基于神经网络的路桥地区最高气温订正研究

王鹏 张少华 秦采薇 王宏宇 黄晓龙

摘  要：基于浙江省智能网格模式2 m温度预报产品，结合NCEP再分析资料、路桥区域站气象观测资料，对模式2018—2020年路桥地区最高气温预报能力进行检验分析，利用BP神经网络建立最高气温订正模型。结果表明，该模式对路桥区夏季和秋季2 m最高气温预报具有较好的指导作用，2 ℃以内平均准确率为78%，平均绝对误差为1.3 ℃，春季和冬季预报能力偏弱。订正后2020年各站最高气温≤2 ℃，平均准确率由65%提高到90%，平均绝对误差由1.8 ℃下降到1.0 ℃，这说明BP神经网络对路桥地区2 m最高气温有很好的订正效果。

关键词：神经网络；最高气温；气温订正；智能网格预报

中图分类号：TP183；P423 文献标识码：A 文章编号：2096-4706（2023）06-0092-06

Study on the Correction of Maximum Air Temperature in Luqiao District Based on Neural Network

WANG Peng1， ZHANG Shaohua1， QIN Caiwei1， WANG Hongyu1， HUANG Xiaolong2

（1.Luqiao Meteorological Bureau， Taizhou  318050， China; 2.Taizhou Meteorological Bureau， Taizhou  318000， China）

Abstract： Based on the 2 m temperature forecast product of the intelligent grid mode of Zhejiang Province， combined with the NCEP reanalysis data and the meteorological observation data of the Luqiao regional station， the maximum temperature forecast ability of the model from 2018 to 2020 in the Luqiao district is tested and analyzed， and the maximum temperature correction model is established using the BP neural network. The results show that the model has a good guiding effect on the prediction of the maximum temperature of 2 m in summer and autumn in the Luqiao district. The average accuracy within 2 ℃ is 78%， the average absolute error is 1.3 ℃， and the prediction ability in spring and winter is weak. After correction， the maximum temperature at each station in 2020 is less than or equal to 2 ℃， the average accuracy rate increases from 65% to 90%， and the average absolute error decreases from 1.8 ℃ to 1.0 ℃， which shows that BP neural network has a good correction effect on the maximum temperature of 2 m in the Luqiao district.

Keywords： neural network; maximum air temperature; air temperature correction; intelligent grid forecasting

0  引  言

近年來随着经济发展和人民生活水平不断提高，对天气预报的时间和空间分辨率需求更加精细。基于精细化网格预报的现代天气预报逐渐替代了传统的城市站点天气预报业务体系，智能网格预报是目前现代天气业务的重要业务体系和天气预报的未来发展方向[1，2]。2018年浙江省气象局依据业务需求建立了浙江省智能网格业务平台，为了掌握智能网格温度预报产品的预报性能，更好地对预报产品进行解释应用，就需要对产品进行订正分析。许多气象工作者通过人工智能神经网络方法进行气象预报研究[3-8]，吴君等建立BP-MOS神经网络算法，发现气温预报准确率高于逐步回归模型和M55模型；任巧丽等结合主成分分析（PCA）和RBF神经网络，建立温度预报模型，提高预报的准确率；李倩等利用BP网络模式预报温度进行订正，能有效减小模式预报偏差；雷彦森等在ECMWF、CMA和JMA等数值预报产品基础上，用BP神经网络算法进行集成预报；李虎超等采用BP神经网络方法建立预测数值模式非系统性预报误差的模型，并验证了该模型的预测能力；郭庆春等利用神经网络系统工具，建立比多元回归分析精度更高的BP神经网络算法。上述研究表明人工神经网络在温度订正中具有一定优势。此前还未开展浙江省智能网格气温预报产品在路桥地区订正评估工作，本文通过BP神经网格算法，建立路桥区各站点分季节2 m最高气温客观预报技术方法，进而提供更加精细准确的站点温度预报产品，对服务社会需求具有重要意义。

1  资料与方法

1.1  试验资料

使用2018年1月－2020年12月浙江省智能网格预报的路桥地区（121.20～121.65，28.45～28.65，共计50个格点）0.05°×0.05°分辨率的未来24 h逐日最高温度格点产品，实况资料为路桥区10个具有代表性的区域自动监测站点（路桥、横街、金清、黄琅、桐屿、新桥、蓬街、峰江、水厂、凉溪）日最高温度。地面数据包括各站点6种气象因子，高空数据包括NCEP116 h再分析资料三个高度的14种气象因子，20种气象因子数据如表1所示。用双线性插值法将智能网格预报资料、高空气象因子资料与实际站点进行空间上的对应。

