張亞剛，王 勇，張肅詔*，李曉攀，楊 銀

（1.中國(guó)氣象局旱區(qū)特色農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警與風(fēng)險(xiǎn)管理重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川 750002；2.寧夏氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川 750002；3.寧夏氣象臺(tái)，寧夏 銀川 750002；）

氣溫預(yù)報(bào)作為天氣預(yù)報(bào)的重要組成部分，隨著數(shù)值預(yù)報(bào)能力的不斷提升，對(duì)于氣溫預(yù)報(bào)準(zhǔn)確率和精細(xì)化水平要求也越來(lái)越高，因此數(shù)值預(yù)報(bào)模式產(chǎn)品的釋用技術(shù)是提高氣溫預(yù)報(bào)水平最直接有效的途徑之一。

近年來(lái)，國(guó)內(nèi)外學(xué)者利用誤差訂正方法來(lái)有效消除模式系統(tǒng)誤差，并取得了顯著的效果。李佰平等[1]利用4種訂正方法對(duì)ECMWF模式地面氣溫預(yù)報(bào)進(jìn)行了訂正，有效減小了地面氣溫預(yù)報(bào)誤差，改進(jìn)幅度約為1℃；羅聰?shù)萚2]提出了基于GRAPES數(shù)值模式和卡爾曼濾波方法的精細(xì)化逐時(shí)滾動(dòng)溫度預(yù)報(bào)方法，改進(jìn)了數(shù)值模式短時(shí)溫度預(yù)報(bào)能力。DAM作為近幾年具有明顯優(yōu)勢(shì)的偏差訂正方法，受到很多科研工作者的關(guān)注，Cui等[3]利用DAM法對(duì)北美集合預(yù)報(bào)系統(tǒng)的輸出值進(jìn)行處理，并將其應(yīng)用到業(yè)務(wù)中。馬旭林等[4]針對(duì)集合預(yù)報(bào)偏差和集合離散度偏小的問(wèn)題，提出了卡爾曼遞減平均的綜合偏差訂正方法，提高了集合預(yù)報(bào)質(zhì)量和可信度。王丹等[5]利用DAM法對(duì)陜西區(qū)域99站中央臺(tái)指導(dǎo)預(yù)報(bào)進(jìn)行誤差訂正，總體表現(xiàn)為正的訂正效果，并且白天訂正能力高于夜間；王丹等[6]采用動(dòng)態(tài)權(quán)重思想，改進(jìn)了基于EC的DAM算法，但是仍然存在較長(zhǎng)預(yù)報(bào)時(shí)效訂正不理想的問(wèn)題；齊鐸等[7]利用DAM法對(duì)ECMWF模式2 m氣溫預(yù)報(bào)系統(tǒng)性偏差進(jìn)行了訂正，研究表明氣溫平均預(yù)報(bào)準(zhǔn)確率與海拔高度呈顯著負(fù)相關(guān)，山區(qū)預(yù)報(bào)準(zhǔn)確率偏低，系統(tǒng)性偏差較大。

隨著大數(shù)據(jù)技術(shù)、人工智能的興起和快速發(fā)展，神經(jīng)網(wǎng)絡(luò)方法在氣象預(yù)報(bào)中的應(yīng)用越來(lái)越廣泛[8-15]，研究表明，RBFNN相比BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)算法和很多傳統(tǒng)統(tǒng)計(jì)方法都有明顯優(yōu)勢(shì)[11-15]，Ustaoglu等[11]采用3種神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)日平均、最高和最低溫度，經(jīng)檢驗(yàn)后表明，RBFNN略優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法。農(nóng)吉夫等[12]采用RBFNN與主成分分析相結(jié)合的方法，使RBFNN模型的預(yù)報(bào)精度總體上要優(yōu)于BP網(wǎng)絡(luò)模型。高領(lǐng)花等[13]采用RBFNN非線性集成預(yù)測(cè)方法，該方法不僅具有更好的擬合能力，而且計(jì)算效率較BP神經(jīng)網(wǎng)絡(luò)明顯提高。熊聰聰?shù)萚14]選取多模式數(shù)值預(yù)報(bào)數(shù)據(jù)，提出一種RBFNN集成天氣預(yù)報(bào)模型，穩(wěn)定性和時(shí)效性均有良好表現(xiàn)。張亞剛等[15]基于格點(diǎn)預(yù)報(bào)和實(shí)況，建立了基于RBFNN的格點(diǎn)溫度預(yù)報(bào)模型，該算法能有效地提高氣溫預(yù)報(bào)準(zhǔn)確率，且對(duì)強(qiáng)降溫、寒潮天氣過(guò)程也具有一定的參考價(jià)值。

