提出一種基于數值模式預報產品的氣溫預報集成學習誤差訂正方法,通過人工神經網絡、長短期記憶網絡和線性回歸模型組合出新的集成學習模型（ALS模型）,采用2013—2017年的歐洲中期天氣預報中心數值天氣預報模式2 m氣溫預報產品和中國部分氣象站點數據,利用氣象站點氣溫、風速、氣壓、相對濕度4個觀測要素,挖掘觀測數據的時序特征并結合模式2 m氣溫預報結果訓練機器學習模型,對2018年模式2 m氣溫6～168 h格點預報產品插值到站點后的預報結果進行偏差訂正。結果表明:ALS模型可將站點氣溫預報整體均方根誤差由3.11℃降至2.50℃,降幅達0.61℃（19.6%）,而傳統(tǒng)的線性回歸模型降幅為0.23℃（8.4%）。ALS模型對站點氣溫預報誤差較大的區(qū)域和氣溫峰值預報的訂正效果尤為顯著,因此,集成學習方法在數值模式預報結果訂正中具有較大的應用潛力。 

【文章來源】：應用氣象學報. 2020,31(04)北大核心CSCD

【文章頁數】：10 頁

【參考文獻】：
期刊論文
[1]一種偏差訂正方法在平昌冬奧會氣象預報的應用[J]. 張玉濤,佟華,孫健.  應用氣象學報. 2020(01)
[2]10～30 d延伸期可預報性與預報方法研究進展[J]. 章大全,鄭志海,陳麗娟,張培群.  應用氣象學報. 2019(04)
[3]ECMWF高分辨率模式2m溫度預報誤差訂正方法研究[J]. 薛諶彬,陳嫻,張瑛,鄭婧,馬曉華,張雅斌,潘留杰.  氣象. 2019(06)
[4]一階卡爾曼濾波方法對EC集合預報氣溫的訂正[J]. 王秀娟,陳長勝,馮旭,馬洪波.  氣象災害防御. 2019(01)
[5]針對模式風場的格點預報訂正方案對比[J]. 曾曉青,薛峰,姚莉,趙聲蓉.  應用氣象學報. 2019(01)
[6]循環(huán)神經網絡在雷達臨近預報中的應用[J]. 韓豐,龍明盛,李月安,薛峰,王建民.  應用氣象學報. 2019(01)
[7]基于支持向量機的雷暴大風識別方法[J]. 楊璐,韓豐,陳明軒,孟金平.  應用氣象學報. 2018(06)
[8]一個簡單的格點溫度預報訂正方法[J]. 潘留杰,薛春芳,王建鵬,張宏芳,王丹,胡皓.  氣象. 2017(12)
[9]MOS溫度預報中最優(yōu)訓練期方案[J]. 吳啟樹,韓美,郭弘,蘇同華.  應用氣象學報. 2016(04)
[10]氣溫插值中不同空間插值方法的適用性分析——以江蘇省為例[J]. 彭彬,周艷蓮,高蘋,居為民.  地球信息科學學報. 2011(04)



本文編號：3310632