1.2  方法

BP神经网络是一种多层次的前馈神经网络，其主要特点是误差反向学习。BP神经网络的结构包括输入层、隐藏层和输出层。这三层神经元所起的作用各不相同，输入信息的传输路径为输入层-隐藏层-输出层。如果输出结果与实际预期的输出结果产生“偏差”，则将两者计算产生的偏差进行反向传输，通过改变神经元的权数和临界值，使偏差最小。当输出偏差满足预期要求，则系统停止网络计算，并记录各个神经元的权数，最终得到BP网络模型。

具体算法过程如下：

样本数据正向传输，经过输入层后加权输送给隐藏层，然后隐藏层各神经元汇总所有的输入，再通过转移函数产生某种输出，并通过下一层连接权重加权由输出层输出。BP神经网络隐藏层中第i个神经元的输出为：

（1）

输出层中第k个神经元的输出为：

（2）

式中，n为输入层节点数，pj为输入层第j个神经元的输入，a1i为隐藏层含层节点i的输出，a2k为输出层节点k的输出，w1ij为节点i和节点j的连接权值，w2kj为节点i和节点k的连接权值，b1i为隐藏层节点i的阂值，b2k为输出层节点k的阂值，f1（·）和f2（·）分别为隐藏层和输出层的传递函数。

比较期望输出与实际输出之间的误差。误差函数为：

（3）

误差反传阶段，需将误差送回，反向依次调整各连接层之间的权重并反复学习训练，一直循环直到输出层输出相对满意的结果。

2  订正过程

2.1  夏季最高气温订正

以路桥站夏季最高温度预测模型构建为例，通过气象因子与实况最高气温相关性分析，选择6个最相关因子，包括（模式预报的最高气温，850 hpa温度，日照时数，湿度，700 hpa温度，500 hpa高度），1个输出参数为日最高气温，样本数为276（7列276行）。在建立模型前，将276个样本分配成2：1，训练集与测试集样本为184和92个，2018—2019年数据用于训练，2020年数据用于预测。通过MATLAB神经网络工具箱，设定输入层节点为6，输出层节点为1，设置隐藏层节点数9，设定固定学习率为0.01，最大学习迭代次数为1 000次，通过反复迭代运算，确定权值系数及阈值。為解决BP神经网络中输入变量间单位及数量级不一致问题，采用归一化处理将样本数据控制在0-1，将输出数据作反归一化处理。在此学习训练过程结束后，比对实际值与预测值，利用相关系数R2验证该模型拟合程度，再结合平均绝对误差（MSE）、≤2 ℃准确率等，挑选出预测精度较高的模型。用相似方法得到其余9个站点的预测模型。不同之处是，金清站6个最相关因子分别为：模式预报的最高气温，850 hpa温度，日照时数，湿度，700 hpa温度，500 hpa风速。

2.2  秋季最高气温订正

通过气象因子相关性分析后，金清站6个最相关因子为：模式预报的最高气温，日照时数，850 hpa高度，500 hpa温度，700 hpa温度，850 hpa温度。其余9个站点6个最相关因子包括：模式预报的最高气温，日照时数，500 hpa温度，700 hpa温度，850 hpa温度，500 hpa风速。再通过神经网络训练，得到了各站点秋季最高气温预测模型。

2.3  冬季最高气温订正

关于冬季最高气温订正，考虑到冬季冷空气影响下，会出现最高气温为前一天20时的情况，用14时相关因子分析，会有误差。分析路桥站2018—2020年冷空气影响下气温明显倒置的天气，即前一日20时气温超过12—16时最高气温2 ℃以上，发现冬季共有13天，属于少数情况，因此不考虑专门进行订正。经过因子相关性分析，路桥、横街、黄琅、新桥、峰江、螺洋6个站点最相关因子包括：模式预报的最高气温，日照时数，500 hpa高度，700 hpa高度，700 hpa温度，850 hpa温度。其余站点6个最相关因子为：模式预报的最高气温，500 hpa高度，700 hpa高度，700 hpa温度，850 hpa温度，850 hpa比湿。再通过神经网络训练，得到了10个站点冬季最高气温预测模型。