目前，寧夏溫度預(yù)報(bào)客觀訂正方法仍然以站點(diǎn)溫度預(yù)報(bào)居多，有關(guān)格點(diǎn)溫度預(yù)報(bào)的釋用技術(shù)和檢驗(yàn)評(píng)估研究仍然較少。因此基于預(yù)報(bào)性能較好的數(shù)值模式建立預(yù)報(bào)訂正方法，并通過(guò)對(duì)模式產(chǎn)品系統(tǒng)性的檢驗(yàn)評(píng)估，定量客觀評(píng)估模式產(chǎn)品的預(yù)報(bào)性能，不斷提高精細(xì)化產(chǎn)品預(yù)報(bào)質(zhì)量，對(duì)預(yù)報(bào)員了解各類數(shù)值預(yù)報(bào)產(chǎn)品具有重要意義[16-21]。本文應(yīng)用具有機(jī)器訓(xùn)練學(xué)習(xí)功能的DAM和RBFNN算法，對(duì)EC細(xì)網(wǎng)格溫度客觀預(yù)報(bào)產(chǎn)品進(jìn)行訂正并對(duì)比檢驗(yàn)分析，進(jìn)而提供更加精細(xì)準(zhǔn)確的格點(diǎn)溫度預(yù)報(bào)產(chǎn)品，以期為天氣預(yù)報(bào)預(yù)警服務(wù)提供參考。

1 資料與方法

1.1 資料

采用雙線性插值方法將2018年1月—2020年12月EC細(xì)網(wǎng)格模式24～216 h逐日最高、最低溫度格點(diǎn)預(yù)報(bào)產(chǎn)品經(jīng)裁剪、插值成寧夏及周邊地區(qū)（35.1°～39.5°N、104.15°～107.8°E，共計(jì)6 586個(gè)格點(diǎn)）0.05°×0.05°分辨率的格點(diǎn)預(yù)報(bào)產(chǎn)品，實(shí)況資料為國(guó)家信息中心下發(fā)的寧夏地區(qū)0.05°×0.05°的逐日最高、最低溫度格點(diǎn)資料。為節(jié)省計(jì)算時(shí)間、提高計(jì)算效率，本文只對(duì)寧夏區(qū)內(nèi)格點(diǎn)（約2 418個(gè)格點(diǎn)）進(jìn)行客觀方法訂正。先基于以上資料得到日最高、最低溫度格點(diǎn)預(yù)報(bào)和實(shí)況，再利用RBFNN和DAM方法對(duì)寧夏格點(diǎn)進(jìn)行客觀方法訂正。

1.2 基于滾動(dòng)DAM法的偏差訂正

DAM法是通過(guò)滯后平均降低誤差尺度的自適應(yīng)（卡爾曼濾波類型）的誤差訂正方法，具有計(jì)算量小，自適應(yīng)等優(yōu)勢(shì)。采用滾動(dòng)DAM法對(duì)溫度進(jìn)行訓(xùn)練和訂正，訓(xùn)練期選取預(yù)報(bào)日之前的35 d。例如，對(duì)2020年1月1日20時(shí)的24 h進(jìn)行偏差訂正，以2019年11月27日—12月31日的EC預(yù)報(bào)產(chǎn)品為訓(xùn)練樣本進(jìn)行樣本建模，依此類推，對(duì)2020年1月1日—12月31日最高、最低溫度格點(diǎn)進(jìn)行偏差訂正，得到基于EC的滾動(dòng)DAM法偏差訂正產(chǎn)品（簡(jiǎn)稱DAM_EC），并檢驗(yàn)與分析訂正效果。滾動(dòng)DAM法偏差訂正算法描述如下：

