基于卷積神經(jīng)網(wǎng)絡的京津冀地區(qū)高分辨率格點預報偏差訂正試驗

張延彪,宋林燁,陳明軒,韓雷,楊璐

數(shù)值天氣預報(Numerical Weather Prediction,NWP)自提出起至今已有100多年的時間(陳德輝和薛紀善,2004)。在這百余年時間里,數(shù)值天氣預報技術(shù)實現(xiàn)飛躍式發(fā)展。最近十年來,政府和公眾對于精細化網(wǎng)格天氣預報預警的需求日益提升,數(shù)值天氣預報產(chǎn)品和無縫隙融合集成預報產(chǎn)品在確保準確率的同時,其預報格點精度也在不斷提高(金榮花等,2019)。由于天氣系統(tǒng)的混沌性,無論何種建模方式均無法對其進行完整描述,故數(shù)值天氣預報結(jié)果也不可避免存在誤差。因此,研究各種信息后處理方法以提高天氣預報準確率具有重要的科學價值和現(xiàn)實意義。

目前模式預報后處理訂正方法可以分為兩大類:傳統(tǒng)方法與新興方法。第一類傳統(tǒng)方法主要以統(tǒng)計學理論以及歷史資料為基礎來實現(xiàn)訂正。顧震潮(1958a,1958b)指出歷史資料在天氣預報中的重要性。Klein et al.(1959)提出完全預報法(Perfect Prognostic,PP),通過在觀測值和模式預報值之間建立線性統(tǒng)計模型以完成訂正。Glahn and Lowry(1972)提出模式輸出統(tǒng)計法(Model Output Statistics,MOS)。與完全預報法相比,MOS是通過建立觀測值與相關(guān)氣象要素數(shù)預報值之間的統(tǒng)計模型來實現(xiàn)訂正效果,是氣象部門常用的一種預報訂正方法。Homleid(1995)使用卡爾曼濾波法實現(xiàn)預報偏差訂正,該方法利用上一個時刻的預報誤差反饋及時調(diào)整預報方程,因此只需使用上一個時刻的預報誤差即可,與MOS方法相比卡爾曼濾波法對歷史資料并無嚴格要求,目前仍被應用于各個預報中心業(yè)務中。此后,錢維宏(2012)詳細論證了歷史信息在模式預報訂正過程中的重要性,在此基礎上,Peng et al.(2013)提出模式距平積分預報訂正方法(Anomaly Numerical-correction with Observations,ANO),通過充分利用多年歷史氣象資料計算氣候平均態(tài)實現(xiàn)數(shù)值模式預報結(jié)果訂正。近年來,各種機器學習和深度學習方法逐漸被應用到數(shù)值天氣預報偏差訂正任務中并取得突出的效果(孫全德等,2019;Xia et al.,2020),也被廣泛應用于氣候領(lǐng)域(海瀅和陳光華,2019;賀圣平等,2021),即所謂第二類新興方法。例如,國外學者Marzban(2003)使用非線性神經(jīng)網(wǎng)絡對區(qū)域模式溫度預報進行訂正并取得顯著的提升。Kusiak et al.(2013)分別使用回歸樹、支持向量機、多層感知機、隨機森林以及K臨近這5種機器學習算法進行降水估測,顯示出機器學習算法對氣象要素非線性建模的重要作用。國內(nèi)學者智協(xié)飛等(2020,2021)使用神經(jīng)網(wǎng)絡算法實現(xiàn)溫度預報以及針對降水概率預報訂正并取得較好的效果。Han et al.(2021)基于卷積神經(jīng)網(wǎng)絡創(chuàng)新性地提出CU-Net網(wǎng)絡以實現(xiàn)對歐洲中心ECMWF多個氣象要素格點預報結(jié)果的訂正,所得結(jié)果與傳統(tǒng)訂正方法相比有明顯提升,對智能格點預報業(yè)務產(chǎn)生較大影響。目前,中國氣象局主推高分辨率氣象格點數(shù)據(jù)預報業(yè)務,同時這也是未來數(shù)值天氣預報的發(fā)展方向(潘留杰等,2017)。深度學習方法,尤其是卷積神經(jīng)網(wǎng)絡(Hadji and Wildes,2018)和循環(huán)神經(jīng)網(wǎng)絡(Graves,2012),在時空格點數(shù)據(jù)處理方面有極大的優(yōu)勢。因此,本文將基于深度學習開展京津冀地區(qū)高分辨率格點預報偏差訂正試驗研究,以探索新興方法在未來實現(xiàn)精細化精準天氣預報方面的潛力和應用價值。