2.4  春季最高气温订正

在订正路桥站春季最高气温时，发现按上述方法建立模型，≤2 ℃准确率较低在70%以下。因此对春季天气进行了分型研究，通过分析天气形势，将春季天气分为西南气流型和非西南气流型，西南气流型850 hpa为南到西南气流。由此得到了春季西南气流型有128天，非西南气流型有148天。

分析春季西南气流型相关因子，考虑春季850 hpa在持续西南气流或暖平流条件下，气温容易快速回升，增加850 hpa12小时变温、850 hpa24小时变温这两个因子。气象因子经相关性分析，路桥站6个最相关因子包括：模式预报的最高气温，日照时数，500 hpa高度，700 hpa温度，850 hpa温度，850 hpa24小时变温。其余9个站最相关因子为：模式预报的最高气温，日照时数，500 hpa高度，700hpa高度，700 hpa温度，850 hpa温度。为了取得更好的预测效果，将128个样本分为4：1，再通过神经网络训练，得到10个站点春季西南气流最高气温预测模型。

春季非西南气流最高气温订正各站点选择7个相关因子，包括模式预报的最高气温，500 hpa高度，500 hpa温度，700 hpa高度，850 hpa温度，850 hpa比湿，500 hpa风速。将148个样本分为4：1，再通过神经网络训练，得到10个站点春季非西南气流最高气温预测模型。

3  检验结果

依据《全国智能网格要素预报检验办法》，对2018年1月—2020年12月浙江省智能网格未来24 h逐日最高温度格点预报产品，从≤1 ℃温度预报准确率、≤2 ℃温度预报准确率、均方根误差、平均绝对误差等几个方面分析产品的预报性能。

3.1  模式最高气温检验

根据气候统计将一年划分为四个季节，其中冬季为12月至次年2月，春季为3—5月，夏季为6—8月，秋季为9—11月。

从图1最高气温检验可知，2018—2020年各站≤2 ℃准确率最高的季节是夏季和秋季，平均准确率可达到78%左右，最高金清站夏季准确率为89%，冬季和春季平均准确率均为68%左右，最低横街冬季准确率为57%。分站点来看模式对路桥沿海地区金清、蓬街站预报效果最好，四个季节准确率均在73%以上，横街站准确率偏低在57%～68%之间。各站点≤1 ℃准确率春季和冬季偏低均在50%以下，夏季和秋季准确率略高，最高金清夏季为63%，但平均准确率依然不到50%。从模式误差分析来看，各站点平均绝对误差春季、冬季最大，误差均在1.4～2.0 ℃之间，除横街站外夏季、秋季误差在1.0～1.5 ℃之间；均方根误差各站春季最高2.0～2.6 ℃，冬季次之1.8～2.6 ℃，秋季误差最小在1.5～2.2 ℃之间。综上所述，模式对路桥地区夏季和秋季2 m最高气温预报较有优势，对春季和冬季最高气温预报能力偏弱。

3.2  春季最高气温订正分析

预测模型春季订正效果如图2所示，可知订正后各站点≤1 ℃准确率订正后提升到46%～53%，相对提升了2%～16%；≤2 ℃准确率明显提升，达到77%～87%，比模式预报相对提升5%～24%，路桥、横街、凉溪和桐屿改善效果明显，提升17%～24%，峰江站订正前后略有提升。订正后各站点均方根误差在1.5～1.8 ℃，下降了0.3～0.9 ℃，

各站点订正后误差均有不同程度减少，且不同站点差异较小；平均绝对误差订正后在1.1～1.3 ℃之间，误差减少0.3～0.7 ℃。

3.3  夏季最高气温订正分析

分析图3模型夏季订正效果，订正后夏季≤1 ℃准确率提升到60%以上，提升了5%～33%；≤2 ℃准确率横街、桐屿站明显提升，其他各站略有提升，订正后准确率达到88%以上，提升了6%～24%。订正后误差明显下降，均方根误差在0.9～1.3 ℃，比模式预报下降了0.4～1 ℃，横街、桐屿站误差明显减小，订正效果显著；订正后平均绝对误差在0.68～0.96℃，误差减少了0.3～0.9 ℃。

