張延彪,宋林燁,陳明軒,韓雷,楊璐

數(shù)值天氣預(yù)報(bào)(Numerical Weather Prediction,NWP)自提出起至今已有100多年的時(shí)間(陳德輝和薛紀(jì)善,2004)。在這百余年時(shí)間里,數(shù)值天氣預(yù)報(bào)技術(shù)實(shí)現(xiàn)飛躍式發(fā)展。最近十年來(lái),政府和公眾對(duì)于精細(xì)化網(wǎng)格天氣預(yù)報(bào)預(yù)警的需求日益提升,數(shù)值天氣預(yù)報(bào)產(chǎn)品和無(wú)縫隙融合集成預(yù)報(bào)產(chǎn)品在確保準(zhǔn)確率的同時(shí),其預(yù)報(bào)格點(diǎn)精度也在不斷提高(金榮花等,2019)。由于天氣系統(tǒng)的混沌性,無(wú)論何種建模方式均無(wú)法對(duì)其進(jìn)行完整描述,故數(shù)值天氣預(yù)報(bào)結(jié)果也不可避免存在誤差。因此,研究各種信息后處理方法以提高天氣預(yù)報(bào)準(zhǔn)確率具有重要的科學(xué)價(jià)值和現(xiàn)實(shí)意義。

目前模式預(yù)報(bào)后處理訂正方法可以分為兩大類:傳統(tǒng)方法與新興方法。第一類傳統(tǒng)方法主要以統(tǒng)計(jì)學(xué)理論以及歷史資料為基礎(chǔ)來(lái)實(shí)現(xiàn)訂正。顧震潮(1958a,1958b)指出歷史資料在天氣預(yù)報(bào)中的重要性。Klein et al.(1959)提出完全預(yù)報(bào)法(Perfect Prognostic,PP),通過(guò)在觀測(cè)值和模式預(yù)報(bào)值之間建立線性統(tǒng)計(jì)模型以完成訂正。Glahn and Lowry(1972)提出模式輸出統(tǒng)計(jì)法(Model Output Statistics,MOS)。與完全預(yù)報(bào)法相比,MOS是通過(guò)建立觀測(cè)值與相關(guān)氣象要素?cái)?shù)預(yù)報(bào)值之間的統(tǒng)計(jì)模型來(lái)實(shí)現(xiàn)訂正效果,是氣象部門常用的一種預(yù)報(bào)訂正方法。Homleid(1995)使用卡爾曼濾波法實(shí)現(xiàn)預(yù)報(bào)偏差訂正,該方法利用上一個(gè)時(shí)刻的預(yù)報(bào)誤差反饋及時(shí)調(diào)整預(yù)報(bào)方程,因此只需使用上一個(gè)時(shí)刻的預(yù)報(bào)誤差即可,與MOS方法相比卡爾曼濾波法對(duì)歷史資料并無(wú)嚴(yán)格要求,目前仍被應(yīng)用于各個(gè)預(yù)報(bào)中心業(yè)務(wù)中。此后,錢維宏(2012)詳細(xì)論證了歷史信息在模式預(yù)報(bào)訂正過(guò)程中的重要性,在此基礎(chǔ)上,Peng et al.(2013)提出模式距平積分預(yù)報(bào)訂正方法(Anomaly Numerical-correction with Observations,ANO),通過(guò)充分利用多年歷史氣象資料計(jì)算氣候平均態(tài)實(shí)現(xiàn)數(shù)值模式預(yù)報(bào)結(jié)果訂正。近年來(lái),各種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法逐漸被應(yīng)用到數(shù)值天氣預(yù)報(bào)偏差訂正任務(wù)中并取得突出的效果(孫全德等,2019;Xia et al.,2020),也被廣泛應(yīng)用于氣候領(lǐng)域(海瀅和陳光華,2019;賀圣平等,2021),即所謂第二類新興方法。例如,國(guó)外學(xué)者M(jìn)arzban(2003)使用非線性神經(jīng)網(wǎng)絡(luò)對(duì)區(qū)域模式溫度預(yù)報(bào)進(jìn)行訂正并取得顯著的提升。Kusiak et al.(2013)分別使用回歸樹(shù)、支持向量機(jī)、多層感知機(jī)、隨機(jī)森林以及K臨近這5種機(jī)器學(xué)習(xí)算法進(jìn)行降水估測(cè),顯示出機(jī)器學(xué)習(xí)算法對(duì)氣象要素非線性建模的重要作用。國(guó)內(nèi)學(xué)者智協(xié)飛等(2020,2021)使用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)溫度預(yù)報(bào)以及針對(duì)降水概率預(yù)報(bào)訂正并取得較好的效果。Han et al.(2021)基于卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)新性地提出CU-Net網(wǎng)絡(luò)以實(shí)現(xiàn)對(duì)歐洲中心ECMWF多個(gè)氣象要素格點(diǎn)預(yù)報(bào)結(jié)果的訂正,所得結(jié)果與傳統(tǒng)訂正方法相比有明顯提升,對(duì)智能格點(diǎn)預(yù)報(bào)業(yè)務(wù)產(chǎn)生較大影響。目前,中國(guó)氣象局主推高分辨率氣象格點(diǎn)數(shù)據(jù)預(yù)報(bào)業(yè)務(wù),同時(shí)這也是未來(lái)數(shù)值天氣預(yù)報(bào)的發(fā)展方向(潘留杰等,2017)。深度學(xué)習(xí)方法,尤其是卷積神經(jīng)網(wǎng)絡(luò)(Hadji and Wildes,2018)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Graves,2012),在時(shí)空格點(diǎn)數(shù)據(jù)處理方面有極大的優(yōu)勢(shì)。因此,本文將基于深度學(xué)習(xí)開(kāi)展京津冀地區(qū)高分辨率格點(diǎn)預(yù)報(bào)偏差訂正試驗(yàn)研究,以探索新興方法在未來(lái)實(shí)現(xiàn)精細(xì)化精準(zhǔn)天氣預(yù)報(bào)方面的潛力和應(yīng)用價(jià)值。

