基于機(jī)器學(xué)習(xí)方法的內(nèi)蒙古地區(qū)格點(diǎn)風(fēng)場(chǎng)模式預(yù)報(bào)產(chǎn)品研究

摘? 要：為了提高格點(diǎn)風(fēng)場(chǎng)預(yù)報(bào)產(chǎn)品的準(zhǔn)確性，提出了一套基于深度學(xué)習(xí)和集成學(xué)習(xí)的風(fēng)速、風(fēng)向預(yù)報(bào)方法。使用時(shí)間序列上的站點(diǎn)風(fēng)實(shí)況數(shù)據(jù)和空間范圍上的數(shù)值模式預(yù)報(bào)產(chǎn)品建立時(shí)空信息匹配模型，使用了長(zhǎng)短期記憶法（LSTM）和極端梯度提升（XGBoost）建立時(shí)空匹配的聯(lián)合預(yù)報(bào)產(chǎn)品訂正模型，形成72小時(shí)隔3小時(shí)、5千米時(shí)空分辨率的SCMOC風(fēng)速、風(fēng)向預(yù)報(bào)產(chǎn)品。評(píng)估結(jié)果顯示，相較于SCMOC預(yù)測(cè)，聯(lián)合模型實(shí)現(xiàn)風(fēng)速平均絕對(duì)誤差（MAE）降低了14.17%，風(fēng)向平均絕對(duì)誤差（MAE）降低了23.61%。模型對(duì)SCMOC風(fēng)場(chǎng)產(chǎn)品的風(fēng)速、風(fēng)向的準(zhǔn)確率有較好的提升，產(chǎn)品釋用效果良好。

關(guān)鍵詞：LSTM；XGBoost；時(shí)空匹配；指導(dǎo)預(yù)報(bào)產(chǎn)品；產(chǎn)品釋用

中圖分類號(hào)：TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）24-0016-05

Research on Grid Wind Field Model Prediction Products in Inner Mongolia Based on Machine Learning Method

LIU Hui

（Meteorological Data Center of Inner Mongolia Autonomous Region， Hohhot? 010010， China）

Abstract： In order to improve the accuracy of grid wind field prediction products， a set of wind speed and direction prediction methods based on deep learning and ensemble learning is proposed. The real-time data of station wind in the time series and the numerical model prediction products in the spatial range are used to establish the spatio-temporal information matching model， and the Long short-term memory method （LSTM） and extreme gradient lifting （XGBoost） are used to establish the joint prediction product correction model with spatio-temporal matching， forming the 72 hour SCMOC wind speed and direction prediction products with spatio-temporal resolution of 3 hours and 5 kilometers. The assessment results show that the mean absolute error （MAE） of wind speed realized by the joint model is 14.17% lower than that of SCMOC prediction， and the mean absolute error of wind direction is 23.61% lower than that of SCMOC prediction. The model has significantly improved the accuracy of wind speed and direction for SCMOC wind farm products， and the product has a good interpretation effect.

Keywords： LSTM; XGBoost; spatiotemporal matching; guiding forecast product; product interpretation