（1）計(jì)算誤差。

計(jì)算寧夏地區(qū)EC預(yù)報(bào)的每個(gè)格點(diǎn)在不同時(shí)刻t的誤差，F(xiàn)i（t）表示t時(shí)刻第i個(gè)格點(diǎn)的實(shí)況數(shù)據(jù)，Oi（t）表示t時(shí)刻第i個(gè)格點(diǎn)的EC預(yù)報(bào)數(shù)據(jù)，得到t時(shí)刻第i個(gè)格點(diǎn)的預(yù)報(bào)誤差：

（2）誤差累計(jì)。

每個(gè)格點(diǎn)i的權(quán)重系數(shù)ωi的大小直接決定了滯后誤差，直接影響著最后偏差訂正效果。為此當(dāng)選定訓(xùn)練期為預(yù)報(bào)日之前的35 d后，對(duì)每個(gè)格點(diǎn)i都采取逐日滾動(dòng)更新的方式確定最優(yōu)ω的值，即對(duì)每個(gè)格點(diǎn)，計(jì)算訓(xùn)練期內(nèi)當(dāng)ω在0.01～1取值時(shí)，得到滯后平均誤差Bi（t）的值，并將100個(gè)Bi（t）的值分別進(jìn)行誤差訂正，計(jì)算每個(gè)Bi（t）的值所對(duì)應(yīng)的平均絕對(duì)誤差，選取平均絕對(duì)誤差最小的格點(diǎn)參數(shù)值為該格點(diǎn)i在t時(shí)刻的最優(yōu)權(quán)重系數(shù)，不同格點(diǎn)和不同預(yù)報(bào)時(shí)效均有不同的最優(yōu)權(quán)重系數(shù)：

（3）誤差訂正。

得到每個(gè)格點(diǎn)i在t時(shí)刻的最優(yōu)權(quán)重系數(shù)，此時(shí)，經(jīng)過(guò)訓(xùn)練期迭代后，滯后平均誤差Bi（t）已經(jīng)趨于穩(wěn)定，完全能夠代表EC的系統(tǒng)誤差，然后將新的各個(gè)時(shí)次預(yù)報(bào)場(chǎng)加上穩(wěn)定的滯后平均誤差Bi（t）后，得到新的偏差訂正預(yù)報(bào)值：

需注意的是，當(dāng)t=1時(shí)，默認(rèn)誤差為0，即Bi（t-1）=0。

1.3 基于RBFNN法的偏差訂正

應(yīng)用RBFNN法對(duì)EC細(xì)網(wǎng)格溫度預(yù)報(bào)產(chǎn)品進(jìn)行訓(xùn)練和訂正預(yù)報(bào)，訓(xùn)練期選取預(yù)報(bào)日之前的365 d。例如，對(duì)2020年1月1日20時(shí)的24 h進(jìn)行偏差訂正，以2019年1月1日—12月31日的EC溫度預(yù)報(bào)產(chǎn)品為訓(xùn)練樣本進(jìn)行樣本建模，依此類推，因此使用2019年1月—2020年12月EC格點(diǎn)預(yù)報(bào)產(chǎn)品和國(guó)家氣象信息中心0.05°×0.05°的逐日最高、最低溫度格點(diǎn)實(shí)況為機(jī)器學(xué)習(xí)訓(xùn)練樣本，建立基于EC的RBFNN格點(diǎn)訂正方法和模型，然后對(duì)2020年1—12月進(jìn)行RBFNN溫度訓(xùn)練后進(jìn)行預(yù)報(bào)（簡(jiǎn)稱RBFNN_EC），并檢驗(yàn)與分析訂正效果。

首先對(duì)訓(xùn)練樣本在區(qū)間[0，1]進(jìn)行歸一化處理：

式中，x1和y1分別代表2019年1月—2020年12月EC格點(diǎn)預(yù)報(bào)產(chǎn)品和歸一化后的預(yù)報(bào)數(shù)據(jù)，x2和y2分別代表同期的格點(diǎn)實(shí)況數(shù)據(jù)和歸一化后的實(shí)況數(shù)據(jù)，然后對(duì)每個(gè)格點(diǎn)進(jìn)行RBFNN訓(xùn)練，為此應(yīng)用文獻(xiàn)[15]中提到的算法，即采用Matlab神經(jīng)網(wǎng)絡(luò)工具箱提供的Newrbe函數(shù)可快速設(shè)計(jì)一個(gè)目標(biāo)誤差為0的RBFNN，即：