1 資料和方法

1.1 研究區(qū)域和資料說(shuō)明

本文研究區(qū)域?yàn)榫┙蚣降貐^(qū),所采用的資料為睿思(RISE)系統(tǒng)500 m分辨率網(wǎng)格數(shù)據(jù)。RISE系統(tǒng)全稱為Rapid-refresh Integrated Seamless Ensemble system,其研發(fā)和業(yè)務(wù)運(yùn)行主要是為了滿足不斷提升的首都?xì)庀蠓?wù)預(yù)報(bào)要求,尤其是實(shí)現(xiàn)2022年北京冬奧會(huì)對(duì)于“百米級(jí)分辨率、分鐘級(jí)更新”短臨預(yù)報(bào)的剛性需求。該系統(tǒng)是北京城市氣象研究院研發(fā)的新一代客觀短臨集成預(yù)報(bào)系統(tǒng),其早期主要吸收了1 km分辨率INCA系統(tǒng)(Haiden et al.,2011)的融合分析和預(yù)報(bào)策略,并研究和集成了一系列適用于京津冀地區(qū)和冬奧復(fù)雜山區(qū)地形下的短時(shí)臨近客觀分析和預(yù)報(bào)算法(程叢蘭等,2019;宋林燁等,2019;;Song et al.,2019;楊璐等,2019,2022;陳康凱等,2020;Yang et al.,2021)。RISE系統(tǒng)于2019年汛期開(kāi)始實(shí)時(shí)業(yè)務(wù)試驗(yàn)運(yùn)行,2021年7月1日通過(guò)中國(guó)氣象局業(yè)務(wù)升級(jí)準(zhǔn)入后開(kāi)始正式業(yè)務(wù)化運(yùn)行。當(dāng)前,RISE系統(tǒng)可提供逐10 min快速更新的京津冀全域約760 km×610 km范圍內(nèi)500 m網(wǎng)格分辨率以及冬奧重點(diǎn)山區(qū)約100 km×100 km范圍內(nèi)100 m網(wǎng)格分辨率的客觀分析和未來(lái)0～12 h乃至24 h確定性預(yù)報(bào)數(shù)據(jù)產(chǎn)品。該系統(tǒng)高時(shí)空分辨率的網(wǎng)格化溫濕風(fēng)及降水、降水相態(tài)等產(chǎn)品為北京2022年冬奧會(huì)氣象保障服務(wù)提供了較好的高精度客觀預(yù)報(bào)支撐,同時(shí)也可以為常規(guī)氣象預(yù)報(bào)服務(wù)及其他行業(yè)應(yīng)用提供較高品質(zhì)的高分辨率短臨無(wú)縫隙網(wǎng)格分析和預(yù)報(bào)產(chǎn)品。

本文選用了2019年9月—2021年9月共2 a的預(yù)報(bào)場(chǎng)數(shù)據(jù)以及分析場(chǎng)數(shù)據(jù)進(jìn)行試驗(yàn),數(shù)據(jù)空間分辨率為500 m,時(shí)間分辨率為10 min,數(shù)據(jù)區(qū)域范圍為112.83°～120.28°E、35.86°～42.73°N(即京津冀地區(qū)),所獲得的預(yù)報(bào)網(wǎng)格圖大小為1 521×1 221(南北方向×東西方向)。針對(duì)2019年9—12月的數(shù)據(jù),絕大部分?jǐn)?shù)據(jù)來(lái)自RISE系統(tǒng)實(shí)時(shí)運(yùn)行搜集所得,但由于當(dāng)時(shí)系統(tǒng)試驗(yàn)運(yùn)行穩(wěn)定性調(diào)試、實(shí)時(shí)觀測(cè)資料接收缺失、服務(wù)器存儲(chǔ)空間不足等原因?qū)е麓鎯?chǔ)數(shù)據(jù)有所缺失,因此本文試驗(yàn)過(guò)程中首先對(duì)該部分?jǐn)?shù)據(jù)進(jìn)行了系統(tǒng)回算以補(bǔ)全數(shù)據(jù)缺失。針對(duì)兩年的數(shù)據(jù),由于數(shù)據(jù)量較少以及預(yù)報(bào)時(shí)間分辨率較高會(huì)導(dǎo)致連續(xù)兩個(gè)預(yù)報(bào)時(shí)次變化不明顯等原因,因此文中選擇每月1—22日每隔30 min時(shí)間間隔進(jìn)行抽樣的數(shù)據(jù)作為訓(xùn)練集來(lái)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;選擇每月23日之后的數(shù)據(jù)作為測(cè)試集以評(píng)估網(wǎng)絡(luò)模型的訂正性能。