1 資料和方法

1.1 研究區(qū)域和資料說明

本文研究區(qū)域為京津冀地區(qū),所采用的資料為睿思(RISE)系統(tǒng)500 m分辨率網(wǎng)格數(shù)據(jù)。RISE系統(tǒng)全稱為Rapid-refresh Integrated Seamless Ensemble system,其研發(fā)和業(yè)務運行主要是為了滿足不斷提升的首都氣象服務預報要求,尤其是實現(xiàn)2022年北京冬奧會對于“百米級分辨率、分鐘級更新”短臨預報的剛性需求。該系統(tǒng)是北京城市氣象研究院研發(fā)的新一代客觀短臨集成預報系統(tǒng),其早期主要吸收了1 km分辨率INCA系統(tǒng)(Haiden et al.,2011)的融合分析和預報策略,并研究和集成了一系列適用于京津冀地區(qū)和冬奧復雜山區(qū)地形下的短時臨近客觀分析和預報算法(程叢蘭等,2019;宋林燁等,2019;;Song et al.,2019;楊璐等,2019,2022;陳康凱等,2020;Yang et al.,2021)。RISE系統(tǒng)于2019年汛期開始實時業(yè)務試驗運行,2021年7月1日通過中國氣象局業(yè)務升級準入后開始正式業(yè)務化運行。當前,RISE系統(tǒng)可提供逐10 min快速更新的京津冀全域約760 km×610 km范圍內(nèi)500 m網(wǎng)格分辨率以及冬奧重點山區(qū)約100 km×100 km范圍內(nèi)100 m網(wǎng)格分辨率的客觀分析和未來0～12 h乃至24 h確定性預報數(shù)據(jù)產(chǎn)品。該系統(tǒng)高時空分辨率的網(wǎng)格化溫濕風及降水、降水相態(tài)等產(chǎn)品為北京2022年冬奧會氣象保障服務提供了較好的高精度客觀預報支撐,同時也可以為常規(guī)氣象預報服務及其他行業(yè)應用提供較高品質(zhì)的高分辨率短臨無縫隙網(wǎng)格分析和預報產(chǎn)品。

本文選用了2019年9月—2021年9月共2 a的預報場數(shù)據(jù)以及分析場數(shù)據(jù)進行試驗,數(shù)據(jù)空間分辨率為500 m,時間分辨率為10 min,數(shù)據(jù)區(qū)域范圍為112.83°～120.28°E、35.86°～42.73°N(即京津冀地區(qū)),所獲得的預報網(wǎng)格圖大小為1 521×1 221(南北方向×東西方向)。針對2019年9—12月的數(shù)據(jù),絕大部分數(shù)據(jù)來自RISE系統(tǒng)實時運行搜集所得,但由于當時系統(tǒng)試驗運行穩(wěn)定性調(diào)試、實時觀測資料接收缺失、服務器存儲空間不足等原因?qū)е麓鎯?shù)據(jù)有所缺失,因此本文試驗過程中首先對該部分數(shù)據(jù)進行了系統(tǒng)回算以補全數(shù)據(jù)缺失。針對兩年的數(shù)據(jù),由于數(shù)據(jù)量較少以及預報時間分辨率較高會導致連續(xù)兩個預報時次變化不明顯等原因,因此文中選擇每月1—22日每隔30 min時間間隔進行抽樣的數(shù)據(jù)作為訓練集來對深度學習網(wǎng)絡進行訓練;選擇每月23日之后的數(shù)據(jù)作為測試集以評估網(wǎng)絡模型的訂正性能。

