智能網(wǎng)格24h精細(xì)預(yù)報(bào)汛期應(yīng)用樣例分析

袁學(xué)所 葛慶云 王剛 胡倩

摘 要：基于安徽省鳳陽(yáng)縣2020年汛期智能網(wǎng)格24h精細(xì)預(yù)報(bào)資料，選取7月22日至8月12日每日預(yù)報(bào)產(chǎn)品預(yù)報(bào)值及對(duì)應(yīng)時(shí)次（7月22日09時(shí)至8月13日08時(shí)共528個(gè)時(shí)次）實(shí)況資料，分別按上午、下午、夜間時(shí)段統(tǒng)計(jì)氣溫、降水、風(fēng)速、相對(duì)濕度預(yù)報(bào)準(zhǔn)確度和0.1mm以上降水空漏報(bào)情況，分析絕對(duì)誤差、相對(duì)誤差分布規(guī)律和統(tǒng)計(jì)學(xué)訂正效果。結(jié)果表明：智能網(wǎng)格要素預(yù)報(bào)與實(shí)況的線性相關(guān)系數(shù)自大到小依次為氣溫、相對(duì)濕度、降水量、風(fēng)速，前2項(xiàng)要素預(yù)報(bào)的絕對(duì)誤差與相對(duì)誤差相對(duì)較小，后2項(xiàng)要素預(yù)報(bào)的各項(xiàng)誤差相對(duì)較大;氣溫預(yù)報(bào)平均絕對(duì)誤差絕對(duì)值不超1.04℃，上午時(shí)段預(yù)報(bào)值較實(shí)況偏高占71.97%;相對(duì)濕度預(yù)報(bào)平均絕對(duì)誤差絕對(duì)值不超7.43%，上午時(shí)段預(yù)報(bào)誤差較夜間、下午大;風(fēng)速預(yù)報(bào)雖然平均絕對(duì)誤差絕對(duì)值不超1.02m/s，但平均相對(duì)誤差絕對(duì)值均超64%;降水預(yù)報(bào)漏報(bào)率均不超6.06%，空?qǐng)?bào)率在4.55%～19.32%，平均絕對(duì)誤差絕對(duì)值不超2.93mm;經(jīng)線性回歸方程訂正，大多能減小智能網(wǎng)格預(yù)報(bào)的系統(tǒng)性誤差。

關(guān)鍵詞：智能網(wǎng)格預(yù)報(bào);汛期應(yīng)用;精細(xì)化

中圖分類號(hào) P49文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 1007-7731（2021）12-0144-04

天氣預(yù)報(bào)業(yè)務(wù)經(jīng)歷了從原來(lái)的城市站點(diǎn)天氣預(yù)報(bào)，到2010年《現(xiàn)代天氣業(yè)務(wù)發(fā)展指導(dǎo)意見》提出制作逐6h的城鎮(zhèn)、鄉(xiāng)鎮(zhèn)精細(xì)化天氣預(yù)報(bào)，但并未根本上改變預(yù)報(bào)內(nèi)容。近年來(lái)，廣東、上海等省市由于服務(wù)的需求，倒逼發(fā)展精細(xì)化格點(diǎn)預(yù)報(bào)。第7次全國(guó)氣象預(yù)報(bào)工作會(huì)和《現(xiàn)代氣象預(yù)報(bào)業(yè)務(wù)發(fā)展規(guī)劃》提出了現(xiàn)代氣象預(yù)報(bào)業(yè)務(wù)無(wú)縫隙、精準(zhǔn)化、智慧型的發(fā)展方向，2016年開展了全國(guó)精細(xì)化格點(diǎn)預(yù)報(bào)實(shí)驗(yàn)業(yè)務(wù)。經(jīng)過近幾年的實(shí)踐，已初步形成了智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)。

