高原气象

高原气象 >

2024 , Vol. 43 >Issue 6: 1520 - 1535

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00035

基于LightGBM机器学习算法的江西气温短期预报模型研究

  • 孙康慧 ,
  • 肖安 ,
  • 夏侯杰
展开
  • 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

孙康慧（1994-）， 女， 河南周口人， 工程师， 主要从事短临天气预报技术研究. E-mail：

收稿日期: 2023-11-07

  修回日期: 2024-03-11

  网络出版日期: 2024-03-11

基金资助

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)

收起

Study on Short Term Temperature Forecast Model in Jiangxi Province based on LightGBM Machine Learning Algorithm

  • Kanghui SUN ,
  • An XIAO ,
  • Houjie XIA
Expand
  • Jiangxi Meteorological Observatory，Weather Forecast Open Laboratory of Jiangxi Meteorological Bureau，Nanchang 330096，Jiangxi，China

Received date: 2023-11-07

  Revised date: 2024-03-11

  Online published: 2024-03-11

Fold

摘要

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。

关键词： 气温预报; ECMWF; 机器学习; LightGBM; 预报效果评估

本文引用格式

孙康慧 , 肖安 , 夏侯杰 . 基于LightGBM机器学习算法的江西气温短期预报模型研究[J]. 高原气象, 2024 , 43(6) : 1520 -1535 . DOI: 10.7522/j.issn.1000-0534.2024.00035

Abstract

In order to achieve further improvement in the forecast accuracy of station temperatures and enhance the forecast capability for extreme temperatures， this study establishes a 24-hour national station daily maximum （minimum） temperature forecast model for Jiangxi Province based on the LightGBM machine-learning algorithm and the MOS forecast framework by using the surface observation data of 91 national stations in Jiangxi Province and the upper-air and surface forecast data of the ECMWF model from 2017 to 2019.The results of the 2020 evaluation show that the LightGBM model daily maximum （minimum） temperature forecast is consistent with the observed trend， and the annual average forecast is better than that of three numerical models， ECMWF， CMA-SH9 and CMA-GFS， two machine learning products， RF and SVM， and subjective revision products.In terms of the spatial and temporal distribution of forecast errors， the model's daily maximum （minimum） temperature forecast errors in winter and spring are slightly larger than those in summer and autumn； the daily maximum temperature forecast errors show the spatial distribution characteristics of "larger in the south and smaller in the north， and larger in the periphery than in the centre"， while the opposite is true for the daily minimum temperatures.In terms of important weather processes， the LightGBM model has the best prediction effect among the seven products in the high temperature process； in the strong cold air process， the LightGBM model is still better than the three numerical model products and the other two machine-learning models， but the prediction effect of the daily minimum temperature is not as good as that of the subjective revision products.After a simple empirical correction for the low-temperature forecast error in the strong cold air process， the model low-temperature forecast effect is close to that of the subjective revision product.The model significance analysis shows that the recent surface observation features also contribute to the model construction， and the results can be used as a reference for model improvement and temperature forecast product development.At present， the LightGBM model temperature forecast products have been applied to meteorological operations in Jiangxi Province.

Key words： temperature forecast; ECMWF; machine learning; LightGBM; evaluation of prediction result

1 引言

气温预报是最基础的气象预报业务之一， 对气温变化的准确预报对城乡居民生活、 身体健康和工农业生产等都具有重要意义（代刊等， 2016； 朱浩楠等， 2021）。在全球变暖的气候背景下（王菲等， 2022）， 极端天气气候事件也不断涌现（姚望玲等， 2010； Chen et al， 2022）。2022年夏季长江流域出现极端高温事件， 多地最高气温突破历史极值， 对当地居民的生产生活和生命财产安全造成不利影响（王胜等， 2022； 林纾等， 2022）， 也对气温的精准预报提出了更高的要求。
近年来， 数值模式对气象要素的预报能力明显提高， 是当前精细化天气预报最有力的支撑工具。但受制于不完善的物理框架、 物理参数化方案、 数值模式时空分辨率和初始边界条件等， 数值预报的准确率仍不能满足人们日益增长的需求（Lynch， 2008； Bauer et al， 2015）。Glahn and Lowry（1972）提出的模式输出统计法（model output statistics， MOS）被广泛应用于数值预报误差订正研究， 通过建立多种模式输出产品（预报因子）与气象要素实况（预报量）之间的回归方程， MOS可有效减小模式的系统误差， 提高气温预报的准确率（白永清等， 2013）。另外， 卡尔曼滤波（罗聪等， 2012）、 相似偏差订正（程胡华等， 2020）等方法也被应用于气温预报， 并取得了较好的效果。但这些统计分析方法多依赖于线性模型或简单非线性模型改进模式气温预报， 或仅利用气温单要素预报产品误差进行统计分析， 对其他模式输出产品应用相对不足（王丹等， 2016）。气温预报存在较为复杂的非线性误差， 且受到地形和多种天气要素的影响， 因此常规统计分析方法对气温预报水平的提升能力有限。
随着计算机技术和应用数学的发展， 人工智能技术处理大数据和非线性问题的优势逐渐凸显（周慧等， 2005； 马学款等， 2007； 门晓磊等， 2019）， 其对高维数组的处理能力（Zhong et al， 2021）有利于多元非线性回归模型的建立， 从而进一步提高气温预报的准确率。其中深度学习算法可以从大量数据中自动提取特征， 在处理空间数据上有巨大的优势， 因此对数值模式的气温预报有较好的改进效果。但深度学习所需数据量和计算量较大， 对硬件需求高， 因此一般不建议将太多种类气象要素代入训练模型进行计算， 例如Han et al（2021）和张延彪等（2022）均只采用了1个时次的实况和1个时次的预报制作未来的气温预报。而机器学习算法计算相对简单， 模型构建时可以考虑更多的气象要素， 更适用于站点气温预报模型的建立。随机森林（Random Forest， RF）（Breiman， 2001）和支持向量机（Support Vector Machine， SVM）（Salcedo-Sanz et al， 2016）等传统的机器学习方法在回归预测方面有较大的优势（王可心等， 2021； 贺倩等， 2022； 钟敏等， 2022）， 但在处理多特征大数据时效率较低， 且不支持GPU（Graphic Processing Unit， 图形处理器）加速。LightGBM（Light Gradient Boosting Machine）（Ke et al， 2017）是微软在2017年提出的基于梯度提升树（Gradient Boosting Decision Tree， GBDT）框架的机器学习算法， 使用互斥特征捆绑（EFB， the Exclusive Feature Bundling）和基于梯度的单边采样（GOSS， Gradient-based One-Side Sampling）算法， 减小了数据规模和计算量， 且支持并行计算和GPU加速， 从而大大提高训练效率。Liu et al（2021）研发了基于LightGBM算法的强对流天气分类识别和预报模型， 其0~1 h预报准确率优于人工； 谭江红等（2018）基于完全预报法（perfect prognostic， PP）（Klein et al， 1959）思路， 利用气温实况、 欧洲中心再分析资料和0~12 h预报资料建立了LightGBM模型， 其24 h低温预报准确率超过预报员水平。
短期气象要素实况对气温预报也有重要的参考意义。研究表明， 气温具有高度的自相关性， 近期日最高（低）气温可用于预报未来日最高（低）气温（Klein et al， 1959； Ustaoglu et al， 2010）， 加入临近气温实况也可提高短临气温预报的准确率（罗聪等， 2012）。Hossain et al（2015）发现气压、 相对湿度、 风速等地面观测资料也可提高气温的短时预报能力。而已有的机器学习气温预报模型多缺乏对短期地面观测资料的应用（门晓磊等， 2019）。
江西省地形复杂， 南北跨越5个纬度， 东西南三面环山， 北部为鄱阳湖平原， 中南部以丘陵盆地为主。庐山（海拔1164.5 m）和井冈山（海拔853 m）两个高山站海拔高度最高， 温度也最难预报。为进一步提高气温的预报精度， 增强对极端气温的预报能力， 本研究基于LightGBM机器学习算法和MOS预报框架， 利用地面观测数据和欧洲中期天气预报中心（European Centre for Medium Range Weather Forecasts， ECMWF）12~36 h时效高空和地面预报数据， 建立江西省24 h最高和最低气温预报模型， 并将LightGBM模型预报结果与ECMWF、 CMA-SH9（中国气象局上海数值预报模式系统）、 CMA-GFS（中国气象局高分辨率全球同化预报系统）三种模式预报产品、 江西省预报员主观订正产品以及SVM、 RF两种机器学习模型预报结果进行了对比检验。