1.2 數(shù)據(jù)預(yù)處理

深度學(xué)習(xí)模型需要保證有充足的訓(xùn)練數(shù)據(jù)量,對(duì)于RISE數(shù)據(jù),考慮到數(shù)據(jù)拼接的連續(xù)性,文中將原本1 521×1 221大小的格點(diǎn)圖分割成為507×407的子圖以增加試驗(yàn)樣本量并減輕訓(xùn)練過(guò)程中硬件資源損耗。由于訓(xùn)練集需要在保證數(shù)據(jù)量的同時(shí)增加數(shù)據(jù)多樣性以提高模型魯棒性,因此本文試驗(yàn)采用隨機(jī)分割方式,每張圖分割10次后整個(gè)訓(xùn)練集數(shù)據(jù)增大10倍;對(duì)于測(cè)試集來(lái)說(shuō),則采用順序分割的方式,每張圖將會(huì)按順序分割為9張子圖,相當(dāng)于測(cè)試集增大9倍數(shù)據(jù)量,最終數(shù)據(jù)集數(shù)目如表1所示。這里需要指出,隨著RISE系統(tǒng)的發(fā)展,它們的預(yù)報(bào)結(jié)果精度也會(huì)不斷提升,其中如果模式計(jì)算方法有重大更新時(shí)便會(huì)造成更新前后模式預(yù)報(bào)誤差特征出現(xiàn)明顯差異。比如,RISE系統(tǒng)采用睿圖-短期模式(CMA-BJ,原RMAPS-ST)作為背景場(chǎng),由于模式背景場(chǎng)從V1.0更新為V2.0(版本升級(jí)、模式循環(huán)頻次從3 h升級(jí)為1 h、模式預(yù)報(bào)性能升級(jí)),RISE系統(tǒng)在2021年底更換了系統(tǒng)計(jì)算的背景場(chǎng),該操作在預(yù)報(bào)誤差減小的同時(shí)也會(huì)造成新數(shù)據(jù)與舊數(shù)據(jù)誤差分布規(guī)律出現(xiàn)明顯的不一致性,這便會(huì)導(dǎo)致當(dāng)前訓(xùn)練得到的模型對(duì)數(shù)值模式數(shù)據(jù)不適應(yīng),從而導(dǎo)致偏差訂正效果下降,或者說(shuō)基于訓(xùn)練得到的數(shù)值模式預(yù)報(bào)偏差模型的代表性會(huì)變差。因此在本文中均采用基于CMA-BJ V1.0版本背景場(chǎng)的RISE數(shù)據(jù)開(kāi)展格點(diǎn)偏差訂正研究和訓(xùn)練測(cè)試,而在后續(xù)的實(shí)際應(yīng)用中需要考慮使用最新的模式數(shù)據(jù)對(duì)模型進(jìn)行補(bǔ)充訓(xùn)練和重新調(diào)整,以增強(qiáng)模型對(duì)預(yù)報(bào)誤差的適應(yīng)能力。

表1 數(shù)據(jù)集樣本劃分

圖1 Rise-Unet網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 算法建模

深度學(xué)習(xí)中的計(jì)算機(jī)視覺(jué)方向一般指代圖像處理問(wèn)題,因此對(duì)于氣象格點(diǎn)數(shù)據(jù),可將其每個(gè)格點(diǎn)的處理轉(zhuǎn)換為圖像中的像素點(diǎn)處理,進(jìn)而將其總體轉(zhuǎn)換為計(jì)算機(jī)視覺(jué)領(lǐng)域中的圖像處理問(wèn)題。圖像處理問(wèn)題一般表現(xiàn)為輸入待處理圖像、輸出后處理圖像的形式,因此本文神經(jīng)網(wǎng)絡(luò)的輸入為當(dāng)前時(shí)刻的實(shí)況格點(diǎn)圖及當(dāng)前時(shí)刻預(yù)報(bào)格點(diǎn)圖,輸出為當(dāng)前預(yù)報(bào)時(shí)效訂正圖。以RISE系統(tǒng)2021年12月29日09時(shí)30分起報(bào)時(shí)刻為例,其4 h預(yù)報(bào)時(shí)刻為2021年12月29日13時(shí)30分,則輸入數(shù)據(jù)包括12月29日09時(shí)30分的分析場(chǎng)數(shù)據(jù)以及當(dāng)前時(shí)刻起報(bào)的4 h預(yù)報(bào)場(chǎng)(即12月29日13時(shí)30分)數(shù)據(jù)結(jié)果,網(wǎng)絡(luò)要學(xué)習(xí)的結(jié)果為12月29日13時(shí)30分的分析場(chǎng)數(shù)據(jù),即網(wǎng)絡(luò)的真實(shí)值。

U-Net模型(Ronnrberger et al.,2015)作為一種基于卷積網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)分割網(wǎng)絡(luò),其結(jié)構(gòu)簡(jiǎn)單并在各個(gè)領(lǐng)域取得了較好的效果。本文基于U-Net模型結(jié)構(gòu),研發(fā)了針對(duì)高分辨率大尺寸圖像進(jìn)行調(diào)整而形成的卷積神經(jīng)網(wǎng)絡(luò)Rise-Unet,其輸入為當(dāng)前時(shí)刻觀測(cè)值以及預(yù)報(bào)值的組合特征,輸出則為訂正結(jié)果,Rise-Unet模型總體結(jié)構(gòu)如圖1所示。已有研究指出,在CU-Net模型訂正實(shí)驗(yàn)中加入觀測(cè)值對(duì)于提升模型性能有重要作用(Han et al.,2021),因此本文模型輸入中包含了當(dāng)前時(shí)刻觀測(cè)值。從圖1可以看出,Rise-Unet包括編碼模塊、解碼模塊與復(fù)制拼接模塊三部分。其中左半部分為編碼模塊,主要包含下采樣池化操作和卷積操作,提取圖像高層次特征的同時(shí)有效減小特征圖的尺寸,節(jié)約計(jì)算資源。例如輸入圖像尺寸為507×407,經(jīng)編碼操作后大小變?yōu)?4×64。右半部分為解碼模塊,與編碼模塊作用相反,解碼模塊通過(guò)不斷地卷積和上采樣操作,將特征圖的尺寸恢復(fù)至507×407。復(fù)制拼接操作則是將編碼器與解碼器的特征圖做通道拼接,進(jìn)而可以將同一層中編碼模塊提取的低層次特征與解碼模塊提取的高層次特征進(jìn)行融合疊加,使得模型輸出能夠保留來(lái)自較淺層的細(xì)粒度信息,如編碼器64×254×204的特征圖與解碼器64×254×204的特征圖拼接后所獲得的新特征圖大小為128×254×204。后文中將展示該網(wǎng)絡(luò)對(duì)于500 m分辨率RISE數(shù)據(jù)的處理效果。

