EC细网格模式2m气温预报产品在崂山地区的验证

郝翠萍 张明俊 徐晓亮

摘要 选取2015—2019年青岛市崂山区10个气象自动站的日气温数据和EC细网格模式2 m气温预报产品，验证EC细网格模式2 m气温预报产品最低温度和最高温度在青岛崂山地区的准确率，同时分析崂山地区温度的时间、空间分布特征，对预报产品进行订正，在实际业务中进行推广，提高预报的准确率，做好公众气象服务。结果表明，气温存在年变化差异和季节内差异，同一种温度下，春季和夏季的区域分布比较类似，秋季和冬季的区域分布比较类似;崂山区内EC细网格24 h最低温度预报值偏高，最高温度预报值偏低，最低温度的预报总体准确率比最高温度的预报总体准确率要高，西部地区的预报准确率要高于东部地区的准确率;通过订正后，发现最低温度4个季节的预报准确率都在50%以上，最高温度订正后的准确率，除夏季59%以外，其他各季节均在75%以上。

数值天气预报是在一定的初始条件和边界条件下，借助大气运动方程组，由已知状态的气象要素去求解未來状态的气象要素，如气温、降水等，具有重要意义。随着模式检验技术的不断进步，加之如卫星资料、雷达资料等非常规观测资料被运用于模式当中，使得相关气象要素值较之前改进提升。在当前业务工作中，尤其是2018年推行全国智能网格预报后，各级预报员在制作相关气象要素预报时，除了自己的经验预报和对天气形势、环流背景的判断外，更多参考数值预报的格点产品，将主观预报和客观预报结合起来，进一步提高气象预报的准确率。气温预报是天气预报的重要内容，不但对干旱、霜冻等灾害性天气发生发展有着重要作用，同时是生活指数、穿衣指数等公众气象服务的重要参考数据。EC细网格模式气温数据在预报业务中有着广泛应用，从早期的粗网格数据到现在的细网格数据，在不断进步、不断发展。针对气温预报，许多学者已经开始了相关研究，如刘春风等[1]在研究新疆及周边地区2 m温度时发现EC模式提供的温度数值偏高。潘留杰等[2]选取北半球区域分季节研究EC细网格模式温度结果时发现其呈现出明显的季节性差异，夏季特别是7月预报能力最弱。范苏丹等[3]选取了2014年6—8月山东气温预报几种数值模式产品进行对比分析，认为EC细网格对内陆最高气温预报准确率最高，WRF集合预报次之，EC细网格和T639？鄄MOS对内陆最低气温预报准确率最高。万夫敬等[4]利用2013—2015年EC细网格模式 2 m气温预报产品，分析了不同季节和不同天气形势下EC 细网格模式产品对青岛地区7个基准站逐日最高气温和最低气温的预报性能，进一步验证了其在业务方面的可行性。

崂山区是青岛市的一张重要名片，贯彻落实国家可持续发展战略和环境保护，增加环保投入，实施碧水工程、蓝天工程、绿色工程等系列环保工程。因独特的“小江南”气候而生长的崂山茶成为不可多得的饮品;寒露蜜桃、樱桃等品种优良，远近闻名;广阔的海岸线为海洋捕捞提供了得天独厚的有利条件，盛产黄花鱼、海参、鲍鱼、扇贝、海带、石花菜等海珍美味。所以准确的气温预报在崂山区有着重要意义，不仅可以合理利用气候资源开展种植养殖工作，还能更加准确地开发旅游资源。

1资料与方法

1.1研究资料

选取2015—2019年崂山太清、西韩、午山、气象度假村、北宅、北九水、巨峰索道、朱顶山、沙子口和晓望小学10个自动站的日最低气温、最高气温实况数据。

选取2017年6月5日至2019年8月11日的EC细网格模式气温数据，其范围为90°～140° E，20°～50° N，精度为0.125°×0.125°。主要研究24 h内的温度变化情况，以3 h为间隔，选出格点的最高、最低气温。崂山区的站点数据与对应的格点数据相匹配（图1）。

