魏芳芳 王新偉 栗晗

摘 要：基于EC細(xì)網(wǎng)格、GRAPES-GFS等多尺度數(shù)值模式預(yù)報(bào)產(chǎn)品及中央臺(tái)指導(dǎo)報(bào)，采用準(zhǔn)對(duì)稱滑動(dòng)訓(xùn)練期，基于加權(quán)線性回歸技術(shù)，形成智能網(wǎng)格溫度預(yù)報(bào)產(chǎn)品。本文對(duì)2019年12月至2020年11月河南省300個(gè)利用智能網(wǎng)格的預(yù)報(bào)考核站進(jìn)行檢驗(yàn)，結(jié)果表明：智能網(wǎng)格預(yù)報(bào)日最高、最低溫度準(zhǔn)確率均高于EC模式。智能網(wǎng)格溫度預(yù)報(bào)可以有效提升河南省旅游景區(qū)氣象服務(wù)的精細(xì)化能力和水平，有較好的應(yīng)用價(jià)值。

關(guān)鍵詞：智能網(wǎng)格;旅游景區(qū);氣溫

中圖分類號(hào)：P463.3 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? 文章編號(hào)：1003-5168（2021）27-0095-03

Abstract： Based on the prediction products of the multi-scale numerical models such as the EC fine grid， GRAPES-GFS and the guidance prediction products from the Central Meteorological Observatory， this research adopts the quasi symmetric sliding training period， and produces the intelligent grids temperature prediction products based on the weighted linear regression method. This paper tests 300 prediction and assessment stations using intelligent grid in Henan Province from December 2019 to November 2020. The results show that the accuracy of intelligent grids in forecasting daily maximum and minimum temperature is higher than that of EC model. Intelligent grid temperature forecast can effectively improve the refinement ability and level of meteorological services in tourist attractions of Henan Province， which has good operational application value.

Keywords：intelligent grids;tourist attractions;temperature

進(jìn)入21世紀(jì)后，國(guó)外發(fā)達(dá)國(guó)家普遍建立了成熟的氣象網(wǎng)格預(yù)報(bào)業(yè)務(wù)。近十年來，我國(guó)逐步開展并建立了氣象網(wǎng)格預(yù)報(bào)試驗(yàn)業(yè)務(wù)，模式預(yù)報(bào)要素不斷豐富，時(shí)間和空間分辨率不斷提升，各要素預(yù)報(bào)準(zhǔn)確率也有了大幅度的提升。

隨著全域旅游的深入開展，旅游景區(qū)對(duì)天氣預(yù)報(bào)的時(shí)間和空間分辨率需求更加精細(xì)。利用智能網(wǎng)格預(yù)報(bào)開展旅游景區(qū)的精細(xì)化預(yù)報(bào)技術(shù)研究就顯得尤為重要。國(guó)內(nèi)開展了眾多針對(duì)數(shù)值預(yù)報(bào)氣溫的訂正和檢驗(yàn)研究[1-5]。河南省于2016年開始逐步建立智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)，并于2018年實(shí)現(xiàn)了智能網(wǎng)格預(yù)報(bào)單軌運(yùn)行，初步形成了降水、溫度等氣象要素空間分辨率5 km、48小時(shí)內(nèi)1h、3～10天內(nèi)3h時(shí)間分辨率的主要?dú)庀笠馗顸c(diǎn)化預(yù)報(bào)。

通過利用智能網(wǎng)格預(yù)報(bào)臨近點(diǎn)插值到骨干考核站點(diǎn)（共360個(gè)站點(diǎn)），與站點(diǎn)觀測(cè)實(shí)況進(jìn)行對(duì)比檢驗(yàn)，從而為下一階段氣溫預(yù)報(bào)技術(shù)的改進(jìn)提供參考[6]。

