羅小川，唐榮年，寧雨珂，李 創(chuàng)

（海南大學(xué)機電工程學(xué)院，海南?？?570228）

隨著社會發(fā)展水平的提高，社會各界對氣象預(yù)報的時間、空間分辨率要求逐漸精細，對預(yù)報的準確程度要求逐漸增高.傳統(tǒng)的基于數(shù)值方法的氣象預(yù)報方法所耗資源較大，耗時較長，隨著需求的增長，數(shù)值氣象預(yù)報在短臨預(yù)報任務(wù)中存在著成本高而響應(yīng)慢的缺陷［1］.近年來，深度學(xué)習(xí)在計算機視覺領(lǐng)域取得了極大的進展，為氣象要素的短臨預(yù)報提供了新的解決方案，大量研究基于序列-序列（Sequence-to-Sequence，Seq2Seq）的深度學(xué)習(xí)框架結(jié)合大量歷史數(shù)據(jù)針對氣象預(yù)報取得了進展［2］.深度學(xué)習(xí)模型通過既定的算法框架以及通過大量數(shù)據(jù)訓(xùn)練得出的參數(shù)集合，在對氣象要素進行短臨預(yù)報時，結(jié)果的計算結(jié)果近乎達到實時.

根據(jù)高效、高分辨率和高精度氣象預(yù)報的發(fā)展趨勢，以及深度學(xué)習(xí)中端對端（End-to-End）學(xué)習(xí)策略的特性［3］，模型的訓(xùn)練需要大量實測的網(wǎng)格氣象要素產(chǎn)品作為模型訓(xùn)練的支撐.Shi等［4］利用2009～2015年HKO-7雷達回波數(shù)據(jù)搭建了雷達外推深度學(xué)習(xí)模型.Yang等［5］基于中國海域高分辨率輻射計海表溫度數(shù)據(jù)集與國家海洋與大氣管理局高分辨率海表溫度數(shù)據(jù)集搭建了深度學(xué)習(xí)預(yù)測模型.Li等［6］利用長白山站與海北站實測數(shù)據(jù)搭建了深度學(xué)習(xí)的土壤溫度預(yù)測模型.由此可見，基于深度學(xué)習(xí)的氣象預(yù)報模型同樣依賴大量實測數(shù)據(jù)的支撐.

LSTM在序列預(yù)測任務(wù)的快速進展在氣象要素站點數(shù)據(jù)上得到了驗證，但隨著社會各界對氣象預(yù)報需求的增長，基于圖像的網(wǎng)格化氣象預(yù)測成為了氣象預(yù)測領(lǐng)域迫切的需求.Shi等［7］結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對空間信息的特征提取與信息編碼能力以及遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）及其變體長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）的序列特征編碼特性提出了ConvLSTM，根據(jù)手寫數(shù)字數(shù)據(jù)集MNIST構(gòu)建了隨時序移動的手寫數(shù)字集MovingMNIST，并利用該數(shù)據(jù)集驗證了ConvLSTM結(jié)合Seq2Seq框架可用于圖像序列的編碼與預(yù)測，為網(wǎng)格化的氣象數(shù)據(jù)預(yù)測提供了新的思路.Ma C等［8］利用改進的ConvLSTM實現(xiàn)了渦流檢測與預(yù)報模型.Heye等［9］采用ConvLSTM實現(xiàn)了一種Seq2Seq框架下的降雨預(yù)報模型.但是ConvLSTM基于卷積層的特征提取方法存在最局部信息的過度關(guān)注，在較大范圍內(nèi)的氣象預(yù)報問題中，較為全局的空間特征提取往往依賴更大的卷積核或更多層的卷積和下采樣操作，也就意味著網(wǎng)絡(luò)深度的加深以及模型參數(shù)的增加，從而導(dǎo)致模型占用更大的計算資源.

針對多個維度全局信息的提取，Vaswani等［10］指出人在觀測信息時會選擇只關(guān)注需要關(guān)注的區(qū)域，并由此提出注意力機制（Attention）.Dosovitskiy等［11］基于注意力機制提出了ViT（Vision Transformer），將注意力機制推廣到了計算機視覺領(lǐng)域，并在圖像的分類任務(wù)中取得了重大的進展.Trebing等［12］通過構(gòu)建結(jié)合了Attention機制的UNet模型實現(xiàn)了降水短臨預(yù)報.Yan等［13］結(jié)合殘差卷積網(wǎng)絡(luò)和Attention機制構(gòu)建了短臨降雨預(yù)報模型.但Attention機制因其計算復(fù)雜度的問題，在對各維度數(shù)據(jù)的注意力得分矩陣計算以及稀疏化的過程中，所需要占用的計算資源隨數(shù)據(jù)包含信息的增加呈現(xiàn)指數(shù)的增長，增加了模型運算的成本.