0? 引? 言

數(shù)值模式預(yù)報(bào)產(chǎn)品與實(shí)際天氣之間仍存在一些差異，這種誤差主要是由初始場(chǎng)誤差和模型誤差引起的[1]。模式產(chǎn)品釋用（MOS）方法是一種在業(yè)務(wù)中廣泛預(yù)報(bào)應(yīng)用技術(shù)，大量的實(shí)踐表明，在特定空間、特定時(shí)間應(yīng)用統(tǒng)計(jì)等方法對(duì)模式輸出結(jié)果進(jìn)行調(diào)整，能夠形成更準(zhǔn)確的預(yù)報(bào)[2]。最近幾年，在傳統(tǒng)統(tǒng)計(jì)學(xué)之外，出現(xiàn)了一些基于集成學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)報(bào)產(chǎn)品釋用的研究，薛諶彬等在研究中提出了一種結(jié)合滑動(dòng)雙權(quán)重平均訂正法和空間誤差逐步訂正法的綜合訂正技術(shù)，并對(duì)2016年5月1日至2017年5月1日期間24～168 h預(yù)報(bào)時(shí)效內(nèi)歐洲中期天氣預(yù)報(bào)中（ECMWF）高分辨率模式的2 m最高和最低溫度進(jìn)行偏差訂正和誤差分析，形成的綜合訂正法已成功運(yùn)用于江西省精細(xì)化氣象要素客觀預(yù)報(bào)業(yè)務(wù)系統(tǒng)中[3]。Wei的研究與本項(xiàng)目研究?jī)?nèi)容相似，同樣是研究風(fēng)的，研究將臺(tái)風(fēng)期間WRF模式輸出與臺(tái)灣各實(shí)況觀測(cè)站點(diǎn)數(shù)據(jù)通過深度學(xué)習(xí)（DNN）的方法來輸出新的預(yù)報(bào)，結(jié)果較WRF更加逼近實(shí)況值[4]。陳法敬等人基于NCEP集合預(yù)報(bào)應(yīng)用貝葉斯概率進(jìn)行預(yù)報(bào)融合，實(shí)現(xiàn)集合預(yù)報(bào)的概率化[5]，這些研究釋用ECMWF高分辨率模式以及WRF模式產(chǎn)品，取得了不錯(cuò)的效果。

利用鄰近臨近信息改進(jìn)目標(biāo)站點(diǎn)的預(yù)報(bào)的所謂時(shí)空預(yù)報(bào)方法越來越受到人們的關(guān)注[6]，基于時(shí)間與空間一定范圍內(nèi)的風(fēng)場(chǎng)有某種相互影響，特別是對(duì)于風(fēng)，目標(biāo)站點(diǎn)的時(shí)間序列數(shù)據(jù)與其周圍站點(diǎn)的時(shí)間序列數(shù)據(jù)有緊密關(guān)系[7]，本文使用時(shí)間序列上的站點(diǎn)風(fēng)數(shù)據(jù)和空間范圍的格點(diǎn)預(yù)報(bào)產(chǎn)品，聯(lián)合長(zhǎng)短期記憶法（LSTM）和極端梯度提升（XGBoost）建立集成模型尋找觀測(cè)與數(shù)值模式輸出之間的關(guān)系模型，并利用該模型將多個(gè)預(yù)報(bào)轉(zhuǎn)變?yōu)橐粋€(gè)單值預(yù)報(bào)，以獲得更準(zhǔn)確的預(yù)報(bào)結(jié)果。

1? 研究方法

1.1? LSTM算法

長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，是為了解決一般的RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）存在的長(zhǎng)期依賴問題而專門設(shè)計(jì)出來的，所有的RNN都具有一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈?zhǔn)叫问?。在?biāo)準(zhǔn)RNN中，這個(gè)重復(fù)的結(jié)構(gòu)模塊只有一個(gè)非常簡(jiǎn)單的結(jié)構(gòu)，例如一個(gè)tanh層。與基本的 RNN 相比，LSTM網(wǎng)絡(luò)具有更好的收斂性能。LSTM由多個(gè)函數(shù)組成，而常規(guī)RNN只有一個(gè)函數(shù)。這些函數(shù)試圖記住有用的信息，忘記來自輸入的不必要的信息[8]。圖1顯示了LSTM中的函數(shù)之間的關(guān)系。

1.2? XGBoost算法

XGBoost是Gradient Boost的一種提升版本，Gradient Boost是boosting算法的其中一種[9]。Gradient Boosting中將負(fù)梯度作為上一輪基學(xué)習(xí)器犯錯(cuò)的衡量指標(biāo)，算法思想就是不斷地添加樹，不斷地進(jìn)行特征分裂來生長(zhǎng)一棵樹，去擬合上次預(yù)測(cè)的殘差。按這樣的過程重復(fù)訓(xùn)練出M個(gè)學(xué)習(xí)器，最后進(jìn)行加權(quán)組合[10]，XGBoost的提升模型也是采用擬合殘差去降低損失函數(shù)，不同的是其擬合過程是直接用泰勒展開式將損失函數(shù)展開成二項(xiàng)式函數(shù)[11]，圖2為XGBoost算法流程圖。