1.4 試驗(yàn)設(shè)置

本文采用均方根誤差RMSE(Root Mean Square Error,RMSE)以及平均絕對(duì)誤差MAE(Mean Absolute Error,MAE)來(lái)衡量預(yù)報(bào)訂正結(jié)果與觀測(cè)值之間的差距,其中MAE反映兩個(gè)數(shù)據(jù)集之間的真實(shí)誤差,而RMSE由于是對(duì)誤差先進(jìn)行平方累加后再進(jìn)行開(kāi)方計(jì)算,可評(píng)價(jià)數(shù)據(jù)的離散程度,該操作本質(zhì)上放大了兩個(gè)數(shù)據(jù)集的大誤差部分,因此RMSE的值越小,則表示兩者之間的最大誤差較小。兩者計(jì)算方式如式(1)和(2)所示。

(1)

(2)

RISE系統(tǒng)預(yù)報(bào)技術(shù)路線中,快速融合和吸收了逐10 min更新的實(shí)況觀測(cè)信息,在1～3 h預(yù)報(bào)時(shí)效,系統(tǒng)本身對(duì)溫濕風(fēng)等常規(guī)天氣要素的預(yù)報(bào)誤差已相對(duì)較小,因此從實(shí)際業(yè)務(wù)應(yīng)用角度來(lái)說(shuō),耗費(fèi)大量計(jì)算機(jī)資源和運(yùn)行時(shí)間成本做深度學(xué)習(xí)訂正1～3 h格點(diǎn)預(yù)報(bào)結(jié)果的必要性并不大。所以,本文使用收集到的RISE數(shù)據(jù),針對(duì)其4～12 h高分辨率預(yù)報(bào)結(jié)果進(jìn)行訂正,將最終各時(shí)效訂正結(jié)果與原始預(yù)報(bào)結(jié)果進(jìn)行分季節(jié)對(duì)比以探索該方法對(duì)高分辨率精細(xì)化網(wǎng)格預(yù)報(bào)訂正中的有效性。需要指出,考慮到不同預(yù)報(bào)時(shí)效誤差分布存在一定差異,因此文中分別針對(duì)4～12 h中的每個(gè)時(shí)效建立訂正模型。根據(jù)傳統(tǒng)四季劃分方法,文中的冬季包括12月—次年2月,春季包括3—5月,夏季包括6—8月,秋季包括9—11月。

文中所有模型訓(xùn)練使用的反向傳播優(yōu)化器均為Adam(Kingma and Ba,2014),因?yàn)樵撍惴ㄋ鑳?nèi)存較小且計(jì)算更高效。為進(jìn)一步提高計(jì)算效率與模型的魯棒性,需對(duì)網(wǎng)絡(luò)進(jìn)行批訓(xùn)練處理。試驗(yàn)中,模型參數(shù)初始化參考CU-Net(Han et al.,2021),針對(duì)RISE數(shù)據(jù)的試驗(yàn)批處理量為8,所有網(wǎng)絡(luò)初始學(xué)習(xí)率r均設(shè)置為0.001,網(wǎng)絡(luò)學(xué)習(xí)率衰減因子均設(shè)置為0.5;衰減具體實(shí)現(xiàn)方式為若驗(yàn)證集連續(xù)兩次評(píng)分指標(biāo)沒(méi)有下降,則學(xué)習(xí)率將會(huì)衰減為0.5×r;訓(xùn)練總迭代次數(shù)為10次,對(duì)于所獲得的模型在測(cè)試集進(jìn)行測(cè)試并選擇最優(yōu)結(jié)果。