2 数据来源与方法介绍

2.1　数据来源

观测数据使用国家气象信息中心下发的江西省91个国家气象观测站（下文简称国家站）的地面观测数据（表1）， 包括站号、 经度、 纬度、 海拔4个地理信息数据和气温及24 h变温、 气压及变压、 湿度、 10 m风、 累积降水量、 地表温度等共21个气象数据， 其时间分辨率为1 h， 国家站的站点分布和江西地形如图1所示， 图1及下文涉及的地图基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2017）3320号的中国地图制作， 底图无修改。预报数据使用ECMWF数值产品的4个地面和23个高空预报数据（表1）， 包含地面和对流层低层温度和风、 海平面气压、 500 hPa位势高度以及对流层各层相对湿度， 地面和高空预报数据的空间分辨率分别为0.125°×0.125°和0.25°×0.25°， 时间分辨率为3 h， 预报时效为12~36 h， 起报时次为每日08:00（北京时， 下同）和20:00。地面观测数据和ECMWF预报数据的时间范围均为2017 -2020年， 其中2017 - 2019年数据用于模型训练， 2020年数据用于模型预报和检验。
表1 数据类别和名称

Table 1 Data category and name

数据类别 数据名称
国家站地理信息数据 站号、 经度、 纬度、 海拔
国家站地面观测气象数据 气温、 最高气温（过去1 h、 24 h）、 最低气温（过去1 h、 24 h）、 变温（24 h）、 本地气压、 海平面气压、 变压（过去3 h、 24 h）、 露点温度、 相对湿度、 水汽压、 风向（10 m）、 风速（10 m）、 累积降水量（过去1 h、 3 h、 6 h、 12 h、 24 h）、 地表温度
ECMWF地面预报数据 气温、 U方向风（10 m）、 V方向风（10 m）、 海平面气压
ECMWF高空预报数据 位势高度（500 hPa）、 温度（700 hPa、 850 hPa、 925 hPa、 1000 hPa）、 相对湿度（100 hPa、 200 hPa、 300 hPa、 400 hPa、 500 hPa、 600 hPa、 700 hPa、 850 hPa、 925 hPa、 1000 hPa）、 U方向风（700 hPa、 850 hPa、 925 hPa、 1000 hPa）、 V方向风（700 hPa、 850 hPa、 925 hPa、 1000 hPa）
图1 江西省地形（彩色区， 单位： m）和91个国家观测站（圆点）分布图

北部和中部蓝色圆点分别代表庐山站和井冈山站， 红色区域为鄱阳湖

Fig.1 Topography （colored area， unit： m） of Jiangxi Province and distribution of 91 national observation stations （dot）.The blue dots in the northern and central parts indicate Lushan Station and Jinggangshan Station， respectively.The red area represents Poyang Lake

2.2　研究方法

2.2.1　数据质量控制

国家站的地面观测数据可能存在重复（同一时次同一站点存在多条观测记录）、 缺测（有观测文件， 但观测数据为缺测值）和缺失（无对应时刻文件）问题， ECMWF数值预报产品也可能因为网络问题而存在少量预报文件缺失的情况， 必须进行数据质量控制。地面观测数据质控方案为： 重复记录只保留最后一条； 缺测和缺失值使用同站点同一要素相邻时次的算术平均值补齐（Aurélien， 2020）。当站点数据出现连续多个时次缺失， 但缺失时次数小于4个， 采用多次算数平均逐时次补齐； 当连续缺失时次数超过4个， 记录缺失时次， 不再进行插补。ECMWF数据质控方案为： 当ECMWF同一起报时次同一预报要素预报时效文件缺失数量低于4个时， 使用相邻预报时效数据的算数平均值代替； 当缺失文件为第一个预报时效时， 采用第二个预报时效文件填充补齐； 当缺失文件为最后一个预报时效时， 采用倒数第二个预报时效文件填充补齐。当ECMWF同一起报时次同一预报要素预报文件缺失数量达到或超过4个时， 则删除该起报时次的ECMWF数据和相应的地面观测数据。将质控后的ECMWF格点预报数据通过双线性插值方法插值到江西省91个国家站上。

2.2.2　特征工程

在机器学习算法确定的情况下， 如何设置数据的特征工程对提高模型准确率至关重要。根据现行温度预报业务要求， 在03:00和15:00就需要分别提供08:00和20:00起的最高、 最低气温预报， 因此使用前一日03:00至当日02:00、 前一日15:00至当日14:00的21个逐小时地面观测气象数据构建特征集， 共计24个观测时次， 504个特征。考虑到气温的时间连续性， 同时提取最近240 h内逐24 h最高和最低气温， 各计10个特征， 以提供日最高气温和日最低气温的短期变化信息， 分别加入到日最高和最低气温预报模型的地面观测气象要素特征集。
日最高和最低气温预报模型选取的ECMWF预报特征不同。江西站点日最高气温一般出现在08:00 -20:00， 为减少模型特征冗余， 提高预报准确率， 日最高气温预报模型采用对应12 h（08:00起报的24~36 h预报时效， 20:00起报的12~24 h预报时效）ECMWF的高空和地面逐3 h气象要素预报数据构建特征集， 共计5个ECMWF预报时效， 135个特征。日最低气温预报模型采用ECMWF预报的24 h（08:00或20:00起报的12~36 h预报时效）高空和地面逐3 h气象要素预报数据构建特征集， 共计9个ECMWF预报时效， 243个特征。
提取起报时刻的年、 月、 日作为3个时间特征， 提取国家站的站号、 经度、 纬度、 海拔作为4个地理特征。最终得到日最高气温预报模型特征656个， 日最低气温预报模型特征764个。预报当日08:00至次日08:00和当日20:00至次日20:00的地面观测最高（低）气温作为日最高（低）气温预报模型的预报特征， 即预报量。

