基于机器学习的华北气温多模式集合预报的订正方法

论文摘要

模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归(Ridge)、随机森林(Random Forest,RF)和深度学习(Deep Learning,DL)的3种后处理模型,基于中国气象局(CMA)的BABJ模式、欧洲中期天气预报中心(ECMWF)的ECMF模式、日本气象厅(JMA)的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月(训练期)近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月(预报期)华北地区(38°N～43°N,113°E～119°E)的逐日地面2m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均(Ensemble Mean,EMN)的预报效果的对比表明:1)随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2)华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24～1.26°C之间,而EMN的误差达1.69°C。3)夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15～2.18°C之间,而EMN的平均均方根误差达2.45°C。

论文目录

• 1 引言
• 2 资料与方法
•   2.1 模式资料
•   2.2 标记资料
•   2.3 资料处理
•   2.4 4种预报订正处理方法
•     2.4.1 多模式集合平均 （EMN）
•     2.4.2 岭回归 （Ridge）
•     2.4.3 随机森林
•     2.4.4 基于深度学习的多模式集合
•   2.5 训练模型
• 3 结果与分析
•   3.1 2 m温度的区域平均的时间序列
•   3.2 2 m温度的空间差异
•   3.3 2 m温度的季节差异
• 4 总结与讨论

文章来源

类型: 期刊论文

作者: 门晓磊,焦瑞莉,王鼎,赵晨光,刘亚昆,夏江江,李昊辰,严中伟,孙建华,王立志

关键词: 地面气温,多模式集合平均,岭回归,随机森林,深度学习

来源: 气候与环境研究 2019年01期

年度: 2019

分类: 基础科学

专业: 气象学

单位: 北京信息科技大学信息与通信工程学院,北京信息科技大学信息管理学院,中国科学院大气物理研究所东亚区域气候—环境重点实验室,北京大学数学科学学院,中国科学院大学

基金: 中国科学院战略性先导科技专项(A类-XDA19030403,XDA19040202),北京信息科技大学2017年度“实培计划”~~

分类号: P457.3

页码: 116-124

总页数: 9

文件大小: 5880K

下载量: 495