1 區(qū)域概況與研究方法

1.1 區(qū)域概況

河南省位于北緯31°23'—36°22'，東經(jīng)110°21'—116°39'，面積為16.7×104 km2，屬大陸性季風(fēng)氣候，橫跨黃河、淮河、長(zhǎng)江、海河四大流域，地勢(shì)上為第二階梯向第三階梯過渡地帶，西高東低，望北向南，包含了平原、丘陵、山地、盆地四大地理類型。河南省地處南北氣候過渡帶，轄內(nèi)有4A級(jí)以上旅游景區(qū)177個(gè)，旅游資源豐富，潛在文旅市場(chǎng)規(guī)模超過1億人。

1.2 研究方法

1.2.1 氣溫訂正方法。基于EC細(xì)網(wǎng)格、GRAPES-GFS、本地WRF-RUC等多尺度數(shù)值模式預(yù)報(bào)產(chǎn)品及中央臺(tái)指導(dǎo)報(bào)，采用準(zhǔn)對(duì)稱滑動(dòng)訓(xùn)練期，基于加權(quán)線性回歸技術(shù)，形成智能網(wǎng)格溫度預(yù)報(bào)產(chǎn)品。

1.2.2 氣溫檢驗(yàn)方法。采用最高、最低氣溫預(yù)報(bào)準(zhǔn)確率，絕對(duì)誤差和預(yù)報(bào)技巧評(píng)分3個(gè)指標(biāo)對(duì)結(jié)果進(jìn)行檢驗(yàn)。

式中，F(xiàn)為氣溫預(yù)報(bào)值與實(shí)況值誤差不超過2 ℃和1 ℃的百分率;n為誤差不超過2 ℃和1 ℃的樣本量;N為樣本總量。

式中，RMSE為均方根誤差;N為觀測(cè)次數(shù);Iobsi為第i個(gè)點(diǎn)的觀測(cè)值;Iprei為第i個(gè)點(diǎn)的預(yù)報(bào)值。

2 結(jié)果分析

2.1 最高溫度分析

最高溫度≤2 ℃預(yù)報(bào)準(zhǔn)確率方面，智能網(wǎng)格的預(yù)報(bào)準(zhǔn)確率在各個(gè)時(shí)次上均比EC模式預(yù)報(bào)效果好，其中24 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率可以達(dá)到74.5%，高出EC模式7.5%;48 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率高出EC模式6%;隨時(shí)次后移，EC模式和智能網(wǎng)格的預(yù)報(bào)準(zhǔn)確率趨于接近。

最高溫度≤1 ℃預(yù)報(bào)準(zhǔn)確率低于最高溫度≤2 ℃預(yù)報(bào)準(zhǔn)確率，與此同時(shí)，智能網(wǎng)格的預(yù)報(bào)準(zhǔn)確率在各個(gè)時(shí)次上均比EC模式預(yù)報(bào)效果好，其中24 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率可以達(dá)到44.9%，EC模式預(yù)報(bào)準(zhǔn)確率則為37.9%;48 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率高出EC模式5%;隨時(shí)次后移，EC模式和智能網(wǎng)格的預(yù)報(bào)準(zhǔn)確率趨于接近。

最高溫度的RMSE的評(píng)分方面，在24 h、48 h、72 h、96 h時(shí)次，EC模式評(píng)分均高于智能網(wǎng)格;120h時(shí)次，兩者評(píng)分相同;144 h和168 h時(shí)次，智能網(wǎng)格評(píng)分要高于EC模式。

2.2 最低溫度分析

最低溫度≤2 ℃預(yù)報(bào)準(zhǔn)確率方面，智能網(wǎng)格的預(yù)報(bào)準(zhǔn)確率在各個(gè)時(shí)次上均比EC模式預(yù)報(bào)效果好，其中24 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率可以達(dá)到77.4%，高出EC模式8.4%;48 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率達(dá)到73.5%，EC模式預(yù)報(bào)準(zhǔn)確率則為66.7%，低于智能網(wǎng)格6.9%;隨時(shí)次后移，EC模式預(yù)報(bào)準(zhǔn)確率均低于智能網(wǎng)格。