2.2.3　数据集划分

本研究使用2017 -2019年数据作为训练集， 2020年数据作为测试集。庐山和井冈山两个高山站气温变化特点与全省其他非高山站有较大差异， 且数值预报对两站预报误差较大， 因此对庐山和井冈山站单独进行建模。最终2017 -2019年全省89个非高山国家站数据在经数据预处理和特征工程后生成有效训练样本191350个， 2020年数据共生成测试样本62211个， 其中08:00起报测试样本31150个（350天， 89站）； 庐山站和井冈山站各建立训练样本2150个， 测试样本699个， 其中08:00起报测试样本两站各350个（350天）。为提高模型的泛化能力， 减少过拟合， 对训练样本进行5折交叉验证（姜红等， 2021）， 即仅抽取80%训练数据进行训练， 另外20%训练数据作为验证集， 用于初步评估模型预报效果。

2.2.4　模型建立

SVM将数据映射到高维特征空间， 通过在高维空间中寻找最优超平面解决线性不可分问题， 对于回归问题， 该超平面位于尽可能多的样本点附近（Salcedo-Sanz et al， 2016）。RF是基于bagging思想（Breiman， 1996）以决策树为基学习器构建的集成学习算法， 通过样本和特征随机抽取使模型获得较好的抗噪能力， 不易过拟合（Fan et al， 2018）， 最终预报结果取多棵树预测值的算术平均。LightGBM也是以决策树为基学习器的集成学习算法， 但基于boosting思想（Schapire， 1990）， 每棵决策树对之前所有树拟合的残差进行学习， 最终结果取多棵树预测值的加权平均， 其中预测误差较小的树会被赋予较大的权重。同时， LightGBM算法使用样本随机选择、 特征随机选择、 限制树深、 L1和L2正则化等一系列措施避免过度拟合（Ke et al， 2017）。
SVM、 RF和LightGBM模型特征和数据集构建方式相同， 但超参数有一定区别。其中， SVM设置最大迭代次数为100000， RF设置决策树数量为800（经多次试验， 继续增加决策树数量对模型误差改进很小）。LighGBM模型的超参数较多， 本文使用网格搜索法（Zhou et al， 2019）进行调参， 以节约人力和时间。当超参数n_estimators增量达到1000且模型误差没有继续减少时， LightGBM模型训练终止； 否则当n_estimators增加至50000（非高山站）或100000（高山站）时， 模型训练终止。网格搜索法是调节模型参数的一种穷举搜索方法， 其对指定参数可能的取值进行排列组合， 再分别将各组合应用于模型训练， 根据训练结果确定最佳参数组合。LightGBM日最高（低）气温预报模型最终主要参数如表2所示。
表2 LightGBM日最高（低）气温预报模型主要参数

Table 2 Main parameters of LightGBM forecast model of daily maximum （minimum） temperature

参数名称 日最高气温预报模型参数值 日最低气温预报模型参数值
全省* 庐山 井冈山 全省* 庐山 井冈山
n_estimators 40002 100000 4777 24185 23208 3119
max_depth 27 8 12 25 11 9
num_leaves 480 44 52 326 16 40
learning_rate 0.01 0.001 0.01 0.01 0.01 0.01
colsample_bytree 0.5 0.2 0.2 0.3 0.5 0.4
subsample 0.5 0.3 0.1 0.3 0.1 0.1
min_child_samples 80 20 11 116 16 14
max_bin 210 128 68 198 120 68
lambda_l1 0.0 0.01 0.0 0.1 0.0 0.001
lambda_l2 0.01 0.1 0.01 0.1 0.0 0.0

全省*表示不包括庐山、 井冈山2个高山站（Provincial* means excluding the two high-altitude stations of Lushan and Jinggangshan）

2.2.5　评估方案

本研究采用高斯核密度估计方法（Parzen， 1962）计算观测和预报数据的点密度， 分析模型预报数据的分布情况； 采用平均绝对误差（MAE）、 均方根误差（RMSE）、 2 ℃以内预报准确率（PC）和决定系数（ R 2）对模型具体预报效果进行评估。
MAE= 1 n ∑ 1 n | O t - y t |
RMSE= 1 n ∑ 1 n ( O t - y t ) 2
PC= h n × 100 %
R 2 = ∑ 1 n ( y t - O ¯ ) 2 ∑ 1 n ( O t - O ¯ ) 2
式中： n为样本数（单位： 个）； O t是t时刻的观测值； y t是t时刻的预报值； O ¯为观测值的算数平均数； h为绝对误差≤2 ℃的样本数。MAE越小， PC越大， R 2越大， 预报越准确； MAE越大， PC越小， R 2越小， 预报越不准确。RMSE越小， 预报偏差的离散度越小， 预报越稳定； RMSE越大， 预报偏差的离散度越大， 预报越不稳定。
利用表2所示参数构建的LightGBM日最高（低）气温预报模型， 其验证集全省非高山站日最高和最低气温平均MAE分别为0.52 ℃和0.42 ℃； 庐山站日最高和最低气温平均MAE分别为1.03 ℃和0.73 ℃； 井冈山站日最高和最低气温平均MAE分别为0.90 ℃和0.68 ℃。
基于2020年测试集， 利用训练得到的LightGBM日最高（低）气温预报模型， 每日08:00和20:00预报江西省91个国家站日最高（低）气温， 通过散点密度图查看预报气温和观测气温的分布情况， 计算全省逐日和年平均MAE、 RMSE和PC以及各站点年平均MAE， 分析误差的时空分布特征， 同时将LightGBM气温预报模型年平均、 高温天气过程和强冷空气天气过程预报效果与ECMWF、 CMA-GFS（空间分辨率0.25°）、 CMA-SH9（空间分辨率9 km）三家业务常用数值模式气温预报产品（采用双线性插值方法插值到91个国家站上）和RF、 SVM两种传统机器学习算法， 以及江西省预报员对91个国家站的主观订正气温产品进行对比检验。由于08:00和20:00检验结果较为一致， 为节约文章篇幅， 下文仅对08:00起报的温度检验结果进行分析。

3 结果与分析

3.1　整体评估

从观测和LightGBM模型预报日最高和最低气温的散点密度分布（图2）可以看到， LightGBM模型预报日最高和最低气温变化和观测趋势一致， 决定系数分别高达0.977和0.984。散点密度大值区位于Y=X附近。当观测日最高（低）气温在0 ℃附近时（样本极少）， LightGBM模型预报气温略偏高。
图2 LightGBM模型江西省国家站日最高（a）和最低（b）气温预报与观测的散点分布

Fig.2 Scatter plot of daily maximum （a） and minimum （b） temperature forecasted by LightGBM model and observations of national stations in Jiangxi province

