提出一種基于數(shù)值模式預(yù)報(bào)產(chǎn)品的氣溫預(yù)報(bào)集成學(xué)習(xí)誤差訂正方法,通過(guò)人工神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)和線性回歸模型組合出新的集成學(xué)習(xí)模型（ALS模型）,采用2013—2017年的歐洲中期天氣預(yù)報(bào)中心數(shù)值天氣預(yù)報(bào)模式2 m氣溫預(yù)報(bào)產(chǎn)品和中國(guó)部分氣象站點(diǎn)數(shù)據(jù),利用氣象站點(diǎn)氣溫、風(fēng)速、氣壓、相對(duì)濕度4個(gè)觀測(cè)要素,挖掘觀測(cè)數(shù)據(jù)的時(shí)序特征并結(jié)合模式2 m氣溫預(yù)報(bào)結(jié)果訓(xùn)練機(jī)器學(xué)習(xí)模型,對(duì)2018年模式2 m氣溫6～168 h格點(diǎn)預(yù)報(bào)產(chǎn)品插值到站點(diǎn)后的預(yù)報(bào)結(jié)果進(jìn)行偏差訂正。結(jié)果表明:ALS模型可將站點(diǎn)氣溫預(yù)報(bào)整體均方根誤差由3.11℃降至2.50℃,降幅達(dá)0.61℃（19.6%）,而傳統(tǒng)的線性回歸模型降幅為0.23℃（8.4%）。ALS模型對(duì)站點(diǎn)氣溫預(yù)報(bào)誤差較大的區(qū)域和氣溫峰值預(yù)報(bào)的訂正效果尤為顯著,因此,集成學(xué)習(xí)方法在數(shù)值模式預(yù)報(bào)結(jié)果訂正中具有較大的應(yīng)用潛力。 

【文章來(lái)源】：應(yīng)用氣象學(xué)報(bào). 2020,31(04)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【參考文獻(xiàn)】：
期刊論文
[1]一種偏差訂正方法在平昌冬奧會(huì)氣象預(yù)報(bào)的應(yīng)用[J]. 張玉濤,佟華,孫健.  應(yīng)用氣象學(xué)報(bào). 2020(01)
[2]10～30 d延伸期可預(yù)報(bào)性與預(yù)報(bào)方法研究進(jìn)展[J]. 章大全,鄭志海,陳麗娟,張培群.  應(yīng)用氣象學(xué)報(bào). 2019(04)
[3]ECMWF高分辨率模式2m溫度預(yù)報(bào)誤差訂正方法研究[J]. 薛諶彬,陳嫻,張瑛,鄭婧,馬曉華,張雅斌,潘留杰.  氣象. 2019(06)
[4]一階卡爾曼濾波方法對(duì)EC集合預(yù)報(bào)氣溫的訂正[J]. 王秀娟,陳長(zhǎng)勝,馮旭,馬洪波.  氣象災(zāi)害防御. 2019(01)
[5]針對(duì)模式風(fēng)場(chǎng)的格點(diǎn)預(yù)報(bào)訂正方案對(duì)比[J]. 曾曉青,薛峰,姚莉,趙聲蓉.  應(yīng)用氣象學(xué)報(bào). 2019(01)
[6]循環(huán)神經(jīng)網(wǎng)絡(luò)在雷達(dá)臨近預(yù)報(bào)中的應(yīng)用[J]. 韓豐,龍明盛,李月安,薛峰,王建民.  應(yīng)用氣象學(xué)報(bào). 2019(01)
[7]基于支持向量機(jī)的雷暴大風(fēng)識(shí)別方法[J]. 楊璐,韓豐,陳明軒,孟金平.  應(yīng)用氣象學(xué)報(bào). 2018(06)
[8]一個(gè)簡(jiǎn)單的格點(diǎn)溫度預(yù)報(bào)訂正方法[J]. 潘留杰,薛春芳,王建鵬,張宏芳,王丹,胡皓.  氣象. 2017(12)
[9]MOS溫度預(yù)報(bào)中最優(yōu)訓(xùn)練期方案[J]. 吳啟樹(shù),韓美,郭弘,蘇同華.  應(yīng)用氣象學(xué)報(bào). 2016(04)
[10]氣溫插值中不同空間插值方法的適用性分析——以江蘇省為例[J]. 彭彬,周艷蓮,高蘋,居為民.  地球信息科學(xué)學(xué)報(bào). 2011(04)



本文編號(hào)：3310632