1.2研究方法

距平变量可以表示对平均值的正常情况的偏差，在研究过程中可以滤除平均值，使各变量在同一水平上比较，偏高值或偏低值更加直观。

标准差用来描述要素数据资料与平均值差异的平均状况，可以看出数据自身的稳定性。

多项式拟合用于数值预报中的客观分析，基于针对数据的非线性函数的线性模型是非常常见的，这种方法既可以像线性模型一样高效的运算，同时使得模型可以适用于更为广泛的数据上，借助其趋势分析进行数据订正。

2崂山区自动站温度数据分析

2.1时间分布

从图2可以看出，青岛市崂山区2015—2017年四季的最低温度、最高温度变化趋势一致，存在年变化差异和季节内差异。2015、2016和2017年春季温度逐渐上升、秋季温度逐渐下降、冬季温度先降后升;夏季温度在2015、2016年逐渐上升，2017年却是先升后降，说明温度的变化存在年变化。

2.2空间分布

根据自动站数据，分别计算出崂山太清等10个自动站春季、夏季、秋季、冬季最低气温、最高气温的距平值，绘制2015—2017年崂山区春季、夏季、秋季、冬季最低温度、最高温度距平空间分布图（图3）。

从图3可以看出，最低温度、最高温度在相同季节内的区域分布大致相同，只是极端数值区域的范围和程度不同，同一种温度下，春季和夏季的区域分布比较类似，秋季和冬季的区域分布比较类似，但是温度具体偏高区域和温度偏低区域的范围有所不同。区域温度差异性可能与自动站的选取有关，如海拔高度、海陆位置、人口密度等有关。

综上所述，在对崂山区最低温度、最高温度进行订正时，可以考虑不同季节订正数值不同，同时相邻站点相类似订正，进一步提高预报的准确性。

3EC细网格温度数据在崂山区应用性分析

对EC细网格数据处理后发现数据的一致性比较差，00：00数据记录是633 d，03：00数据记录是619 d，06：00数据记录是617 d，09：00、12：00、15：00、24：00数据记录是616 d，18：00数据记录是614 d，21：00数据记录是615 d。为了确保数据的客观真实性，对所有时次的数据进行相同日期的筛选，最终确定了600 d所有时次都有相应的格点数据值，其中春季样本个数是141 d、夏季样本个数是223 d、秋季样本个数是89 d、冬季样本个数是147 d。

通过计算可以得出崂山区选取10个站点的24 h最低（高）气温的误差分析（表1～2）。从表1～2可以看出，崂山区内EC细网格24 h最低温度与站点实际观测数据相比，预报数值偏高，最大出现在巨峰索道，平均偏高3.26℃，最小出现在午山，也偏高0.32℃;崂山区内EC细网格24 h最高温度与站点实际观测数据相比，预报数值偏低，最大出现在北宅，平均偏低2.26℃，最小出现在气象度假村，也偏低0.47℃，表明低温预报的极端值更明显。从均方根误差上分析，EC细网格24 h最低温度其值为2.32℃，EC细网格24 h最高温度其值为2.07℃，表明高温预报的整体稳定性、延续性比低温更好一些。

从图4可以看出，2015—2017年崂山区最低温度的预报总体准确率比最高温度的预报总体准确率要高。不论是最低温度还是最高温度，西部地区的预报准确率要高于东部地区的预报准确率。低温预报准确率前3位是午山、气象度假村、崂山太清，高温预报准确率前3位是气象度假村、西韩、沙子口（晓望小学并列），预报准确率都较好的是气象度假村。低温预报准确率后3位是巨峰索道、北九水、北宅，高温预报准确率后3位是北宅、巨峰索道、朱顶山，预报准确率都较差的是北宅和巨峰索道。

综上表明EC细网格24 h气温数据在崂山地区总体上准确率西高东低，但预报准确率的极端值不同。

4对EC细网格温度数据订正研究

通过前面的研究发现EC细网格24 h温度数据不论低温还是高温在不同区域的准确率存在明显差异，具有一定误差，有的地区甚至有较大误差，所以在具体使用过程中必须对其进行修正，这对于提高预报的准确率有明显的提升作用，能够更好地做好公众气象服务，将最低温度和最高温度更好地表述出来。