由2020年江西省气温预报的检验评估结果（图3）可知， 对于日最高气温预报， 7种产品的MAE排序为： LightGBM<RF=SVM<主观订正<ECMWF<CMA-SH9<CMA-GFS， RMSE排序为LightGBM<RF<SVM<主观订正<ECMWF<CMA-SH9<CMA-GFS， PC排序为LightGBM>SVM>RF>主观订正>ECMWF>CMA-SH9>CMA-GFS。因此， 三种机器学习模型日最高气温的预报效果均优于三种数值模式产品和主观订正产品， 其中LightGBM模型最优， RF模型和SVM模型预报效果接近， 数值模式产品中ECMWF最优。LightGBM模型日最高气温预报MAE、 RMSE和PC分别为1.03 ℃、 1.36 ℃和86.97%， MAE和RMSE分别比ECMWF降低0.71 ℃和0.76 ℃， PC比ECMWF提高22.72%； MAE和RMSE分别比主观订正产品降低0.3 ℃和0.36 ℃， PC比主观订正产品提高7.85%。对于日最低气温， 7种产品的预报效果排序和日最高气温接近， LightGBM模型仍最优， 其次是RF， 但SVM和主观订正产品的预报效果接近， 未能优于主观订正产品， 数值模式产品中ECMWF仍最优。LightGBM模型日最低气温预报MAE、 RMSE和PC分别为0.76 ℃、 1.00 ℃和94.83%， MAE和RMSE分别比ECMWF降低0.42 ℃和0.54 ℃， PC比ECMWF提高11.22%； MAE、 RMSE分别比主观订正产品降低0.19 ℃和0.25 ℃， PC比主观订正产品提高3.99%。
图3 2020年江西省日最高（a~c）和最低（d~f）气温预报整体评估

（a， d）平均绝对误差MAE（单位： ℃）， （b， e）均方根误差RMSE（单位： ℃）， （c， f）2 ℃以内预报准确率PC（单位： %）

Fig.3 Overall evaluation of daily maximum （a~c） and minimum （d~f） temperature forecast in Jiangxi province in 2020.（a， d） mean absolute error MAE （unit： ℃）， （b， e） root mean square error RMSE （unit： ℃）， （c， f） forecast accuracy within 2 ℃ PC （unit： %）

为了更直观地了解LightGBM模型的气温预报误差分布特点， 本研究进一步计算了LightGBM模型气温预报评分的逐日分布和空间分布（图4~6）。
图4 2020年江西省LightGBM模型日最高气温预报平均绝对误差MAE（a， b）和2 ℃以内预报准确率PC（c， d）的逐日分布（a， c）和频数统计（b， d）

Fig.4 Daily distribution （a， c） and frequency statistics （b， d） of mean absolute error MAE （a， b） and forecast accuracy within 2 ℃ PC （c， d） of daily maximum temperature forecasted by LightGBM model in Jiangxi province in 2020

图5 2020年江西省LightGBM模型日最低气温预报平均绝对误差MAE（a， b）和2 ℃以内预报准确率PC（c， d）的逐日分布（a， c）和频数统计（b， d）

Fig.5 Daily distribution （a， c） and frequency statistics （b， d） of mean absolute error MAE （a， b） and forecast accuracy within 2 ℃ PC （c， d） of daily minimum temperature forecasted by LightGBM model in Jiangxi province in 2020

图6 2020年LightGBM模型江西省国家站日最高（a）和最低（b）气温预报年平均绝对误差MAE分布（单位： ℃）

Fig.6 Distribution of annual mean absolute error MAE （unit： ℃） for daily maximum （a） and minimum （b） temperature forecasted by LightGBM model at national stations in Jiangxi province in 2020

从LightGBM江西省日最高气温预报MAE和PC的时间和频数分布（图4）可知， 2020年模型预报较平稳， 全省平均MAE主要集中在0.5~1.5 ℃， 共计286天， 占比81.71%； 只有13天MAE超过 2 ℃， 占比3.71%； PC在70%、 80%、 90%以上的天数分别占比91.14%、 76.57%、 53.14%， PC低于60%的天数仅占5.14%。经计算， 冬（1 -2月， 12月）、 春季（3 -5月）平均MAE分别为1.07 ℃和1.19 ℃， 略高于夏（6 -8月）、 秋季（9 -11月）（0.87 ℃和0.97 ℃）， 日最大MAE（3.20 ℃）也出现在春季； 冬、 春季平均PC分别为85.86%和83.09%， 略低于夏、 秋季（90.20%和88.67%）。这主要是因为冬、 春季冷空气活动频繁， 温度变化相对剧烈， 预报难度也相对较大。
从日最低气温预报MAE和PC的时间和频数分布（图5）可知， 2020年LightGBM模型日最低气温预报的逐日误差分布较日最高气温更集中， MAE在1.5 ℃以下的天数占比96%， 其中0.5~1.0 ℃的天数占比66.29%， 只有3天MAE超过2 ℃。PC超过90%的天数占比86.29%， 只有21天PC低于80%， 占比6%。6 -10月MAE和PC变化幅度较小， 1 -5月和11 -12月的变化幅度相对较大。从季节分布来看， 与日最高气温预报相似， 冬、 春季平均MAE略大于夏、 秋季， 其中冬、 春季平均MAE分别为0.87 ℃和0.79 ℃， 夏、 秋季平均MAE分别为0.67 ℃和0.74 ℃； PC则与之相反， 冬、 春季平均PC分别为91.67%和94.18%， 小于夏、 秋季平均PC（97.51%和95.53%）。
图6展示了LightGBM模型气温预报误差的空间分布， 据图6可知， LightGBM模型日最高气温预报误差表现出“南大北小、 周边大于中心”的特点。结合江西省地形（图1）可以看到， MAE较小的站点主要分布在中北部平原地区， 普遍在1.05 ℃以下， 环鄱阳湖地区最小， 多在1.0以下， 最小可达0.85 ℃； 江西周边和南部山区最大， 普遍在1.0~1.15 ℃； 庐山站MAE最大， 为1.24 ℃， 井冈山站为 1.11 ℃。而模型日最低气温预报误差的空间分布特征与日最高气温大致相反， 其MAE基本在0.65~0.85 ℃， 江西南部和周边MAE最小， 中北部平原次之， 环鄱阳湖地区MAE最大。其原因可能是： 江西东北部有黄山余脉， 西北部有幕阜山， 北方冷空气常从两山之间的鄱阳湖口南下， 环鄱阳湖和中北部平原地区易受冷空气影响， 日最低气温变化幅度较大， 预报难度相对较大； 而周边和南部山区受冷空气影响相对较小， 日最低气温变化幅度较小， 预报难度相对较小。

3.2　过程评估

对LightGBM模型在2020年4次区域性高温和4次强冷空气天气过程中的预报效果进行评估， 并与其他六种预报产品对比， 检验其对高影响性天气的预报能力。

3.2.1　高温天气过程

由于高温天气过程目前没有明确定义， 因此本文采用江西省气象业务中的高温天气过程定义： 连续3天全省范围内至少有30站日最高气温达到35 ℃及以上为一次高温天气过程。按照该标准， 2020年7月12 -18日、 7月21 -26日、 7月28日至8月11日、 8月13 -25日为4次高温天气过程。
由江西省高温天气过程日最高气温预报评估（图7）可知， 7种产品的MAE和RMSE排序一致为： LightGBM<RF<SVM<主观订正<ECMWF<CMA-SH9<CMA-GFS， PC排序为LightGBM>RF>SVM>主观订正>CMA-GFS >ECMWF>CMA-SH9。因此， 与全年评估结果一致， 在高温天气过程中， 三种机器学习模型日最高气温的预报效果仍优于三种数值模式产品和主观订正产品， 其中lightGBM模型最优， RF模型和SVM模型预报效果接近， 数值模式产品中ECMWF最优。LightGBM模型日最高气温预报MAE和RMSE分别比ECMWF降低1.1 ℃和1.2 ℃， PC比ECMWF提高33.57%； MAE和RMSE分别比主观订正产品降低0.33 ℃和0.4 ℃， PC比主观订正产品提高5.54%。
图7 2020年江西省高温天气过程日最高气温预报结果评估