智能網(wǎng)格預(yù)報(bào)就是用云計(jì)算、互聯(lián)網(wǎng)+、人工智能等現(xiàn)代信息技術(shù)和氣象大數(shù)據(jù)應(yīng)用技術(shù)來(lái)改造傳統(tǒng)預(yù)報(bào)業(yè)務(wù)，實(shí)現(xiàn)業(yè)務(wù)技術(shù)客觀智能，業(yè)務(wù)流程扁平高效，網(wǎng)格預(yù)報(bào)滾動(dòng)制作、實(shí)時(shí)同步、協(xié)同一致。在智能網(wǎng)格預(yù)報(bào)發(fā)展過程中，一些學(xué)者對(duì)此已經(jīng)展開了一些研究[1-7]。例如，邵建[1]等采用時(shí)間差分法對(duì)預(yù)報(bào)變量開展協(xié)調(diào)處理，研究出時(shí)空協(xié)調(diào)一致技術(shù)，該項(xiàng)技術(shù)在主客觀融合訂正、格點(diǎn)/站點(diǎn)/落區(qū)一體化中發(fā)揮了重要作用。賈艷輝[2]等研究智能網(wǎng)格預(yù)報(bào)在撲火服務(wù)中的評(píng)估及應(yīng)用，發(fā)現(xiàn)智能網(wǎng)格預(yù)報(bào)結(jié)果要素豐富、時(shí)空分辨率高，在火場(chǎng)的決策氣象服務(wù)中有較高的應(yīng)用價(jià)值。沈潔[3]等通過對(duì)2017年11月至2018年3月最高、最低溫度格點(diǎn)預(yù)報(bào)及實(shí)況數(shù)據(jù)，按“鄰近距離最短優(yōu)先”原則，讀取西寧市38個(gè)測(cè)站智能網(wǎng)格預(yù)報(bào)產(chǎn)品，檢驗(yàn)同時(shí)段內(nèi)的實(shí)況值，來(lái)檢驗(yàn)智能網(wǎng)格預(yù)報(bào)的準(zhǔn)確性。方永俠[4]等總結(jié)了智能網(wǎng)格預(yù)報(bào)在陜西省第十六屆運(yùn)動(dòng)會(huì)氣象服務(wù)保障中的應(yīng)用。

2020年汛期，江淮地區(qū)遭受了超長(zhǎng)梅雨天氣。面對(duì)極其嚴(yán)峻的防汛形勢(shì)，鳳陽(yáng)縣氣象局于7月22日至8月12日首次應(yīng)用國(guó)家氣象中心（中央氣象臺(tái)）智能網(wǎng)格預(yù)報(bào)產(chǎn)品開發(fā)本地服務(wù)產(chǎn)品，進(jìn)行了24h氣溫、降水、風(fēng)速、相對(duì)濕度逐小時(shí)精細(xì)化預(yù)報(bào)服務(wù)嘗試，但對(duì)該預(yù)報(bào)服務(wù)的準(zhǔn)確度等情況尚未進(jìn)行全面系統(tǒng)的定量化檢驗(yàn)評(píng)估。對(duì)該服務(wù)過程相關(guān)情況做定量分析，將有助于客觀把握目前智能網(wǎng)格預(yù)報(bào)產(chǎn)品的精細(xì)化預(yù)報(bào)能力，為今后精細(xì)化預(yù)報(bào)服務(wù)開展和智能網(wǎng)格預(yù)報(bào)業(yè)務(wù)的優(yōu)化提供客觀依據(jù)。

1 資料與方法

選取2020年7月22日至8月12日鳳陽(yáng)縣氣象局每日預(yù)報(bào)服務(wù)產(chǎn)品中24h智能網(wǎng)格氣溫、相對(duì)濕度、風(fēng)速、降水量預(yù)報(bào)結(jié)論，該數(shù)據(jù)來(lái)源于國(guó)家氣象中心智能網(wǎng)格預(yù)報(bào)應(yīng)用分析平臺(tái);選取對(duì)應(yīng)時(shí)次，即7月22日09時(shí)至8月13日08時(shí)共528個(gè)時(shí)次鳳陽(yáng)國(guó)家氣象觀測(cè)站逐小時(shí)實(shí)況資料。運(yùn)用地面氣象月報(bào)表數(shù)據(jù)文件（A文件）查詢軟件（SMSD）、Excel軟件、SPSS Statistics軟件等分析預(yù)報(bào)量的絕對(duì)誤差、相對(duì)誤差、線性相關(guān)系數(shù)、0.1mm以上降水空漏報(bào)率等統(tǒng)計(jì)特征，分析項(xiàng)目每要素14項(xiàng)，降水增加2項(xiàng)達(dá)16項(xiàng)，具體分析項(xiàng)目間表1～4。所有項(xiàng)目均按上午08：01—14：00、下午14：01—20：00、夜間20：01—08：00等3個(gè)時(shí)段分別統(tǒng)計(jì)，對(duì)統(tǒng)計(jì)結(jié)果加以分析總結(jié)，找出誤差分布特征，給出線性回歸訂正方程，以消除預(yù)報(bào)量存在的系統(tǒng)性偏差。