1.3? LSTM-XGBoost

LSTM-XGBoost算法將LSTM和XGBoost算法結(jié)合使用，使用LSTM進(jìn)行時(shí)間特征訓(xùn)練，使用XGBoost進(jìn)行空間特征訓(xùn)練，將XGBoost模型附加到LSTM輸出上建立集成模型形成時(shí)空數(shù)據(jù)與預(yù)測(cè)值之間的關(guān)系，圖3為L(zhǎng)STM-XGBoost結(jié)構(gòu)圖。

訓(xùn)練過程分為兩步，首先使用SCMOC時(shí)間序列的數(shù)據(jù)輸入到LSTM中，訓(xùn)練生成LSTM預(yù)報(bào)模型，使用T-9、T-6、T-3時(shí)刻數(shù)據(jù)預(yù)測(cè)T時(shí)刻風(fēng)速、風(fēng)向數(shù)據(jù)。第二步用LSTM生成的結(jié)果加上T時(shí)刻SCMOC目標(biāo)轉(zhuǎn)到周圍5×5范圍的風(fēng)速風(fēng)向數(shù)據(jù)輸入XGBoost最終生成T時(shí)刻風(fēng)速、風(fēng)向數(shù)據(jù)。

LSTM-XGBoost模型中LSTM網(wǎng)絡(luò)嘗試捕獲風(fēng)演化信息的隱式特征，XGBoost通過目標(biāo)站點(diǎn)周圍一定范圍風(fēng)場(chǎng)數(shù)據(jù)嘗試捕獲一定范圍內(nèi)風(fēng)場(chǎng)相互影響關(guān)系，LSTM-XGBoost風(fēng)速模型中使用回歸模型，風(fēng)向模型中使用分類模型。

2? 試驗(yàn)與檢驗(yàn)

2.1? 數(shù)據(jù)來源

智能網(wǎng)格指導(dǎo)產(chǎn)品（SCMOC）為2018年至2021年中央氣象臺(tái)每日下發(fā)2次的氣象要素精細(xì)化預(yù)報(bào)指導(dǎo)產(chǎn)品，起報(bào)時(shí)間分別為北京時(shí)間08：00和20：00，格式為grib2，分辨率為5 km格點(diǎn)產(chǎn)品，范圍涵蓋全國區(qū)域（70E～140E、0N～60N）預(yù)報(bào)時(shí)長(zhǎng)為240小時(shí)或72小時(shí)。數(shù)據(jù)來源內(nèi)蒙古自治區(qū)氣象信息中心。

如圖4所示（數(shù)據(jù)來源內(nèi)蒙古自治區(qū)氣象信息中心），站點(diǎn)數(shù)據(jù)為內(nèi)蒙古自治區(qū)2018年至2021年119各國家站地面觀測(cè)資料，氣象要素包括：10 m風(fēng)速、10 m風(fēng)向。

2.2? 數(shù)據(jù)集生成

數(shù)據(jù)預(yù)處理和質(zhì)量控制，第一步進(jìn)行邏輯性檢查對(duì)SCMOC風(fēng)向小于0°或者大于360°，風(fēng)速小于0或者大于120 m/s的樣本剔除，第二步進(jìn)行一致性檢查，對(duì)于SCMOC預(yù)報(bào)風(fēng)速與站點(diǎn)風(fēng)速差的絕對(duì)值大于50 m/s的樣本剔除。