在Seq2Seq框架當中，傳統(tǒng)的編碼-解碼結(jié)構(gòu)（Encoder-Decoder）在序列預(yù)測問題上存在一定的局限，即所輸入的序列或需要預(yù)測的序列精度與長度受限于編碼層輸出的特征編碼的長度.在LSTM及ConvLSTM中，此編碼的長度為一個LSTM層輸出的最終隱藏狀態(tài).為此Attention機制的提出提供了解決方案，通過在序列維度上構(gòu)建的軸向自注意層獲取序列軸全局相似度信息.但Attention機制在計算注意力矩陣過程中存在O(n2)的計算復(fù)雜度，基于時序的軸向自注意仍然需要占用巨大的計算資源.

因此，筆者基于CLDAS數(shù)據(jù)集在海南島區(qū)域64×64網(wǎng)格選區(qū)以及深度學(xué)習(xí)Seq2Seq框架提出一種新的算法，結(jié)合ConvLSTM算法與Attention機制的優(yōu)勢，通過循環(huán)更新特征編碼的方式，避免因編碼層輸出的特征編碼長度限制而導(dǎo)致的精度損失，在所選區(qū)域內(nèi)構(gòu)建了64×64網(wǎng)格2 m溫度短臨預(yù)報模型，驗證了所提出算法的有效性.

1 數(shù)據(jù)

采用中國氣象局陸面數(shù)據(jù)同化系統(tǒng)實時產(chǎn)品數(shù)據(jù)集（CLDAS）作為深度學(xué)習(xí)算法對海南島區(qū)域網(wǎng)格溫度預(yù)報模型的訓(xùn)練支撐，產(chǎn)品為覆蓋亞洲區(qū)域（0°～65°N，60°E～160°E），0.062 5°×0.062 5°與1 h分辨率的的等經(jīng)緯度網(wǎng)格融合分析產(chǎn)品，包括大氣驅(qū)動場產(chǎn)品（2 m氣溫、2 m比濕、10 m風(fēng)速、地面氣壓、降水和短波輻射6個要素）等5種產(chǎn)品.該數(shù)據(jù)集利用多種來源地面、衛(wèi)星等觀測資料，采用多重網(wǎng)格變分同化（Space and Time Mesoscale Analysis System，STMAS）、最優(yōu)插值（Optimal Interpolation，OI）、概率密度函數(shù)匹配（Cumulative Distribution Function，CDF）、物理反演和地形校正等技術(shù)研制而成，在中國區(qū)域質(zhì)量優(yōu)于國際同類產(chǎn)品，且時空分辨率更高.實時產(chǎn)品實時更新發(fā)布，滯后1 h.在本次實驗中截取了數(shù)據(jù)集中覆蓋了了海南島范圍的64×64網(wǎng)格區(qū)域，并使用2020年1月1日0時～2020年1月31日23時實時數(shù)據(jù)，選取大氣驅(qū)動產(chǎn)品中的2 m氣溫、2 m相對濕度、10 m風(fēng)速作為實驗?zāi)Ｐ洼斎氲牟糠滞ǖ罃?shù)據(jù)，其余通道包括了選取內(nèi)的海拔高度、月、日、時編碼和經(jīng)緯度信息.如圖1所示，通過圖示方法構(gòu)造單個時刻的數(shù)據(jù)信息張量，并按相同方法逐時刻構(gòu)造數(shù)據(jù)，從像素的角度來看，每個像素下都包含了特定時刻特定位置下各要素有序構(gòu)成的特征向量.

圖1 逐時刻數(shù)據(jù)張量構(gòu)造方法

在構(gòu)建了所選區(qū)域內(nèi)逐時刻的多通道張量后，采用24幀滑動窗構(gòu)建輸入-真實值對序列，其中前12個有序的多通道張量為模型的輸入，從后12個有序多通道張量中選取2 m溫度信息通道作為真實值，用于與模型輸出計算誤差，并通過計算圖得出梯度在網(wǎng)絡(luò)中反向傳播，優(yōu)化網(wǎng)絡(luò)參數(shù).

