典型文献
基于深度学习方法的气温预报技术应用与评估
文献摘要：
基于2017—2019年欧洲中期天气预报中心的全球预报系统(ECMWF-IFS),结合对应时间段站点观测实况,采用深度学习方法建立了多层全连接神经网络模型(简称DL模型),对未来84 h的地面气温进行订正预报.使用湖南省2020年全年的预报结果进行对比检验评估,得到以下结论:从空间分布来看,DL模型平均均方根误差(RMSE)在大部分地区为1.5～2.0℃(全省平均RMSE为1.78℃),其对ECMWF-IFS模式的订正效果明显,尤其是在高海拔地区,改善率随着预报站点海拔的增加而上升;数值预报的RMSE有明显的日变化特征,每日午后误差最大,DL模型的改善幅度也最大,日出前时效误差最小,改善率在不同海拔高度有不同的日变化特征;DL模型每个月相对ECMWF-IFS的平均RMSE都有明显的订正效果,其中10月、11月RMSE改善率最高,12月最低;从2020年年底一次寒潮过程的日最高、最低及逐3 h气温检验效果来看,DL模型对ECMWF-IFS的系统误差有明显的订正效果,在单站的曲线上,也能看出DL模型更接近观测实况.评估结果表明:模型可以显著地减小ECMWF-IFS的预报误差,其输出结果基本满足日常预报业务的需求.
文献关键词：
气温预报;深度学习;应用与评估
中图分类号：
作者姓名：
陈鹤;蔡荣辉;陈静静;傅承浩;周莉;陈龙
作者机构：
湖南省气象台,长沙 410118;气象防灾减灾湖南省重点实验室,长沙 410118
文献出处：
引用格式：
[1]陈鹤;蔡荣辉;陈静静;傅承浩;周莉;陈龙-.基于深度学习方法的气温预报技术应用与评估)[J].气象,2022(11):1373-1383
A类：
B类：
深度学习方法,气温预报,预报技术,应用与评估,天气预报,预报系统,ECMWF,IFS,实况,全连接神经网络,DL,地面气温,订正预报,检验评估,模型平均,RMSE,高海拔地区,改善率,报站,数值预报,日变化特征,午后,日出,不同海拔,海拔高度,月相,次寒,寒潮,检验效果,系统误差,单站,接近观测,预报误差,输出结果,报业
AB值：
0.363019
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
