高原气象

作者：孙康慧,肖安,夏侯杰

单位：江西省气象台 江西省气象局天气预报开放实验室，江西 南昌 330096

关键词：气温预报,ECMWF,机器学习,LightGBM,预报效果评估

基金：华东区域气象科技协同创新基金项目(QYHZ202315),江西省气象局重点项目(JX2023Z05)

为进一步提高站点气温的预报精度， 增强对极端气温的预报能力， 本研究利用2017 -2019年江西省91个国家站地面观测数据和ECMWF模式高空和地面预报数据， 基于LightGBM机器学习算法和MOS预报框架， 建立了江西省24 h国家站日最高（低）气温预报模型。2020年评估结果表明： LightGBM模型日最高（低）气温预报和观测变化趋势一致， 年平均预报效果优于ECMWF、 CMA-SH9、 CMA-GFS三家数值模式、 RF和SVM两种机器学习产品以及主观订正产品。从预报误差的时空分布来看， 模型冬、 春季日最高（低）气温预报误差略大于夏、 秋季； 日最高气温预报误差呈现“南大北小、 周边大于中心”的空间分布特征， 日最低气温则与之大致相反。从重要天气过程来看， 在高温过程中， LightGBM模型在七种产品中预报效果最优； 在强冷空气过程中， LightGBM模型预报效果仍优于三家数值模式产品和另外两种机器学习模型， 但日最低气温预报效果不如主观订正产品。针对强冷空气过程中低温预报误差进行简单经验订正后， 模型低温预报效果与主观订正产品接近。模型重要性分析显示临近地面观测特征对模型建立也有较大贡献， 该结果可以为模式改进和气温预报产品研发提供参考。目前， LightGBM模型气温预报产品已应用于江西省气象业务。

来源：2024年第6期

《高原气象》期刊编辑部

查看高原气象杂志2024年第6期