Research on Temperature Forecast Correction by Dynamic Weight Integration Based on Multi-neural Networks
-
摘要: 基于CMA-GD模式预报数据，利用多神经网络的动态权重集成方法，开展了贵州省温度预报订正研究，最终获得本地化温度预报订正产品。结果表明：(1) 在对历史数据检验评估的基础上，利用多种神经网络方法可有效降低模式系统误差，通过BP、BP_GA、WAVENN、GRNN、LSTM等神经网络订正，2020年贵州省0~72 h预报时效的温度平均绝对误差较模式降低0.01~0.17 ℃；(2) 考虑到不同神经网络订正结果的差异性，采用动态权重方案对订正结果进行优势集成可显著提升预报可靠性。经集成后的温度预报效果优于模式直接输出和各神经网络订正结果，2020年贵州省0~72 h预报时效的温度平均绝对误差较模式降低14.93%，预报准确率提升8.24%。此外，动态权重集成后的订正结果还表现出较好的稳定性。基于该方法形成的本地化客观预报订正产品可为提升贵州复杂地形下温度预报质量以及精细化预报服务水平提供参考依据。Abstract: Based on the forecast data from the CMA-GD model, the present study uses dynamic weight integration based on multi-neural networks to improve temperature forecasting in Guizhou Province and obtain corrected localized temperature forecasts. The results show that: (1) Based on the verification and evaluation of observational data, multi-neural networks can effectively reduce model bias. The mean absolute error (MAE) of 0~72 h temperature in Guizhou Province in 2020 is reduced by 0.01~0.17 ℃ with the methods of BP, BP_GA, WAVENN, GRNN, and LSTM, respectively. (2) Given the difference in the correction results of different neural networks, dynamic weight integration is used to integrate the results from different neural networks, and it can significantly improve forecast reliability. The integrated temperature forecast is better than the prediction by CMA-GD as well as the corrections of neural networks in terms of MAE and forecast accuracy (FA). The MAE of 0~72 h temperature in Guizhou Province in 2020 is reduced by 14.93% and the FA is improved by 8.24% compared with those by the CMA-GD model. Moreover, the ensemble method based on dynamic weight shows satisfying stability. In general, the corrected product based on this method can provide guidance to improve the quality of temperature forecasting as well as the level of refined forecasting services under the complex terrain in Guizhou Province.
-
Key words:
- neural network /
- integration method /
- 2 m temperature /
- correction /
- CMA-GD
-
图 5 2020年7月1日08时贵阳站72 h预报时效内逐小时温度演变
黑色线条：实况温度；绿色线条：模式预报；红色线条：动态权重集成；各其他颜色线条：各神经网络订正结果；粉色和蓝色填充区域：分别代表动态权重集成温度较实况偏高和偏低。
Figure 5.
表 1 神经网络概要
简称 训练样本 测试样本 输入 输出 输入 输出 BP神经网络 模式预报温度(过去N1天) 对应实况温度 模式预报温度(当日) 预报订正温度 遗传算法优化的BP神经网络 广义回归神经网络 小波神经网络 长短期记忆神经网络 模式预报温度(过去N2天)+过去N3小时实况温度 对应实况温度 模式预报温度(当日)+过去N3小时实况温度 预报订正温度 
下载: 导出CSV
表 2 2020年7月1日08时贵阳72 h预报时效检验结果