式中，i代表格點(diǎn)數(shù)，Pi為第i個(gè)格點(diǎn)由y1組成的1×360維矩陣，Ti為第i個(gè)格點(diǎn)由y2組成的1×360維矩陣。SPREAD為徑向基層的散布常數(shù)，在神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過(guò)程中，SPREAD分別取0.1、0.5、1、2、5、10等不同的值時(shí)得到不同的網(wǎng)絡(luò)結(jié)構(gòu)。通過(guò)不斷試驗(yàn)和檢驗(yàn)的方法確定SPREAD取值，發(fā)現(xiàn)當(dāng)SPREAD取2時(shí)，格點(diǎn)實(shí)況產(chǎn)品與預(yù)報(bào)值之間的誤差最小，網(wǎng)絡(luò)性能達(dá)到最優(yōu)，因此本文針對(duì)24～216 h預(yù)報(bào)的SPREAD常數(shù)選取的數(shù)值都為2。

利用Matlab工具箱建立好RBFNN之后，選取sim函數(shù)進(jìn)行RBFNN預(yù)報(bào)，調(diào)用方法：

式中，neti代表每個(gè)格點(diǎn)采用Newrbe函數(shù)訓(xùn)練學(xué)習(xí)好的RBFNN，Xi為EC預(yù)報(bào)數(shù)據(jù)，Yi為經(jīng)RBFNN仿真后的數(shù)據(jù)，最后對(duì)Yi利用Mapminmax函數(shù)進(jìn)行反歸一化后處理得到RBFNN_EC預(yù)報(bào)產(chǎn)品。

2 檢驗(yàn)結(jié)果

依據(jù)《全國(guó)智能網(wǎng)格要素預(yù)報(bào)檢驗(yàn)辦法》[19-20]，選取2020年1—12月NMC、EC、DAM_EC、RBFNN_EC模式24～216 h逐日最高、最低溫度格點(diǎn)預(yù)報(bào)產(chǎn)品。從≤2℃溫度預(yù)報(bào)準(zhǔn)確率、訂正技巧、平均絕對(duì)誤差等幾個(gè)方面分析各產(chǎn)品的預(yù)報(bào)性能。

式中，TMAEN為NMC最高、最低溫度預(yù)報(bào)平均絕對(duì)誤差，TMAEF為其他檢驗(yàn)產(chǎn)品最高、最低溫度平均絕對(duì)誤差。

2.1 最高最低溫度綜合檢驗(yàn)分析

2.1.1 216 h內(nèi)預(yù)報(bào)訂正效果檢驗(yàn)對(duì)比

圖1給出了NMC、RBFNN_EC、DAM_EC和EC共4種溫度預(yù)報(bào)產(chǎn)品的逐日最高、最低和綜合（最高和最低的平均）預(yù)報(bào)準(zhǔn)確率、預(yù)報(bào)訂正技巧，訂正后逐日最高、最低溫度預(yù)報(bào)準(zhǔn)確率均明顯高于訂正前，4種產(chǎn)品均隨著預(yù)報(bào)時(shí)效增加，準(zhǔn)確率降低。

圖1 2020年1—12月24～216 h溫度預(yù)報(bào)產(chǎn)品檢驗(yàn)對(duì)比

由 圖1a、1b可 知，24～216 h DAM_EC和RBFNN_EC模式的最高溫度預(yù)報(bào)準(zhǔn)確率提高了3.9%～5.3%，其 中，24～120 h DAM_EC高 于RBFNN_EC，120～216 h DAM_EC與RBFNN_EC基本相當(dāng)，均優(yōu)于NMC和EC。DAM_EC模式216 h內(nèi)的訂正技巧均為最高，平均可達(dá)22%。

