气象科学

作者：武略，焦瑞莉，王毅，夏江江，严中伟，李昊辰

单位：北京信息科技大学 信息与通信工程学院, 北京 100101,,北京信息科技大学 信息与通信工程学院, 北京 100101,,国家气象中心, 北京 100081,,中国科学院大气物理研究所, 北京 100029;中国科学院大学, 北京 100049,,中国科学院大气物理研究所, 北京 100029;中国科学院大学, 北京 100049,,北京邮电大学 理科学院, 北京 100876;北京大学, 北京 100871,

关键词：误差订正;机器学习;体感温度;北京地区;梯度提升回归树

基金：中国科学院战略性先导科技专项(A类)资助(XDA19040202)

基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts,ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error,RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics,MOS)得到的订正结果进行对比。结果表明:线性回归、梯度提升回归树、MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报。机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障。

来源：2022年第2期

《气象科学》期刊编辑部

查看气象科学杂志2022年第2期