基于深度学习的2m温度数值预报订正方法研究.pdf

基于深度学习的2m温度数值预报订正方法研究

摘要

地面2m气温作为天气预报的重要预报要素，对城镇居民的日常生活生产有着重要

的影响，是人们最关注的气象要素之一。数值模式预报是近年来天气预报领域应用最

广泛的方法之一，但其预报结果会受到各方面的影响。通过误差订正技术对数值模式

预报产品进行预报后处理，可以减少数值模式预报误差。传统的数值统计订正方法存

在效率低等诸多问题，而结合数值预报和机器学习算法，在数值预报模式基础上使用

合适的机器学习算法进行订正是连接数值模式与精准预报的桥梁。

为了提高现有的温度数值预报的准确性，本文基于全球预报模式GFS（Global

ForecastSystem）的模式预报和欧洲中尺度天气预报中心第五代再分析产品ERA5，结

合温度数值预报订正的现状，确定了以端到端的Unet网络为温度订正模型的基本构

架，针对温度预报数据空间相关性高的特点，引入注意力机制和密集连接模块构建

ADUnet（Attention-DenseUnet）数值订正模型；同时考虑到温度预报数据在时间上的

连续性和气象各要素之间的相关性，引入Simvp模型，提出一种融合了ADUnet和

Simvp模型的新的数值预报订正模型，筛选温度订正的输入要素，开展了基于深度学习

的温度数值预报订正方法研究。主要研究工作如下：

（1）结合国内外的数值预报订正方法的研究现状，考虑ERA5温度再分析数据产

品在中国地区的适用性以及和地面站点观测数据的高相关性，将其作为温度数值预报

订正的真值。同时针对数值预报误差的时效变化和季节变化，对GFS温度数值预报数

据进行空间和时序差异分析，为后文温度订正方案奠定基础。

（2）基于温度数值预报空间误差分布的特点，引入注意力机制和密集连接模块改

进Unet网络，提出一种新的ADUnet订正模型对数值模式温度预报进行订正。以稠密

卷积取代Unet模型的常规卷积构成密集连接模块加强订正模型对数值预报结果误差的

空间特征的提取，在跳跃连接后面加入注意力机制加强订正模型对细节信息的保存和

通道融合能力，构建新的温度数值预报订正模型ADUnet，在测试集上验证了ADUnet

模型对于温度数值预报的订正效果优于Unet模型的订正效果，MAE和RMSE指标更

低。

（3）结合温度数值模式预报的格点数据在时间序列上相关性高的特点，同时考虑

到计算效率、Simvp模型简化的网络结构以及其对于时序特征数据预测的高效率、高准

确率，提出一种融合了卷积神经网络ADUnet模型和Simvp模型的温度数值预报订正模

哈尔滨工程大学硕士学位论文

型。通过Simvp模型提取出当前时刻温度预报在时间变化上的时序特征，将其与温度

预报结果输入到ADUnet模型中订正温度预报偏差。经过测试集数据验证，温度数值预

报订正模型的MAE和RMSE指标更低，准确率更高。

（4）考虑到相关性高的因素输入对模型的收敛速度和最终的订正结果的积极影

响，筛选数值预报订正模型的多要素输入。将与温度相关性高的多个气象变量要素

（相对湿度、风速）和地势高度数据以及时序特征矩阵数据作为影响温度预报订正的

关键因子输入到温度的偏差订正模型中，经过测试集验证，多要素输入的温度数值预

报订正模型的MAE和RMSE指标更低，准确率更高。

关键词：2m温度；数值预报；多要素输入；深度学习；订正

基于深度学习的2m温度数值预报订正方法研究

ABSTRACT

Asanimportantelementofweatherforecast,surface2mtemperaturehasanimportant

impactonthedailylifeandproductionofurbanresidents,andisoneofthemostconcerned

meteorologicalelements.Numericalmodelforeca