LSTM-XGBoost聯(lián)合模型數(shù)據(jù)集包含兩部分，由于SCMOC模式產(chǎn)品的滯后性，一般滯后12小時(shí)，所以3～72小時(shí)任意T時(shí)刻是可以獲取T-3、T-6、T-9時(shí)刻的數(shù)據(jù)，實(shí)驗(yàn)中LSTM部分?jǐn)?shù)據(jù)集以T時(shí)刻站點(diǎn)數(shù)據(jù)作為標(biāo)簽，站點(diǎn)對(duì)應(yīng)的SCMOC格點(diǎn)產(chǎn)品最近格點(diǎn)數(shù)據(jù)T-3、T-6、T-9作為訓(xùn)練數(shù)據(jù)。生成LSTM數(shù)據(jù)集。

使用00時(shí)和12時(shí)SCMOC資料目標(biāo)站點(diǎn)周圍一定范圍內(nèi)的格點(diǎn)數(shù)據(jù)作為XGBoost模型預(yù)測(cè)輸入數(shù)據(jù)集。圖5描述了EC模式預(yù)報(bào)和SCMOC預(yù)報(bào)起報(bào)時(shí)間選取數(shù)據(jù)時(shí)間段。

LSTM-XGBoost聯(lián)合模型數(shù)據(jù)集，LSTM部分使用LSTM數(shù)據(jù)集，XGBoost部分使用00時(shí)和12時(shí)SCMOC資料目標(biāo)站點(diǎn)周圍一定范圍內(nèi)的格點(diǎn)數(shù)據(jù)和LSTM輸出數(shù)據(jù)作為XGBoost模型輸入數(shù)據(jù)集。

2.3? 風(fēng)速預(yù)報(bào)模型構(gòu)建

LSTM-XGBoost風(fēng)速模型，使用數(shù)據(jù)集圍為：2018年1月1日～2019年10月1日是數(shù)據(jù)，采用訓(xùn)練集數(shù)據(jù)進(jìn)行建模，測(cè)試集數(shù)據(jù)進(jìn)行模，將數(shù)據(jù)集按照80：20的比例劃分為訓(xùn)練集和測(cè)試集，分別生成LSTM、XGBoost和LSTM-XGBoost回歸模型。

2.4? 風(fēng)向預(yù)報(bào)模型的構(gòu)建

LSTM-XGBoost風(fēng)向訂正模型，使用數(shù)據(jù)集與風(fēng)速相同，由于風(fēng)速0～360度沒有實(shí)際意義的大小，使用回歸方法在預(yù)測(cè)值與真實(shí)值大于180度時(shí)失真，為了更好地表示真實(shí)的風(fēng)向意義，項(xiàng)目按照全國智能網(wǎng)格氣象預(yù)報(bào)業(yè)務(wù)規(guī)定（試行）風(fēng)向檢驗(yàn)劃分規(guī)則，將0～360度風(fēng)向按照45度一個(gè)角度分為8個(gè)類別，生成風(fēng)向分類模型，如表1所示。

3? ?檢驗(yàn)評(píng)估

3.1? 檢驗(yàn)方法

3.1.1? 技巧評(píng)分

技巧評(píng)分參照《城鎮(zhèn)氣象要素預(yù)報(bào)的風(fēng)預(yù)報(bào)質(zhì)量檢驗(yàn)辦法（試行）的通知》（氣預(yù)函〔2014〕91號(hào)）對(duì)SCMOC和基于機(jī)器學(xué)習(xí)風(fēng)預(yù)報(bào)模型產(chǎn)品進(jìn)行檢驗(yàn)。

風(fēng)向技評(píng)分檢驗(yàn)風(fēng)向按照8個(gè)方位劃分進(jìn)行檢驗(yàn)，風(fēng)向預(yù)報(bào)檢驗(yàn)技巧評(píng)分采用如式（1）：

式中：SCdi為第i個(gè)站風(fēng)向預(yù)報(bào)得分，詳見表2。NF為預(yù)報(bào)總站（次）數(shù)，K為1～8，其中，1～8代表8個(gè)方位。

