热带气象学报

作者：吴鲲鹏, 袁建富, 赵宇恒, 王璐

单位：长光卫星技术股份有限公司,吉林长春130000

关键词：数值天气预报, 深度学习, LGU-Net, 偏差订正

数值天气预报是现代天气预报的主流技术方法，近年来一直在向精细化方向发展，但预报误差仍无法完全避免。本研究提出了基于LSTM-GAM-UNet（LGU-Net）的数值预报偏差订正模型，该模型在CU-Net的基础上引入了长短期记忆网络（Long Short-Term Memory, LSTM）结构和全局注意力机制（Global Attention Mechanism, GAM），进一步融合多种气象要素、“吉林一号”卫星获取的地形特征以及卫星云图，构建多要素融合订正模型，并专门针对气象预报领域进行了优化设计。在中国东北地区进行实验，对美国国家环境预报中心的全球预报系统（Global Forecast System, GFS）数值预报模式中2 m温度(T2)、2 m露点温度(D2)、10 m的风速（U10、V10）和降水量进行订正，并进行了不同模型的偏差订正实验和对比分析。通过与GFS数值预报模式原始预报结果、模式距离积分订正预报法（Anomaly Numerical-correction with Observation, ANO）订正结果以及CU-Net方法订正结果进行对比，结果表明LGU-Net模型能有效改进数值预报订正效果。此外，云图数据的加入对降水量订正有着明显的正向增益效果，其均方根误差（RMSE）和平均绝对误差（MAE）相对于GFS分别提升了80.76%和76.04%。本研究为高精度气象要素预报提供了新的技术支持。

来源：2025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2025年第6期