1.2 數(shù)據(jù)預處理

深度學習模型需要保證有充足的訓練數(shù)據(jù)量,對于RISE數(shù)據(jù),考慮到數(shù)據(jù)拼接的連續(xù)性,文中將原本1 521×1 221大小的格點圖分割成為507×407的子圖以增加試驗樣本量并減輕訓練過程中硬件資源損耗。由于訓練集需要在保證數(shù)據(jù)量的同時增加數(shù)據(jù)多樣性以提高模型魯棒性,因此本文試驗采用隨機分割方式,每張圖分割10次后整個訓練集數(shù)據(jù)增大10倍;對于測試集來說,則采用順序分割的方式,每張圖將會按順序分割為9張子圖,相當于測試集增大9倍數(shù)據(jù)量,最終數(shù)據(jù)集數(shù)目如表1所示。這里需要指出,隨著RISE系統(tǒng)的發(fā)展,它們的預報結(jié)果精度也會不斷提升,其中如果模式計算方法有重大更新時便會造成更新前后模式預報誤差特征出現(xiàn)明顯差異。比如,RISE系統(tǒng)采用睿圖-短期模式(CMA-BJ,原RMAPS-ST)作為背景場,由于模式背景場從V1.0更新為V2.0(版本升級、模式循環(huán)頻次從3 h升級為1 h、模式預報性能升級),RISE系統(tǒng)在2021年底更換了系統(tǒng)計算的背景場,該操作在預報誤差減小的同時也會造成新數(shù)據(jù)與舊數(shù)據(jù)誤差分布規(guī)律出現(xiàn)明顯的不一致性,這便會導致當前訓練得到的模型對數(shù)值模式數(shù)據(jù)不適應,從而導致偏差訂正效果下降,或者說基于訓練得到的數(shù)值模式預報偏差模型的代表性會變差。因此在本文中均采用基于CMA-BJ V1.0版本背景場的RISE數(shù)據(jù)開展格點偏差訂正研究和訓練測試,而在后續(xù)的實際應用中需要考慮使用最新的模式數(shù)據(jù)對模型進行補充訓練和重新調(diào)整,以增強模型對預報誤差的適應能力。

表1 數(shù)據(jù)集樣本劃分

圖1 Rise-Unet網(wǎng)絡結(jié)構(gòu)圖

1.3 算法建模

深度學習中的計算機視覺方向一般指代圖像處理問題,因此對于氣象格點數(shù)據(jù),可將其每個格點的處理轉(zhuǎn)換為圖像中的像素點處理,進而將其總體轉(zhuǎn)換為計算機視覺領(lǐng)域中的圖像處理問題。圖像處理問題一般表現(xiàn)為輸入待處理圖像、輸出后處理圖像的形式,因此本文神經(jīng)網(wǎng)絡的輸入為當前時刻的實況格點圖及當前時刻預報格點圖,輸出為當前預報時效訂正圖。以RISE系統(tǒng)2021年12月29日09時30分起報時刻為例,其4 h預報時刻為2021年12月29日13時30分,則輸入數(shù)據(jù)包括12月29日09時30分的分析場數(shù)據(jù)以及當前時刻起報的4 h預報場(即12月29日13時30分)數(shù)據(jù)結(jié)果,網(wǎng)絡要學習的結(jié)果為12月29日13時30分的分析場數(shù)據(jù),即網(wǎng)絡的真實值。

U-Net模型(Ronnrberger et al.,2015)作為一種基于卷積網(wǎng)絡結(jié)構(gòu)的深度學習分割網(wǎng)絡,其結(jié)構(gòu)簡單并在各個領(lǐng)域取得了較好的效果。本文基于U-Net模型結(jié)構(gòu),研發(fā)了針對高分辨率大尺寸圖像進行調(diào)整而形成的卷積神經(jīng)網(wǎng)絡Rise-Unet,其輸入為當前時刻觀測值以及預報值的組合特征,輸出則為訂正結(jié)果,Rise-Unet模型總體結(jié)構(gòu)如圖1所示。已有研究指出,在CU-Net模型訂正實驗中加入觀測值對于提升模型性能有重要作用(Han et al.,2021),因此本文模型輸入中包含了當前時刻觀測值。從圖1可以看出,Rise-Unet包括編碼模塊、解碼模塊與復制拼接模塊三部分。其中左半部分為編碼模塊,主要包含下采樣池化操作和卷積操作,提取圖像高層次特征的同時有效減小特征圖的尺寸,節(jié)約計算資源。例如輸入圖像尺寸為507×407,經(jīng)編碼操作后大小變?yōu)?4×64。右半部分為解碼模塊,與編碼模塊作用相反,解碼模塊通過不斷地卷積和上采樣操作,將特征圖的尺寸恢復至507×407。復制拼接操作則是將編碼器與解碼器的特征圖做通道拼接,進而可以將同一層中編碼模塊提取的低層次特征與解碼模塊提取的高層次特征進行融合疊加,使得模型輸出能夠保留來自較淺層的細粒度信息,如編碼器64×254×204的特征圖與解碼器64×254×204的特征圖拼接后所獲得的新特征圖大小為128×254×204。后文中將展示該網(wǎng)絡對于500 m分辨率RISE數(shù)據(jù)的處理效果。