2 試驗(yàn)結(jié)果

2.1 地面2 m溫度訂正結(jié)果

對(duì)于RISE數(shù)據(jù)集的地面2 m溫度4～12 h預(yù)報(bào)時(shí)效的訂正結(jié)果如圖2所示?？梢园l(fā)現(xiàn),針對(duì)MAE以及RMSE兩種評(píng)價(jià)指標(biāo),使用Rise-Unet卷積網(wǎng)絡(luò)對(duì)于各時(shí)效均明顯表現(xiàn)為正向訂正的效果,說(shuō)明該模型對(duì)于高分辨率2 m溫度格點(diǎn)預(yù)報(bào)場(chǎng)各時(shí)效訂正均是有效的。訂正前,溫度6～12 h預(yù)報(bào)誤差RMSE均在2 ℃以上,MAE則均在1.5 ℃以上;但是基于Rise-Unet訂正之后,所有4～12 h預(yù)報(bào)時(shí)效的平均MAE和RMSE下降至1.4 ℃和1.9 ℃以下。通過(guò)統(tǒng)計(jì)誤差減小百分比結(jié)果可知,訂正后各預(yù)報(bào)時(shí)次平均誤差減小率為20%左右(圖2)。其中,針對(duì)6 h預(yù)報(bào)結(jié)果RMSE以及MAE的訂正效果相對(duì)而言均是最為明顯的,誤差減小率約為23%;對(duì)于4～6 h的訂正結(jié)果隨預(yù)報(bào)時(shí)效延長(zhǎng)其減小率呈上升趨勢(shì),這可能是由于6 h誤差分布較為穩(wěn)定且相比之前時(shí)刻的誤差較為明顯,故導(dǎo)致網(wǎng)絡(luò)參數(shù)擬合較好,能夠穩(wěn)定學(xué)習(xí)誤差分布信息;而針對(duì)6 h之后預(yù)報(bào)結(jié)果的訂正則趨于穩(wěn)定且效果有所降低,在18%到22%之間,通過(guò)分析原始預(yù)報(bào)誤差可以發(fā)現(xiàn)7～12 h的原始預(yù)報(bào)誤差較大且較為穩(wěn)定。RISE系統(tǒng)0～12 h溫度預(yù)報(bào)技術(shù)方案主要依次采用線性外推預(yù)報(bào)方法為主、線性外推預(yù)報(bào)和模式預(yù)報(bào)權(quán)重融合方法、模式預(yù)報(bào)為主,其中模式權(quán)重(外推權(quán)重)隨預(yù)報(bào)時(shí)效呈指數(shù)型增長(zhǎng)(衰減),且各個(gè)格點(diǎn)的臨界預(yù)報(bào)時(shí)效閾值并不固定,每個(gè)時(shí)刻每個(gè)格點(diǎn)根據(jù)具體所在時(shí)間和所處位置的溫度和云預(yù)報(bào)等情況進(jìn)行動(dòng)態(tài)調(diào)整,但一般而言7 h以后主要以單一的模式背景場(chǎng)預(yù)報(bào)占主導(dǎo),因此考慮可能是由于系統(tǒng)原始溫度預(yù)報(bào)數(shù)據(jù)計(jì)算方案或者插值方式導(dǎo)致了這種訂正效果,同時(shí)這也導(dǎo)致7～12 h預(yù)報(bào)模型網(wǎng)絡(luò)學(xué)習(xí)到的誤差分布也是相似的,因此訂正的效果基本趨于穩(wěn)定。

圖2 地面2 m溫度各預(yù)報(bào)時(shí)效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

圖3 地面2 m溫度4 h預(yù)報(bào)全年RMSE分布(單位:℃):(a)訂正前的原始預(yù)報(bào)誤差;(b)訂正后的預(yù)報(bào)誤差

圖3為針對(duì)RISE研究的京津冀區(qū)域,給出了訂正前后提前4 h的地面2 m溫度預(yù)報(bào)RMSE空間分布對(duì)比結(jié)果?？梢钥吹?針對(duì)圖中的每個(gè)格點(diǎn),該方法基本都有正向訂正的效果,且訂正后的圖像相比原來(lái)誤差分布更為均勻,這說(shuō)明神經(jīng)網(wǎng)絡(luò)對(duì)研究區(qū)域全圖有效,且卷積操作能對(duì)誤差進(jìn)行有效平滑處理。圖3b中所展現(xiàn)的訂正效果總體表現(xiàn)為西北和北部地區(qū)誤差較高,東南區(qū)域誤差較低,這與原始預(yù)報(bào)結(jié)果的誤差分布(圖3a)是基本保持一致的。這可能是由于RISE系統(tǒng)溫度預(yù)報(bào)誤差空間分布特征和京津冀地形結(jié)構(gòu)之間存在較為緊密的聯(lián)系。京津冀地處華北平原北部,北靠燕山山脈,西倚太行山,南面華北平原,東臨渤海灣,西北和北面地形較高,南面和東面地形較為平坦。因此在研究區(qū)域里,西北和北部方向多為海拔較高的山區(qū),且地形結(jié)構(gòu)和山脈走勢(shì)十分復(fù)雜,導(dǎo)致針對(duì)這些區(qū)域原始RISE溫度預(yù)報(bào)誤差較高,而東南方向多為平原,所以針對(duì)這些地形較低的區(qū)域原始溫度預(yù)報(bào)誤差相對(duì)較低(圖3a)。經(jīng)過(guò)Rise-Unet訂正之后,不僅整個(gè)京津冀區(qū)域溫度預(yù)報(bào)誤差較原始RISE預(yù)報(bào)顯著降低,而且這一“西北高-東南低”的誤差分布結(jié)構(gòu)也相對(duì)有所減弱(圖3b)。

進(jìn)一步分析四個(gè)不同季節(jié)的訂正前后誤差對(duì)比結(jié)果。表2以及圖4分別為4 h預(yù)報(bào)訂正結(jié)果的數(shù)據(jù)統(tǒng)計(jì)表以及分季節(jié)RMSE空間分布。可以看到,針對(duì)春、夏、秋、冬四個(gè)季節(jié)誤差減小率分別為18.94%、17.68%、23.88%、23.28%(表2),均表現(xiàn)為正向訂正的效果,說(shuō)明該網(wǎng)絡(luò)對(duì)于此研究區(qū)域的訂正能力全年有效。針對(duì)原始預(yù)報(bào)結(jié)果,夏季RMSE平均誤差最小為1.64,其余季節(jié)誤差較大且仍主要分布于西北和北部山地區(qū)域。針對(duì)訂正結(jié)果,夏季訂正后的誤差為1.35,仍最小,但是相比于其他季節(jié),其訂正誤差減小率為17.68%,為四個(gè)季節(jié)中最低;秋季預(yù)報(bào)誤差在訂正前較高,為1.80,但其訂正誤差減小率為23.88%,為四個(gè)季節(jié)中最高。同時(shí),秋季溫度誤差分布區(qū)域相比其余季節(jié)并沒(méi)有呈現(xiàn)“鋒線”狀分布,而是較均勻的平鋪狀分布,考慮神經(jīng)網(wǎng)絡(luò)中的卷積操作對(duì)于均勻狀誤差分布訂正效果較為明顯,可能是秋季訂正效果最顯著的主要原因。另外,不論訂正前還是訂正后,四季中春季的溫度預(yù)報(bào)誤差都保持最大,這可能與春季京津冀地區(qū)氣溫內(nèi)部變率大有一定的聯(lián)系。