在提取了所有輸出-真實值對序列樣本后，為驗證所訓(xùn)練模型的有效性，依據(jù)時序每10個樣本中抽取一個樣本作為測試樣本，并由此構(gòu)建了測試集，并由訓(xùn)練集與測試集分別計算2個樣本集各通道的均值與標準差用于數(shù)據(jù)的Z-Score預(yù)處理，其中單個通道的均值為

樣本單通道標準差為

其中，σ為所計算的單個通道下的標準差，最終輸入到模型的各通道輸入均為

2 模型構(gòu)建與實驗

提出了一種新的模型，以實現(xiàn)對含有時間、通道、長寬4個維度的數(shù)據(jù)的時間特征的提取以及空間信息的聚合.模型先后包含時間特征提取模塊、通道空間信息聚合模塊以及2層通道全連接層，并在數(shù)據(jù)前向傳播過程中按先后順序?qū)斎霐?shù)據(jù)進行時序特征提取、通道及空間信息聚合，通道信息全連接（通過2層1×1卷積層基于通道加權(quán)求和，分別命名為F C1和F C2）.如圖2所示，輸入數(shù)據(jù)為一串有序排列的多通道圖像，通過對數(shù)據(jù)的一次前向傳播計算單個時次的2 m溫度預(yù)測值.

圖2 模型結(jié)構(gòu)圖

為了解決Encoder-Decoder結(jié)構(gòu)中編碼向量長度對預(yù)測序列長度與精度的限制問題，模型對單個時序的編碼輸入到F C1后，將該層的輸出拷貝并去除張量計算圖，串聯(lián)至模型原輸入數(shù)據(jù)的末端，剔除原輸入的第一時刻數(shù)據(jù).在完成預(yù)設(shè)的預(yù)測時次后，將所有FC1的輸出前向傳播到FC2，并由該層輸出與真實值計算的誤差以及相應(yīng)的梯度，并反向傳播.采用均方根誤差（Mean Squared Error，MSE）作為計算反向傳播梯度的損失函數(shù)，同時采用Adam優(yōu)化器對模型進行訓(xùn)練，

其中，n為所有預(yù)測時刻的網(wǎng)格總數(shù)，即S×I×J.為模型計算得出的溫度預(yù)測值.

根據(jù)實驗對模型滾動更新的訓(xùn)練方式，每次數(shù)據(jù)的前向傳播得出的F C1輸出可表示為

其中，Zt，Z t+1…Z t+m為每次循環(huán)得出的中間編碼，m為預(yù)設(shè)的預(yù)測時次，n在此處指輸入模型的數(shù)據(jù)所包含的時次，θ為時間特征提取模塊、空間聚合模塊以及FC1中的所有參數(shù)集合.通過上述計算，最終將Z構(gòu)成的張量序列通過FC2得出溫度的預(yù)測結(jié)果

其中，W與b分別為線性變換的權(quán)重張量以及偏置.

如圖3所示的算法流程圖，模型將每個時序的編解碼結(jié)果輸入到統(tǒng)一參數(shù)的F C2子模塊，輸出各時序的預(yù)測結(jié)果.

圖3 算法流程圖

2.1 時間特征提取模塊時間特征提取模塊包含2層編碼子模塊，各子模塊中先后包含一層卷積核為3×3的卷積層以及一層卷積核為3×3的ConvLSTM層.通過Z-Score變換的序列數(shù)據(jù)輸入到第一層編碼子模塊后，每個時序都輸出對應(yīng)的隱藏狀態(tài)，進而輸入到下一個編碼子模塊，第二層子模塊的輸出中，僅取用最后一個時序的隱藏狀態(tài)作為時序編碼輸出的編碼張量.基于時序編碼過程中全部采用3×3的卷積核進行局部空間特征信息的提取.因此，時序特征提取模塊的輸出仍然缺少全局空間特征信息的聚合.時序特征提取模塊通過增加隱藏層的通道數(shù)量以及Leaky-ReLU激活函數(shù)獲得序列的稀疏編碼，該稀疏編碼由空間信息聚合模塊得到最終的時空特征提取編碼.