通过前文的研究发现崂山区各地温度存在明显的季节性差异，因此在实际业务应用过程中对各站点分季节修正，准确率会进一步提高，更加贴近真实的工作人员。

按照春、夏、秋、冬分类，分别对崂山太清等10个站点的最低温度、最高温度进行订正后带回检验，发现各站各季节订正效果不尽相同，最低温度订正夏季最好，春季最差;最高温度修正春季和夏季最好，秋季最差。整体而言，最高温度的订正效果比最低温度的订正效果好。最低温度订正4个季节全部提高的站点有北九水和巨峰索道，最高温度订正4个季节全部提高的站点有北宅和沙子口。为了进一步提高订正的准确率，将相关样本进行不同多次拟合，选择最优结果，得出最低温度和最高温度的最终订正结果（表3和表4）。

为了进一步检验订正结果的效果，选取2018—2019年的温度数据，结合表3和表4中的订正结果，计算订正后预报的准确率（表5和表6）。

从表5～6可以看出，最低温度订正后4个季节的预报准确率都在50%以上，最好的是夏季（87.69%）;除了北宅以外，其他各地区的预报准确率平均值都在50%以上。最高温度订正后的预报准确率和最低温度订正后的预报准确率相比，除了夏季以外，其他各季节都较高，均在75%以上;各地区的预报准确率平均值均在60%以上，最好的是北宅，达到了90.97%。因此，可以看出同一个季节低温和高温的改善程度不同，同一个地区的改善程度也不同，存在明显的差异性。

5结论与讨论

青岛市崂山区2015—2017年最低温度、最高温度在相同季节内的区域分布大致相同，只是极端数值区域的范围和程度不同，同一种温度下，春季和夏季的区域分布比较类似，秋季和冬季的区域分布比较类似。最低温度的预报总体准确率比最高温度的预报总体准确率要高。不论是最低温度还是最高温度，西部地区的预报准确率要高于东部地区的准确率。

对EC细网格数据的订正，由于网格资料和自动站数据资料的时间尺度比较短，同时仅有的数据连续性存在一定问题，导致研究数据存在误差。通过前面的研究发现，EC细网格24 h温度数据不论低温还是高温在不同区域的准确率存在明显差异，具有一定误差，有的地区甚至有较大误差，说明空间分布对数据也有较大影响。可见，时间尺度和空间尺度上都是后期改进需要考虑的内容。

此外，鉴于样本个数不足，尤其是2018—2019年验证订正结果的有效样本个数较少，对结果的反映有一定的偏差性。同时，没有对极端天气，如寒潮、大雾、雷暴等天气下气温的变化进行分类研究，如夏季最高温度的预报较差可能是因为午后强对流天气致使能量快速释放，高温变化剧烈，误差较大;秋季、冬季、春季最低温度的预报较差可能是因为夜间强辐射降温和对冷空气的强度和持续时间把握比较困难，低温变化呈现跳跃性，这些都需在后续研究过程中进一步完善。

参考文献

[1] 刘春风， 徐欢， 宋雪明，  等. ECMWF细网格2米温度在新疆及周边地区的预报效果检验[J]. 沙漠与绿洲气象， 2014， 8（6）：10-15.

[2] 潘留杰， 张宏芳， 朱伟军， 等.ECMWF 模式对东北半球气象要素场预报能力的检验 [J]. 气候与环境研究， 2013，18 （1）：111-123.

[3] 范苏丹， 盛春岩， 车军辉， 等. 2014年6—8月数值模式产品对山东气温预报的检验分析[J]. 山东气象， 2015， 35（3）：13-16.

[4] 万夫敬， 赵传湖， 马艳，  等. ECMWF模式气温预报在青岛地区的检验与评估[J]. 气象科技， 2018，46（1）：112-120.

責任编辑：郑丹丹