利用1981—2023年NCEP/NCAR逐日再分析资料、NOAA逐日向外长波辐射资料、湖南省97个站点逐日气温及NCEP、CMA两家次季节-季节(sub-seasonal to seasonal,S2S)预测业务模式预报产品,使用卷积神经网络(convolutional neural network,CNN)...利用1981—2023年NCEP/NCAR逐日再分析资料、NOAA逐日向外长波辐射资料、湖南省97个站点逐日气温及NCEP、CMA两家次季节-季节(sub-seasonal to seasonal,S2S)预测业务模式预报产品,使用卷积神经网络(convolutional neural network,CNN)和迁移学习方法,建立了湖南次季节尺度气温预测模型,并与动力模式预报技巧进行对比评估。结果表明:CNN模型在不同起报时间(提前1~10 d)对月气温距平预测的空间相关系数相比两家动力模式具有显著优势,同时时间相关系数、符号一致率和均方根误差也得到一定的提高。可解释性分析显示,热带印度洋地区在深度学习模型中关注度最高,这些区域的预测因子可能是气温预测的重要可预报性来源。展开更多
基于中国气象局陆面数据同化系统(China Meteorological Administration Land Data Assimilation System,CLDAS)格点实况资料与欧洲中期天气预报中心-综合预报系统(European Centre for Medium-Range Weather Forecasts-Integrated Fore...基于中国气象局陆面数据同化系统(China Meteorological Administration Land Data Assimilation System,CLDAS)格点实况资料与欧洲中期天气预报中心-综合预报系统(European Centre for Medium-Range Weather Forecasts-Integrated Forecast System,ECMWF-IFS)模式最优因子集,构建了Res-STS(residual spatio-temporal stacking)网络气温预报订正模型,旨在提高湖南省气温预报的准确性。Res-STS模型在深度学习框架残差网络(residual networks,ResNets)的基础上进行了改进,采用“面-点”结构进行建模,有效保留了环境背景场特征和时序特征,包含ECMWF-IFS特征融合模块(EC feature fusion,ECFF)和降尺度模块(downscaling module,DM),前者利用卷积残差块提取特征,后者通过反卷积层实现分辨率降低,最终生成逐小时气温预报。在湖南省逐小时、日最高、日最低气温预报产品的误差分析中,Res-STS模型平均绝对误差(mean absolute error,MAE)分别为1.21、1.38、1.07℃,相较于ECMWF-IFS和国家气象中心指导预报表现出更低的误差,特别是在最高气温预报中表现尤为优异(误差比国家气象中心指导预报降低23.8%)。在高海拔地区的误差分布对比中,Res-STS模型表现出更高的精度和稳定性,其误差分布更为集中,中位数最低。在寒潮和高温天气过程中,Res-STS模型的最低气温、最高气温、逐1 h气温预报分别高于其他客观产品和人工订正结果。展开更多
