基于数值—循环神经网络相结合的回南天客观预报方法

An Objective Prediction Method for High-Humidity Weather Based on the Combination of Numerical Forecasting and Recurrent Neural Networks

摘要

利用2015—2021年河源国家站资料和东源县回南天观测资料，基于门控循环神经网络（Gate Recurrent Unit，GRU）构建以未来24、48 h室内地表温度为预测目标的回归预测模型，以2022年的观测数据作为测试集对模型性能进行评估，并结合人工智能与数值预报产品，以提升回南天预报水平。结果表明：（1）GRU模型比多元线性模型效果更佳；（2）准确的数值预测结果能够提升GRU模型预测的鲁棒性；（3）该方法结合了人工智能和数值预报，准确率主要取决于数值预报的露点温度和气温的性能。

Abstract

Using data from the Heyuan Meteorological Station and observational records of the "High-Humidity Weather" event in Dongyuan from 2015 to 2021, a Gate Recurrent Unit (GRU) model was developed to predict indoor surface temperatures for the next 24 and 48 hours. The model was evaluated using observation data in 2022. A key innovation of this research lies in combining artificial intelligence with numerical forecasting to improve the prediction accuracy of the"High-Humidity Weather"event. The validation results indicate that the GRU model is significantly better than the multiple linear regression model. Sensitivity experiments further reveal that accurate numerical prediction enhances the robustness of the GRU model. This method of combining artificial intelligence and numerical prediction highly depends on the accuracy of dew point and air temperature prediction.

Graphical abstract

关键词

回南天 / 室内地表温度 / 循环神经网络 / 数值预报

Key words

High-Humidity Weather / indoor surface temperature / recurrent neural network / numerical forecasting

回南天是一种常发生于冬末春初的气象现象，也被称为返潮，主要出现在我国广东、广西、海南、福建等南方地区。当冷空气结束后，来自海洋的暖湿气流快速涌入^[1]，导致气温迅速回升，空气相对湿度可增至饱和。“回南天”现象影响范围广，给民众生活带来极大不便，墙壁、家具、衣物、粮食因回南天而潮湿，甚至发霉，且易引发呼吸道、消化道和人体关节等疾病。此外，地面和墙壁湿滑老人和小孩容易摔倒，电器受潮易短路，给民众造成诸多困扰。近年来，国内学者对“回南天”发生机理进行研究^[2-4]。然而“回南天”预警预报仍主要依赖传统天气预报方法^[5-9]（如天气形势和气象要素分析）或线性回归模型预测室内地表温度，此类方法高度依赖预报员经验和分析能力，主观性强。因此，引入客观化预报方法势在必行。

机器学习方法，作为常用的客观预测方法，在气象预测的诸多领域广泛应用^[10-18]。气象预测中主要利用机器学习不同模型的统计学习能力和关联分析能力,充分挖掘历史观测数据中的规律模式,提取关键影响因素,构建复杂非线性关系,提高气象预测能力。研究人员可构建端到端的预测模型,也可采用分类和回归两种类型进行预测^[19]。通过对“回南天”气象现象形成机制的物理分析，可以明确关键影响因素为室内地表温度与室外空气露点温度的相对关系。将复杂的气象预报过程进行简化处理，即分别对室外露点温度及室内地表温度进行独立预报，通过计算两者预测值的差值构建回南天指数。当指数值＞0时，可判定发生回南天现象。将原本复杂的天气现象问题转化为简单的回南天定量预报问题。

本文利用机器学习与简化物理模型相结合的方法，基于历史观测数据，采用循环神经网络（Recurrent Neural Network, RNN）构建预测室内地表温度的回南天客观预警预报模型。并将该模型与线性预测模型及人工主观预报方法进行对比分析，系统评估各方法的预报效果。

