论文部分内容阅读
地面气温是人们日常生活最关注的气象要素之一,对农业、工业、服务业等领域产生重要的影响。为了提高现有日常预报业务中模式预报温度的准确率,我们基于欧洲中期天气预报中心(ECMWF)的经度为120～130°E,纬度为20～40°N的温度集合控制预报历史资料以及华东地区实况站点温度资料对模式预报温度进行订正。主要包括以下三个方面的研究工作:(1)分析和处理实验数据。在本文中利用均方根误差,绝对误差和温度预报准确率构造的综合评价指标对插值性能进行评价,最终采用克里金插值法将模式预报数据与实际站点温度进行空间上的对应,然后采用小提琴图对插值后的数据进行异常值分析并清洗,得到可靠的实验数据。接着为了充分挖掘模式预报数据与实际温度之间潜在关系,将最高温和最低温相关模式预报特征分别进行多项式扩充构造后续温度订正建模的输入特征;(2)基于传统机器学习的多气象因子模式预报温度订正模型。在第一步多项式特征扩充的基础上,针对最高温和最低温分别采用线性回归,支持向量机,决策树和随机森林分别建立温度订正模型。根据不同相关系数的设置对二、三、四次多项式扩充后的数据进行筛选,分别选取二次扩充后与实际温度相关性在0.2～0.8以上的特征以及全部特征进行建模,三次扩充后与实际温度相关性在0.2～0.8以上的特征以及四次扩充后与实际温度相关性在0.4～0.8以上的特征进行建模比较,从中选择最低温和最高温订正性能最佳的模型;(3)基于深度学习的多气象因子模式预报温度订正模型。采用K-means分别对最高温和最低温扩充后数据进行聚类。聚类能够对不同样本有针对性分析和处理,为了保证聚类的准确性采用手肘法则和轮廓系数对类别的选择进行选择,将最低温样本聚类为三类,最高温样本聚类为四类。聚类后使用长短时记忆网络(LONG SHORT-TERM MEMEORY,LSTM)结合注意力机制对模式预报的最高温和最低温建立订正模型。聚类后分别针对性地建模能够充分利用样本的多样性以获得最佳模型。最后将所提出的深度学习温度订正模型和机器学习温度订正模型与一般用于温度订正的卡尔曼滤波和神经网络模型订正后性能进行对比分析。