分析約定：絕對(duì)誤差為預(yù)報(bào)量與實(shí)況之差;相對(duì)誤差為絕對(duì)誤差占實(shí)況的百分比;線性相關(guān)系數(shù)、回歸方程指實(shí)況與預(yù)報(bào)量之間的統(tǒng)計(jì)關(guān)系，實(shí)況為因變量，預(yù)報(bào)量為自變量。降水空?qǐng)?bào)指預(yù)報(bào)了0.1mm及其以上降水，實(shí)況為無(wú)降水或雨量不足0.1mm;降水漏報(bào)指實(shí)況為0.1mm及以上降水，但預(yù)報(bào)降水量為0.0mm或無(wú)降水。降水預(yù)報(bào)誤差不統(tǒng)計(jì)空漏報(bào)時(shí)次和實(shí)況為無(wú)降水時(shí)次。

2 結(jié)果與分析

2.1 氣溫 由表1可知：絕對(duì)誤差均方差在1.117～1.264℃，由小到大排序?yàn)樯衔?、下午、夜間;最大絕對(duì)誤差絕對(duì)值為3.1～6.6℃，由小到大排序?yàn)樯衔?、夜間、下午;絕對(duì)誤差絕對(duì)值≤2℃頻率在87.88%～95.45%，由小到大排序?yàn)樯衔?、夜間、下午;絕對(duì)誤差絕對(duì)值≤1℃頻率在54.55%～64.39%，由小到大排序?yàn)橐归g、上午、下午;預(yù)報(bào)較實(shí)況偏高頻率在44.32%～71.97%，由小到大排序?yàn)橐归g、下午、上午;預(yù)報(bào)較實(shí)況偏低頻率在25.76%～52.27%，由小到大排序?yàn)樯衔?、下午、夜間;平均絕對(duì)誤差絕對(duì)值在0.90～1.04℃，由小到大排序?yàn)橄挛纭⒁归g、上午;平均相對(duì)誤差絕對(duì)值在3.23%～4.08%，由小到大排序?yàn)橄挛?、上午、夜間;預(yù)報(bào)與實(shí)況的相關(guān)系數(shù)在0.854～0.939，由小到大排序?yàn)橐归g、下午、上午，均通過信度0.001的顯著性檢驗(yàn);線性回歸方程標(biāo)準(zhǔn)差在1.121～1.231℃，由小到大排序?yàn)橐归g、上午、下午;經(jīng)線性回歸方程訂正后平均絕對(duì)誤差絕對(duì)值在0.88～0.99℃，由小到大排序?yàn)樯衔?、下午、夜間;訂正后平均絕對(duì)誤差絕對(duì)值變化量在-0.16～0.00℃，由小到大的排序?yàn)樯衔?、夜間、下午。

總體而言，智能網(wǎng)格逐小時(shí)氣溫預(yù)報(bào)效果良好，平均絕對(duì)誤差絕對(duì)值為1.04℃以下，平均相對(duì)誤差絕對(duì)值為4.08%以下。其中，上午預(yù)報(bào)值較實(shí)況偏高頻率達(dá)71.97%，經(jīng)線性回歸方程訂正后，其平均絕對(duì)誤差絕對(duì)值減小0.16℃。