1.4 試驗設置

本文采用均方根誤差RMSE(Root Mean Square Error,RMSE)以及平均絕對誤差MAE(Mean Absolute Error,MAE)來衡量預報訂正結(jié)果與觀測值之間的差距,其中MAE反映兩個數(shù)據(jù)集之間的真實誤差,而RMSE由于是對誤差先進行平方累加后再進行開方計算,可評價數(shù)據(jù)的離散程度,該操作本質(zhì)上放大了兩個數(shù)據(jù)集的大誤差部分,因此RMSE的值越小,則表示兩者之間的最大誤差較小。兩者計算方式如式(1)和(2)所示。

(1)

(2)

RISE系統(tǒng)預報技術(shù)路線中,快速融合和吸收了逐10 min更新的實況觀測信息,在1～3 h預報時效,系統(tǒng)本身對溫濕風等常規(guī)天氣要素的預報誤差已相對較小,因此從實際業(yè)務應用角度來說,耗費大量計算機資源和運行時間成本做深度學習訂正1～3 h格點預報結(jié)果的必要性并不大。所以,本文使用收集到的RISE數(shù)據(jù),針對其4～12 h高分辨率預報結(jié)果進行訂正,將最終各時效訂正結(jié)果與原始預報結(jié)果進行分季節(jié)對比以探索該方法對高分辨率精細化網(wǎng)格預報訂正中的有效性。需要指出,考慮到不同預報時效誤差分布存在一定差異,因此文中分別針對4～12 h中的每個時效建立訂正模型。根據(jù)傳統(tǒng)四季劃分方法,文中的冬季包括12月—次年2月,春季包括3—5月,夏季包括6—8月,秋季包括9—11月。

文中所有模型訓練使用的反向傳播優(yōu)化器均為Adam(Kingma and Ba,2014),因為該算法所需內(nèi)存較小且計算更高效。為進一步提高計算效率與模型的魯棒性,需對網(wǎng)絡進行批訓練處理。試驗中,模型參數(shù)初始化參考CU-Net(Han et al.,2021),針對RISE數(shù)據(jù)的試驗批處理量為8,所有網(wǎng)絡初始學習率r均設置為0.001,網(wǎng)絡學習率衰減因子均設置為0.5;衰減具體實現(xiàn)方式為若驗證集連續(xù)兩次評分指標沒有下降,則學習率將會衰減為0.5×r;訓練總迭代次數(shù)為10次,對于所獲得的模型在測試集進行測試并選擇最優(yōu)結(jié)果。

2 試驗結(jié)果

2.1 地面2 m溫度訂正結(jié)果

對于RISE數(shù)據(jù)集的地面2 m溫度4～12 h預報時效的訂正結(jié)果如圖2所示?？梢园l(fā)現(xiàn),針對MAE以及RMSE兩種評價指標,使用Rise-Unet卷積網(wǎng)絡對于各時效均明顯表現(xiàn)為正向訂正的效果,說明該模型對于高分辨率2 m溫度格點預報場各時效訂正均是有效的。訂正前,溫度6～12 h預報誤差RMSE均在2 ℃以上,MAE則均在1.5 ℃以上;但是基于Rise-Unet訂正之后,所有4～12 h預報時效的平均MAE和RMSE下降至1.4 ℃和1.9 ℃以下。通過統(tǒng)計誤差減小百分比結(jié)果可知,訂正后各預報時次平均誤差減小率為20%左右(圖2)。其中,針對6 h預報結(jié)果RMSE以及MAE的訂正效果相對而言均是最為明顯的,誤差減小率約為23%;對于4～6 h的訂正結(jié)果隨預報時效延長其減小率呈上升趨勢,這可能是由于6 h誤差分布較為穩(wěn)定且相比之前時刻的誤差較為明顯,故導致網(wǎng)絡參數(shù)擬合較好,能夠穩(wěn)定學習誤差分布信息;而針對6 h之后預報結(jié)果的訂正則趨于穩(wěn)定且效果有所降低,在18%到22%之間,通過分析原始預報誤差可以發(fā)現(xiàn)7～12 h的原始預報誤差較大且較為穩(wěn)定。RISE系統(tǒng)0～12 h溫度預報技術(shù)方案主要依次采用線性外推預報方法為主、線性外推預報和模式預報權(quán)重融合方法、模式預報為主,其中模式權(quán)重(外推權(quán)重)隨預報時效呈指數(shù)型增長(衰減),且各個格點的臨界預報時效閾值并不固定,每個時刻每個格點根據(jù)具體所在時間和所處位置的溫度和云預報等情況進行動態(tài)調(diào)整,但一般而言7 h以后主要以單一的模式背景場預報占主導,因此考慮可能是由于系統(tǒng)原始溫度預報數(shù)據(jù)計算方案或者插值方式導致了這種訂正效果,同時這也導致7～12 h預報模型網(wǎng)絡學習到的誤差分布也是相似的,因此訂正的效果基本趨于穩(wěn)定。