為了對輸入數(shù)據(jù)進行初步的信息提取與編碼，在時間特征提取模塊的每個子模塊中，模型引入了一層卷積層對堆疊的信息進行卷積濾波.卷積操作中的濾波算子具有空間不變性以及通道特異性，通過多個算子在空間維度平移得出對應(yīng)的特征編碼，其中特征編碼中的每個元素為卷積算子與對應(yīng)區(qū)域的相似度表達，該相似度通過輸入矩陣切片與濾波算子的哈達瑪積表示，即

其中，c為輸入信號與卷積濾波算子的通道序號，Y表示卷積濾波算子.在通過一系列卷積濾波算子對局部信息進行提取后，對輸入的具有時序特征的信息通過長短期記憶算法進行時序特征提取，結(jié)合長短期記憶算法計算流程，則卷積長短期記憶可表達

其中，i t，f t，Ct，o t，H t分別表示卷積長短期記憶層中輸入門、遺忘門、單元狀態(tài)、輸出門以及隱藏狀態(tài)（即輸出）的輸出，W與b表示當前計算中的可訓(xùn)練參數(shù)，分別代表權(quán)重張量和偏置，“?”表示求哈達瑪積，“*”表示上文所提的卷積操作，sigmoid函數(shù)具體公式為

依據(jù)輸入數(shù)據(jù)的時序迭代更新卷積長短期記憶中的單元狀態(tài)以及隱藏狀態(tài)參數(shù)，并且通過梯度下降更新卷積算子參數(shù)，最終模型在前向傳播時，可以獲得具有時序特征的隱藏狀態(tài)作為時序特征編碼.

2.2 通道空間聚合模塊空間聚合模塊中先后包含通道、縱軸、橫軸共3層軸向自注意層，可將上述模塊所輸出的稀疏編碼基于3個維度進行信息聚合.為了避免通道空間聚合的過程中需要對整個空間信息進行重構(gòu)，將殘差結(jié)構(gòu)應(yīng)用于通道空間聚合模塊，從而加快模型的收斂.

實驗在數(shù)據(jù)的構(gòu)造當中加入了時間戳編碼，在基于通道維度的自注意層當中，通過反向傳播過程中訓(xùn)練更新的權(quán)重，模型可以更快基于時間戳所占權(quán)重計算出整個溫度場大致的數(shù)值分布.同時在空間上，長寬軸自注意層隨著訓(xùn)練更新的權(quán)重可以找到在空間以及通道維度上相關(guān)性更大的區(qū)域.

在由通道維度自注意層以及長寬軸自注意層串聯(lián)形成的自注意模塊當中，算法通過將輸入數(shù)據(jù)整理成一維向量集合，通過將這些向量映射到不同的空間并計算相似度得分實現(xiàn)查詢機制.機制中的變量包括Q（Query），K（Key），V（Value），并且均通過線性變換的方式映射到不同的空間，具體的實現(xiàn)為

將數(shù)據(jù)基于3對不同的權(quán)重矩陣和偏置進行變換后，算法將數(shù)據(jù)通過公式（18）進行相似度得分計算，并輸出編碼結(jié)果

其中，每一個一維向量均會與其他的向量計算相似度矩陣，這意味如果有n個一維向量在此向量集中，以此自注意層的編碼計算的復(fù)雜度為O(n2).根據(jù)上述算法機制，如果將時間特征提取模塊輸出的編碼當中每個通道的單個數(shù)據(jù)元素作為一個向量整理向量集，那么計算量將非常龐大.因此，基于3個維度對該中間編碼進行整理，分別基于長、寬以及通道的維度，將數(shù)據(jù)整理成尺寸分別為(C×H，W)，(C×W，H)以及(W×H，C)的向量集合，通過3層串聯(lián)的自注意層進行逐層編碼，不僅降低了計算的復(fù)雜度，同時基于全局對空間與通道間的信息進行了聚合.

