气象科学

作者：李洪臣，李明，王鹏皓

单位：国防科技大学 气象海洋学院, 长沙 410073,,国防科技大学 前沿交叉学科学院, 南京 211101,,国防科技大学 气象海洋学院, 长沙 410073,

关键词：气温短临预报|机器学习|因果分析

基金：国家自然科学基金资助项目(62073332)

本文构建了一种基于因果分析和机器学习的站点气温短临预报模型，以台湾省松山站为试验对象，利用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts， ECMWF)再分析资料、松山站实测气象资料和中国气象局陆面数据同化系统(Chinese Land Data Assimilation System-v2.0， CLDAS-v2.0)近实时产品资料，引入因果信息流理论，采用四种机器学习算法：多层前馈神经网络(Back Propagation Neural Network， BPNN)、随机森林(Random Forest，RF)、最小二乘支持向量机(Least Square Support Vector Machine， LSSVM)和贝叶斯网络(Bayesian Network， BN)，开展气温短临预报试验。结论如下：(1)在选取的任一种数据资料驱动下，对于BPNN、RF、BN，基于因果分析的预报结果优于相关分析，均方根误差的平均降幅在1%～2%之间。对于LSSVM，因果分析与相关分析差别较小，验证了因果分析具备更优的关联关系挖掘能力；(2)在预报模型中增加相邻空间预报因子能够显著提高气温预报效果，改进后气温预报模型均方根误差的平均降幅在2%～8%之间；(3)在模型训练样本较少情况下，基于CLDAS-v2.0近实时产品资料的预报效果优于ECMWF再分析资料的预报效果，均方根误差的平均降幅在4%～8%之间，从侧面验证了CLDAS-v2.0近实时产品资料在中国区域质量优于国际同类产品。

来源：2025年第4期

《气象科学》期刊编辑部

查看气象科学杂志2025年第4期