山区地形复杂,气温空间异质性强,气温精细化预报的精度和空间分辨率通常无法满足应用需求。因此,提出了一种机器学习和自适应卡尔曼滤波相结合的降尺度与偏差订正(DOWN+BC)方法,以提高山区气温预报的精度和空间分辨率。该方法首先利用...山区地形复杂,气温空间异质性强,气温精细化预报的精度和空间分辨率通常无法满足应用需求。因此,提出了一种机器学习和自适应卡尔曼滤波相结合的降尺度与偏差订正(DOWN+BC)方法,以提高山区气温预报的精度和空间分辨率。该方法首先利用随机森林模型将1 km空间分辨率的逐时天气研究与预报(weather research and forecasting,WRF)模型预报气温降尺度到30 m,再利用一阶自适应卡尔曼滤波模型和极端梯度提升模型(extreme gradient boosting,XGBoost)进行偏差订正。结果表明,DOWN+BC方法在预报气温降尺度与偏差订正方面效果良好;随机森林降尺度结果能够更为准确地表达近地表气温空间分布的详细特征,纹理更加丰富;与WRF预报结果相比,一阶自适应卡尔曼滤波模型订正后的均方根误差和平均绝对误差在自动气象站位置上分别降低了1.39和1.13℃,在空间分布上分别下降了1.19和0.97℃。展开更多
文摘山区地形复杂,气温空间异质性强,气温精细化预报的精度和空间分辨率通常无法满足应用需求。因此,提出了一种机器学习和自适应卡尔曼滤波相结合的降尺度与偏差订正(DOWN+BC)方法,以提高山区气温预报的精度和空间分辨率。该方法首先利用随机森林模型将1 km空间分辨率的逐时天气研究与预报(weather research and forecasting,WRF)模型预报气温降尺度到30 m,再利用一阶自适应卡尔曼滤波模型和极端梯度提升模型(extreme gradient boosting,XGBoost)进行偏差订正。结果表明,DOWN+BC方法在预报气温降尺度与偏差订正方面效果良好;随机森林降尺度结果能够更为准确地表达近地表气温空间分布的详细特征,纹理更加丰富;与WRF预报结果相比,一阶自适应卡尔曼滤波模型订正后的均方根误差和平均绝对误差在自动气象站位置上分别降低了1.39和1.13℃,在空间分布上分别下降了1.19和0.97℃。