最低溫度≤1 ℃預(yù)報(bào)準(zhǔn)確率低于最低溫度≤2 ℃預(yù)報(bào)準(zhǔn)確率，與此同時(shí)，智能網(wǎng)格的預(yù)報(bào)準(zhǔn)確率在各個(gè)時(shí)次上均比EC模式預(yù)報(bào)效果好，其中24 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率可以達(dá)到49.2%，EC模式預(yù)報(bào)準(zhǔn)確率則為42.7%;48 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率高出EC模式4.8%;72 h智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率高出EC模式4.6%。

最低溫度的RMSE評(píng)分方面，在所有時(shí)次，EC模式評(píng)分均高于智能網(wǎng)格;24 h時(shí)次EC模式評(píng)分比智能網(wǎng)格模式評(píng)分高0.5，隨著時(shí)次后移，兩者評(píng)分差距變大，168 h時(shí)次EC模式評(píng)分比智能網(wǎng)格模式評(píng)分高0.73。

3 結(jié)語

2019年12月至2020年11月，日最高、最低氣溫預(yù)報(bào)的檢驗(yàn)效果表明：智能網(wǎng)格預(yù)報(bào)準(zhǔn)確率與EC模式相比有較明顯提升。隨著預(yù)報(bào)時(shí)次后移，智能網(wǎng)格與EC模式預(yù)報(bào)準(zhǔn)確率的差距縮小。

RMSE評(píng)分方面，最高溫度和最低溫度的表現(xiàn)差別明顯。最高溫度在24 h、48 h、72 h、96 h時(shí)次，EC模式評(píng)分均高于智能網(wǎng)格;而144 h和168 h時(shí)次，智能網(wǎng)格評(píng)分要高于EC模式。最低溫度的RMSE評(píng)分方面，在所有時(shí)次，EC模式評(píng)分均高于智能網(wǎng)格。

由于目前智能網(wǎng)格溫度預(yù)報(bào)產(chǎn)品主要針對(duì)EC模式產(chǎn)品開展了相關(guān)改進(jìn)，并未考慮其他模式產(chǎn)品，另外，旅游景區(qū)的氣象觀測(cè)站數(shù)量較少，因此用景區(qū)周邊的觀測(cè)站作為代替。未來將采用權(quán)重動(dòng)態(tài)取優(yōu)方式集成多家數(shù)值模式的溫度預(yù)報(bào)結(jié)果，生成綜合分析產(chǎn)品，以期進(jìn)一步提高河南省旅游景區(qū)溫度預(yù)報(bào)準(zhǔn)確率。

參考文獻(xiàn)：

[1]潘留杰，薛春芳，王建鵬，等.一個(gè)簡(jiǎn)單的格點(diǎn)溫度預(yù)報(bào)訂正方法[J].氣象，2017，43（12）：1584-1593.

[2]吳啟樹，韓美，郭弘，等.MOS溫度預(yù)報(bào)中最優(yōu)訓(xùn)練期方案[J].應(yīng)用氣象學(xué)報(bào)，2016，27（4）：426-434.

[3]張成軍，紀(jì)曉玲，馬金仁，等.多種數(shù)值預(yù)報(bào)及其釋用產(chǎn)品在寧夏天氣預(yù)報(bào)業(yè)務(wù)中的檢驗(yàn)評(píng)估[J].干旱氣象，2017，35（1）：148-156.

[4]吳君，裴洪芹，石瑩，等.基于數(shù)值預(yù)報(bào)產(chǎn)品的地面氣溫 BP-MOS 預(yù)報(bào)方法[J].氣象科學(xué)，2007，27（4）：430-435.

[5]李佰平，智協(xié)飛.ECMWF 模式地面氣溫預(yù)報(bào)的四種誤差訂正方法的比較研究[J].氣象，2012，38（8）：897-902.

[6]戴翼，何娜，付宗鈺，等.北京智能網(wǎng)格溫度客觀預(yù)報(bào)方法（BJTM）及預(yù)報(bào)效果檢驗(yàn)[J].干旱氣象，2019，37（2）：339-344.