检验参量 CMA-GD BP BP_GA GRNN WAVENN LSTM 动态权重集成 平均绝对误差/℃ 1.58 1.43 1.43 1.63 1.48 1.18 1.18 预报准确率/% 67.12 76.71 78.08 73.97 72.60 79.45 83.56
下载: 导出CSV
表 3 2020年贵州部分预报时效模式预报温度、不同订正方案结果与实况的平均绝对误差(单位：℃)
预报时效 CMA-GD BP BP_GA WAVENN GRNN LSTM 动态权重集成 6 1.81 1.66 1.68 1.70 1.73 1.73 1.52 18 1.94 1.92 1.94 2.00 1.99 1.90 1.66 30 2.13 1.89 1.92 2.08 1.96 2.05 1.85 42 2.22 2.20 2.22 2.38 2.26 2.17 1.94 54 2.36 2.01 2.04 2.23 2.08 2.21 2.04 66 2.37 2.38 2.38 2.59 2.41 2.32 2.10 0~72 h平均 2.01 1.84 1.86 2.00 1.91 1.94 1.71
下载: 导出CSV
表 4 2020年贵州省未来三天逐小时温度订正效果
时效 第一天(0~24 h) 第二天(25~48 h) 第三天(49~72 h) CMA-GD 动态权重集成（订正效果） CMA-GD 动态权重集成（订正效果） CMA-GD 动态权重集成（订正效果） 平均绝对误差/℃ 1.79 1.47(-0.32) 2.03 1.74(-0.29) 2.18 1.91(-0.27) 预报准确率/% 64.81 74.58(+9.77) 60.02 67.76(+7.75) 56.80 64.08(+7.28)
下载: 导出CSV
-
[1] 任宏利, 丑纪范. 数值模式的预报策略和方法研究进展[J]. 地球科学进展, 2007, 146(4): 376-385. [2] 薛志磊, 张书余. 气温预报方法研究及其应用进展综述[J]. 干旱气象, 2012, 30(3): 451-458、464. [3] 陈德辉, 薛纪善. 数值天气预报业务模式现状与展望[J]. 气象学报, 2004, 62 (5): 623-633. [4] 纪立人, 陈嘉滨, 张道民, 等. 数值预报模式动力框架发展的若干问题综述[J]. 大气科学, 2005, 29(1): 120-130. [5] JUNG T, TOMPKINS A M, RODWELL M J. Some aspects of systematic error in the ECMWF model[J]. Atmos Sci Lett, 2005, 6(2): 133- 139. [6] 王婧, 徐枝芳, 范广洲, 等. GRAPES_RAFS系统2m温度偏差订正方法研究[J]. 气象, 2015, 41(6): 719-726. [7] 李华, 宫明晓, 刘春涛, 等. T639预报气温产品误差分析与订正[J]. 气象科技, 2017, 45(6): 1 065-1 069. [8] 郝翠, 张迎新, 王在文, 等. 最优集合预报订正方法在客观温度预报中的应用[J]. 气象, 2019, 45 (8): 1 085-1 092. [9] 周满国, 黄艳国, 杨训根. 基于GRU神经网络与灰色模型集成的气温预报[J]. 热带气象学报, 2020, 36(6): 855-864. [10] 熊敏诠, 代刊, 唐健. 春季中国日最高气温延伸期预报误差分析及订正[J]. 热带气象学报, 2020, 36(6): 795-804. [11] 罗聪, 时洋, 吴乃庚, 等. 基于邻域最优概率的GRAPES快速更新循环同化预报系统逐时降水订正方法[J]. 热带气象学报, 2021, 37(4): 569-578. [12] 殷美祥, 罗瑞婷, 陈荣泉, 等. 基于GRU神经网络的雷州半岛近海岸能见度短临预报研究[J]. 热带气象学报, 2023, 39(2): 267-275. [13] BOI P. A statistical method for forecasting extreme daily temperatures using ECMWF 2-m temperatures and ground station measurements [J]. Meteor Appli, 2004, 11(3): 245-251. [14] LIBONATI R, TRIGO I, DACAMARA C C. Correction of 2m-temperature forecasts using Kalman Filtering technique[J]. Atmos Res, 2008, 87(2): 183-197. [15] 罗聪, 曾沁, 高亭亭, 等. 精细化逐时滚动温度预报方法及检验[J]. 热带气象学报, 2012, 28(4): 552-556. [16] 吴启树, 韩美, 郭弘, 等. MOS温度预报中最优训练期方案[J]. 应用气象学报, 2016, 27(4): 426-434. [17] 马学款, 普布次仁, 唐叔乙, 等. 人工神经网络在西藏中短期温度预报中的应用[J]. 高原气象, 2007, 26 (3): 491-495. [18] 李晶, 唐全莉. 基于1DCNN和LSTM的单站逐时气温预报方法[J]. 热带气象学报, 2022, 38(6): 800-811. [19] 张乐坚, 程明虎, 田付友. 人工神经网络及支持向量机在降雨量预报中的应用[J]. 高原气象, 2010, 29(4): 982-991. [20] 熊世为, 郁凌华, 胡姗姗, 等. 