表2 地面2 m溫度4 h預(yù)報(bào)RMSE四季訂正統(tǒng)計(jì)

2.2 地面2 m相對(duì)濕度訂正結(jié)果

對(duì)于地面2 m相對(duì)濕度,RISE系統(tǒng)4～12 h預(yù)報(bào)時(shí)效的訂正結(jié)果如圖5所示。針對(duì)MAE以及RMSE兩種評(píng)價(jià)指標(biāo),總體來(lái)看與2 m溫度訂正結(jié)果相似,Rise-Unet模型對(duì)于各個(gè)預(yù)報(bào)時(shí)效均為正向訂正,訂正后MAE和RMSE誤差均減小,說(shuō)明其對(duì)于高分辨率2 m相對(duì)濕度格點(diǎn)預(yù)報(bào)場(chǎng)訂正是有效的。各預(yù)報(bào)時(shí)次平均誤差減小率約為16%,其中針對(duì)8 h預(yù)報(bào)的訂正MAE提高最為明顯,約為17%(圖5b),說(shuō)明該時(shí)刻預(yù)報(bào)結(jié)果相比于實(shí)況的真實(shí)誤差降低最為顯著;而對(duì)于7 h預(yù)報(bào)結(jié)果訂正RMSE降低最為明顯,約為17.5%(圖5a),說(shuō)明該時(shí)刻網(wǎng)絡(luò)對(duì)于格點(diǎn)圖中的大誤差區(qū)域訂正效果較好。8 h之后,兩種評(píng)價(jià)指標(biāo)訂正效果均開(kāi)始下降,且之后幾個(gè)訂正時(shí)刻的效果處于穩(wěn)定狀態(tài),這是由于原始預(yù)報(bào)誤差從8 h之后始終保持在一個(gè)水平上,這同樣與上文中地面2 m溫度訂正效果相似,說(shuō)明該時(shí)間段神經(jīng)網(wǎng)絡(luò)對(duì)于誤差的擬合效果也是趨于穩(wěn)定的。

圖4 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面2 m溫度4 h預(yù)報(bào)的RMSE分布(單位:℃):(a、c、e、g)訂正前;(b、d、f、h)訂正后

圖5 地面2 m相對(duì)濕度各預(yù)報(bào)時(shí)效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

針對(duì)RISE研究區(qū)域,給出了4 h預(yù)報(bào)時(shí)效的2 m相對(duì)濕度預(yù)報(bào)訂正結(jié)果的全年平均RMSE(圖6)。從圖6可以看到,Rise-Unet模型針對(duì)全年訂正的每個(gè)格點(diǎn)基本均表現(xiàn)為正向提升效果,且訂正后的圖像相比原來(lái)誤差分布更為均勻,這說(shuō)明神經(jīng)網(wǎng)絡(luò)對(duì)地面2 m相對(duì)濕度的訂正全圖有效,訂正效果總體表現(xiàn)為西北高原山區(qū)誤差較高,東南平原以及臨海區(qū)域誤差較低(圖6)。

圖6 地面2 m相對(duì)濕度4 h預(yù)報(bào)全年RMSE分布(單位:%):(a)訂正前的原始預(yù)報(bào)誤差;(b)訂正后的預(yù)報(bào)誤差

表3及圖7為4 h預(yù)報(bào)訂正結(jié)果的分季節(jié)RMSE統(tǒng)計(jì)表以及空間分布。相對(duì)濕度與溫度訂正效果相似,四個(gè)季節(jié)RMSE誤差減小率分別為12.81%、16.77%、12.64%以及14.07%,針對(duì)四個(gè)季節(jié)均為正向訂正的效果,說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)對(duì)于研究區(qū)域中地面2 m相對(duì)濕度的訂正能力不同季節(jié)均有效。對(duì)于原始RISE系統(tǒng)預(yù)報(bào)結(jié)果,夏季誤差最小為9.48%,其余季節(jié)誤差較大且誤差相似,各季節(jié)誤差大值中心仍主要分布于西北山地區(qū)域(圖7)。針對(duì)訂正結(jié)果,與溫度結(jié)果不同,夏季訂正結(jié)果誤差最小并且誤差減小率為四季節(jié)中最高,其余三個(gè)季節(jié)訂正效果大致相似。

表3 地面2 m相對(duì)濕度4 h預(yù)報(bào)RMSE四季訂正統(tǒng)計(jì)

2.3 地面10 m-U風(fēng)訂正結(jié)果

對(duì)于RISE系統(tǒng)地面10 m-U風(fēng)速4～12 h預(yù)報(bào)時(shí)效的訂正結(jié)果如圖8所示。通過(guò)Rise-Unet網(wǎng)絡(luò)訂正之后,各時(shí)效的10 m-U風(fēng)RMSE和MAE預(yù)報(bào)誤差均降低,其中訂正后4～12 h預(yù)報(bào)平均RMSE基本都下降至1.5 m/s以下,平均MAE則基本下降至1.1 m/s以下(圖8)。這說(shuō)明Rise-Unet網(wǎng)絡(luò)對(duì)RISE系統(tǒng)風(fēng)速預(yù)報(bào)訂正表現(xiàn)為正向訂正的效果,該方法針對(duì)高分辨率網(wǎng)格化10 m-U風(fēng)速的訂正效果是有效的。從圖8中還可以看出,各預(yù)報(bào)時(shí)次平均誤差減小率約為15%,其中針對(duì)9 h預(yù)報(bào)結(jié)果MAE訂正效果最為明顯,說(shuō)明該時(shí)刻訂正結(jié)果與實(shí)況值真實(shí)誤差降低最為顯著,針對(duì)6 h預(yù)報(bào)結(jié)果RMSE訂正效果最為明顯,說(shuō)明針對(duì)該時(shí)刻誤差較大的區(qū)域訂正效果最為顯著。9 h以后訂正效果趨于穩(wěn)定,考慮仍為系統(tǒng)對(duì)于長(zhǎng)時(shí)間預(yù)報(bào)計(jì)算以及插值誤差趨于穩(wěn)定所造成。

