兩種統計預報方法在廣安氣溫預報中的對比研究

李曦

兩種統計預報方法在廣安氣溫預報中的對比研究

李曦

（廣安市氣象局，四川 廣安 638500）

將2009—2012年歐洲中期數值預報模式產品資料（ECMWF）作為預報因子，以四川廣安市4個測站（廣安、武勝、鄰水、岳池）同時期每日最高氣溫、最低氣溫為預報對象，分別采用MOS統計方法、BP神經網絡算法訓練并建立起預報方程，然后利用2012—2013年的實況數據對預報結論進行檢驗。結果表明，通過MOS方法、BP神經網絡方法得到的預報結論明顯優于數值模式本身的預報結論；采用兩種方法對最低、最高溫度的預報準確率均較高，對最低溫度的預報準確率略高于最高氣溫，且均隨著時間的延長，準確率下降；MOS方法對最低溫度的預報準確率略高于BP方法，而BP方法對最高氣溫的預報效果更好。

氣溫預報；MOS方法；BP神經網絡；預報檢驗

1 引言

精細化天氣預報業務隨著經濟、社會的發展需要被提出來，這是氣象預報業務現代化發展的總趨勢，也是氣象事業發展的重點發展方向。由于精細化預報涉及的預報對象的擴充、預報時效的延長、預報間隔的縮短、預報空間的細化，增大了精細化預報的數據量和預報難度，天氣預報員按照常規主觀預報方式難以完成精細化天氣預報工作。隨著數值天氣預報技術的不斷進步，數值產品的時效性越來越強、空間分辨率越來越高、預報準確率越來越高，因此，合理運用數值預報產品并對數值產品進行加工、訂正和釋用，實現數值產品的本地化運用，進一步提高數值天氣預報的本地化產品精度就成為了氣象工作的的重要內容。

目前，氣象研究者已在氣象統計方法中數值預報模式的產品釋用方面做了大量的工作，并已取得較好的成果。陳優平等[1]利用卡爾曼濾波法對GFS產品完成了嘉興市溫度客觀預報工作，發現使用該方法對氣溫的具有較好的預報效果；陳豫英等[2]使用MOS方法對寧夏地區的平均氣溫進行預報，結果表明MOS法對平均氣溫的預報能力明顯優于數值模式產品，隨著資料的劃分，預報效果有差異；林紓等[3]利用MOS方法對風場產品進行預報，發現MOS方法對風場具有較好的預報效果；胡江林等[4]利用人工神經網絡算法完成了暴雨的預報研究，預報效果表明人工神經網絡算法明顯提高了數值模式的暴雨預測效果；韋惠紅等[5]以歐洲、日本等數值模式資料為基礎，使用SVM方法（支持向量機）建立了暴雨預報模型，完成了對暴雨的預報工作，檢驗結果表明該方法對暴雨預報具有一定的預報能力和參考價值；熊秋芬等[6]、賀皓等[7]分別使用SVM方法完成了天空云量和大霧的預報，并取得了一定的成果；吳愛敏[8]利用歐洲中期預報資料并集成MOS方法、SVM方法、卡爾曼濾波方法完成了慶陽市極端溫度預報，發現集成后的方法比單一的方法準確性有所改善和提高。

本文采用ECMWF（歐洲中期數值預報）高分辨率數值預報資料作為預報因子，以同時段四川廣安各站的最低、最高溫度作為預報對象，分別應用多元統計回歸算法（MOS方法）、前饋神經網絡算法（BP算法）兩種統計算法建立的預報方程，制作四川廣安地區24 h、48 h、72 h的最高氣溫、最低氣溫預報，同時利用實況資料對預報結論進行檢驗，并討論兩種方法的預報準確率。

2 預報方法

2.1 資料與數據

本文采用2009—2012年歐洲中期數值預報模式產品資料（ECMWF）作為預報因子，以四川廣安市4個測站（廣安、武勝、鄰水、岳池）的同時期每日最高氣溫、最低氣溫作為預報對象，將模式產品資料利用距離插值方法插值到各個站點上，完成模式產品到實況資料的匹配。