1 数据与方法

1.1 数据

使用广东省气象局2015—2022年河源国家站地面观测资料和东源回南天观测资料，东源县回南天观测资料包括室内地表温度（简称“地温”）、室内气温。采用缺测值前后时刻样本均值进行插补。运用Z-Score 归一化（也称为“标准化”）对数据集进行归一化处理，使其具有近似标准正态分布的特性，有助于消除不同特征之间的权重差异，提高神经网络模型的训练效果。

1.2 预报要素选择

经过相关分析得出与未来24 h地温相关的实况观测要素，并按相关程度由高到低排序分别为：地温、室内气温、20、40、15、10、80 cm地温（国家站观测的深层地温）、室外气温（百叶箱内观测的空气温度，简称“气温”）。

实验发现，引入室内气温和深层地温后，模型的鲁棒性较差。参考饶生辉^[20]的相似研究，选择地温和气温作为未来地温的预报特征，理由如下：（1）地温实况与未来地温相关程度最高，故保留地温。（2）深层地温受太阳辐射、风、雨等其他要素影响较大，且室内气温、深层地温与地温高度相关，容易导致预报因子的多重共线性，故剔除室内气温和深层地温。（3）气温和处于建筑内观测的地温条件相似，受辐射、强风、雨等影响较小，故保留气温。

基于实况样本数据构建的模型在预测未来地温方面表现不佳，外推能力有限，尤其是在未来气温发生急剧变化的时段，而回南天现象往往在此类背景下发生。本文尝试引入气温预报信息。气温、地温预报数据通过观测资料处理获得，在实际应用中，气温预报数据可以根据各模式（ECMWF、CMA-GD、CMA-TRAMS等）的表现和预报员的经验选择相应的预报产品订正代替。最终构建时序数据集，包含气温、地温、未来24 h气温作为输入特征，未来24 h地温作为预测目标。采用2015—2021年数据集进行模型训练，2022年数据集用于模型测试与验证。

2 模型与评估方法

2.1 模型

循环神经网络是以序列数据为输入、在序列的演进方向进行递归且所有节点（循环单元）按链式连接的递归神经网络。循环神经网络具有记忆性、参数共享并且图灵完备，在对序列的非线性特征进行学习时具有一定优势。如果一个完全连接的循环神经网络有足够数量的隐藏神经元，那么可以以任意的准确率去近似任何一个非线性动力系统^[21]。

门控循环神经网络（Gate Recurrent Unit,GRU）是一种改进的循环神经网络架构(图1)。通过引入重置门和更新门2个门控机制，管理和控制信息的流动。重置门决定前一时刻的隐藏状态如何影响当前时刻的输入，更新门决定前一时刻隐藏状态的保留程度。GRU能够更好地捕捉时序信息，同时缓解长期依赖问题^[22]。相较于传统的RNN模型，GRU合并了传统RNN中的输入门和遗忘门，减少了模型参数的数量。通过重置门和更新门的机制，能够更有效地传递和记忆长期依赖的信息。GRU与传统RNN的主要区别在于门控机制的引入,相比于长短期记忆网络（LSTM），GRU具有更简单的结构和较少的门控单元，因此参数更少，计算量更小。GRU在实际应用中通常表现出更好的性能，并且在资源有限的情况下更具优势。图1展示了门控循环神经网络（GRU）的架构，其关键参数（如重置门、更新门等）的数学定义由公式1～4给出。

R_t=\sigma \left(X_t{W}_{xr}+H_{t-\mathrm{1}}{W}_{hr}+b_r\right),（1）

Z_t=\sigma \left(X_t{W}_{xz}+H_{t-\mathrm{1}}{W}_{hz}+b_z\right),（2）

\tilde{H}t=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left(X_t{W}_{xh}+\left(R_t\odot H_{t-\mathrm{1}}\right)W_{hh}+b_h\right),（3）

H_t=Z_t\odot H_{t-\mathrm{1}}+\left(\mathrm{1}-Z_t\right)\odot {\tilde{H}}_t\mathrm{。}（4）

式中：X_t 表示当前的输入特征，H_{t-\mathrm{1}}表示上一时刻的隐藏状态。W_hr 、W_xr 、W_hz 等为模型可学习参数。\sigma和tanh表示激活函数，\odot表示哈达玛乘积运算。

