兩種方法在不同海拔地區計算濕球溫度的對比

周永水 , 原 野 , 石 艷* , 劉 維 , 湯 寧 , 胡興煒 , 郭 茜

（1. 貴州省氣象臺, 貴陽 550002；2. 貴州省氣象服務中心, 貴陽 550002；3. 貴州省遵義市氣象局，遵義 563000；4. 貴州省氣象信息中心，貴陽 550002）

引言

濕球溫度是指同等焓值空氣狀態下，空氣中的水蒸氣達到飽和時的空氣溫度，它是標定空氣濕度的一種手段。濕球溫度在采暖通風、空調設計、煙葉烘烤中有較多的應用[1?2]，也是干燥器、冷水塔等工程設計中的重要氣象參數[3]。近幾年，濕球溫度在強對流天氣中也得到了較好的應用。俞小鼎[4]指出冰雹的融化層高度更接近于濕球0℃層高度。鄭永光等[5]闡述了露點溫度和濕球溫度的區別。此外，在冰雹大風、雨雪轉換等天氣過程中，針對濕球溫度也開展了較多的工作[6?9]。

早期的地面氣象臺站是利用干濕球溫度表來分別測量溫度和濕球溫度[10?11]。21世紀以來，隨著氣象臺站自動觀測設備的推廣和應用，新的觀測設備不再觀測濕球溫度，需要通過其他觀測要素間接計算來獲得。而對于如何計算濕球溫度，氣象學者們給出了不同的研究方法，主要以迭代法和逼近法為主[12?14]。已有研究[15?16]指出，最優逼近法的計算結果明顯好于牛頓迭代法，但在高海拔地區，逼近法計算的精度比平原地區有所降低，因此，需要對逼近法在貴州等高原地區的適用性進行評估。近年來，以深度學習為代表的機器學習算法飛速發展，并與各類氣象大數據有效結合，已成為天氣預報[17?18]特別是強對流天氣預報的有效手段[19?20]。人工智能等機器學習算法建立在大數據集的應用基礎上，利用大量的歷史數據進行建模并訓練，進而從歷史數據中學習規律，通過智能化篩選、組合多種因子進行擬合分類，尤其在多分類擬合等方面有一定的優勢，能夠處理高維度數據。……