2.2 相對(duì)濕度 由表2可知：絕對(duì)誤差均方差在4.220%～9.746%，由小到大排序?yàn)橐归g、下午、上午;最大絕對(duì)誤差絕對(duì)值在15.0%～39.6%，由小到大排序?yàn)橐归g、下午、上午;絕對(duì)誤差絕對(duì)值≤5%頻率在40.91%～75.76%，由小到大排序?yàn)橄挛?、上午、夜間;絕對(duì)誤差絕對(duì)值≤10%頻率在77.27%～96.59%，由小到大排序?yàn)樯衔?、下午、夜間（其中，上午、下午并列）;預(yù)報(bào)較實(shí)況偏高頻率在34.85%～42.42%，由小到大排序?yàn)橐归g、下午、上午;預(yù)報(bào)較實(shí)況偏低頻率在56.06%～64.77%，由小到大排序?yàn)樯衔?、下午、夜間;平均絕對(duì)誤差絕對(duì)值在3.37%～7.43%，由小到大排序?yàn)橐归g、下午、上午;平均相對(duì)誤差絕對(duì)值在3.58%～9.12%，由小到大排序?yàn)橐归g、下午、上午;預(yù)報(bào)與實(shí)況的相關(guān)系數(shù)在0.494～0.664，由小到大排序?yàn)橐归g、上午、下午，均通過信度0.001的顯著性檢驗(yàn);線性回歸方程標(biāo)準(zhǔn)差在3.794%～8.078%，由小到大排序?yàn)橐归g、下午、上午;經(jīng)線性回歸方程訂正后平均絕對(duì)誤差絕對(duì)值在2.92%～6.76%，由小到大排序?yàn)橐归g、下午、上午;訂正后平均絕對(duì)誤差絕對(duì)值變化量（%）在-0.91%～-0.45%，由小到大排序?yàn)橄挛纭⑸衔?、夜間。

總體而言，智能網(wǎng)格逐小時(shí)濕度預(yù)報(bào)效果良好，夜間的絕對(duì)誤差絕對(duì)值≤10%頻率可達(dá)96.59%。平均絕對(duì)誤差絕對(duì)值都在7.43%以下，且由于濕度實(shí)況值基數(shù)較大，平均相對(duì)誤差絕對(duì)值較小，都在9.12%以下。其中，下午平均相對(duì)誤差絕對(duì)值為6.84%，經(jīng)線性回歸方程訂正后，其平均絕對(duì)誤差絕對(duì)值可減小0.91%。上午平均絕對(duì)誤差絕對(duì)值為7.43%，經(jīng)線性回歸方程訂正后，其平均絕對(duì)誤差絕對(duì)值可減小0.67%。比較而言，上午預(yù)報(bào)誤差較夜間、下午大一些，夜間預(yù)報(bào)誤差最小，這可能與08—20時(shí)相對(duì)濕度受氣溫影響變化較大，且與不穩(wěn)定降水過程有關(guān)。

2.3 風(fēng)速 由表3可知：絕對(duì)誤差均方差在1.196～1.331m/s，由小到大排序?yàn)橐归g、下午、上午;最大絕對(duì)誤差絕對(duì)值在3.9～4.5m/s，由小到大排序?yàn)橐归g、上午、下午（其中，上午、下午并列）;絕對(duì)誤差絕對(duì)值≤0.5m/s頻率在35.61%～48.11%，由小到大排序?yàn)橄挛纭⑸衔?、夜間;絕對(duì)誤差絕對(duì)值≤1.0m/s頻率在59.85%～70.83%，由小到大排序?yàn)橄挛?、上午、夜間;預(yù)報(bào)較實(shí)況偏高的頻率在53.03%～56.82%，由小到大排序?yàn)橄挛?、夜間、上午（其中，下午、夜間并列）;預(yù)報(bào)較實(shí)況偏低頻率在41.67%～43.18%，由小到大排序?yàn)樯衔?、夜間、下午（其中，上午、夜間并列）;平均絕對(duì)誤差絕對(duì)值在0.88～1.02m/s，由小到大排序?yàn)橐归g、上午、下午;平均相對(duì)誤差絕對(duì)值為64.27%～81.47%，由小到大排序?yàn)樯衔?、下午、夜間;預(yù)報(bào)與實(shí)況的相關(guān)系數(shù)在-0.030～0.182，由小到大排序?yàn)橐归g、上午、下午，其中下午通過信度0.05的顯著性檢驗(yàn);線性回歸方程標(biāo)準(zhǔn)差在0.796～1.041m/s，由小到大排序?yàn)橐归g、上午、下午;經(jīng)線性回歸方程訂正后平均絕對(duì)誤差絕對(duì)值在0.61～0.85m/s，由小到大排序?yàn)橐归g、上午、下午;訂正后平均絕對(duì)誤差絕對(duì)值變化量在-0.28～-0.17m/s，由小到大排序?yàn)樯衔纭⒁归g、下午。