由圖1c、1d可知，24～216 h DAM_EC和RBFNN_EC最低溫度預(yù)報(bào)準(zhǔn)確率提高了6.3%～7.8%，除216 h RBFNN_EC略高于DAM_EC，其他時(shí)效DAM_EC均高于RBFNN_EC，尤其是24～120 h的訂正效果顯著，DAM_EC訂正技巧在216 h內(nèi)均為最高，達(dá)到15%。整體來(lái)說(shuō)，216 h內(nèi)DAM_EC和RBFNN_EC預(yù)報(bào)準(zhǔn)確率分別排名第一和第二，訂正效果最高溫度優(yōu)于最低溫度。

2.1.2 72 h內(nèi)逐月檢驗(yàn)對(duì)比

通過(guò)對(duì)4種客觀預(yù)報(bào)產(chǎn)品2020年1—12月72 h內(nèi)逐月最高和最低溫度進(jìn)行對(duì)比檢驗(yàn)可知，72 h內(nèi)RBFNN_EC和DAM_EC的訂正效果為正，RBFNN_EC和DAM_EC在1—4月和9—10月預(yù)報(bào)準(zhǔn)確率漲幅明顯。RBFNN_EC年平均預(yù)報(bào)準(zhǔn)確率較NMC提高6.7%、較EC提高6.8%，DAM_EC年平均預(yù)報(bào)準(zhǔn)確率較NMC提高8.6%、較EC提高8.8%。

由表1可看出，9—10月EC模式24、48、72 h最高溫度預(yù)報(bào)準(zhǔn)確率較NMC低10%～20%，表現(xiàn)出較差的預(yù)報(bào)性能，而在1—2月預(yù)報(bào)準(zhǔn)確率比NMC高5%～10%。4種客觀預(yù)報(bào)產(chǎn)品均隨預(yù)報(bào)時(shí)效延長(zhǎng)準(zhǔn)確率有所降低，但RBFNN_EC和DAM_EC訂正后24 h預(yù)報(bào)準(zhǔn)確率維持在65%～85%，48 h預(yù)報(bào)準(zhǔn)確率維持在60%～80%，72 h預(yù)報(bào)準(zhǔn)確率維持在55%～75%。RBFNN_EC在10月較EC提高幅度最大，為20.2%，3月達(dá)全年最高，為78.6%，但相比EC12月預(yù)報(bào)準(zhǔn)確率降低了1.2%。相對(duì)于RBFNN_EC、DAM_EC預(yù)報(bào)效果更優(yōu)，但在冬季（1、2、12月）訂正能力仍較差，其他3個(gè)季節(jié)訂正能力較好，尤其在10月較EC預(yù)報(bào)準(zhǔn)確率增加幅度最大，為25.1%，訂正技巧達(dá)到最大，為20%，訂正效果最為理想。全年只有1月為“負(fù)”訂正，預(yù)報(bào)準(zhǔn)確率降低了5.3%。結(jié)合季節(jié)檢驗(yàn)，RBFNN_EC和DAM_EC在冬季訂正能力較差，主要受冬季冷空氣活動(dòng)頻繁，溫度起伏變化影響。

表1 2020年1—12月72 h內(nèi)最高溫度不同時(shí)效預(yù)報(bào)產(chǎn)品的逐月檢驗(yàn)對(duì)比 %

由表2可知，EC模式1、2、12月的24、48、72 h預(yù)報(bào)準(zhǔn)確率較NMC低5%～15%，9—10月預(yù)報(bào)準(zhǔn)確率較NMC高5%～10%；雖然4種產(chǎn)品均隨著預(yù)報(bào)時(shí)效增加，準(zhǔn)確率有所降低，但是各個(gè)時(shí)效基本與最高溫度預(yù)報(bào)準(zhǔn)確率區(qū)間大致相同。RBFNN_EC和DAM_EC的變化趨勢(shì)與EC基本一致，RBFNN_EC除6月無(wú)訂正效果外，其他月份全部為“正”技巧，尤其在12月較EC提高幅度最大，為12.6%，相對(duì)RBFNN_EC預(yù)報(bào)效果，DAM_EC整體效果更優(yōu)，較EC提高幅度最大出現(xiàn)在12月，為18.3%，即冬季整體預(yù)報(bào)訂正效果最好，這與最高溫度訂正效果相反。值得注意的是，NMC和EC在1—2月均為全年最低預(yù)報(bào)準(zhǔn)確率，此時(shí)預(yù)報(bào)結(jié)果系統(tǒng)性偏差最大，RBFNN和DAM訂正能力最強(qiáng)。