（a）平均绝对误差MAE， （b）均方根误差RMSE， （c）2 ℃以内预报准确率PC

Fig.7 Evaluation of daily maximum temperature forecast of high-temperature events in Jiangxi province in 2020.（a） mean absolute error MAE， （b） root mean square error RMSE， （c） forecast accuracy within 2 ℃ PC

3.2.2　强冷空气天气过程

在江西省气象业务中， 全省有10个及以上国家站日最低气温（或日平均气温）在24 h内下降8 ℃及以上， 或48 h下降10 ℃及以上， 则称为一次强冷空气天气过程。据此筛选出2020年2月15 -16日、 3月27 -29日、 12月13 -15日、 12月29 -31日4次强冷空气天气过程。在强冷空气过程中， 不仅冷空气南下造成直接降温， 冷空气过后晴空辐射也会造成明显降温， 从而导致整个过程的最低气温往往出现在冷空气过后的次日清晨。因此， 将强冷空气过程的日最低气温误差评估延长至冷空气影响结束后的次日清晨。
据强冷空气过程中江西省气温预报的评估结果可知（图8）， 7种产品日最高气温预报MAE排序为LightGBM<主观订正<RF<ECMWF<CMA-SH9<CMA-GFS<SVM， RMSE排序与MAE基本一致， 但主观订正RMSE等于RF， PC排序也与MAE一致， 即LightGBM>主观订正>RF>ECMWF>CMA-SH9>CMA-GFS >SVM。因此， 与前文评估结果一致， lightGBM模型日最高气温预报效果仍最优， 数值模式产品中ECMWF最优。但RF预报效果未能优于主观订正产品， 且SVM预报效果明显偏差。LightGBM模型日最高气温预报MAE和RMSE分别比ECMWF降低0.31 ℃和0.27 ℃， PC提高9.15%； MAE和RMSE分别比主观订正产品降低0.13 ℃和0.1 ℃， PC比主观订正产品提高3.84%。
图8 2020年江西省强冷空气天气过程日最高（上）和最低（下）气温预报结果评估

（a、 d）平均绝对误差MAE， （b、 e）均方根误差RMSE， （c、 f）2 ℃以内预报准确率PC

Fig.8 Evaluation of daily maximum （upper panels） and minimum （lower panels） temperature forecast of strong cold events in Jiangxi province in 2020.（a， d） mean absolute error MAE， （b， e） root mean square error RMSE， （c， f） forecast accuracy within 2 ℃ PC

在强冷空气过程中， 7种产品日最低气温预报效果排序与日最高气温明显不同（图8）， 主要是主观订正产品和ECMWF预报排名明显提升， 日最低气温预报MAE和RMSE排序为主观订正<LightGBM<ECMWF<RF<CMA-SH9<CMA-GFS<SVM， PC排序为主观订正>ECMWF>LightGBM>RF>CMA-SH9>SVM>CMA-GFS。该结果体现了ECMWF数值模式和预报员对于极端低温较好的预报能力， 而由于江西强冷空气天气过程样本数相对较少， 机器学习模型预报效果明显偏差。
在2020年2月15 -16日（降温始于15日早晨）和2020年12月29 -31日（降温始于29日上午）两次强冷空气天气过程中， 江西省大部分地区气温降低8~10 ℃， 局部地区降低12 ℃以上。图9显示了LightGBM模型2月15日08:00和12月29日08:00起报日最低气温偏差（预报减对应24 h最低气温观测）， 对应观测24 h最低气温分别出现于2月16日早晨和12月30日早晨。据图9可知， LightGBM模型日最低气温预报在全省大部分地区偏高1~3 ℃。考虑该类型极端样本在全年占比较少， 模型学习效果差， 尝试对模型预报结果进行经验订正。由于ECMWF模式对于强冷空气天气过程总体把握较好， 因此设定当ECMWF模式的站点降温幅度超过10 ℃时， 将LightGBM模型在该站点的日最低气温预报降低2 ℃， 即进行如下订正：
图9 LightGBM模型2020年2月15日08:00（a）和12月29日08:00（b）起报江西省国家站日最低气温偏差（单位： ℃）

Fig.9 Deviation of daily minimum temperature （unit： ℃） of national stations in Jiangxi province forecasted by LightGBM model from 08:00 on 15 February （a） and 08:00 on 29 December 2020 （b）

当 F t 1 - F t 2 ≥ 10 ,   y 1 = y 0 - 2
式中： F t 1， F t 2分别代表12 h和36 h时效ECMWF的气温预报； y 0代表LightGBM模型原始日最低气温预报； y 1代表经验订正后LightGBM模型的日最低气温预报。
由图8可知， 通过这一简单改进， LightGBM模型在强冷空气天气过程中的预报效果优于主观订正产品， 较订正前MAE降低0.24 ℃， RMSE降低0.25 ℃， PC提高9.13%。

3.3　特征重要性分析

相对于其他机器学习模型， 树模型具有更好的可解释性， 但类似本研究所用较多特征的集成学习模型， 直接输出模型结构较为困难， 也不直观。LighGBM模型可以输出各特征的重要性分数（Friedman， 2001）， 分数越高， 对模型准确率提升贡献越大。由于本研究模型输入特征较多， 对于最近24 h地面观测气象要素特征和ECMWF 12~36 h时效预报特征， 仅保留每个特征重要性分数最高的观测时次或预报时效， 再对重要性分数排名前10的特征（图10）进行分析。分析表明， LightGBM全省*、 庐山和井冈山日最高（低）气温预报模型重要性分数排名前10 的特征包括ECMWF预报特征、 地面观测气象要素特征和时间特征。ECMWF预报特征包括2 m（T2_EC）、 1000hPa（T1000_EC）、 925 hPa（T925_EC）、 850 hPa（T850_EC）和700 hPa（T700_EC）气温预报， 1000 hPa（R1000_EC）、 925 hPa（R925_EC）、 850 hPa（R850_EC）、 700 hPa（R700_EC）和600 hPa（R600_EC）相对湿度预报， 925 hPa的V方向风预报（V925_EC）和500 hPa位势高度预报（H500_EC）。地面观测气象要素特征包含临近地面观测气温（TEM_OBS）、 1 h最低气温（TEM_Min_OBS）、 1 h最高气温（TEM_Max_OBS）、 24 h最低气温（TEM_Min_24h_OBS）、 24 h最高气温（TEM_Max_24h_OBS）、 地表温度（GST_OBS）、 水汽压（VAP_OBS）和露点温度（DPT_OBS）。时间特征包含日期（Day）和年份（Year）。
图10 LightGBM日最高（左）和最低（右）气温预报模型重要性排名前10的特征及重要性分数

排名前3位的特征（实线柱状图）采用左侧纵坐标， 其他特征（虚线柱状图）使用右侧纵坐标。（a， b）全省*， （c， d）庐山， （e， f）井冈山

Fig.10 The importance score of the top ten features of LightGBM daily maximum （left panels） and minimum （right panels） tempeature forecast model.The top three features （solid barchart） use the left coordinate axis and the other features use the right coordinate axis.（a， b） All station in Jiangxi except Lushan and Jinggangshan Station， （c， d） Lushan Station， （e， f） Jinggangshan Station