2.3 多頭自注意與大多數(shù)神經(jīng)網(wǎng)絡(luò)相同，自注意模型同樣需要足夠稀疏的編碼對模式進行學(xué)習(xí)，為了能夠提升模型的學(xué)習(xí)性能，在卷積神經(jīng)網(wǎng)絡(luò)當中通常通過增加可訓(xùn)練卷積濾波算子的個數(shù)對網(wǎng)絡(luò)逐層的學(xué)習(xí)編碼能力進行提升.在注意力機制模型當中，采用多頭自注意的形式增加模型的寬度，具體的方式為將數(shù)據(jù)映射到多個不同的Q，K，V空間，并用對應(yīng)的Q K V分別計算相似度得分信息.其映射方法可用公式表達為

其中，W q，W k，W v矩陣的尺寸均為(heads*dimension，n)，heads為模型預(yù)設(shè)的頭參數(shù)，即當前層網(wǎng)絡(luò)的寬度，dimension為每個頭當中對應(yīng)映射空間的維數(shù)，n為原輸入數(shù)據(jù)的維數(shù).

本文所提到的通道空間聚合模塊，針對通道、長、寬軸的信息聚合，均采用多頭自注意的形式對數(shù)據(jù)信息進行聚合，其中每層的頭參數(shù)均設(shè)置為4.

2.4 模型構(gòu)建參數(shù)在本文所提出的模型中將時序特征與空間信息的聚合分為2個模塊進行，不同于編碼解碼結(jié)構(gòu)的ConvLSTM網(wǎng)絡(luò)，在時間特征提取模塊中，僅堆疊了2層子模塊，并且在每個子模塊中均只定義了32個大小為3×3的卷積濾波算子對局部空間信息進行提取，縮減了模型的參數(shù)容量.在通道空間聚合模塊當中，為了盡可能多的學(xué)習(xí)各通道以及空間中的相關(guān)信息，采用多頭自注意的方法并且將編碼頭參數(shù)設(shè)定為4，并且在每個注意力頭的映射關(guān)系當中，均將數(shù)據(jù)映射到32維空間進行表示.即W q，W k，W v矩陣的尺寸均為(4*32，n)，其中n為每個編碼軸對應(yīng)的向量長度，其中通道軸為32，長、寬軸均為64.模型具體的參數(shù)設(shè)置如表1所示.

表1 模型參數(shù)設(shè)置

3 結(jié)果與討論

3.1 模型對海南島區(qū)域的溫度預(yù)測結(jié)果在綜合了溫度場、濕度場、風(fēng)場、海拔高度和時間戳等信息的數(shù)據(jù)構(gòu)造下，模型學(xué)到了基于時間、空間以及通道上各要素的非線性映射.利用隨機抽樣出的測試集對模型進行檢驗（圖4，圖5），從圖4中可以分辨出隨晝夜變化的海陸溫度變化差異，不同海拔高度下的溫度差異等氣候現(xiàn)象.由于海南島所處地理位置的特性，當輸入序列的圖像邊緣有隨時間向南移動的低溫區(qū)，模型同樣可以預(yù)測到其移動軌跡以及形態(tài)的變化.

圖4 模型輸出效果圖

圖5 誤差分析對比圖

如圖4所示，第1和2行為輸入與輸出序列，包含24個時次的2 m溫度場實測數(shù)據(jù)，第3行為模型基于第1行12個時次的輸入而計算得出的溫度場預(yù)報序列.模型在訓(xùn)練到第200Epoch時訓(xùn)練結(jié)束，且損失函數(shù)已達到收斂狀態(tài).

在個別測試序列當中，當選區(qū)邊緣出現(xiàn)的擾動在待預(yù)測的時序中趨于穩(wěn)定或消散時，模型的預(yù)測值與真實值間的誤差也逐漸減小，誤差超過2℃的格點數(shù)逐漸降低.

如圖5所示，第1行為待預(yù)測時序的溫度場真實值，第2行為模型的預(yù)報輸出，第3行為根據(jù)第1、2行計算出的模型預(yù)報的誤差，第4行為誤差當中絕對值超過2℃的所有網(wǎng)格.根據(jù)圖5觀測，在所選區(qū)域內(nèi)，海南島沿海區(qū)域以及選區(qū)邊緣的預(yù)報均容易產(chǎn)生較大誤差，研究其原因與海南島氣候受洋流與季風(fēng)的影響存在關(guān)聯(lián).除此之外，模型預(yù)測的所有時次中大部分區(qū)域的誤差均小于2℃.