表2 2020年1—12月72 h內(nèi)最低溫度不同時(shí)效預(yù)報(bào)產(chǎn)品的逐月檢驗(yàn)對(duì)比 %

RBFNN_EC和DAM_EC最高、最低溫度均為“正”訂正，最高溫度秋季訂正能力較好，最低溫度冬季訂正能力較好。相對(duì)而言，EC整體穩(wěn)定性差，預(yù)報(bào)準(zhǔn)確率變幅大，經(jīng)過(guò)兩種客觀方法訂正后，可部分改善此結(jié)果，訂正效果趨于穩(wěn)定化，預(yù)報(bào)業(yè)務(wù)可參考使用。

2.2 24 h絕對(duì)誤差空間分布分析

由2020年1—12月24 h最高溫度絕對(duì)誤差空間分布（圖2）可知，24 h最高溫度絕對(duì)誤差EC最大、DAM_EC最小，尤其在賀蘭山、中衛(wèi)大部及六盤山等地EC最高溫度絕對(duì)誤差＞2℃，經(jīng)兩種客觀方法訂正后絕對(duì)誤差明顯減小，RBFNN_EC除沙坡頭西南部誤差＞2℃，其他大部分區(qū)域絕對(duì)誤差均在2℃以內(nèi)，DAM_EC訂正后全區(qū)絕對(duì)誤差值均在2℃以內(nèi)。

圖2 2020年1—12月24 h最高溫度絕對(duì)誤差空間分布

由2020年1—12月24 h最低溫度絕對(duì)誤差空間分布（圖3）可知，NMC表現(xiàn)最差，尤其在賀蘭山、六盤山，NMC絕對(duì)誤差達(dá)3℃以上，經(jīng)訂正處理后，RBFNN_EC在上述地區(qū)絕對(duì)誤差降至3℃以內(nèi)，DAM_EC則降至2℃以內(nèi)，訂正效果最優(yōu)。

圖3 2020年1—12月24 h最低溫度絕對(duì)誤差空間分布

RBFNN和DAM訂正方法均能有效地發(fā)揮其訓(xùn)練擇優(yōu)功能，顯著降低寧夏大部分地區(qū)最高和最低溫度的絕對(duì)誤差值，相比而言，DAM_EC性能更強(qiáng)，訂正效果更顯著。

2.3 一次強(qiáng)降溫霜凍天氣過(guò)程的檢驗(yàn)分析

受新疆強(qiáng)冷空氣東移南下影響，2020年2月13—15日，寧夏出現(xiàn)了一次強(qiáng)降溫（局部寒潮）、大風(fēng)天氣過(guò)程。13日午后到夜間，全區(qū)大部出現(xiàn)5級(jí)左右偏北風(fēng)，陣風(fēng)7～9級(jí)，大部地區(qū)伴有揚(yáng)沙或浮塵天氣。13—14日平均氣溫下降8.4℃，15日全區(qū)最低氣溫普遍降至-18～-13℃，較13日最低氣溫平均下降13.9℃，最大降幅出現(xiàn)在涇源站，達(dá)16.4℃；14日最高氣溫降至-6～-2℃，較12日最高氣溫平均下降19℃，有9站降幅＞20℃，最大降幅出現(xiàn)在石炭井，達(dá)24.1℃。

從圖4可知，3個(gè)預(yù)報(bào)時(shí)效中DAM_EC的最高、最低溫度準(zhǔn)確率都最高，且明顯高于其他預(yù)報(bào)產(chǎn)品。RBFNN_EC最高、最低溫度的平均準(zhǔn)確率比EC高6.7%，DAM_EC最高、最低溫度的平均準(zhǔn)確率比EC高12.7%。EC最低溫度24～72 h預(yù)報(bào)效果較差，訂正后的客觀預(yù)報(bào)產(chǎn)品預(yù)報(bào)效果明顯提升?？傮w而言，DAM_EC不僅準(zhǔn)確率是最高的，也是最穩(wěn)定的。