圖9為針對(duì)RISE研究區(qū)域,地面10 m-U風(fēng)速提前4 h預(yù)報(bào)訂正結(jié)果的全年RMSE分布。可以看到,風(fēng)速的原始誤差分布較為集中,主要分布于西北以及西部省界區(qū)域,這是由于該區(qū)域?yàn)楦咴约吧矫}分布區(qū),因此針對(duì)該區(qū)域風(fēng)速預(yù)報(bào)難度較大、預(yù)報(bào)效果較差(圖9a)。但是,Rise-Unet網(wǎng)絡(luò)模型總體提升效果仍較為明顯,經(jīng)過(guò)格點(diǎn)訂正后的RMSE在西北、北部及西部山區(qū)顯著減小,在東南部平原大范圍地區(qū)RMSE也大幅下降至1 m/s以下。

圖7 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面2 m相對(duì)濕度4 h預(yù)報(bào)RMSE分布(單位:%):(a、c、e、g)訂正前;(b、d、f、h)訂正后

圖8 地面10 m-U風(fēng)各預(yù)報(bào)時(shí)效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

圖9 地面10 m-U風(fēng)4 h預(yù)報(bào)全年RMSE分布(單位:m/s):(a)訂正前后的RMSE;(b)訂正前后的MAE

表4以及圖10分別為4 h預(yù)報(bào)訂正結(jié)果的分季節(jié)RMSE統(tǒng)計(jì)以及空間分布,由表4可知Rise-Unet網(wǎng)絡(luò)模型方法針對(duì)春夏秋冬四個(gè)季節(jié)RMSE誤差減小率分別為14.68%、16.89%、10.52%以及15.00%,均表現(xiàn)為正向訂正的效果,這說(shuō)明神經(jīng)網(wǎng)絡(luò)對(duì)于10 m-U風(fēng)預(yù)報(bào)結(jié)果的訂正能力不同季節(jié)都有效。對(duì)于原始RISE預(yù)報(bào)結(jié)果,U風(fēng)在秋冬季節(jié)誤差較小,分別為1.14 m/s和1.20 m/s,夏季誤差為1.48 m/s,為四季中最大,但是Rise-Unet模型對(duì)于夏季U風(fēng)格點(diǎn)預(yù)報(bào)訂正誤差減小率最高,誤差總體減少了16.89%(表4)。

表4 地面10 m-U風(fēng)速4 h預(yù)報(bào)分季訂正統(tǒng)計(jì)

2.4 地面10 m-V風(fēng)訂正結(jié)果

RISE系統(tǒng)的地面10 m-V風(fēng)速4～12 h預(yù)報(bào)時(shí)效的訂正結(jié)果如圖11所示?？梢园l(fā)現(xiàn),針對(duì)MAE以及RMSE兩種評(píng)價(jià)指標(biāo),使用Rise-Unet網(wǎng)絡(luò)對(duì)于各時(shí)效均表現(xiàn)為正向訂正的效果,說(shuō)明該方法針對(duì)高分辨率10 m-V緯向風(fēng)速的訂正效果同樣是有效的。各時(shí)次平均誤差減小率約為18%,這相比于10 m-U風(fēng)的訂正效果(約15%)更好。針對(duì)RMSE以及MAE兩種評(píng)價(jià)指標(biāo)均為6 h預(yù)報(bào)結(jié)果訂正效果最為顯著,之后訂正效果出現(xiàn)下降并逐漸趨于平穩(wěn)(圖11),考慮仍是因?yàn)橄到y(tǒng)對(duì)長(zhǎng)期預(yù)報(bào)誤差大且結(jié)果穩(wěn)定的原因。

圖10 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面10 m-U風(fēng)4 h預(yù)報(bào)RMSE分布(單位:m/s):(a、c、e、g)訂正前;(b、d、f、h)訂正后

圖11 地面10 m-V風(fēng)各預(yù)報(bào)時(shí)效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

圖12 地面10 m-V風(fēng)4 h預(yù)報(bào)全年RMSE分布(單位:m/s):(a)訂正前的原始預(yù)報(bào)誤差;(b)訂正后的預(yù)報(bào)誤差

圖12為針對(duì)RISE研究的京津冀區(qū)域,提前4 h預(yù)報(bào)的10 m-V風(fēng)格點(diǎn)預(yù)報(bào)訂正結(jié)果的全年RMSE。通過(guò)對(duì)比訂正前和訂正后的誤差空間分布結(jié)構(gòu),可以看到圖中基本每個(gè)格點(diǎn)均有正向提升效果,尤其是針對(duì)西北部區(qū)域,絕大部分RMSE超過(guò)2.5 m/s的各個(gè)局地山區(qū)緯向風(fēng)速預(yù)報(bào)誤差大值中心均減小到2.5 m/以下,而京津冀東南平原地區(qū)的RMSE基本都降低至1 m/s以下(圖12b)。上述結(jié)果說(shuō)明,與10 m-U風(fēng)相似,Rise-Unet神經(jīng)網(wǎng)絡(luò)對(duì)10 m-V風(fēng)的訂正仍然全圖有效。另外,對(duì)比U風(fēng)和V風(fēng)之間的差異,可以發(fā)現(xiàn)原始RISE系統(tǒng)對(duì)V風(fēng)的預(yù)報(bào)誤差整體大于U風(fēng)(圖12a、圖9a),而訂正后兩者誤差相對(duì)更為接近。