根据预报时长将数据样本提取为(24/48,3)的二维输入样本，其中24、48分别代表预报24、48 h的输入时间步长，3代表每个时间步长的特征数，即新输入样本由过去24/48 h的样本特征数据构成。试验使用双层门控循环神经网络，网络结构设置见表1，优化器选择Adam，学习率为0.001 2，损失函数为平均绝对误差（MAE），取训练集15%作为验证集，保存验证指标最好的模型权重并对测试集进行预测和评估。

2.2 模型评估

采用平均绝对误差I_MAE检验网络模型的预报效果，计算公式如下：

I_{\mathrm{M}\mathrm{A}\mathrm{E}}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\left|h_i-y_i\right|\mathrm{。}（5）

式中：h_i 、y_i 、n分别代表预测值、目标值、样本数量。平均绝对误差I_MAE是预测值与观测值之间绝对误差的平均值，其计算过程对每个样本误差的权重相同。经过多次训练得到最优参数权重的24、48 h预报模型在测试集上的绝对误差的平均值分别为0.29、0.41 ℃。

3 结果与分析

3.1 检验结果

由图2可知，冬、春季误差较小。3月25日6时—26日8时和3月30日10—17时两次显著回南天过程的检验结果如图2b、d所示。GRU模型24、48 h预测与实况基本吻合，仅在气温骤降期48 h地温预测偏高。GRU模型能捕捉地温日变化及未来趋势，即使在快速温变期亦有效。

3.2 线性回归模型的参照对比实验

为系统评估门控循环单元（GRU）模型在预测任务中的性能表现，本文设计了一组对照实验，采用多元线性回归模型作为参照。在相同的训练集和测试集条件下，对线性回归模型进行训练与验证。结果表明，在相同预报时效内，GRU模型在各项评估指标上均显著超越线性回归模型，展现出更为优越的预测性能（表2）。

对比分析图2a、c与图3a、b结果表明，多元线性回归模型在不同预报时效下的地温预测绝对误差均显著高于GRU模型，评比结果见表2。多元线性回归模型在夏季的预测性能显著下降，且其预测误差随预报时长的延长呈现明显增长趋势。GRU模型在夏季的预测误差较低，且随预报时长的增加并未表现出显著的误差增长。在地温预测的准确性和稳定性方面，线性回归模型表现出明显劣势，可能与神经网络模型能够从历史数据中有效挖掘并利用非线性物理规律有关。

3.3 回南天主观分析预报

以2022年3月25日6时—26日8时回南天过程为例，根据张东等^[5]的回南天预报思路，利用室内地表温度实况和预报的气温及露点温度对回南天进行主观预报，使用实况资料代替预报的气温和露点温度。23日8时起报（提前48 h），参考22日8时—23日8时的平均地温（19.8 ℃），由于地温存在热惰性^[23]，温度变幅较小，因此将气温回升期间的地板温度订正为21 ℃（图4上方红色虚线），可以大致判断在25日9时—26日9时出现回南天，GRU模型的预报结果为25日6时—26日9时，GRU模型的预测绝对误差小于主观预报。24日8时起报（提前24 h），参考23日8时—24日8时的平均地温（17.6 ℃），将气温回升期间的地温订正为18 ℃（图4下方红色虚线），判断25日5时—26日11时出现回南天，GRU模型的预报结果为25日5时—26日9时，GRU模型的预测绝对误差仍然小于主观预报。相较于GRU模型的客观预报，主观预报存在地温预测精度低、具体过程时间难以确认以及预报过程繁琐等问题。

3.4 特征敏感性试验

测试集中气温预报数据采用实况观测值，而在实际应用中，气温预报数据来源于数值预报产品，后者不可避免地引入一定程度的预报误差。为探究此类误差对回南天指数预测结果的潜在影响，本文设计了一项敏感性对比实验。具体方法为：在测试集的气温预报数据中叠加一定范围内的随机浮点数，模拟数值预报与实况观测之间的误差，进而对地温进行预测及评估。基于表3数据分析表明，24 、48 h模型平均绝对误差与气温预报误差的绝对值呈显著正相关；当预报呈现负偏差时，模型平均绝对误差增幅显著，表明模型对负向误差具有更高的敏感性。

