基于机器学习的模式温度预报订正方法

摘要

基于ECWMF模式数据（地面2 m温度、10 m风、降水等多气象要素预报产品）和安徽省80个国家气象站观测资料，利用决策树、随机森林、LightGBM三种机器学习算法订正ECMWF模式0～72 h温度预报，并将其与传统MOS订正方法和主观预报产品进行对比分析。结果表明：ECMWF模式高温预报误差明显高于低温预报，在安徽皖南山区和大别山区存在较大的预报误差。随机森林对最高温度预报的表现最优，LightGBM对最低温度预报的表现最优，与ECMWF模式结果相比，预报准确率分别提高了18.16%和5.19%。高山站点融合周围站点信息的机器学习模型能有效降低高、低温的预报误差。机器学习在高温和寒潮天气过程中相比主观订正仍有良好表现，能显著优化或改善数值模式在转折天气中的温度预测精度。

关键词

ECMWF / 温度订正 / 机器学习 / 高山站点