在溫度預報中，降水、云量、日照、風向風速、氣壓、濕度、垂直運動以環流背景都對測站溫度有著重要的影響，為了全面、準確描述溫度的影響因子，本文選定的預報因子包括2009—2012年ECMWF 08：00和20：00資料：海平面氣壓、地面變壓、850 hPa溫度、850 hPa變溫、850 hPa相對濕度、700 hPa相對濕度、500 hPa高度以及500 hPa變高等。

以下將分別介紹兩種重要的氣象統計算法：MOS方法和BP神經網絡算法，通過這兩種統計算法對2010—2012年的數據進行訓練、模擬，得到基于MOS方法、BP神經網絡算法的預報方程，然后利用2012—2013年的數據對預報方程進行驗證。

2.2 MOS方法介紹

MOS預報方法是一種重要的統計學釋用方法，它在數值天氣預報模式的歷史預報產品和相應時次的預報對象間建立統計關系，建立回歸預報方程。在進行預報時，把數值預報輸出的各因子代入相應的預報方程中，就可以輸出預報產品。

MOS方法在氣象預報中具有明顯的優點：MOS方法可以較好地訂正數值模式的系統性偏差，只要數值模式的具有較穩定的偏差特征，就可以通過MOS方法得到較好的預報結果。而由于MOS方程的建立依賴于數值模式，當數值模式發生較大的變動時，MOS的預報結果就較差。

2.3 BP方法介紹

BP神經網絡是由人工建立的以有向圖為拓撲結構的動態系統，通過對連續或斷續的輸入作狀態響應而進行信息處理。BP算法為一種監督式的學習方法，它通過輸入大量的學習樣本，再通過使用反向傳播算法對網絡權值和偏差進行反復調整訓練，使輸出向量與期望盡量接近，當網絡輸出層誤差平方小于指定的誤差時，完成訓練，最終得到權重值和偏差分布。

隱層至輸出層權、輸入層至隱層權調整表達式為：

j，k=j，k+（k－k）k（1－k）j

輸出層、隱含層節點閾值調整表達式為：

k=k+（k－k）k（1－k）

對于某一訓練樣本，采用以上算法，通過誤差反傳調整各層神經元的權值，反復輸入所有訓練模式樣本序列，重復以上步驟，直到誤差權值不再改變，輸出誤差限定于規定范圍內。

3 結果分析

分別利用MOS方法和BP神經網絡算法對2010-11—2012-07共600組數據進行了訓練、模擬，得到基于MOS方法、BP神經網絡算法的預報方程，然后利用2012-07—2013-06的近300組數據對預報方程進行檢驗，并對預測結果進行分析。由于目前氣象部門實行溫度預報2 ℃標準，即預報結果與實況相差2 ℃以上時，評定為預報錯誤；當相差2 ℃以內時，評定為預報正確。

因此，采用預報準確率來對最高、最低氣溫進行檢驗，預報準確率的計算方法為：預報準確率=預報正確個數/（預報正確個數+預報錯誤個數）。

從預測誤差上看，MOS方法和BP方法對24 h、48 h、72 h最低溫度的預報系統偏差分別為－0.123 ℃、－0.11 ℃、－0.09 ℃，0.19 ℃、0.01 ℃、－0.03 ℃，對最高溫度預報的系統偏差分別為0.3 ℃、0.35 ℃、0.21 ℃，－0.35 ℃、－0.37 ℃、－0.33 ℃。

從絕對誤差上看，MOS方法和BP方法對最低溫度預報的絕對誤差分別為1.02 ℃、1.07 ℃、1.06 ℃，1.3 ℃、1.03 ℃、1.41 ℃，對最高溫度預報的絕對誤差分別為1.61 ℃、1.66 ℃、1.7 ℃，1.53 ℃、1.65 ℃、1.69 ℃。