總體而言，智能網(wǎng)格逐小時(shí)風(fēng)速預(yù)報(bào)精度不足，雖然平均絕對(duì)誤差絕對(duì)值1.02m/s以下，但由于風(fēng)速實(shí)況基數(shù)值較小，所以平均相對(duì)誤差絕對(duì)值在夜間最高可達(dá)81.47%。其中，夜間絕對(duì)誤差≤1m/s的頻率占70.83%，且夜間的平均絕對(duì)誤差絕對(duì)值為0.88m/s，經(jīng)線性回歸方程訂正后，其平均絕對(duì)誤差絕對(duì)值可減小0.27m/s。上午的平均絕對(duì)誤差絕對(duì)值為0.97m/s，經(jīng)線性回歸方程訂正后，其平均絕對(duì)誤差絕對(duì)值減小0.28m/s。

2.4 降水 由表4可知：降水的空?qǐng)?bào)率在4.55%～19.32%，由小到大排序?yàn)橄挛纭⑸衔?、夜間;漏報(bào)率在3.03%～6.06%，由小到大排序?yàn)橐归g、上午、下午;絕對(duì)誤差均方差在0.812～4.524mm，由小到大排序?yàn)樯衔?、下午、夜間;最大絕對(duì)誤差絕對(duì)值在1.5～12.7mm，由小到大排序?yàn)樯衔?、下午、夜間;絕對(duì)誤差絕對(duì)值≤0.5mm頻率在6.25%～53.85%，由小到大排序?yàn)橐归g、下午、上午;絕對(duì)誤差絕對(duì)值≤1.0mm頻率在12.50%～69.23%，由小到大排序?yàn)橐归g、下午、上午;預(yù)報(bào)較實(shí)況偏高的頻率在50.00%～65.63%，由小到大排序?yàn)橄挛?、上午、夜間;預(yù)報(bào)較實(shí)況偏低頻率在31.25%～50.00%，由小到大排序?yàn)橐归g、上午、下午;平均絕對(duì)誤差絕對(duì)值在0.62～2.93mm，由小到大排序?yàn)樯衔?、下午、夜間;平均相對(duì)誤差絕對(duì)值在63.52%～460.65%，由小到大排序?yàn)橄挛?、上午、夜間;預(yù)報(bào)與實(shí)況的相關(guān)系數(shù)在0.208～0.295，由小到大排序?yàn)橄挛?、上午、夜間，其中，夜間通過信度0.001的顯著性檢驗(yàn)，上午通過了信度為0.01的顯著性檢驗(yàn)，下午通過了信度為0.05的顯著性檢驗(yàn);線性回歸方程標(biāo)準(zhǔn)差在0.225～1.912mm，由小到大排序?yàn)樯衔?、下午、夜間;經(jīng)線性回歸方程訂正后平均絕對(duì)誤差絕對(duì)值在0.47～2.25mm，由小到大排序?yàn)樯衔?、下午、夜間;訂正后平均絕對(duì)誤差絕對(duì)值變化量（mm）在-0.68～0.09mm，由小到大排序?yàn)橐归g、上午、下午。

總體而言，智能網(wǎng)格逐小時(shí)降水預(yù)報(bào)有一定的參考價(jià)值，漏報(bào)率在6.06%以下，但空?qǐng)?bào)率相對(duì)較大，夜間高達(dá)19.32%;其中夜間的最大絕對(duì)誤差絕對(duì)值高達(dá)12.7mm。平均絕對(duì)誤差絕對(duì)值都在2.93mm以下，但由于小時(shí)降水量基數(shù)一般較小，夜間平均相對(duì)誤差絕對(duì)值可達(dá)460.65%。上午絕對(duì)誤差≤1.0mm的頻率達(dá)69.23%。其中，上午的平均絕對(duì)誤差絕對(duì)值為0.62mm，經(jīng)線性回歸方程訂正后，其平均絕對(duì)誤差絕對(duì)值可減小0.15mm。夜間的平均絕對(duì)誤差絕對(duì)值達(dá)2.93mm，但經(jīng)線性回歸方程訂正后，其平均絕對(duì)誤差絕對(duì)值可減小0.68mm。

3 結(jié)論

（1）智能網(wǎng)格預(yù)報(bào)產(chǎn)品可給出某地未來(lái)24h氣溫、相對(duì)濕度、風(fēng)速、降水量等氣象要素的逐小時(shí)精細(xì)預(yù)報(bào)，能為做好定點(diǎn)定時(shí)精細(xì)氣象預(yù)報(bào)服務(wù)提供參考。