在全省*日最高气温预报模型［图10（a）］中， T1000_EC、 T2_EC、 T925_EC重要性排名前三， 这三个特征也是日最高气温预报中最常用到的。其次是TEM_OBS、 Day和TEM_Min_OBS， 气温随时间变化具有一定的规律， 日期重要性的排名表明机器学习可以很好地捕捉并应用这种规律， 而临近气温观测可以反映气温最新的变化情况。排名3位以后的特征与前3个特征数量级相差较大， 但并不一定意味着这些特征不重要， 在LightGBM模型中， 多因子排列组合共同发挥作用。
在全省*日最低气温预报模型［图10（b）］中， T2_EC重要性排名第一， 且得分显著高于其他特征， 排名第二到第六的特征分别为TEM_Min_OBS、 GST_OBS、 TEM_OBS、 T1000_EC、 TEM_ Min_24h_OBS。排名6位以后的特征与上述特征数量级相差较大。综上所述， 日最低气温模型排名靠前的几个特征和日最高气温模型相似， 但地表温度排名明显靠前， 反映了地面长波辐射对气温的影响。
由图10（c）~（f）可知， T2_EC、 T1000_EC、 T925_EC 和T850_EC占据了庐山和井冈山两个高山站日最高（低）气温预报模型重要性排名的前四位。此外， TEM_Min_OBS和TEM_OBS在庐山站日最高气温预报模型中重要性分数也较高［图10（c）］； R1000_EC对井冈山站日最高气温预报模型也有较大贡献［图10（e） ］， 该特征反映了低云对高温的影响。

4 讨论

本研究使用临近地面观测数据、 数值模式高空和地面预报数据共计600~700个构建机器学习模型输入特征， 从而有助于增加模型复杂度， 加快模型收敛， 增强模型的泛化能力（王可心等， 2021）。在整体预报和样本量较为充足的高温天气过程中， 三种机器学习模型的气温预报效果优于三家数值模式产品， 优于或接近主观订正产品。在三种机器学习模型中， RF和LightGBM都是基于决策树的集成模型， 在处理高维度大样本数据时具有很大优势， 气温预报准确率和稳定性基本优于单个模型SVM。但RF和LightGBM集成方式不同。RF基于Bagging算法集成， 预测效果较好和较差的树会对最终结果产生同等影响； 而LightGBM算法基于boosting算法， 预测误差较小的树会被赋予较大的权重， 模型可以通过增加树的数量获取较高的精度（叶宇辰等， 2024）。从本研究来看， LightGBM模型的气温预报效果优于RF。
与其他气温预报方法研究相比， 本研究建立的LightGBM模型24 h日最高和最低气温预报平均MAE分别为1.03 ℃和0.76 ℃， RMSE分别为1.36 ℃和1.00 ℃， PC分别为 86.97%和94.83%， 预报效果优于一般统计分析方法（薛谌彬等， 2019； 程胡华等， 2020）和输入特征较少的深度学习方法（陈昱文等， 2020）。另外， 本研究中机器学习模型的日最高气温预报准确率超过预报员主观预报， 显示了人工智能技术在实现气象要素预报全面客观化方面的巨大应用潜力。但在样本数较少的强冷空气过程中， 机器学习模型的订正效果可能还不如主观订正预报， 这是因为机器学习算法的预报效果与训练样本数量关系密切， 样本数过少时机器学习往往学习不到有效特征。经简单的经验后处理后， 机器学习模型的预测效果大大提升， 这为机器学习在小样本中的有效应用提供了一种思路， 也为大数据和人工智能时代预报员的定位提供了一点参考。
从LightGBM模型的特征重要性分数中可以看到， 虽然数值模式预报特征对模型建立占主要贡献， 临近地面观测气温和地表温度贡献也较大， 该结果可以为数值模式改进和气温预报产品研发提供参考。另外， 由于本研究所用样本数量大、 模型特征多， 模型训练时需要大量服务器资源支撑， 当计算资源相对不足时， 可挑选出对预报准确率影响最大的若干要素进行建模， 从而在计算资源消耗较少的情况下建立一个精度略偏低的预报模型。
LightGBM模型预报检验结果显示， 其预报准确率存在时空差异， 大致来说， 在气温波动小的时段和区域模型预报准确率相对较高， 气温波动大的时段和区域模型预报准确率相对较低， 这种预报差异一方面来源于大气环流调整和复杂地形本身对气温预报的影响， 另一方面来源于数值模式在大气环流调整时和复杂下垫面背景下预报能力不足对气温预报的影响（肖玉华等， 2010）。因此在保证样本量充足的情况下， 开展分区域分时建模， 或可进一步提高模型的预报精度。

5 结论

利用江西省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， 本研究建立了江西省24 h国家站日最高（低）气温预报模型。通过2020年模型预报效果评估， 本研究得出如下结论：
（1） LightGBM模型日最高（低）气温预报和观测变化趋势一致。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。模型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。
（2） 从重要天气过程来看， 在高温过程中， LightGBM模型预报效果最优； 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， 模型低温预报效果明显提升， 与主观订正产品接近。
（3） 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。