圖4 2020年2月12—14日逐24 h時(shí)效溫度預(yù)報(bào)產(chǎn)品檢驗(yàn)對(duì)比

選取12—14日24 h最低溫度的平均絕對(duì)誤差進(jìn)行對(duì)比（圖5）。RBFNN_EC在寧夏中南部地區(qū)預(yù)報(bào)效果不理想，吳忠、中衛(wèi)、固原3市大部地區(qū)絕對(duì)誤差值在3℃以上甚至達(dá)到3.5℃；而DAM_EC的預(yù)報(bào)效果較理想，絕對(duì)誤差值明顯降低，只是在石嘴山市北部和西吉縣、原州區(qū)以南部分地區(qū)存在絕對(duì)誤差＞2℃。統(tǒng)計(jì)表明，寧夏境內(nèi)所有格點(diǎn)的平均絕對(duì)誤差，DAM_EC和RBFNN_EC比EC分別降低了0.98 、0.41℃。

DAM_EC和RBFNN_EC在強(qiáng)降溫天氣過(guò)程中的預(yù)報(bào)性能比EC更好，而DAM_EC的整體表現(xiàn)更好。

3 結(jié)論

（1）DAM和RBFNN訂正方法都能顯著地提高最高、最低溫度預(yù)報(bào)準(zhǔn)確率。DAM_EC整體訂正能力優(yōu)于RBFNN_EC，72 h DAM_EC平均預(yù)報(bào)準(zhǔn)確率較RBFNN_EC提高2.2%，216 h DAM_EC平均預(yù)報(bào)準(zhǔn)確率較RBFNN_EC提高1.5%，且最高溫度訂正效果優(yōu)于最低溫度，表現(xiàn)出良好的預(yù)報(bào)性能。

（2）RBFNN_EC和DAM_EC最高、最低溫度均為“正”訂正，72 h最高溫度秋季訂正能力好，最低溫度冬季訂正能力好；9—10月EC模式24、48 h最高溫度預(yù)報(bào)能力最差，最低溫度預(yù)報(bào)能力優(yōu)于NMC，但是在1—2月24～72 h最低溫度預(yù)報(bào)能力最差，最高溫度預(yù)報(bào)能力優(yōu)于NMC，可在不同月份參考不同的模式預(yù)報(bào)。RBFNN和DAM在預(yù)報(bào)準(zhǔn)確率偏低的月份訂正能力偏強(qiáng)，且EC整體穩(wěn)定性較差，預(yù)報(bào)準(zhǔn)確率波動(dòng)較大，經(jīng)過(guò)兩種客觀方法訂正后，預(yù)報(bào)效果趨于穩(wěn)定化，對(duì)預(yù)報(bào)業(yè)務(wù)有一定的參考價(jià)值。

（3）從分區(qū)域預(yù)報(bào)效果檢驗(yàn)看，DAM_EC訂正能力更強(qiáng)，平均絕對(duì)誤差均明顯減小，全區(qū)大部都在2℃以內(nèi)。RBFNN_EC最高溫度雖然在沙坡頭西南部誤差偏大，但在賀蘭山地區(qū)訂正誤差降低到2℃以內(nèi)，最低溫度在賀蘭山、六盤山預(yù)報(bào)誤差在2～3℃。RBFNN和DAM訂正方法均能有效地發(fā)揮其訓(xùn)練擇優(yōu)功能，使最高、最低溫度絕對(duì)誤差值顯著降低。

DAM和RBFNN方法均取得了較好的訂正效果。研究也發(fā)現(xiàn)，DAM方法的成功主要取決于動(dòng)態(tài)選取最優(yōu)的權(quán)重系數(shù)，即當(dāng)DAM_EC訂正權(quán)重系數(shù)取0.1～0.2時(shí)訂正效果最優(yōu)；對(duì)于RBFNN法，該方法適合于溫度、濕度等連續(xù)性氣象要素客觀預(yù)報(bào)方法研究，取得了較好的訂正效果?？紤]到兩種訂正方法各具有優(yōu)勢(shì)，因此應(yīng)將兩種訂正方法動(dòng)態(tài)集成，發(fā)揮每個(gè)方法的優(yōu)勢(shì)。