热带气象学报

作者：卢姝, 郭可萌, 周悦, 傅承浩, 许霖, 顾雪

单位：1.气象防灾减灾湖南省重点实验室，湖南长沙4101182.湖南省气象台，湖南长沙4101183.中国石油大学人工智能学院，北京1022994.中国气象局武汉暴雨研究所/暴雨监测预警湖北省重点实验室/中国气象局流域强降水重点开放实验室，湖北武汉4302055.湘西州气象局，湖南湘西416000

关键词：Res-STS, Attention-LSTM, 多模型集成, ECMWF-IFS, 气温预报

基金：湖南省气象局2024年创新发展专项青年专项，CXFZ2024-QNZX23；湖北省自然科学基金气象联合基金2023AFD096；武汉市自然科学基金项目2024020901030454；

采用2018—2023年中国气象局陆面数据同化系统的气温资料以及欧洲中期天气预报中心的高分辨率模式预报产品(ECMWF-IFS)，分别建立基于时空堆叠的残差网络(Res-STS)以及基于自注意力(Self-Attention)机制的长短期记忆网络(Attention-LSTM)，并将两个模型进行集成，构建集成神经网络模型(Ensemble)，得到涵盖湖南地区的0.05 °×0.05 °气温网格日最高、最低气温预报产品。结果表明：深度学习模型均有效改善了ECMWF-IFS预报效果，0—24 h预报时效日最高气温的平均绝误差(MAE)相比ECMWF-IFS和中央气象台指导报(SCMOC)分别降低了25.76%~40.40%和15.03%~31.79%，日最低气温的MAE分别降低了10.53%~31.58%和5.31%~19.47%，其中Ensemble模型在绝大多数月份的预报效果均是最优。同时，Ensemble模型有效弥补了ECMWF-IFS对地形复杂区域预报效果弱的缺陷，日最高气温预报准确率(F2)达85% 的面积占比为17.31%，而其余模型低于6%；日最低气温F2达90%的面积占比为68.63%，高出单一模型21.08%~63.09%。由此可见，多模型集成能够显著提高气温预报的准确性和可靠性。

来源：2024年第6期

《热带气象学报》期刊编辑部

查看热带气象学报杂志2024年第6期