表5以及圖13分別為4 h預(yù)報(bào)訂正結(jié)果的分季節(jié)RMSE統(tǒng)計(jì)以及空間分布。針對(duì)四個(gè)季節(jié),RISE系統(tǒng)10 m-V風(fēng)的原始預(yù)報(bào)誤差總體都比10 m-U風(fēng)更大(表4、5),其中春季V風(fēng)誤差大于U風(fēng)的特征最為突出(圖13a,圖10a)。但是,針對(duì)春夏秋這三個(gè)季節(jié),地面10 m-V風(fēng)的訂正誤差減小率分別為16.56%、17.94%和10.74%,均比10 m-U風(fēng)的訂正提升率相對(duì)更高;而針對(duì)冬季的訂正結(jié)果,10 m-V風(fēng)誤差減小率則為12.82%,小于10 m-U風(fēng)的誤差減小率(15.00%)。總體上來(lái)看,U風(fēng)和V風(fēng)兩種要素誤差分布是一致的,且Rise-Unet神經(jīng)網(wǎng)絡(luò)對(duì)10 m-V風(fēng)的訂正與10 m-U風(fēng)相似,仍是全季節(jié)有效的。

表5 地面10 m-V風(fēng)速4 h預(yù)報(bào)分季訂正統(tǒng)計(jì)

3 討論和結(jié)論

本文基于RISE系統(tǒng)高分辨率短臨預(yù)報(bào)數(shù)據(jù)集,使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了Rise-Unet模型進(jìn)行京津冀區(qū)域500 m分辨率格點(diǎn)溫濕風(fēng)預(yù)報(bào)訂正試驗(yàn)和評(píng)估檢驗(yàn),探索深度學(xué)習(xí)算法在高分辨率格點(diǎn)數(shù)據(jù)預(yù)報(bào)訂正中的應(yīng)用效果,主要結(jié)論如下:

1)針對(duì)RISE系統(tǒng)數(shù)據(jù)研究區(qū)域,使用Rise-Unet網(wǎng)絡(luò)調(diào)整以及遷移后可以有效地完成京津冀全區(qū)域訂正,同時(shí)針對(duì)各個(gè)季節(jié)該模型也均表現(xiàn)出其顯著的正向訂正效果,不同季節(jié)訂正后溫度、濕度、風(fēng)速誤差減小率分別在17%～24%、12%～17%、10%～18%,說(shuō)明該模型對(duì)高分辨率、細(xì)網(wǎng)格氣象預(yù)報(bào)數(shù)據(jù)具有十分有效的偏差訂正能力。因此,這對(duì)于深度學(xué)習(xí)在高分辨率格點(diǎn)預(yù)報(bào)數(shù)據(jù)偏差訂正中的應(yīng)用以及推動(dòng)氣象預(yù)報(bào)精細(xì)化發(fā)展方面具有重要意義。

2)在對(duì)RISE系統(tǒng)數(shù)據(jù)多個(gè)氣象要素的訂正中發(fā)現(xiàn),預(yù)報(bào)誤差大值區(qū)主要集中分布于京津冀西部以及北部高原和山地區(qū)域。對(duì)溫度而言,由于西部地區(qū)地形復(fù)雜且溫差較大,因此對(duì)于該區(qū)域溫度的預(yù)報(bào)以及訂正結(jié)果誤差相對(duì)較高,而東部地區(qū)多平原且溫差變化特征較為穩(wěn)定,因此預(yù)報(bào)和訂正的誤差相對(duì)較小。對(duì)相對(duì)濕度而言,與溫度類似。對(duì)于RISE系統(tǒng)地面10 m-U風(fēng)和10 m-V風(fēng)預(yù)報(bào)產(chǎn)品,由于高原山地區(qū)域,風(fēng)的局地特征較為復(fù)雜且日變化大,而且數(shù)值模式的可預(yù)報(bào)性較低,因此對(duì)其訂正的誤差也較大。

圖13 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面10 m-V風(fēng)4 h預(yù)報(bào)RMSE分布(單位:m/s):(a、c、e、g)訂正前;(b、d、f、h)訂正后

本文提出的Rise-Unet網(wǎng)絡(luò)模型格點(diǎn)偏差訂正方法可應(yīng)用于RISE系統(tǒng)的后處理模塊,以進(jìn)一步提升RISE系統(tǒng)的格點(diǎn)預(yù)報(bào)水平。需要指出,本文只針對(duì)了地面常規(guī)要素開(kāi)展基于深度學(xué)習(xí)的高分辨率格點(diǎn)預(yù)報(bào)訂正方法研究和試驗(yàn),考慮到RISE系統(tǒng)除了可以提供高分辨率溫濕風(fēng)等常規(guī)天氣要素短臨預(yù)報(bào)結(jié)果之外,還可以提供地面降水、降水相態(tài)、零度層高度、雪線高度等要素的高分辨率未來(lái)預(yù)報(bào)。因此,未來(lái)可以進(jìn)一步研究Rise-Unet網(wǎng)絡(luò)或其他深度學(xué)習(xí)方法對(duì)其他高分辨率天氣要素格點(diǎn)預(yù)報(bào)的偏差訂正效果。除此之外,本文研究結(jié)論不僅可直接應(yīng)用于RISE系統(tǒng),也可以為提升其他高分辨率模式系統(tǒng)格點(diǎn)預(yù)報(bào)水平提供一定的理論和技術(shù)參考。