高原气象

作者：李浙华,肖安,郑丽君

单位：<sup class=\"mag-xml-aff-label-sup added-by-sys\">1.</sup> 江西省上饶市气象局，江西 上饶 334000","<sup class=\"mag-xml-aff-label-sup added-by-sys\">2.</sup> 江西省气象台，江西 南昌 330096","<sup class=\"mag-xml-aff-label-sup added-by-sys\">3.</sup> 江西省气象局天气预报开放实验室，江西 南昌 330096

关键词：CMA-SH3,CLDAS,2 m地面温度,偏差订正,深度学习

基金：中国气象局创新发展专项(CXFZ2021Z012),江西省气象局重点项目(JX2020Z04),江西省气象局面上项目(JX2020M19),江西省气象局预报员专项(JX2022Y01)

基于2020 -2021年的中国气象局（CMA）陆面数据同化系统（CLDAS）逐小时地面气温（T2m）产品， 融合CMA上海快速更新循环数值预报（CMA-SH3）的T2m预报数据， 构建深度学习语义分割模型（MT-Cunet）， 实现逐小时滚动更新的24 h T2m网格预报， 并对2022年预报结果进行了检验评估。结果表明， 在研究范围内， MT-Cunet在3~9 h时效订正效果最好， 平均MAE和平均RMSE分别降低42.4%、 40.89%； 10~24 h时效的订正效果较好， 平均MAE和平均RMSE分别下降26.7%、 26.3%。低温（≤0 ℃）和高温（≥35 ℃）事件检验评估表明， MT-Cunet在高温预报整体表现为正偏差， 而低温整体为负偏差， 但误差幅度远低于CMA-SH3； 空间尺度上， MT-Cunet能较大幅度减少复杂地形下的T2m预报误差， 降低CMA-SH3的MAE离散度， 使预报误差分布较为稳定。通过对2022年2月和3月的区域性增温、 寒潮过程分别进行检验评估发现， MT-Cunet能较好预报出增（降）温转折时间和增（降）温幅度。在增温和寒潮过程中， MT-Cunet的MAE比CMA-SH3分别降低28.9%和33.8%， 表明MT-Cunet模型在转折性天气过程中同样具有较好的预报能力。因此， 利用可以快速增加预报样本数量的快速更新循环数值预报， 经过语义分割深度学习模型客观方法订正， 就能较大幅度降低数值模式预报误差， 解决常规数值预报由于数据量太少， 深度学习训练效果较差的问题， 这对充分利用国产模式资源， 更广泛地开展国产模式后处理和应用提出了一个新的思路。

来源：2024年第2期

《高原气象》期刊编辑部

查看高原气象杂志2024年第2期