)果也符合中國春季冷暖空氣勢力相當(dāng)，各物理信號微弱，氣溫預(yù)報難度較大的客觀實際［21，22］。

圖2 深度GRU模型不同季節(jié)各時效預(yù)報精度

由于春季氣溫預(yù)報難度較大，因此以2014年春季石門站數(shù)據(jù)為例，對比氣溫觀測值和GRU模型24 h氣溫預(yù)報值（圖3）。由圖3可知，除個別時次外，GRU模型24 h氣溫預(yù)報值均能較好對應(yīng)實際觀測值，且對氣溫轉(zhuǎn)折性變化有較好體現(xiàn)，進(jìn)而反映氣溫變化趨勢。

圖3 2014年石門站春季（3月至5月）氣溫觀測值與深度GRU氣溫預(yù)報模型24 h預(yù)報值對比

2.2 深度GRU模型與數(shù)值模式預(yù)報精度對比

為對比深度GRU模型和天氣預(yù)報常用數(shù)值模式預(yù)報精度（預(yù)報值與實際值之間的RMSE），選取石門地面氣象站2019年4月1日至2019年7月31日觀測逐小時資料，利用深度GRU模型進(jìn)行氣溫逐3小時預(yù)報，并與同時段的EC和JAP數(shù)值預(yù)報2 m溫度進(jìn)行對比，結(jié)果如圖4所示。由圖4可知，2019年4月至7月石門站EC和JAP逐3小時2 m溫度預(yù)報精度相當(dāng)，除9、12 h預(yù)報時次JAP預(yù)報精度略高于EC外，其他預(yù)報時次EC預(yù)報精度均略高于JAP。深度GRU模型在3、6和9 h預(yù)報精度均優(yōu)于數(shù)值預(yù)報，誤差較EC和JAP分別偏低28.35%、17.63%、10.12%和35.46%、19.07%、3.63%，12 h后數(shù)值預(yù)報精度優(yōu)于深度GRU模型。由此可見，相較于數(shù)值預(yù)報，本研究中深度GRU模型可能更適用于12 h內(nèi)的氣溫短臨預(yù)報。因此可考慮在預(yù)報業(yè)務(wù)中，引入組合預(yù)報等方法，綜合利用深度學(xué)習(xí)模型和數(shù)值模式預(yù)報各自優(yōu)勢，進(jìn)一步提升氣溫預(yù)報準(zhǔn)確性。

圖4 深度GRU模型與EC和JAP數(shù)值模式預(yù)報精度對比

3 結(jié)論與討論

本研究利用地面氣象站逐小時觀測資料，基于深度GRU神經(jīng)網(wǎng)絡(luò)構(gòu)建24 h逐小時氣溫預(yù)報模型，并與ARIMA模型預(yù)報和數(shù)值模式預(yù)報結(jié)果進(jìn)行對比分析。

1）利用湖南省石門縣地面氣象觀測站資料建立的24 h逐小時氣溫預(yù)報模型，其精度隨預(yù)報時次的增加逐步下降，但各時次預(yù)報精度均明顯優(yōu)于ARI?MA模型，尤其當(dāng)預(yù)報時次大于12 h后，深度GRU模型的RMSE平均僅為ARIMA模型的42.574%。考慮季節(jié)因素，深度GRU模型預(yù)報在秋季表現(xiàn)最好，冬季、夏季次之，春季表現(xiàn)最差，符合中國春季氣溫預(yù)報難度較大的客觀實際。根據(jù)氣象部門預(yù)報業(yè)務(wù)工作的要求對深度GRU模型24 h氣溫預(yù)報精度進(jìn)行研究，可知其預(yù)報準(zhǔn)確率為62.529%，且能較好體現(xiàn)氣溫轉(zhuǎn)折性變化。

2）基于2019年4月至7月湖南省石門縣地面氣象觀測資料，對比深度GRU模型和數(shù)值模式氣溫預(yù)報精度，發(fā)現(xiàn)本研究中的深度GRU模型更適用于12 h內(nèi)的氣溫短臨預(yù)報，其在3、6和9 h的預(yù)報精度均優(yōu)于數(shù)值預(yù)報，誤差較EC和JAP分別偏低28.35%、17.63%、10.12%和35.46%、19.07%、3.63%。因此在實際預(yù)報業(yè)務(wù)中，可綜合利用深度GRU模型和數(shù)值模式預(yù)報，進(jìn)一步提升氣溫預(yù)報準(zhǔn)確性。

3）本研究僅選用5種地面氣象觀測要素數(shù)據(jù)作為輸入向量，對單站進(jìn)行深度GRU氣溫預(yù)報建模，并未更多考慮溫度平流、天氣系統(tǒng)等大氣環(huán)流形勢及其上下游關(guān)系等空間相關(guān)性，因此計劃在后續(xù)工作中考慮天氣學(xué)和動力氣象相關(guān)知識，引入高度場、渦度場等物理量場，并嘗試?yán)镁矸e神經(jīng)網(wǎng)絡(luò)等對相關(guān)物理量場的空間特征進(jìn)行提取，改進(jìn)深度預(yù)報模型精度。