圖2 地面2 m溫度各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

圖3 地面2 m溫度4 h預報全年RMSE分布(單位:℃):(a)訂正前的原始預報誤差;(b)訂正后的預報誤差

圖3為針對RISE研究的京津冀區(qū)域,給出了訂正前后提前4 h的地面2 m溫度預報RMSE空間分布對比結(jié)果?？梢钥吹?針對圖中的每個格點,該方法基本都有正向訂正的效果,且訂正后的圖像相比原來誤差分布更為均勻,這說明神經(jīng)網(wǎng)絡對研究區(qū)域全圖有效,且卷積操作能對誤差進行有效平滑處理。圖3b中所展現(xiàn)的訂正效果總體表現(xiàn)為西北和北部地區(qū)誤差較高,東南區(qū)域誤差較低,這與原始預報結(jié)果的誤差分布(圖3a)是基本保持一致的。這可能是由于RISE系統(tǒng)溫度預報誤差空間分布特征和京津冀地形結(jié)構(gòu)之間存在較為緊密的聯(lián)系。京津冀地處華北平原北部,北靠燕山山脈,西倚太行山,南面華北平原,東臨渤海灣,西北和北面地形較高,南面和東面地形較為平坦。因此在研究區(qū)域里,西北和北部方向多為海拔較高的山區(qū),且地形結(jié)構(gòu)和山脈走勢十分復雜,導致針對這些區(qū)域原始RISE溫度預報誤差較高,而東南方向多為平原,所以針對這些地形較低的區(qū)域原始溫度預報誤差相對較低(圖3a)。經(jīng)過Rise-Unet訂正之后,不僅整個京津冀區(qū)域溫度預報誤差較原始RISE預報顯著降低,而且這一“西北高-東南低”的誤差分布結(jié)構(gòu)也相對有所減弱(圖3b)。

進一步分析四個不同季節(jié)的訂正前后誤差對比結(jié)果。表2以及圖4分別為4 h預報訂正結(jié)果的數(shù)據(jù)統(tǒng)計表以及分季節(jié)RMSE空間分布。可以看到,針對春、夏、秋、冬四個季節(jié)誤差減小率分別為18.94%、17.68%、23.88%、23.28%(表2),均表現(xiàn)為正向訂正的效果,說明該網(wǎng)絡對于此研究區(qū)域的訂正能力全年有效。針對原始預報結(jié)果,夏季RMSE平均誤差最小為1.64,其余季節(jié)誤差較大且仍主要分布于西北和北部山地區(qū)域。針對訂正結(jié)果,夏季訂正后的誤差為1.35,仍最小,但是相比于其他季節(jié),其訂正誤差減小率為17.68%,為四個季節(jié)中最低;秋季預報誤差在訂正前較高,為1.80,但其訂正誤差減小率為23.88%,為四個季節(jié)中最高。同時,秋季溫度誤差分布區(qū)域相比其余季節(jié)并沒有呈現(xiàn)“鋒線”狀分布,而是較均勻的平鋪狀分布,考慮神經(jīng)網(wǎng)絡中的卷積操作對于均勻狀誤差分布訂正效果較為明顯,可能是秋季訂正效果最顯著的主要原因。另外,不論訂正前還是訂正后,四季中春季的溫度預報誤差都保持最大,這可能與春季京津冀地區(qū)氣溫內(nèi)部變率大有一定的聯(lián)系。