風(fēng)速預(yù)報(bào)檢驗(yàn)技巧評(píng)分采用如下公式：

式中，SCdi為第i個(gè)站風(fēng)速預(yù)報(bào)得分，詳見表3。NF為預(yù)報(bào)總站（次）數(shù)。

3.1.2? 平均絕對(duì)誤差（MAE）

平均絕對(duì)誤差風(fēng)向的檢驗(yàn)參考中國氣象局《QX/T 229—2014風(fēng)預(yù)報(bào)檢驗(yàn)方法》。評(píng)估風(fēng)向預(yù)報(bào)檢驗(yàn)平均絕對(duì)誤差（MAE）采用式（3）：

其中，Oi為站點(diǎn)觀測(cè)值，Gi為實(shí)況分析產(chǎn)品插值到檢驗(yàn)站點(diǎn)得到的數(shù)值，N為參與檢驗(yàn)的總樣本數(shù)（站次數(shù)），風(fēng)速平均絕對(duì)誤差（MAE）：

其中，Oi為站點(diǎn)觀測(cè)值，Gi為實(shí)況分析產(chǎn)品插值到檢驗(yàn)站點(diǎn)得到的數(shù)值，N為參與檢驗(yàn)的總樣本數(shù)（站次數(shù)）。

3.2? 檢驗(yàn)結(jié)果

基于風(fēng)速預(yù)報(bào)模型，對(duì)全區(qū)119個(gè)自動(dòng)站2019年10月1日到2020年10月1日1年的數(shù)據(jù)進(jìn)行風(fēng)速預(yù)報(bào)評(píng)估。評(píng)估結(jié)果表明，風(fēng)速模型預(yù)報(bào)平均絕對(duì)誤差相對(duì)于指導(dǎo)預(yù)報(bào)（SCMOC）預(yù)報(bào)平均絕對(duì)誤差（MAE）降低14.17%（ML MODEL：1.035，SCMOC：1.20）；

評(píng)分提高了4.63%（ML MODEL：0.752，SCMOC：0.719）；準(zhǔn)確率提高了13.16%（ML MODEL：0.493 4，

SCMOC：0.436 1）；風(fēng)速≤6級(jí)準(zhǔn)確率提高了13.15%（ML MODEL：0.493 8，SCMOC：0.436 4）；6～8級(jí)和≥8級(jí)基本相同。

圖6展示了3至72小時(shí)逐3小時(shí)預(yù)報(bào)風(fēng)速模型預(yù)報(bào)評(píng)分和指導(dǎo)預(yù)報(bào)（SCMOC）預(yù)報(bào)評(píng)分對(duì)比。

圖7展示了3至72小時(shí)逐3小時(shí)預(yù)報(bào)風(fēng)速模型預(yù)報(bào)平均絕對(duì)誤差和指導(dǎo)預(yù)報(bào)（SCMOC）預(yù)報(bào)平均絕對(duì)誤差對(duì)比。

3.3? 風(fēng)向預(yù)報(bào)模型效果評(píng)估

基于風(fēng)向預(yù)報(bào)模型，對(duì)全區(qū)119個(gè)自動(dòng)站2019年10月1日到2020年10月1日1年的數(shù)據(jù)進(jìn)行風(fēng)向預(yù)報(bào)評(píng)估。評(píng)估結(jié)果表明，風(fēng)向模型預(yù)報(bào)平均絕對(duì)誤差相對(duì)于指導(dǎo)預(yù)報(bào)（SCMOC）預(yù)報(bào)平均絕對(duì)誤差（MAE）降低23.61%（ML MODEL：43.03，SCMOC：56.35）；評(píng)分提高了23.5%（ML MODEL：0.651，SCMOC：0.528）；準(zhǔn)確率提高了44.1%（ML MODEL：0.454，SCMOC：0.315）。