最終，模型通過時間特征提取模塊與通道空間聚合模塊學(xué)習(xí)了海南島及周邊海域溫度場與其他氣象要素的模式，并對抽樣得出的測試數(shù)據(jù)進行了準確的預(yù)報，驗證了所出提循環(huán)更新編碼方法的有效性，在測試數(shù)據(jù)中，預(yù)報時序與真實值誤差超過2℃的比率約11.5%（表2）.

表2 輸入要素構(gòu)造影響對比

3.2 CLDAS多氣象要素對溫度預(yù)測的影響在構(gòu)造多通道數(shù)據(jù)集的同時，也構(gòu)造了使用歷史實測溫度預(yù)測未來溫度的數(shù)據(jù)集，以此驗證模型以及數(shù)據(jù)構(gòu)造方式對溫度預(yù)測的有效性，同時也驗證了各要素在短時預(yù)報問題中的相關(guān)性.

通過實驗得出，當訓(xùn)練模型的輸入僅有溫度時，模型對選區(qū)內(nèi)網(wǎng)格溫度預(yù)報的效果要低于多要素對溫度的短臨預(yù)報模型.

從圖6中可以看出，當模型的輸入僅有溫度一個要素時，模型的預(yù)測缺少其他因素場數(shù)據(jù)對溫度場預(yù)測的校正，也意味著在短臨預(yù)報所討論的問題環(huán)境下，本文所采用的相對濕度、風(fēng)場數(shù)據(jù)等對溫度存在即時影響，與溫度要素存在極大的相關(guān).

圖6 誤差分析對比圖

3.3 對比實驗結(jié)果通過對比同類型算法框架，驗證了本文所提出算法的有效性，并復(fù)現(xiàn)了ConvLSTM編碼解碼結(jié)構(gòu)，使用相同的數(shù)據(jù)集用于對照試驗，在所采用的訓(xùn)練集和測試集當中對ConvLSTM編碼解碼模型進行了訓(xùn)練以及測試，同時采用了相同的優(yōu)化器Adam以及MSE損失函數(shù).由于基于ConvLSTM的編碼解碼模型不具有基于注意力機制的空間信息聚合模塊，在所提出算法所具有性能的前提下，基于不同超參數(shù)定義的網(wǎng)絡(luò)除了一定的深度，也需要足夠的寬度對空間信息進行學(xué)習(xí)，為此需要足夠多的卷積濾波算子.在本文所復(fù)現(xiàn)的用于對比實驗的ConvLSTM編碼解碼模型當中，設(shè)置的卷積濾波算子個數(shù)在編碼模塊中逐層遞增，且按照相同數(shù)量在解碼模塊中逐層遞減.

從圖7中可以看出，盡管模型學(xué)習(xí)到了氣象要素在預(yù)測范圍中的變化趨勢，但由于編碼中間向量的限制，隨著時序的增加，誤差是逐漸增加的，且當網(wǎng)絡(luò)的寬度不能達到要求時，模型在預(yù)測時序的開始就會出現(xiàn)很大的誤差.如表3所示，在同一數(shù)據(jù)集當中，本文所提出的循環(huán)更新編碼的方式可以有效的提高預(yù)測模型的準確度。

圖7 ConvLSTM編碼解碼模型誤差分析對比圖

表3 模型準確率對比

4 結(jié)束語

通過構(gòu)建基于ConvLSTM與Attention機制的網(wǎng)格溫度短臨預(yù)報模型，基于CLDAS數(shù)據(jù)集實現(xiàn)了多時次、多通道氣象要素對多時次2 m溫度網(wǎng)格短臨預(yù)報模型，通過所提到的循環(huán)更新編碼的預(yù)測方法，優(yōu)化了Encoder-Decoder結(jié)構(gòu)下編碼長度對預(yù)測效果的限制問題，降低了預(yù)測結(jié)果的誤差，驗證了本文所提出的模型的有效性.針對海南地區(qū)氣候特點，研究發(fā)現(xiàn)，不同于大陸部分地區(qū)，海南島及其周邊海域的短臨、中期或長期氣象要素預(yù)報均在很大程度上受季風(fēng)和洋流影響，在氣候變化較不穩(wěn)定的時段，模型的預(yù)報誤差仍然會出現(xiàn)驟升.因此，下一階段的研究需要從較大范圍的網(wǎng)格進行特征提取并向選區(qū)范圍的預(yù)測展開，以此對大范圍的氣象要素場數(shù)據(jù)對海南島氣象預(yù)測的影響展開研究與分析.