参考文献

null
Bauer P， Thorpe A， Brunet G， 2015.The quiet revolution of numerical weather prediction［J］.Nature， 525 （7567）： 47.DOI： 10. 1038/nature14956 .
null
Breiman L， 1996.Bagging predictors［J］.Machine Learning， 24（2）： 123-140.DOI： 10.1023/A： 1018 054314350 .
null
Breiman L， 2001.Random forests［J］.Machine Learning， 45（1）： 5-32.DOI： 10.1023/A： 1010933404 324 .
null
Chen H Q， Zhao L， Dong W， et al， 2022.Spatiotemporal variation of mortality burden attributable to heatwaves in China， 1979-2020［J］.Science Bulletin， 67（13）： 1340-1344.DOI： 10.1016/j.scib.2022.05.006 .
null
Fan J L， Yue W J， Wu L F， et al， 2018.Evaluation of SVM， ELM and four tree-based ensemble models for predicting daily reference evapotranspiration using limited meteorological data in different climates of China［J］.Agricultural and Forest Meteorology， 263： 225-241.DOI： 10.1 016/j.agrformet.2018.08.019 .
null
Friedman J H， 2001.Greedy function approximation： a gradient boosting machine［J］.The Annals of Statistics， 5（29）： 1189-1232.
null
Glahn H R， Lowry D A， 1972.The use of model output statistics （MOS） in objective weather forecasting［J］.Journal of Applied Meteorology， 11（8）： 1203-1211.
null
Han L， Chen M X， Chen K K， et al， 2021.A deep learning method for bias correction of ECMWF 24-240 h forecasts［J］.Advances In Atmospheric Sciences， 38（9）： 1444-1459.DOI： 10.1007/s 00376-021-0215-y .
null
Hossain M， Rekabdar B， Louis S J， et al， 2015.Forecasting the weather of Nevada： a deep learning approach［C］.International Joint Conference on Neural Networks， IEEE， 1-6， DOI： 10. 1109/IJCNN.2015.7280812 .
null
Ke G L， Meng Q， Finley T， et al， 2017.LightGBM： a highly efficient gradient boosting decision tree［J］.Advances in Neural Information Processing Systems.30： 3149-3157.
null
Klein W H， Lewis B M， Enger I， 1959.Objective prediction of five-day mean temperatures during winter［J］.Journal of Meteorology， 16（6）： 672-682.
null
Liu X W， Duan H X， Huang W B， et al， 2021.Classified early warning and forecast of severe convective weather based on LightGBM algorithm［J］.Atmospheric and Climate Sciences， 11（2）： 284-301.DOI： 10.4236/acs.2021.112017 .
null
Lynch P， 2008.The origins of computer weather prediction and climate modeling［J］.Journal of Computational Physics， 227（7）： 3431-3444.DOI： 10.1016/j.jcp.2007.02.034 .
null
Parzen E， 1962.On estimation of probability density function and mode［J］.The Annals of Mathematical Statistics， 33（3）： 1065-1076.DOI： 10.1214/aoms/1177704472 .
null
Salcedo-Sanz S， Deo R C， Carro-Calvo L， et al， 2016.Monthly prediction of air temperature in Australia and New Zealand with machine learning algorithms［J］.Theoretical and Applied Climatology， 125（1-2）： 13-25.DOI： 10.1007/s00704-015-1480-4 .
null
Schapire R E， 1990.The strength of weak learnability［J］.Machine Learning， 5（2）： 197-227.DOI： 10.1007/ BF0011 6037 .
null
Ustaoglu B， Cigizoglu H K， Karaca M， 2010.Forecast of daily mean， maximum and minimum temperature time series by three artificial neural network methods［J］.Meteorological Applications， 15（4）： 431-445.DOI： 10.1002/met.83 .
null
Zhong J T， Zhang X Y， Gui K， et al， 2021.Robust prediction of hourly PM2.5 from meteorological data using LightGBM［J］， National Science Review， 8（10）： 1-12.DOI： 10.1093/nsr/nwaa307 .
null
Zhou J， Li E M， Yang S， et al， 2019.Slope stability prediction for circular mode failure using gradient boosting machine approach based on an updated database of case histories［J］.Safety Science， 118： 505-518.DOI： 10.1016/j.ssci.2019.05.046 .
null
Aurélien G， 2020.机器学习实战： 基于Scikit-Learn、 Keras和TensorFlow（第二版）［M］.宋能辉， 李娴， 译.北京： 机械工业出版社， 66-67.Aurélien G， 2020.Hands-on machine learning with scikit-learn， keras & tensorflow［M］.Translated by Song N H and Li X.BeiJing： China Machine Press， 66-67.
null
白永清， 林春泽， 陈正洪， 等， 2013．基于LAPS分析的WRF模式逐时气温精细化预报释用［J］.气象， 39（4）： 460-465.DOI： 10.7519/j.issn.1000-0526.2013.4.008.Bai Y Q ，
null
Lin C Z， Chen Z H， et al， 2013.Product interpretation of refined hourly temperature based on the assimilation of WRF model in LAPS［J］.Meteorology Monthly， 39（4）： 460-465.DOI： 10.7519/j.issn.1000-0526.2013.4.008 .
null
陈昱文， 黄小猛， 李熠， 等 ．2020．基于ECMWF产品的站点气温预报集成学习误差订正［J］.应用气象学报， 31（4）： 494-503.DOI： 10.11898/1001-7313.20200411.Chen Y W ，
null
Huang X M， Li Y， et al， 2020.Ensemble learning for bias correction of station temperature forecast based on ECMWF products［J］.Journal of Applied Meteorological Science， 31（4）： 494-503.DOI： 10.11898/1001-7313.20200411 .
null
程胡华， 王益柏， 赵亮， 等， 2020.相似偏差订正法在短期温度预报中的应用研究［J］．气象研究与应用， 41（3）： 21-26.DOI： 10.19849/j.cnki.CN45-1356/P.2020.3.04.Cheng H H ，
null
Wang Y B， Zhao L， et al， 2020.Application of similar deviation correction method in short-term temperature forecast［J］.Journal of Meteorological Research and Application， 41（3）： 21-26.DOI： 10.19849/j.cnki.CN45-1356/P.2020.3.04 .
null
代刊， 曹勇， 钱奇峰， 等， 2016．中短期数字化天气预报技术现状及趋势［J］．气象， 42（12）： 1445-1455.DOI： 10.7519/j.issn.1000-0526.2016.12.002.Dai K ，
null
Cao Y， Qian Q F， et al， 2016.Situation and tendency of operational technologies in short and medium range weather forecast［J］.Meteorological Monthly， 42（12）： 1445-1455.DOI： 10.7519/j.issn.1000-0526.2016.12.002 .
null
贺倩， 汪明， 刘凯， 2022.基于机器学习的气温要素空间插值［J］.高原气象， 41（3）： 733-748.DOI： 10.7522/j.issn.1000-0534.2021.000007.He Q ，
null
Wang M， Liu K， 2022.Spatial interpolation of air temperature based on machine learning［J］.Plateau Meteorology， 41（3）： 733-748.DOI： 10.7522/j.issn.1000-0534.2021.000007 .
null
姜红， 何清， 曾晓青， 等， 2021.基于随机森林和卷积神经网络的FY-4A号卫星沙尘监测研究［J］.高原气象， 40（3）： 680-689.DOI： 10.7522/j.issn.1000-0534.2020.00060.Jiang H ，
null
He Q， Zeng X Q， et al， 2021.Sand and dust monitoring using FY-4A satellite data based on the random forests and convolutional neural networks［J］.Plateau Meteorology， 40（3）： 680-689.DOI： 10.7522/j.issn.1000-0534.2020.00060 .
null