通過與實況資料的檢驗對比表明：以±2 ℃溫差為正確標準，MOS算法對24 h最低氣溫的預報準確率分別達到了88.9%，對48 h的最低溫度預報準確率達到了86.2%，對72 h的最低溫度預報準確率也達到了88.2%；而BP預報方法對24 h、48 h、72 h的最低溫度預報準確率分別達到了80.9%，86.6%，73%。在最高溫度方面，MOS方法對24 h、48 h、72 h的最高溫度的預報準確率分別達到了67.8%，68.9%，68.4%；而BP方法的預報準確分別為70.7%，69.5%以及67.1%。

檢驗結果表明：兩種方法均能預報出廣安本地的最高、最低溫度，且預報準確率較高。兩種預報方法的最低溫度預報準確率均高于最高溫度預報準確率，且隨著時間的延長，預報準確率逐漸降低。兩種預報方法的主要差異表現在：相比BP預報方法，MOS方法對最低溫度的預報具有優勢，預報準確率更高、更穩定，而BP方法在對最高溫度的預報中表現更好。

基于以上檢驗結果，在實際氣溫預報工作中利用MOS算法對廣安市最低氣溫進行預報，而采用BP算法預報最高氣溫。

這樣形成的本地氣溫預報方法就兼具了MOS方法預報最低氣溫的穩定性及BP方法預報最高氣溫的優越性。MOS方法、BP方法在廣安本地的最高、最低預報工作中均有一定的指導意義。

4 結論

本文采用ECMWF（歐洲中期數值預報）產品，利用MOS方法、BP方法對廣安地區的最高、最低氣溫進行預報，結果表明兩種方法均能較為準確地預報出最高、最低氣溫，且預報準確率較高，最低溫度的預報準確率明顯高于最高溫度，隨著時間的延長，準確率逐步降低。兩種預報方法差異表現在對最低、最高氣溫的預報準確率上：MOS方法對最低氣溫的預報準確率高，而BP方法對最高氣溫的預報準確率高。因此，在實際業務使用中，應該結合使用MOS方法和BP方法，這樣才能更進一步提高預報準確率。

在研究工作中還存在不足之處，包括兩種方法建立的預報公式過于籠統和粗糙，不夠細化。本文直接針對每日最高、最低氣溫建立了溫度預報方程，沒有考慮到季節差異造成的影響。實際上，由于氣溫的季節性差異明顯，采用同一個預報公式對不同季節氣溫進行預報存在較大的差異。下一步將針對本地的氣候特點，分季節建立溫度預報方程，這樣可進一步提高溫度預報的準確率。

［1］陳優平，陸琛莉，李云泉.基于GFS產品和卡爾曼濾波的嘉興市溫度客觀預報［J］.氣象科技，2009，37（2）：142-144.

［2］陳豫英，陳楠，王素艷，等.MOS方法在動力延伸期候平均氣溫預報中的應用［J］.應用氣象學報，2011，22（1）：86-95.

［3］林紓，張東方，王永光，等.MOS方法在西北地區東部春季干旱預警的應用與檢驗［J］.氣象，2010，36（5）：98-101.

［4］胡江林，涂松柏，馮光柳，等.基于人工神經網絡的暴雨預報方法探討［J］.熱帶氣象學報，2003，19（4）：423-428.

［5］韋惠紅，李才媛，鄧紅，等.SVM方法在武漢區域夏季暴雨預報業務中的應用［J］.氣象科技，2009，37（2）：145-148.

［6］熊秋芬，顧永剛，王麗.支持向量機分類方法在天空云量預報中的應用［J］.氣象，2007，33（5）：20-26.

［7］賀皓，羅慧.基于支持向量機模式識別的大霧預報方法［J］.氣象科技，2009，37（2）：149-151.

［8］吳愛敏.極端氣溫集成預報方法對比［J］.氣象科技，2012，40（5）：772-777.

P457.3

A

10.15913/j.cnki.kjycx.2019.15.039

2095－6835（2019）15－0098－03

李曦（1985—），男，四川廣安人，研究生，氣象工程師，研究方向為中短期天氣預報、雷達氣象。

〔編輯：張思楠〕