3.4  秋季最高气温订正分析

从图4秋季订正效果来看，订正后各站≤1 ℃准确率提升到66%～73%，比智能网格预报提升了10%～29%；≤2 ℃准确率横街、凉溪和桐屿站明显提升，达到10%～27%，最高横街站提升了27%，订正后各站准确率均达到93%以上，提升效果显著。订正后各站点均方根误差在0.9～1.2 ℃，误差下降了0.5～1.1 ℃；平均绝对误差明显下降，各站点平均绝对误差在0.7～0.9 ℃，误差减少了0.3～0.8 ℃，订正后各站误差均较小。

3.5  冬季最高气温订正分析

预测模型冬季的订正效果如图5所示，经模型订正后冬季≤1 ℃准确率提升到51%～66%，比智能网格预报提升了8%～30%；≤2 ℃準确率除蓬街外，各站均有明显提升，准确率在81%～93%，比智能网格预报提升了6%～31%。订正后各站点均方根误差在1.2～1.5 ℃，误差下降了0.4～1.4 ℃；平均绝对误差订正后在0.9～1.2 ℃之间，比智能网格预报下降了0.3～1.1 ℃。

3.6  2020年最高气温订正分析

将2020年智能网格2 m最高气温进行订正分析，如图6所示，经模型订正后，各站≤1 ℃准确率提升到58%～64%，比模式提升了10%～30%；≤2 ℃准确率均有明显提升，比智能网格预报提升了10%～30%，路桥、横街、桐屿站均提升了30%，各站点订正后准确率在89%～92%，订正效果显著。订正后均方根误差在1.3 ℃左右，误差下降了0.9～2.3℃，订正后误差明显下降；各站点平均绝对误差在1 ℃以下，误差下降了0.8～1.9 ℃。综上所述，经模型分季节订正后，预报准确率能明显提升，能显著降低误差，说明BP神经网络对路桥地区最高气温订正有很大改善，订正效果显著。

4  结  论

浙江省智能网格模式对路桥地区夏季和秋季2 m最高气温预报具有较好的指导作用，≤2 ℃平均准确率为78%，平均绝对误差为1.3 ℃，对春季和冬季最高气温预报能力偏弱。

分季节来看，订正后秋季提升效果最为显著，各站≤2 ℃准确率达到93%以上，平均绝对误差在0.7～0.9 ℃之间；订正后春季的准确率较其他季节低，≤2 ℃准确率77%～87%，平均绝对误差1.1～1.3℃。

订正后2020年各站最高气温≤2 ℃准确率均有明显提升，比智能网格预报提升了10%～30%，各站点订正后准确率在89%～92%，≤2 ℃平均准确率由65%提高到90%；各站点平均绝对误差在1 ℃以下，误差下降了0.8～1.9 ℃，平均绝对误差由1.8 ℃下降到1.0 ℃。

经模型分季节订正后，各站点预报准确率能明显提升，能显著降低误差，说明BP神经网络对路桥地区2 m最高气温订正有很大改善，订正效果显著。

参考文献：

[1] 金荣花，代刊，赵瑞霞，等.我国无缝隙精细化网格天气预报技术进展与挑战 [J].气象，2019，45（4）：445-457.

[2] 胡争光，薛峰，金荣花，等.智能网格预报应用分析平台设计与实现 [J].气象，2020，46（10）：1340-1350.

[3] 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（4）：430-435.

[4] 任巧丽，马乾.PCA-RBF神经网络对兰州市日平均气温的预测 [J].宜宾学院学报，2018，18（12）：111-115.

[5] 李倩，胡邦辉，王学忠，等.基于BP人工神经网络的区域温度多模式集成预报试验 [J].干旱气象，2011，29（2）：231-235+250.

[6] 雷彦森，蔡晓军，王文，等.遗传算法优化的BP神经网络在地面温度多模式集成预报的应用研究 [J].气象科学，2018，38（6）：806-814.

[7] 李虎超，邵爱梅，何邓新，等.BP神经网络在估算模式非系统性预报误差中的应用 [J].高原气象，2015，34（6）：1751-1757.

[8] 郭庆春，李力，张冉，等.我国气温变化的神经网络预测模型 [J].热带气象学报，2009，25（4）：483-487.

作者简介：王鹏（1992.01—），男，汉族，浙江台州人，助教，本科，研究方向：气象预报。

收稿日期：2022-10-31