表2 地面2 m溫度4 h預報RMSE四季訂正統(tǒng)計

2.2 地面2 m相對濕度訂正結(jié)果

對于地面2 m相對濕度,RISE系統(tǒng)4～12 h預報時效的訂正結(jié)果如圖5所示。針對MAE以及RMSE兩種評價指標,總體來看與2 m溫度訂正結(jié)果相似,Rise-Unet模型對于各個預報時效均為正向訂正,訂正后MAE和RMSE誤差均減小,說明其對于高分辨率2 m相對濕度格點預報場訂正是有效的。各預報時次平均誤差減小率約為16%,其中針對8 h預報的訂正MAE提高最為明顯,約為17%(圖5b),說明該時刻預報結(jié)果相比于實況的真實誤差降低最為顯著;而對于7 h預報結(jié)果訂正RMSE降低最為明顯,約為17.5%(圖5a),說明該時刻網(wǎng)絡對于格點圖中的大誤差區(qū)域訂正效果較好。8 h之后,兩種評價指標訂正效果均開始下降,且之后幾個訂正時刻的效果處于穩(wěn)定狀態(tài),這是由于原始預報誤差從8 h之后始終保持在一個水平上,這同樣與上文中地面2 m溫度訂正效果相似,說明該時間段神經(jīng)網(wǎng)絡對于誤差的擬合效果也是趨于穩(wěn)定的。

圖4 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面2 m溫度4 h預報的RMSE分布(單位:℃):(a、c、e、g)訂正前;(b、d、f、h)訂正后

圖5 地面2 m相對濕度各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

針對RISE研究區(qū)域,給出了4 h預報時效的2 m相對濕度預報訂正結(jié)果的全年平均RMSE(圖6)。從圖6可以看到,Rise-Unet模型針對全年訂正的每個格點基本均表現(xiàn)為正向提升效果,且訂正后的圖像相比原來誤差分布更為均勻,這說明神經(jīng)網(wǎng)絡對地面2 m相對濕度的訂正全圖有效,訂正效果總體表現(xiàn)為西北高原山區(qū)誤差較高,東南平原以及臨海區(qū)域誤差較低(圖6)。

圖6 地面2 m相對濕度4 h預報全年RMSE分布(單位:%):(a)訂正前的原始預報誤差;(b)訂正后的預報誤差

表3及圖7為4 h預報訂正結(jié)果的分季節(jié)RMSE統(tǒng)計表以及空間分布。相對濕度與溫度訂正效果相似,四個季節(jié)RMSE誤差減小率分別為12.81%、16.77%、12.64%以及14.07%,針對四個季節(jié)均為正向訂正的效果,說明卷積神經(jīng)網(wǎng)絡對于研究區(qū)域中地面2 m相對濕度的訂正能力不同季節(jié)均有效。對于原始RISE系統(tǒng)預報結(jié)果,夏季誤差最小為9.48%,其余季節(jié)誤差較大且誤差相似,各季節(jié)誤差大值中心仍主要分布于西北山地區(qū)域(圖7)。針對訂正結(jié)果,與溫度結(jié)果不同,夏季訂正結(jié)果誤差最小并且誤差減小率為四季節(jié)中最高,其余三個季節(jié)訂正效果大致相似。

表3 地面2 m相對濕度4 h預報RMSE四季訂正統(tǒng)計

2.3 地面10 m-U風訂正結(jié)果

對于RISE系統(tǒng)地面10 m-U風速4～12 h預報時效的訂正結(jié)果如圖8所示。通過Rise-Unet網(wǎng)絡訂正之后,各時效的10 m-U風RMSE和MAE預報誤差均降低,其中訂正后4～12 h預報平均RMSE基本都下降至1.5 m/s以下,平均MAE則基本下降至1.1 m/s以下(圖8)。這說明Rise-Unet網(wǎng)絡對RISE系統(tǒng)風速預報訂正表現(xiàn)為正向訂正的效果,該方法針對高分辨率網(wǎng)格化10 m-U風速的訂正效果是有效的。從圖8中還可以看出,各預報時次平均誤差減小率約為15%,其中針對9 h預報結(jié)果MAE訂正效果最為明顯,說明該時刻訂正結(jié)果與實況值真實誤差降低最為顯著,針對6 h預報結(jié)果RMSE訂正效果最為明顯,說明針對該時刻誤差較大的區(qū)域訂正效果最為顯著。9 h以后訂正效果趨于穩(wěn)定,考慮仍為系統(tǒng)對于長時間預報計算以及插值誤差趨于穩(wěn)定所造成。