（2）樣例分析表明，智能網(wǎng)格要素預(yù)報(bào)與實(shí)況的線性相關(guān)系數(shù)自大到小依次為氣溫、相對(duì)濕度、降水量、風(fēng)速。前2項(xiàng)要素預(yù)報(bào)的絕對(duì)誤差與相對(duì)誤差相對(duì)較小;后2項(xiàng)要素預(yù)報(bào)的各項(xiàng)誤差相對(duì)較大。

（3）樣例氣溫預(yù)報(bào)平均絕對(duì)誤差絕對(duì)值不超1.04℃，平均相對(duì)誤差絕對(duì)值不超4.08%。其中，上午時(shí)段預(yù)報(bào)值較實(shí)況偏高頻率達(dá)71.97%。

（4）樣例相對(duì)濕度預(yù)報(bào)平均絕對(duì)誤差絕對(duì)值不超7.43%，平均相對(duì)誤差絕對(duì)值不超9.12%。上午時(shí)段預(yù)報(bào)誤差較夜間、下午大一些，夜間預(yù)報(bào)誤差最小，這可能與降水過程及其預(yù)報(bào)能力有關(guān)。

（5）樣例風(fēng)速預(yù)報(bào)雖然平均絕對(duì)誤差絕對(duì)值不超1.02m/s，但平均相對(duì)誤差絕對(duì)值均超64%，夜間可達(dá)81.47。上午和夜間時(shí)段風(fēng)速預(yù)報(bào)與實(shí)況的相關(guān)系數(shù)不顯著。

（6）樣例降水預(yù)報(bào)漏報(bào)率均不超6.06%;空?qǐng)?bào)率為4.55%～19.32%，依次分別為下午、上午、夜間。降水量預(yù)報(bào)平均絕對(duì)誤差絕對(duì)值不超2.93mm，但受實(shí)況降水量有時(shí)偏小影響，夜間時(shí)段平均相對(duì)誤差絕對(duì)值高達(dá)460.65%。

（7）用樣例資料建立了以預(yù)報(bào)值為因子，實(shí)況值為模擬對(duì)象的線性回歸方程。經(jīng)回歸方程訂正后，各要素大部分時(shí)段平均絕對(duì)誤差絕對(duì)值不同程度減小，有利于減小智能網(wǎng)格預(yù)報(bào)的系統(tǒng)性誤差。

參考文獻(xiàn)

[1]邵建，張肅詔，李強(qiáng)，等.智能網(wǎng)格預(yù)報(bào)時(shí)空協(xié)調(diào)一致關(guān)鍵技術(shù)研發(fā)[J].氣象科學(xué)，2019，39（6）：847-852.

[2]賈艷輝，王承偉，孫琪，等.智能網(wǎng)格預(yù)報(bào)在撲火服務(wù)中的評(píng)估及應(yīng)用探討[J].黑龍江氣象，2019，36（3）：12-13.

[3]沈潔，朱寶文.智能網(wǎng)格預(yù)報(bào)在西寧最高、最低溫度中的檢驗(yàn)[J].青海農(nóng)林科技，2020（2）：54-59，93.

[4]方永俠，范承.智能網(wǎng)格預(yù)報(bào)在陜西省第十六屆運(yùn)動(dòng)會(huì)氣象服務(wù)保障中的應(yīng)用[J].江西農(nóng)業(yè)，2019（16）：33-34.

[5]時(shí)洋，吳乃庚，羅聰，等.多模式集成釋用在廣東智能網(wǎng)格溫度預(yù)報(bào)中的應(yīng)用評(píng)估[J].廣東氣象，2020，42（4）：40-43.

[6]高萌，劉帆，王瑾婷，等.關(guān)中一次大暴雨天氣過程成因分析及陜西智能網(wǎng)格預(yù)報(bào)檢驗(yàn)[J].陜西氣象，2019（5）：28-34.

[7]彭飛，趙清揚(yáng).智能網(wǎng)格預(yù)報(bào)在專業(yè)氣象服務(wù)中的應(yīng)用[J].中低緯山地氣象，2020，44（1）：80-83. （責(zé)編：張宏民）