圖8展示了3至72小時(shí)逐3小時(shí)預(yù)報(bào)風(fēng)向模型預(yù)報(bào)評(píng)分和指導(dǎo)預(yù)報(bào)（SCMOC）預(yù)報(bào)評(píng)分對(duì)比。

圖9展示了3至72小時(shí)逐3小時(shí)預(yù)報(bào)風(fēng)向模型預(yù)報(bào)平均絕對(duì)誤差和指導(dǎo)預(yù)報(bào)（SCMOC）預(yù)報(bào)平均絕對(duì)誤差對(duì)比。

4? 結(jié)? 論

受制于目前的超算性能和超高分辨率數(shù)值天氣技術(shù)理論尚無突破，數(shù)值模式對(duì)風(fēng)的預(yù)報(bào)能力仍顯不足。本研究通過基于機(jī)器學(xué)習(xí)方法對(duì)數(shù)值模式風(fēng)的預(yù)報(bào)產(chǎn)品進(jìn)行了釋用，建立了較為完整的風(fēng)場(chǎng)預(yù)報(bào)智能模型，從評(píng)估結(jié)果來看風(fēng)速模型、風(fēng)向模型預(yù)測(cè)結(jié)果通過不同的評(píng)估方法評(píng)估結(jié)果相比SCMOC均有提高，為內(nèi)蒙古智能網(wǎng)格預(yù)報(bào)提供技術(shù)支撐。

參考文獻(xiàn)：

[1] ZHANG K，MU M，WANG Q.Identifying the sensitive area in adaptive observation for predicting the upstream Kuroshio transport variation in a 3-D ocean model [J].Science China（Earth Sciences），2017，60（5）：866-875.

[2] 李莉，朱躍建.T213降水預(yù)報(bào)訂正系統(tǒng)的建立與研究 [J].應(yīng)用氣象學(xué)報(bào)，2006（S1）：130-134.

[3] 薛諶彬，陳嫻，張瑛，等.ECMWF高分辨率模式2m溫度預(yù)報(bào)誤差訂正方法研究 [J].氣象，2019，45（6）：831-842.

[4] WEI C C. Study on Wind Simulations Using Deep Learning Techniques during Typhoons： A Case Study of Northern Taiwan [J/OL].Atmosphere，2019，10（11）：684[2023-05-29].https：//doi.org/10.3390/atmos10110684.

[5] 陳法敬，矯梅燕，陳靜.一種溫度集合預(yù)報(bào)產(chǎn)品釋用方法的初步研究 [J].氣象，2011，37（1）：14-20.

[6] 劉大剛，李志華.大風(fēng)風(fēng)力預(yù)報(bào)準(zhǔn)確率的統(tǒng)計(jì)特征分析 [J].大連海事大學(xué)學(xué)報(bào)，2003（4）：47-49.

[7] 孫軍波，錢燕珍，陳佩燕，等.登陸臺(tái)風(fēng)站點(diǎn)大風(fēng)預(yù)報(bào)的人工神經(jīng)網(wǎng)絡(luò)方法 [J].氣象，2010，36（9）：81-86.

[8] GERS F A，Schmidhuber J，Cummins F，et al. Learning to Forget： Continual Prediction with LSTM [J].Neural Computation，2000，12（10）：2451-2471.

[9] CHEN T Q，Guestrin C.XGBoost： A Scalable Tree Boosting System [J/OL].arXiv：1603.02754 [cs.LG].[2023-05-29].https：//arxiv.org/abs/1603.02754.

[10] FRIEDMAN J H.Greedy Function Approximation： A Gradient Boosting Machine [J].Annals of Statistics，2001，29（5）：1189-1232.

[11] CHEN T Q，HE T，Benesty M，et al. xgboost： Extreme Gradient Boosting [EB/OL].https：//cran.r-project.org/web/packages/xgboost/index.html.

作者簡(jiǎn)介：劉輝（1989.03—），男，漢族，陜西洛南人，工程師，本科，研究方向：氣象數(shù)據(jù)處理、衛(wèi)星數(shù)據(jù)遙感。