圖9為針對RISE研究區(qū)域,地面10 m-U風速提前4 h預報訂正結(jié)果的全年RMSE分布?？梢钥吹?風速的原始誤差分布較為集中,主要分布于西北以及西部省界區(qū)域,這是由于該區(qū)域為高原以及山脈分布區(qū),因此針對該區(qū)域風速預報難度較大、預報效果較差(圖9a)。但是,Rise-Unet網(wǎng)絡模型總體提升效果仍較為明顯,經(jīng)過格點訂正后的RMSE在西北、北部及西部山區(qū)顯著減小,在東南部平原大范圍地區(qū)RMSE也大幅下降至1 m/s以下。

圖7 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面2 m相對濕度4 h預報RMSE分布(單位:%):(a、c、e、g)訂正前;(b、d、f、h)訂正后

圖8 地面10 m-U風各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

圖9 地面10 m-U風4 h預報全年RMSE分布(單位:m/s):(a)訂正前后的RMSE;(b)訂正前后的MAE

表4以及圖10分別為4 h預報訂正結(jié)果的分季節(jié)RMSE統(tǒng)計以及空間分布,由表4可知Rise-Unet網(wǎng)絡模型方法針對春夏秋冬四個季節(jié)RMSE誤差減小率分別為14.68%、16.89%、10.52%以及15.00%,均表現(xiàn)為正向訂正的效果,這說明神經(jīng)網(wǎng)絡對于10 m-U風預報結(jié)果的訂正能力不同季節(jié)都有效。對于原始RISE預報結(jié)果,U風在秋冬季節(jié)誤差較小,分別為1.14 m/s和1.20 m/s,夏季誤差為1.48 m/s,為四季中最大,但是Rise-Unet模型對于夏季U風格點預報訂正誤差減小率最高,誤差總體減少了16.89%(表4)。

表4 地面10 m-U風速4 h預報分季訂正統(tǒng)計

2.4 地面10 m-V風訂正結(jié)果

RISE系統(tǒng)的地面10 m-V風速4～12 h預報時效的訂正結(jié)果如圖11所示?？梢园l(fā)現(xiàn),針對MAE以及RMSE兩種評價指標,使用Rise-Unet網(wǎng)絡對于各時效均表現(xiàn)為正向訂正的效果,說明該方法針對高分辨率10 m-V緯向風速的訂正效果同樣是有效的。各時次平均誤差減小率約為18%,這相比于10 m-U風的訂正效果(約15%)更好。針對RMSE以及MAE兩種評價指標均為6 h預報結(jié)果訂正效果最為顯著,之后訂正效果出現(xiàn)下降并逐漸趨于平穩(wěn)(圖11),考慮仍是因為系統(tǒng)對長期預報誤差大且結(jié)果穩(wěn)定的原因。

圖10 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面10 m-U風4 h預報RMSE分布(單位:m/s):(a、c、e、g)訂正前;(b、d、f、h)訂正后

圖11 地面10 m-V風各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

圖12 地面10 m-V風4 h預報全年RMSE分布(單位:m/s):(a)訂正前的原始預報誤差;(b)訂正后的預報誤差

圖12為針對RISE研究的京津冀區(qū)域,提前4 h預報的10 m-V風格點預報訂正結(jié)果的全年RMSE。通過對比訂正前和訂正后的誤差空間分布結(jié)構(gòu),可以看到圖中基本每個格點均有正向提升效果,尤其是針對西北部區(qū)域,絕大部分RMSE超過2.5 m/s的各個局地山區(qū)緯向風速預報誤差大值中心均減小到2.5 m/以下,而京津冀東南平原地區(qū)的RMSE基本都降低至1 m/s以下(圖12b)。上述結(jié)果說明,與10 m-U風相似,Rise-Unet神經(jīng)網(wǎng)絡對10 m-V風的訂正仍然全圖有效。另外,對比U風和V風之間的差異,可以發(fā)現(xiàn)原始RISE系統(tǒng)對V風的預報誤差整體大于U風(圖12a、圖9a),而訂正后兩者誤差相對更為接近。