林纾， 李红英， 黄鹏程， 等， 2022.2022年夏季我国高温干旱特征及其环流形势分析［J］.干旱气象， 40（5）： 748-763.DOI： 10.11755/j.issn.1006-7639（2022）-05-0748.Lin S ，
null
Li H Y， Huang P C， et al， 2022.Characteristics of high temperature， drought and circulation situation in summer 2022 in China［J］.Journal of Arid Meteorology， 40（5）： 748-763.DOI： 10.11755/ j.issn.1006-7639（2022）-05-0748 .
null
罗聪， 曾沁， 高亭亭， 等， 2012.精细化逐时滚动温度预报方法及检验［J］.热带气象学报， 28（4）： 552-556.DOI： 10.3969/j.issn.1004-4965.2012.04.014.Luo C ，
null
Zeng Q， Gao T T， et al， 2012.Research of seamless hourly updated forecast of temperature and verification［J］.Journal of Tropical Meteorology， 28（4）： 552-556.DOI： 10.3969/j.issn.1004-4965.2012.04.014 .
null
马学款， 普布次仁， 唐叔乙， 等， 2007.人工神经网络在西藏中短期温度预报中的应用［J］．高原气象， 26（3）： 491-495．DOI： 10.3321/j.issn： 1000-0534.2007.03.008.Ma X K ，
null
Pubu C R， Tang S Y， et al， 2007.The application of artificial neural network to short and mid-range temperature forecast in Tibet［J］.Plateau Meteorology， 26（3）： 491-495.DOI： 10.3321/j.issn： 1000-0534.2007.03.008 .
null
门晓磊， 焦瑞莉， 王鼎， 等， 2019.基于机器学习的华北气温多模式集合预报的订正方法［J］.气候与环境研究， 24 （1）： 116-124.DOI： 10.3878/j.issn.1006-9585.2018.18049.Men X L ，
null
Jiao R L， Wang D， et al， 2019.A temperature correction method for multi-model ensemble forecast in North China based on machine learning［J］.Climatic and Environmental Research （in Chinese）， 24（1）： 116-124.DOI： 10.3878/j.issn.1006-9585.2018.18049 .
null
谭江红， 陈伟亮， 王珊珊， 2018.一种机器学习方法在湖北定时气温预报中的应用试验［J］.气象科技进展， 8（5）： 46-50.DOI： 10.3969/j.issn.2095-1973.2018.05.006.Tan J H ，
null
Chen W L， Wang S S， 2018.Using a machine learning method for temperature forecast in Hubei province［J］.Advances in Meteorological Science and Technology， 8（5）： 46-50.DOI： 10.3969/j.issn.2095-1973.2018.05.006 .
null
王丹， 黄少妮， 高红燕， 等， 2016.递减平均法对陕西SCMOC精细化温度预报的订正效果［J］.干旱气象， 34（3）： 575-583.DOI： 10.11755/j.issn.1006-7639（2016）-03-0575.Wang D ，
null
Huang S N， Gao H Y， et al， 2016.Analysis on errors of SCMOC refined guidance temperature prediction corrected by the decaying averaging method in Shaanxi province［J］.Journal of Arid Meteorology， 34（3）： 575-583.DOI： 10.11755/j.issn.1006-7639（2016）-03-0575 .
null
王菲， 张华， 刘梦婷， 等， 2022.气候反馈对温度空间模态的依赖性： IPCC AR6解读［J］.大气科学学报， 45（6）： 826-834.DOI： 10.13878/j.cnki.dqkxxb.20220928001.Wang F ，
null
Zhang H， Liu M T， et al， 2022.Dependence of climate feedbacks on temperature patterns： interpreting IPCC AR6［J］.Transactions of Atmospheric Sciences， 45（6）： 826-834.DOI： 10.13878/j.cnki.dqkxxb.20220928001 .
null
王可心， 包云轩， 朱承瑛， 等， 2021.随机森林回归法在冬季路面温度预报中的应用［J］.气象， 47（1）： 82-93.DOI： 10.7519/j.issn.1000-0526.2021.01.008.Wang K X ，
null
Bao Y X， Zhu C Y， et al， 2021.Forecasts of road surface temperature in winter based on random forests regression［J］.Meteorology Monthly， 47（1）： 82-93.DOI： 10.7519/j.issn.1000-0526.2021.01.008 .
null
王胜， 田红， 吴蓉， 等， 2022.2022年安徽省区域性高温和干旱过程综合评估［J］.干旱气象， 40（5）： 771-779.DOI： 10.11755/j.issn.1006-7639（2022）-05-0771.Wang S ，
null
Tian H， Wu R， et al， 2022.Comprehensive assessment of regional high temperature and drought processes in Anhui province in 2022［J］.Journal of Arid Meteorology， 40（5）： 771-779.DOI： 10.11755/j.is- sn.1006-7639（2022）-05-0771 .
null
肖玉华， 赵静， 蒋丽娟， 2010.数值模式预报性能的地域性特点初步分析［J］.暴雨灾害， 29（4）： 28-33.DOI： 10.3969/j.issn.1004-9045.2010.04.004.Xiao Y H ，
null
Zhao J， Jiang L J， 2010.Analysis on geography & physiognomy character of numerical model prediction performance［J］.Torrential Rain and Disasters， 29（4）： 28-33.DOI： 10.3969/j.issn.1004-9045.2010.04.004 .
null
薛谌彬， 陈娴， 张瑛， 等， 2019.ECMWF高分辨率模式2m 温度预报误差订正方法研究［J］.气象， 45（6）： 831-842.DOI： 10.7519/j.issn.1000-0526.2019.06.009.Xue C B ，
null
Chen X， Zhang Y， et al， 2019.Bias correction method for the 2m temperature forecast of ECMWF high resolution model［J］.Meteorological Monthly， 45（6）： 831-842 （in Chinese）.DOI： 10.7519/j.issn.1000-0526.2019.06.009 .
null
姚望玲， 陈正洪， 向玉春， 2010.武汉市气候变暖与极端天气事件变化的归因分析［J］.气象， 36（11）： 88-94.
null
Yao W L， Chen Z H， Xiang Y C， 2010.DOI： 10.7519/j.issn.1000-0526.2010.11.013.Trends in climate extremes in association with climate warming in Wuhan ［J］.Meteorology Monthly， 36（11）： 88-94.DOI： 10.7519/j.issn.1000-0526.2010.11.013 .
null
叶宇辰， 陈海山， 朱司光， 等， 2024.基于机器学习的中国夏季降水延伸期预报及土壤湿度的可能贡献［J］.高原气象.43（1）： 184-198.DOI： 10.7522/j.issn.1000-0534.2023.00025.Ye Y C ，
null
Chen H S， Zhu S G， et al， 2024.Machine learning-based prediction of summer extended-range precipitation and possible contribution of soil moisture over China［J］.Plateau Meteorology.2024， 43（1）： 184-198.DOI： 10.7522/j.issn.1000-0534.2023.00025 .
null
张延彪， 陈明轩， 韩雷， 等， 2022.数值天气预报多要素深度学习融合订正方法［J］.气象学报， 80（1）： 153-167.DOI： 10.11676/qxxb2021.066.Zhang Y B ，
null
Chen M X， Han L， et al， 2022.Multi-element deep learning fusion correction method for numerical weather prediction［J］.Acta Meteorologica Sinic， 80（1）： 153-167.DOI： 10.11676/qxxb2021.066 .
null
钟敏， 肖安， 许冠宇， 等， 2022.基于CMA-MESO的分级短时强降水概率预报方法研究［J］.干旱气象， 40（4）： 700-709.DOI： 10.11755/j.issn.1006-7639（2022）-04-0700.Zhong M ，
null
Xiao A， Xu G Y， et al， 2022.Study on probability forecast method about graded short-term heavy rain based on CMA-MESO［J］.Journal of Arid Meteorology， 40（4）： 700-709.DOI： 10.11755/j.issn.1006-7639（2022）-04-0700 .
null
周慧， 朱彬， 陈万隆， 等， 2005．动态学习率神经网络预测气温的尝试［J］．大气科学学报， 28（3）： 398-403.
null
Zhou H， Zhu B， Chen W L， et al， 2005.Daily air temperature predication using a dynamic learning rate neural network system［J］.Transactions of Atmospheric Sciences， 28（3）： 398-403.
null
朱浩楠， 刘晓冉， 孙佳， 等， 2021.基于遥感和数值模拟的重庆海绵城市热岛效应分析［J］.高原气象， 40（5）： 1202-1212.DOI： 10.7522/j.issn.1000-0534.2020.00089.Zhu H N ，
null
Liu X R， Sun J， et al， 2021.Evaluation of the urban heat island effect of sponge city in Chongqing using satellite remote sensing data and numerical simulation［J］.Plateau Meteorology， 40（5）： 1202-1212.DOI： 10.7522/j.issn.1000-0534.2020.00089 .
Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn