基于神經(jīng)網(wǎng)絡(luò)的路橋地區(qū)最高氣溫訂正研究

王鵬 張少華 秦采薇 王宏宇 黃曉龍

摘? 要：基于浙江省智能網(wǎng)格模式2 m溫度預(yù)報(bào)產(chǎn)品，結(jié)合NCEP再分析資料、路橋區(qū)域站氣象觀測(cè)資料，對(duì)模式2018—2020年路橋地區(qū)最高氣溫預(yù)報(bào)能力進(jìn)行檢驗(yàn)分析，利用BP神經(jīng)網(wǎng)絡(luò)建立最高氣溫訂正模型。結(jié)果表明，該模式對(duì)路橋區(qū)夏季和秋季2 m最高氣溫預(yù)報(bào)具有較好的指導(dǎo)作用，2 ℃以內(nèi)平均準(zhǔn)確率為78%，平均絕對(duì)誤差為1.3 ℃，春季和冬季預(yù)報(bào)能力偏弱。訂正后2020年各站最高氣溫≤2 ℃，平均準(zhǔn)確率由65%提高到90%，平均絕對(duì)誤差由1.8 ℃下降到1.0 ℃，這說明BP神經(jīng)網(wǎng)絡(luò)對(duì)路橋地區(qū)2 m最高氣溫有很好的訂正效果。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；最高氣溫；氣溫訂正；智能網(wǎng)格預(yù)報(bào)

中圖分類號(hào)：TP183；P423 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）06-0092-06

Study on the Correction of Maximum Air Temperature in Luqiao District Based on Neural Network

WANG Peng1， ZHANG Shaohua1， QIN Caiwei1， WANG Hongyu1， HUANG Xiaolong2

（1.Luqiao Meteorological Bureau， Taizhou? 318050， China; 2.Taizhou Meteorological Bureau， Taizhou? 318000， China）

Abstract： Based on the 2 m temperature forecast product of the intelligent grid mode of Zhejiang Province， combined with the NCEP reanalysis data and the meteorological observation data of the Luqiao regional station， the maximum temperature forecast ability of the model from 2018 to 2020 in the Luqiao district is tested and analyzed， and the maximum temperature correction model is established using the BP neural network. The results show that the model has a good guiding effect on the prediction of the maximum temperature of 2 m in summer and autumn in the Luqiao district. The average accuracy within 2 ℃ is 78%， the average absolute error is 1.3 ℃， and the prediction ability in spring and winter is weak. After correction， the maximum temperature at each station in 2020 is less than or equal to 2 ℃， the average accuracy rate increases from 65% to 90%， and the average absolute error decreases from 1.8 ℃ to 1.0 ℃， which shows that BP neural network has a good correction effect on the maximum temperature of 2 m in the Luqiao district.

Keywords： neural network; maximum air temperature; air temperature correction; intelligent grid forecasting

0? 引? 言

近年來隨著經(jīng)濟(jì)發(fā)展和人民生活水平不斷提高，對(duì)天氣預(yù)報(bào)的時(shí)間和空間分辨率需求更加精細(xì)。基于精細(xì)化網(wǎng)格預(yù)報(bào)的現(xiàn)代天氣預(yù)報(bào)逐漸替代了傳統(tǒng)的城市站點(diǎn)天氣預(yù)報(bào)業(yè)務(wù)體系，智能網(wǎng)格預(yù)報(bào)是目前現(xiàn)代天氣業(yè)務(wù)的重要業(yè)務(wù)體系和天氣預(yù)報(bào)的未來發(fā)展方向[1，2]。2018年浙江省氣象局依據(jù)業(yè)務(wù)需求建立了浙江省智能網(wǎng)格業(yè)務(wù)平臺(tái)，為了掌握智能網(wǎng)格溫度預(yù)報(bào)產(chǎn)品的預(yù)報(bào)性能，更好地對(duì)預(yù)報(bào)產(chǎn)品進(jìn)行解釋應(yīng)用，就需要對(duì)產(chǎn)品進(jìn)行訂正分析。許多氣象工作者通過人工智能神經(jīng)網(wǎng)絡(luò)方法進(jìn)行氣象預(yù)報(bào)研究[3-8]，吳君等建立BP-MOS神經(jīng)網(wǎng)絡(luò)算法，發(fā)現(xiàn)氣溫預(yù)報(bào)準(zhǔn)確率高于逐步回歸模型和M55模型；任巧麗等結(jié)合主成分分析（PCA）和RBF神經(jīng)網(wǎng)絡(luò)，建立溫度預(yù)報(bào)模型，提高預(yù)報(bào)的準(zhǔn)確率；李倩等利用BP網(wǎng)絡(luò)模式預(yù)報(bào)溫度進(jìn)行訂正，能有效減小模式預(yù)報(bào)偏差；雷彥森等在ECMWF、CMA和JMA等數(shù)值預(yù)報(bào)產(chǎn)品基礎(chǔ)上，用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行集成預(yù)報(bào)；李虎超等采用BP神經(jīng)網(wǎng)絡(luò)方法建立預(yù)測(cè)數(shù)值模式非系統(tǒng)性預(yù)報(bào)誤差的模型，并驗(yàn)證了該模型的預(yù)測(cè)能力；郭慶春等利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)工具，建立比多元回歸分析精度更高的BP神經(jīng)網(wǎng)絡(luò)算法。上述研究表明人工神經(jīng)網(wǎng)絡(luò)在溫度訂正中具有一定優(yōu)勢(shì)。此前還未開展浙江省智能網(wǎng)格氣溫預(yù)報(bào)產(chǎn)品在路橋地區(qū)訂正評(píng)估工作，本文通過BP神經(jīng)網(wǎng)格算法，建立路橋區(qū)各站點(diǎn)分季節(jié)2 m最高氣溫客觀預(yù)報(bào)技術(shù)方法，進(jìn)而提供更加精細(xì)準(zhǔn)確的站點(diǎn)溫度預(yù)報(bào)產(chǎn)品，對(duì)服務(wù)社會(huì)需求具有重要意義。

1? 資料與方法

1.1? 試驗(yàn)資料

使用2018年1月－2020年12月浙江省智能網(wǎng)格預(yù)報(bào)的路橋地區(qū)（121.20～121.65，28.45～28.65，共計(jì)50個(gè)格點(diǎn)）0.05°×0.05°分辨率的未來24 h逐日最高溫度格點(diǎn)產(chǎn)品，實(shí)況資料為路橋區(qū)10個(gè)具有代表性的區(qū)域自動(dòng)監(jiān)測(cè)站點(diǎn)（路橋、橫街、金清、黃瑯、桐嶼、新橋、蓬街、峰江、水廠、涼溪）日最高溫度。地面數(shù)據(jù)包括各站點(diǎn)6種氣象因子，高空數(shù)據(jù)包括NCEP116 h再分析資料三個(gè)高度的14種氣象因子，20種氣象因子數(shù)據(jù)如表1所示。用雙線性插值法將智能網(wǎng)格預(yù)報(bào)資料、高空氣象因子資料與實(shí)際站點(diǎn)進(jìn)行空間上的對(duì)應(yīng)。

1.2? 方法

BP神經(jīng)網(wǎng)絡(luò)是一種多層次的前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是誤差反向?qū)W習(xí)。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、隱藏層和輸出層。這三層神經(jīng)元所起的作用各不相同，輸入信息的傳輸路徑為輸入層-隱藏層-輸出層。如果輸出結(jié)果與實(shí)際預(yù)期的輸出結(jié)果產(chǎn)生“偏差”，則將兩者計(jì)算產(chǎn)生的偏差進(jìn)行反向傳輸，通過改變神經(jīng)元的權(quán)數(shù)和臨界值，使偏差最小。當(dāng)輸出偏差滿足預(yù)期要求，則系統(tǒng)停止網(wǎng)絡(luò)計(jì)算，并記錄各個(gè)神經(jīng)元的權(quán)數(shù)，最終得到BP網(wǎng)絡(luò)模型。

具體算法過程如下：

樣本數(shù)據(jù)正向傳輸，經(jīng)過輸入層后加權(quán)輸送給隱藏層，然后隱藏層各神經(jīng)元匯總所有的輸入，再通過轉(zhuǎn)移函數(shù)產(chǎn)生某種輸出，并通過下一層連接權(quán)重加權(quán)由輸出層輸出。BP神經(jīng)網(wǎng)絡(luò)隱藏層中第i個(gè)神經(jīng)元的輸出為：

（1）

輸出層中第k個(gè)神經(jīng)元的輸出為：

（2）

式中，n為輸入層節(jié)點(diǎn)數(shù)，pj為輸入層第j個(gè)神經(jīng)元的輸入，a1i為隱藏層含層節(jié)點(diǎn)i的輸出，a2k為輸出層節(jié)點(diǎn)k的輸出，w1ij為節(jié)點(diǎn)i和節(jié)點(diǎn)j的連接權(quán)值，w2kj為節(jié)點(diǎn)i和節(jié)點(diǎn)k的連接權(quán)值，b1i為隱藏層節(jié)點(diǎn)i的閡值，b2k為輸出層節(jié)點(diǎn)k的閡值，f1（·）和f2（·）分別為隱藏層和輸出層的傳遞函數(shù)。

比較期望輸出與實(shí)際輸出之間的誤差。誤差函數(shù)為：

（3）

誤差反傳階段，需將誤差送回，反向依次調(diào)整各連接層之間的權(quán)重并反復(fù)學(xué)習(xí)訓(xùn)練，一直循環(huán)直到輸出層輸出相對(duì)滿意的結(jié)果。

2? 訂正過程

2.1? 夏季最高氣溫訂正

以路橋站夏季最高溫度預(yù)測(cè)模型構(gòu)建為例，通過氣象因子與實(shí)況最高氣溫相關(guān)性分析，選擇6個(gè)最相關(guān)因子，包括（模式預(yù)報(bào)的最高氣溫，850 hpa溫度，日照時(shí)數(shù)，濕度，700 hpa溫度，500 hpa高度），1個(gè)輸出參數(shù)為日最高氣溫，樣本數(shù)為276（7列276行）。在建立模型前，將276個(gè)樣本分配成2：1，訓(xùn)練集與測(cè)試集樣本為184和92個(gè)，2018—2019年數(shù)據(jù)用于訓(xùn)練，2020年數(shù)據(jù)用于預(yù)測(cè)。通過MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，設(shè)定輸入層節(jié)點(diǎn)為6，輸出層節(jié)點(diǎn)為1，設(shè)置隱藏層節(jié)點(diǎn)數(shù)9，設(shè)定固定學(xué)習(xí)率為0.01，最大學(xué)習(xí)迭代次數(shù)為1 000次，通過反復(fù)迭代運(yùn)算，確定權(quán)值系數(shù)及閾值。為解決BP神經(jīng)網(wǎng)絡(luò)中輸入變量間單位及數(shù)量級(jí)不一致問題，采用歸一化處理將樣本數(shù)據(jù)控制在0-1，將輸出數(shù)據(jù)作反歸一化處理。在此學(xué)習(xí)訓(xùn)練過程結(jié)束后，比對(duì)實(shí)際值與預(yù)測(cè)值，利用相關(guān)系數(shù)R2驗(yàn)證該模型擬合程度，再結(jié)合平均絕對(duì)誤差（MSE）、≤2 ℃準(zhǔn)確率等，挑選出預(yù)測(cè)精度較高的模型。用相似方法得到其余9個(gè)站點(diǎn)的預(yù)測(cè)模型。不同之處是，金清站6個(gè)最相關(guān)因子分別為：模式預(yù)報(bào)的最高氣溫，850 hpa溫度，日照時(shí)數(shù)，濕度，700 hpa溫度，500 hpa風(fēng)速。

2.2? 秋季最高氣溫訂正

通過氣象因子相關(guān)性分析后，金清站6個(gè)最相關(guān)因子為：模式預(yù)報(bào)的最高氣溫，日照時(shí)數(shù)，850 hpa高度，500 hpa溫度，700 hpa溫度，850 hpa溫度。其余9個(gè)站點(diǎn)6個(gè)最相關(guān)因子包括：模式預(yù)報(bào)的最高氣溫，日照時(shí)數(shù)，500 hpa溫度，700 hpa溫度，850 hpa溫度，500 hpa風(fēng)速。再通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到了各站點(diǎn)秋季最高氣溫預(yù)測(cè)模型。

2.3? 冬季最高氣溫訂正

關(guān)于冬季最高氣溫訂正，考慮到冬季冷空氣影響下，會(huì)出現(xiàn)最高氣溫為前一天20時(shí)的情況，用14時(shí)相關(guān)因子分析，會(huì)有誤差。分析路橋站2018—2020年冷空氣影響下氣溫明顯倒置的天氣，即前一日20時(shí)氣溫超過12—16時(shí)最高氣溫2 ℃以上，發(fā)現(xiàn)冬季共有13天，屬于少數(shù)情況，因此不考慮專門進(jìn)行訂正。經(jīng)過因子相關(guān)性分析，路橋、橫街、黃瑯、新橋、峰江、螺洋6個(gè)站點(diǎn)最相關(guān)因子包括：模式預(yù)報(bào)的最高氣溫，日照時(shí)數(shù)，500 hpa高度，700 hpa高度，700 hpa溫度，850 hpa溫度。其余站點(diǎn)6個(gè)最相關(guān)因子為：模式預(yù)報(bào)的最高氣溫，500 hpa高度，700 hpa高度，700 hpa溫度，850 hpa溫度，850 hpa比濕。再通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到了10個(gè)站點(diǎn)冬季最高氣溫預(yù)測(cè)模型。

2.4? 春季最高氣溫訂正

在訂正路橋站春季最高氣溫時(shí)，發(fā)現(xiàn)按上述方法建立模型，≤2 ℃準(zhǔn)確率較低在70%以下。因此對(duì)春季天氣進(jìn)行了分型研究，通過分析天氣形勢(shì)，將春季天氣分為西南氣流型和非西南氣流型，西南氣流型850 hpa為南到西南氣流。由此得到了春季西南氣流型有128天，非西南氣流型有148天。

分析春季西南氣流型相關(guān)因子，考慮春季850 hpa在持續(xù)西南氣流或暖平流條件下，氣溫容易快速回升，增加850 hpa12小時(shí)變溫、850 hpa24小時(shí)變溫這兩個(gè)因子。氣象因子經(jīng)相關(guān)性分析，路橋站6個(gè)最相關(guān)因子包括：模式預(yù)報(bào)的最高氣溫，日照時(shí)數(shù)，500 hpa高度，700 hpa溫度，850 hpa溫度，850 hpa24小時(shí)變溫。其余9個(gè)站最相關(guān)因子為：模式預(yù)報(bào)的最高氣溫，日照時(shí)數(shù)，500 hpa高度，700hpa高度，700 hpa溫度，850 hpa溫度。為了取得更好的預(yù)測(cè)效果，將128個(gè)樣本分為4：1，再通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到10個(gè)站點(diǎn)春季西南氣流最高氣溫預(yù)測(cè)模型。