图5是2022年3月25日6时—26日8时和3月30日 10时—17时2次显著回南天事件的预测与实况对比。露点温度预报数据基于观测资料处理所得，在实际应用中，露点温度预报采用数值预报产品替代。

鉴于两次回南天过程预测结果相似，本文以第二次过程为例进行分析。对比相同预报时长下不同气温预报误差对回南天指数预测的影响，结果显示：气温预报的正误差增大时，回南天指数预测误差略减，过程时间与实况基本一致；负误差增大时，回南天指数预测出现显著正误差。气温预报误差为-2～-1 ℃时，24 h预测过程开始时间提前约2 h，结束时间延后约3 h；48 h预测过程开始时间提前约4 h，结束时间延后约8 h。但在实际应用中，48 h内的气温预报较少出现如此大的误差^[24]，因此模型总体的准确性和稳定性较高。

对比相同气温预报误差下不同预报时长对回南天指数预测的影响， GRU模型预测误差与预报时长呈正比关系。以第二次回南天过程为例，气温预报误差为-2～-1 ℃时，48 h地温预测偏低，导致48 h回南天指数预测高于24 h预测及实况，模型预测地温对气温变化的响应具有时间滞后性，体现了地温的热惰性，与实际观测一致。

综上，气温预报偏差导致地温预测相应偏差，影响回南天预测的起始、结束时间及强度。气温预报偏高时，GRU模型预测地温偏高，致回南天指数偏低；反之，气温预报偏低则回南天指数偏高。此外，不同预报时长地温预测的升降幅度差异，揭示了地温对气温变化的滞后效应，间接验证了GRU非线性模型在温度预测响应上的优越性及其鲁棒性。

4 结论与讨论

本文简化“回南天”物理机制，以室内地表温度为预测目标，基于历史观测数据构建GRU模型进行预测及评估，得出以下结论：

（1）气温预报误差较小时，GRU地温预报性能优良；误差在2 ℃以内且忽略露点温度误差时，GRU模型24、48 h回南天个例起止时间预测最大误差分别为3、8 h。

（2）GRU模型较多元线性模型展现出显著优势，在传统方法预测不确定性较高时，GRU提供更精准的回南天预测。敏感性实验证实GRU模型具鲁棒性，对数值模式预测结果响应良好，成功再现了地温的热滞后特征。

本文露点温度数据源自国家站实况观测，用作预报值属控制变量法，实际应用需替换为数值预报产品。回南天预报方法融合人工智能与数值预报，预报精度依赖数值预报的露点温度和气温准确性，因此需要预报员对数值预报产品的订正释用经验。目前回南天的主观预报虽然有较成熟的预报思路，但是对于地温的预报订正经验因人而异，本文主观预报仅供参考。未来需深入探讨露点温度和气温的数值预报性能对回南天预测的协同影响，引入更多天气特征或采用Transformer等先进深度学习模型增强空间要素理解与学习，提升模型预报能力。

参考文献

[1] 苏玲虹,沈志强.华南回南天[J].地理教育,2018(11):54.

[2] SU Linghong, SHEN Zhiqiang.Huinantian in south China[J].Geography Education,2018(11):54.(in Chinese)

[3] 郭媚媚,麦冠华,高俊杰,等.肇庆市春季“回南天”的天气特征[J].广东气象,2013,35(1):27-31.

[4] GUO Meimei, Guanhua MAI, GAO Junjie,et al.Weather characteristics of spring “Huinantian” in Zhaoqing[J].Guangdong Meteorology,2013,35(1):27-31.(in Chinese)

[5] 罗小莉,古明悦,钟利华,等.近年广西典型“回南天”现象成因分析[J].气象科技,2015,43(4):659-665, 674.