表5以及圖13分別為4 h預報訂正結(jié)果的分季節(jié)RMSE統(tǒng)計以及空間分布。針對四個季節(jié),RISE系統(tǒng)10 m-V風的原始預報誤差總體都比10 m-U風更大(表4、5),其中春季V風誤差大于U風的特征最為突出(圖13a,圖10a)。但是,針對春夏秋這三個季節(jié),地面10 m-V風的訂正誤差減小率分別為16.56%、17.94%和10.74%,均比10 m-U風的訂正提升率相對更高;而針對冬季的訂正結(jié)果,10 m-V風誤差減小率則為12.82%,小于10 m-U風的誤差減小率(15.00%)。總體上來看,U風和V風兩種要素誤差分布是一致的,且Rise-Unet神經(jīng)網(wǎng)絡對10 m-V風的訂正與10 m-U風相似,仍是全季節(jié)有效的。

表5 地面10 m-V風速4 h預報分季訂正統(tǒng)計

3 討論和結(jié)論

本文基于RISE系統(tǒng)高分辨率短臨預報數(shù)據(jù)集,使用卷積神經(jīng)網(wǎng)絡構(gòu)建了Rise-Unet模型進行京津冀區(qū)域500 m分辨率格點溫濕風預報訂正試驗和評估檢驗,探索深度學習算法在高分辨率格點數(shù)據(jù)預報訂正中的應用效果,主要結(jié)論如下:

1)針對RISE系統(tǒng)數(shù)據(jù)研究區(qū)域,使用Rise-Unet網(wǎng)絡調(diào)整以及遷移后可以有效地完成京津冀全區(qū)域訂正,同時針對各個季節(jié)該模型也均表現(xiàn)出其顯著的正向訂正效果,不同季節(jié)訂正后溫度、濕度、風速誤差減小率分別在17%～24%、12%～17%、10%～18%,說明該模型對高分辨率、細網(wǎng)格氣象預報數(shù)據(jù)具有十分有效的偏差訂正能力。因此,這對于深度學習在高分辨率格點預報數(shù)據(jù)偏差訂正中的應用以及推動氣象預報精細化發(fā)展方面具有重要意義。

2)在對RISE系統(tǒng)數(shù)據(jù)多個氣象要素的訂正中發(fā)現(xiàn),預報誤差大值區(qū)主要集中分布于京津冀西部以及北部高原和山地區(qū)域。對溫度而言,由于西部地區(qū)地形復雜且溫差較大,因此對于該區(qū)域溫度的預報以及訂正結(jié)果誤差相對較高,而東部地區(qū)多平原且溫差變化特征較為穩(wěn)定,因此預報和訂正的誤差相對較小。對相對濕度而言,與溫度類似。對于RISE系統(tǒng)地面10 m-U風和10 m-V風預報產(chǎn)品,由于高原山地區(qū)域,風的局地特征較為復雜且日變化大,而且數(shù)值模式的可預報性較低,因此對其訂正的誤差也較大。

圖13 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面10 m-V風4 h預報RMSE分布(單位:m/s):(a、c、e、g)訂正前;(b、d、f、h)訂正后

本文提出的Rise-Unet網(wǎng)絡模型格點偏差訂正方法可應用于RISE系統(tǒng)的后處理模塊,以進一步提升RISE系統(tǒng)的格點預報水平。需要指出,本文只針對了地面常規(guī)要素開展基于深度學習的高分辨率格點預報訂正方法研究和試驗,考慮到RISE系統(tǒng)除了可以提供高分辨率溫濕風等常規(guī)天氣要素短臨預報結(jié)果之外,還可以提供地面降水、降水相態(tài)、零度層高度、雪線高度等要素的高分辨率未來預報。因此,未來可以進一步研究Rise-Unet網(wǎng)絡或其他深度學習方法對其他高分辨率天氣要素格點預報的偏差訂正效果。除此之外,本文研究結(jié)論不僅可直接應用于RISE系統(tǒng),也可以為提升其他高分辨率模式系統(tǒng)格點預報水平提供一定的理論和技術(shù)參考。