春季非西南氣流最高氣溫訂正各站點(diǎn)選擇7個(gè)相關(guān)因子，包括模式預(yù)報(bào)的最高氣溫，500 hpa高度，500 hpa溫度，700 hpa高度，850 hpa溫度，850 hpa比濕，500 hpa風(fēng)速。將148個(gè)樣本分為4：1，再通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到10個(gè)站點(diǎn)春季非西南氣流最高氣溫預(yù)測(cè)模型。

3? 檢驗(yàn)結(jié)果

依據(jù)《全國智能網(wǎng)格要素預(yù)報(bào)檢驗(yàn)辦法》，對(duì)2018年1月—2020年12月浙江省智能網(wǎng)格未來24 h逐日最高溫度格點(diǎn)預(yù)報(bào)產(chǎn)品，從≤1 ℃溫度預(yù)報(bào)準(zhǔn)確率、≤2 ℃溫度預(yù)報(bào)準(zhǔn)確率、均方根誤差、平均絕對(duì)誤差等幾個(gè)方面分析產(chǎn)品的預(yù)報(bào)性能。

3.1? 模式最高氣溫檢驗(yàn)

根據(jù)氣候統(tǒng)計(jì)將一年劃分為四個(gè)季節(jié)，其中冬季為12月至次年2月，春季為3—5月，夏季為6—8月，秋季為9—11月。

從圖1最高氣溫檢驗(yàn)可知，2018—2020年各站≤2 ℃準(zhǔn)確率最高的季節(jié)是夏季和秋季，平均準(zhǔn)確率可達(dá)到78%左右，最高金清站夏季準(zhǔn)確率為89%，冬季和春季平均準(zhǔn)確率均為68%左右，最低橫街冬季準(zhǔn)確率為57%。分站點(diǎn)來看模式對(duì)路橋沿海地區(qū)金清、蓬街站預(yù)報(bào)效果最好，四個(gè)季節(jié)準(zhǔn)確率均在73%以上，橫街站準(zhǔn)確率偏低在57%～68%之間。各站點(diǎn)≤1 ℃準(zhǔn)確率春季和冬季偏低均在50%以下，夏季和秋季準(zhǔn)確率略高，最高金清夏季為63%，但平均準(zhǔn)確率依然不到50%。從模式誤差分析來看，各站點(diǎn)平均絕對(duì)誤差春季、冬季最大，誤差均在1.4～2.0 ℃之間，除橫街站外夏季、秋季誤差在1.0～1.5 ℃之間；均方根誤差各站春季最高2.0～2.6 ℃，冬季次之1.8～2.6 ℃，秋季誤差最小在1.5～2.2 ℃之間。綜上所述，模式對(duì)路橋地區(qū)夏季和秋季2 m最高氣溫預(yù)報(bào)較有優(yōu)勢(shì)，對(duì)春季和冬季最高氣溫預(yù)報(bào)能力偏弱。

3.2? 春季最高氣溫訂正分析

預(yù)測(cè)模型春季訂正效果如圖2所示，可知訂正后各站點(diǎn)≤1 ℃準(zhǔn)確率訂正后提升到46%～53%，相對(duì)提升了2%～16%；≤2 ℃準(zhǔn)確率明顯提升，達(dá)到77%～87%，比模式預(yù)報(bào)相對(duì)提升5%～24%，路橋、橫街、涼溪和桐嶼改善效果明顯，提升17%～24%，峰江站訂正前后略有提升。訂正后各站點(diǎn)均方根誤差在1.5～1.8 ℃，下降了0.3～0.9 ℃，

各站點(diǎn)訂正后誤差均有不同程度減少，且不同站點(diǎn)差異較??；平均絕對(duì)誤差訂正后在1.1～1.3 ℃之間，誤差減少0.3～0.7 ℃。