[6] LUO Xiaoli, GU Mingyue, ZHONG Lihua,et al.Causal analysis of typical “High-Humidity Weather" events in Guangxi in recent years[J].Meteorological Science and Technology,2015,43(4):659-665, 674.(in Chinese)

[7] 陈芳丽,李明华,吴蔚.2010年冬末春初“回南天”环流背景场特征分析——以惠州市为例[J].热带地理,2011,31(6):570-574, 603.

[8] CHEN Fangli, LI Minghua, WU Wei.Analysis of the circulation characteristics of the "Continuous Wet Weather" during February-March in 2010:a case study of Huizhou City,Guangdong[J].Tropical Geography,2011,31(6):570-574, 603.(in Chinese)

[9] 张东,汪瑛,冯业荣,等.广东“回南天”现象分析及其预报[J].气象科技,2014,42(2):302-308.

[10] ZHANG Dong, WANG Ying, FENG Yerong,et al.Analysis and forecasting of High-Humidity Weather in Guangdong in February and March[J].Meteorological Science and Technology,2014,42(2):302-308.(in Chinese)

[11] 陈见,李佳颖,高安宁,等.广西“回南天”发生特征及预报着眼点[J].气象,2015,41(3):372-379.

[12] CHEN Jian, LI Jiaying, GAO Anning,et al.Synoptic features and forecast method for continuous wet weather in Guangxi[J].Meteorological Monthly,2015,41(3):372-379.(in Chinese)

[13] 古明悦.南宁市 2—4月“回南天”天气气象要素变化特征分析[J].气象研究与应用,2015,36(2):21-25, 30.

[14] GU Mingyue.Analysis of High-Humidity Weather during February to April in Nanning[J].Journal of Meteorological Research and Application,2015,36(2):21-25, 30.(in Chinese)

[15] 李晴岚,武杨,曹春燕,等.深圳“回南天”天气预报探讨[J].热带气象学报,2014,30(5):971-976.

[16] LI Qinglan, WU Yang, CAO Chunyan,et al.Exploration of moistening weather forecast in Shenzhen[J].Journal of Tropical Meteorology,2014,30(5):971-976.(in Chinese)

[17] 王庆国,黄归兰,黄增俊,等.“回南天”的客观分析方法研究[J].气象研究与应用,2014,35(2):1-6.

[18] WANG Qingguo, HUANG Guilan, HUANG Zengjun,et al.Objective analysis method for “Huinan Weather”[J].Journal of Meteorological Research and Application,2014,35(2):1-6.(in Chinese)

[19] 郑甲炜,王式功,尹立,等.基于机器学习的两个代表城市上呼吸道感染与气象要素关系及其发病风险预测研究[J].沙漠与绿洲气象,2023,17(4):160-168.

[20] ZHENG Jiawei, WANG Shigong, YIN Li,et al.A study on the relationship between upper respiratory tract infection and meteorological elements and the outbreak risk prediction in two representative cities using machine learning[J].Desert and Oasis Meteorology,2023,17(4):160-168.(in Chinese)

[21] 朱国栋,朱蕾,王楠,等.基于自动机器学习的机场温度预报方法研究[J].沙漠与绿洲气象,2021,15(6):113-119.

[22] ZHU Guodong, ZHU Lei, WANG Nan,et al.Research on airport temperature forecast method based on automatic machine learning[J].Desert and Oasis Meteorology,2021,15(6):113-119.(in Chinese)

[23] 陈学君,李仲龙.超短期风速预报方法研究进展[J].沙漠与绿洲气象,2018,12(6):84-92.

[24] CHEN Xuejun, LI Zhonglong.Research advance on ultra-short-term wind speed forecasting methods[J].Desert and Oasis Meteorology,2018,12(6):84-92.(in Chinese)

[25] 蔡仁,李如琦,唐冶,等.支持向量机在乌鲁木齐污染物预报中的应用研究[J].沙漠与绿洲气象,2014,8(3):61-67.