基于ECMWF细网格产品的一种优化BP-MOS气温预报方法[J]. 干旱气象, 2017, 35(4): 668-673. [21] HAN J, JIAN P, YIN Y, et al. Mining frequent patterns without candidate generation: A frequent-pattern tree approach[J]. Data Mining & Knowledge Discovery, 2004, 8(1): 53-87. [22] 沈掌泉. 神经网络集成技术及其在土壤学中应用的研究[D]. 杭州: 浙江大学, 2005. [23] 雷彦森, 蔡晓军, 王文, 等. 遗传算法优化的BP神经网络在地面温度多模式集成预报的应用研究[J]. 气象科学, 2018, 38(6): 806-814. [24] KRISHNAMURTI T N, KISHTAWAL C M, SHIN D W, et al. Improving tropical precipitation forecasts from a multianalysis superensemble [J]. J Climate, 2000, 13(23): 4 217-4 217. [25] HOLSTEIN S V, CARL-AXEL S. An experiment in probabilistic weather forecasting[J]. J Appli Meteor, 1971, 10(4): 635-645. [26] YUN W T, STEFANOVA L, KRISHNAMURTI T N. Improvement of the multimodel superensemble technique for seasonal forecasts[J]. J Climate, 2003, 16(22): 3 834-3 840. [27] 林春泽, 智协飞, 韩艳, 等. 基于TIGGE资料的地面气温多模式超级集合预报[J]. 应用气象学报, 2009, 20(6): 706-712. [28] 李倩, 胡邦辉, 王学忠, 等. 基于BP人工神经网络的区域温度多模式集成预报试验[J]. 干旱气象, 2011, 29(2): 231-235+250. [29] 吴振玲, 潘璇, 董昊, 等. 天津市多模式气温集成预报方法[J]. 应用气象学报, 2014, 25(3): 293-301. [30] 魏凤英. 全国夏季降水区域动态权重集成预报试验[J]. 应用气象学报, 1999, 10(4): 402-409. [31] 赵声蓉. 多模式温度集成预报[J]. 应用气象学报, 2006, 17(1): 52-58. [32] 黄天福, 高鹏, 吴安坤, 等. 基于WRF模式对贵州一次山地暴雨数值模拟研究[J]. 中低纬山地气象, 2018, 42(4): 8-15. [33] 陈德辉, 沈学顺. 新一代数值预报系统GRAPES研究进展[J]. 应用气象学报, 2006, 17(6): 773-777. [34] 陈子通, 徐道生, 戴光丰, 等. 热带高分辨率模式(TRAMS-V3.0)技术方案及其系统预报性能[J]. 热带气象学报, 2020, 36(4): 444-454. [35] ZHONG S X, ZHUANG Y, HU S, et al. Verification and assessment of real-time forecasts of two extreme heavy rain events in Zhengzhou by operational NWP models[J]. J Trop Meteor, 2021, 27(4): 406-417. [36] 钟水新, 陈子通, 黄燕燕, 等. 地形重力波拖曳参数化方案在华南中尺度模式(GRAPES)中的应用试验[J]. 热带气象学报, 2014, 30(3): 413-422. [37] LIU J Q, DAI G F, OU X F. An innovative bias-correction approach to CMA-GD hourly quantitative precipitation forecasts[J]. J Trop Meteor, 2021, 27(4): 428-436. [38] 张天虎, 鲍艳松, 钱芝颖, 等. 基于BP神经网络与遗传算法反演大气温湿廓线[J]. 热带气象学报, 2020, 36(1): 97-107. [39] 金新, 唐德善, 陈丽夫. 基于GRNN神经网络的生态足迹影响因素预测[J]. 水电能源科学, 2014, 32(5): 137-139. [40] 张成, 白建波, 兰康, 等. 基于数据挖掘和遗传小波神经网络的光伏电站发电量预测[J]. 太阳能学报, 2021, 42(3): 375-382. [41] 江应境, 高山红. 一种动态权重的台风集成预报方法[J]. 海岸工程, 2018, 37(3): 1-13. [42] 杨萍, 肖子牛, 刘伟东. 北京气温日变化特征的城郊差异及其季节变化分析[J]. 大气科学, 2013, 37(1): 101-112. [43] 朱文达, 陈子通, 张艳霞, 等. 高分辨地形对华南区域GRAPES模式地面要素预报影响的研究[J]. 热带气象学报, 2019, 35(6): 801-811. -
点击查看大图
图(12) / 表(4)
计量
- 文章访问数: 162
- HTML全文浏览量: 44
- PDF下载量: 37
- 被引次数: 0
粤公网安备 4401069904700003号