基于智能网格的旅游景区气温预报技术研究

魏芳芳 王新伟 栗晗

摘 要：基于EC细网格、GRAPES-GFS等多尺度数值模式预报产品及中央台指导报，采用准对称滑动训练期，基于加权线性回归技术，形成智能网格温度预报产品。本文对2019年12月至2020年11月河南省300个利用智能网格的预报考核站进行检验，结果表明：智能网格预报日最高、最低温度准确率均高于EC模式。智能网格温度预报可以有效提升河南省旅游景区气象服务的精细化能力和水平，有较好的应用价值。

关键词：智能网格;旅游景区;气温

中图分类号：P463.3     文献标识码：A       文章编号：1003-5168（2021）27-0095-03

Abstract： Based on the prediction products of the multi-scale numerical models such as the EC fine grid， GRAPES-GFS and the guidance prediction products from the Central Meteorological Observatory， this research adopts the quasi symmetric sliding training period， and produces the intelligent grids temperature prediction products based on the weighted linear regression method. This paper tests 300 prediction and assessment stations using intelligent grid in Henan Province from December 2019 to November 2020. The results show that the accuracy of intelligent grids in forecasting daily maximum and minimum temperature is higher than that of EC model. Intelligent grid temperature forecast can effectively improve the refinement ability and level of meteorological services in tourist attractions of Henan Province， which has good operational application value.

Keywords：intelligent grids;tourist attractions;temperature

进入21世纪后，国外发达国家普遍建立了成熟的气象网格预报业务。近十年来，我国逐步开展并建立了气象网格预报试验业务，模式预报要素不断丰富，时间和空間分辨率不断提升，各要素预报准确率也有了大幅度的提升。

随着全域旅游的深入开展，旅游景区对天气预报的时间和空间分辨率需求更加精细。利用智能网格预报开展旅游景区的精细化预报技术研究就显得尤为重要。国内开展了众多针对数值预报气温的订正和检验研究[1-5]。河南省于2016年开始逐步建立智能网格预报业务，并于2018年实现了智能网格预报单轨运行，初步形成了降水、温度等气象要素空间分辨率5 km、48小时内1h、3～10天内3h时间分辨率的主要气象要素格点化预报。

通过利用智能网格预报临近点插值到骨干考核站点（共360个站点），与站点观测实况进行对比检验，从而为下一阶段气温预报技术的改进提供参考[6]。

1 区域概况与研究方法

1.1 区域概况

河南省位于北纬31°23'—36°22'，东经110°21'—116°39'，面积为16.7×104 km2，属大陆性季风气候，横跨黄河、淮河、长江、海河四大流域，地势上为第二阶梯向第三阶梯过渡地带，西高东低，望北向南，包含了平原、丘陵、山地、盆地四大地理类型。河南省地处南北气候过渡带，辖内有4A级以上旅游景区177个，旅游资源丰富，潜在文旅市场规模超过1亿人。

1.2 研究方法

1.2.1 气温订正方法。基于EC细网格、GRAPES-GFS、本地WRF-RUC等多尺度数值模式预报产品及中央台指导报，采用准对称滑动训练期，基于加权线性回归技术，形成智能网格温度预报产品。

1.2.2 气温检验方法。采用最高、最低气温预报准确率，绝对误差和预报技巧评分3个指标对结果进行检验。

式中，F为气温预报值与实况值误差不超过2 ℃和1 ℃的百分率;n为误差不超过2 ℃和1 ℃的样本量;N为样本总量。

式中，RMSE为均方根误差;N为观测次数;Iobsi为第i个点的观测值;Iprei为第i个点的预报值。

2 结果分析

2.1 最高温度分析

最高温度≤2 ℃预报准确率方面，智能网格的预报准确率在各个时次上均比EC模式预报效果好，其中24 h智能网格预报准确率可以达到74.5%，高出EC模式7.5%;48 h智能网格预报准确率高出EC模式6%;随时次后移，EC模式和智能网格的预报准确率趋于接近。

最高温度≤1 ℃预报准确率低于最高温度≤2 ℃预报准确率，与此同时，智能网格的预报准确率在各个时次上均比EC模式预报效果好，其中24 h智能网格预报准确率可以达到44.9%，EC模式预报准确率则为37.9%;48 h智能网格预报准确率高出EC模式5%;随时次后移，EC模式和智能网格的预报准确率趋于接近。

最高温度的RMSE的评分方面，在24 h、48 h、72 h、96 h时次，EC模式评分均高于智能网格;120h时次，两者评分相同;144 h和168 h时次，智能网格评分要高于EC模式。

2.2 最低温度分析

最低温度≤2 ℃预报准确率方面，智能网格的预报准确率在各个时次上均比EC模式预报效果好，其中24 h智能网格预报准确率可以达到77.4%，高出EC模式8.4%;48 h智能网格预报准确率达到73.5%，EC模式预报准确率则为66.7%，低于智能网格6.9%;随时次后移，EC模式预报准确率均低于智能网格。

最低温度≤1 ℃预报准确率低于最低温度≤2 ℃预报准确率，与此同时，智能网格的预报准确率在各个时次上均比EC模式预报效果好，其中24 h智能网格预报准确率可以达到49.2%，EC模式预报准确率则为42.7%;48 h智能网格预报准确率高出EC模式4.8%;72 h智能网格预报准确率高出EC模式4.6%。

最低温度的RMSE评分方面，在所有时次，EC模式评分均高于智能网格;24 h时次EC模式评分比智能网格模式评分高0.5，随着时次后移，两者评分差距变大，168 h时次EC模式评分比智能网格模式评分高0.73。

3 结语

2019年12月至2020年11月，日最高、最低气温预报的检验效果表明：智能网格预报准确率与EC模式相比有较明显提升。随着预报时次后移，智能网格与EC模式预报准确率的差距缩小。

RMSE评分方面，最高温度和最低温度的表现差别明显。最高温度在24 h、48 h、72 h、96 h时次，EC模式评分均高于智能网格;而144 h和168 h时次，智能网格评分要高于EC模式。最低温度的RMSE评分方面，在所有时次，EC模式评分均高于智能网格。

由于目前智能网格温度预报产品主要针对EC模式产品开展了相关改进，并未考虑其他模式产品，另外，旅游景区的气象观测站数量较少，因此用景区周边的观测站作为代替。未来将采用权重动态取优方式集成多家數值模式的温度预报结果，生成综合分析产品，以期进一步提高河南省旅游景区温度预报准确率。

参考文献：

[1]潘留杰，薛春芳，王建鹏，等.一个简单的格点温度预报订正方法[J].气象，2017，43（12）：1584-1593.

[2]吴启树，韩美，郭弘，等.MOS温度预报中最优训练期方案[J].应用气象学报，2016，27（4）：426-434.

[3]张成军，纪晓玲，马金仁，等.多种数值预报及其释用产品在宁夏天气预报业务中的检验评估[J].干旱气象，2017，35（1）：148-156.

[4]吴君，裴洪芹，石莹，等.基于数值预报产品的地面气温 BP-MOS 预报方法[J].气象科学，2007，27（4）：430-435.

[5]李佰平，智协飞.ECMWF 模式地面气温预报的四种误差订正方法的比较研究[J].气象，2012，38（8）：897-902.

[6]戴翼，何娜，付宗钰，等.北京智能网格温度客观预报方法（BJTM）及预报效果检验[J].干旱气象，2019，37（2）：339-344.