[26] CAI Ren, LI Ruiqi, TANG Ye,et al.Prediction method research of air pollution in Urumqi using support vector machine[J].Desert and Oasis Meteorology,2014,8(3):61-67.(in Chinese)

[27] 胡家晖,卢楚翰,姜有山,等.深度学习模型TAGAN在强对流回波临近预报中的应用[J].大气科学,2022,46(4):805-818.

[28] HU Jiahui, LU Chuhuan, JIANG Youshan,et al.Application of deep learning model TAGAN in nowcasting of strong convective echo[J].Chinese Journal of Atmospheric Sciences,2022,46(4):805-818.(in Chinese)

[29] 蔡仁.人工神经网络在南京秋季短期降水预报中的应用[J].沙漠与绿洲气象,2007,1(1):49-52.

[30] CAI Ren.Application of Artificial Neural Network(ANN) to forecast of Nanjing's short-term precipitation in autumn[J].Desert and Oasis Meteorology,2007,1(1):49-52.(in Chinese)

[31] 叶昊天,邹春辉,田宏伟.一种基于机器学习和葵花8号数据的PM_2.5浓度监测方法[J].气象与环境科学,2023,46(3):89-97.

[32] YE Haotian, ZOU Chunhui, TIAN Hongwei.A method for PM_2.5 concentration monitoring based on machine learning and Himawari-8 satellite data[J].Meteorological and Environmental Sciences,2023,46(3):89-97.(in Chinese)

[33] 巫红星,黄文君.时间序列动态学习率神经网络模型及其初步试验[J].沙漠与绿洲气象,2008,2(3):44-47.

[34] WU Hongxing, HUANG Wenjun.Air temperature predication using a dynamic learning rate neural network model based on time series[J].Desert and Oasis Meteorology,2008,2(3):44-47.(in Chinese)

[35] 杨轩,曾燕,邱新法,等.基于机器学习算法的多源月尺度融合降水产品在中国区域的检验评估[J].暴雨灾害,2023,42(5):595-605.

[36] YANG Xuan, ZENG Yan, QIU Xinfa,et al.Examination and evaluation of multi-source monthly scale fusion precipitation product in China based on machine learning algorithm[J].Torrential Rain and Disasters,2023,42(5):595-605.(in Chinese)

[37] 孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,29(8):2806-2810.

[38] SUN Zhijun, XUE Lei, XU Yangming,et al.Overview of deep learning[J].Application Research of Computers,2012,29(8):2806-2810.(in Chinese)

[39] 饶生辉.基于室内地表温度和露点温度的回南天预警预报方法[D].成都:电子科技大学,2017.

[40] RAO Shenghui.Continuous wet weather warning and forecast based on indoor surface temperature and dew point temperature[D].Chengdu:University of Electronic Science and Technology of China,2017.(in Chinese)

[41] Cabessa J, Siegelmann H T.The computational power of interactive recurrent neural networks[J].Neural Computation,2012,24(4):996-1019.

[42] Chung J, Gulcehre C, Cho K,et al.Gated feedback recurrent neural networks[C]//Proceedings of the 32nd International Conference on International Conference on Machine Learning.Lille:JMLR,2015:2067-2075.

[43] 郝博渊.不同风速下的建筑综合热惰性与采暖负荷特性研究[D].天津:天津大学,2016.

[44] HAO Boyuan.Study on the building integrated thermal inertia and heating load characteristics under different wind speeds[D].Tianjin:Tianjin University,2016.(in Chinese)

[45] 胡萍,冉仙果,杨群,等.三种数值模式温度预报能力对比与误差分析[J].贵州气象,2017,41(3):30-34.

[46] HU Ping, RAN Xianguo, YANG Qun,et al.Temperature prediction ability comparison and error analysis of three numerical models[J].Journal of Guizhou Meteorology,2017,41(3):30-34.(in Chinese)

基金资助

新疆维吾尔自治区气候中心科研基金课题(QHCX-2023-06)