3.3? 夏季最高氣溫訂正分析

分析圖3模型夏季訂正效果，訂正后夏季≤1 ℃準(zhǔn)確率提升到60%以上，提升了5%～33%；≤2 ℃準(zhǔn)確率橫街、桐嶼站明顯提升，其他各站略有提升，訂正后準(zhǔn)確率達(dá)到88%以上，提升了6%～24%。訂正后誤差明顯下降，均方根誤差在0.9～1.3 ℃，比模式預(yù)報(bào)下降了0.4～1 ℃，橫街、桐嶼站誤差明顯減小，訂正效果顯著；訂正后平均絕對(duì)誤差在0.68～0.96℃，誤差減少了0.3～0.9 ℃。

3.4? 秋季最高氣溫訂正分析

從圖4秋季訂正效果來看，訂正后各站≤1 ℃準(zhǔn)確率提升到66%～73%，比智能網(wǎng)格預(yù)報(bào)提升了10%～29%；≤2 ℃準(zhǔn)確率橫街、涼溪和桐嶼站明顯提升，達(dá)到10%～27%，最高橫街站提升了27%，訂正后各站準(zhǔn)確率均達(dá)到93%以上，提升效果顯著。訂正后各站點(diǎn)均方根誤差在0.9～1.2 ℃，誤差下降了0.5～1.1 ℃；平均絕對(duì)誤差明顯下降，各站點(diǎn)平均絕對(duì)誤差在0.7～0.9 ℃，誤差減少了0.3～0.8 ℃，訂正后各站誤差均較小。

3.5? 冬季最高氣溫訂正分析

預(yù)測(cè)模型冬季的訂正效果如圖5所示，經(jīng)模型訂正后冬季≤1 ℃準(zhǔn)確率提升到51%～66%，比智能網(wǎng)格預(yù)報(bào)提升了8%～30%；≤2 ℃準(zhǔn)確率除蓬街外，各站均有明顯提升，準(zhǔn)確率在81%～93%，比智能網(wǎng)格預(yù)報(bào)提升了6%～31%。訂正后各站點(diǎn)均方根誤差在1.2～1.5 ℃，誤差下降了0.4～1.4 ℃；平均絕對(duì)誤差訂正后在0.9～1.2 ℃之間，比智能網(wǎng)格預(yù)報(bào)下降了0.3～1.1 ℃。

3.6? 2020年最高氣溫訂正分析

將2020年智能網(wǎng)格2 m最高氣溫進(jìn)行訂正分析，如圖6所示，經(jīng)模型訂正后，各站≤1 ℃準(zhǔn)確率提升到58%～64%，比模式提升了10%～30%；≤2 ℃準(zhǔn)確率均有明顯提升，比智能網(wǎng)格預(yù)報(bào)提升了10%～30%，路橋、橫街、桐嶼站均提升了30%，各站點(diǎn)訂正后準(zhǔn)確率在89%～92%，訂正效果顯著。訂正后均方根誤差在1.3 ℃左右，誤差下降了0.9～2.3℃，訂正后誤差明顯下降；各站點(diǎn)平均絕對(duì)誤差在1 ℃以下，誤差下降了0.8～1.9 ℃。綜上所述，經(jīng)模型分季節(jié)訂正后，預(yù)報(bào)準(zhǔn)確率能明顯提升，能顯著降低誤差，說明BP神經(jīng)網(wǎng)絡(luò)對(duì)路橋地區(qū)最高氣溫訂正有很大改善，訂正效果顯著。

4? 結(jié)? 論

浙江省智能網(wǎng)格模式對(duì)路橋地區(qū)夏季和秋季2 m最高氣溫預(yù)報(bào)具有較好的指導(dǎo)作用，≤2 ℃平均準(zhǔn)確率為78%，平均絕對(duì)誤差為1.3 ℃，對(duì)春季和冬季最高氣溫預(yù)報(bào)能力偏弱。

分季節(jié)來看，訂正后秋季提升效果最為顯著，各站≤2 ℃準(zhǔn)確率達(dá)到93%以上，平均絕對(duì)誤差在0.7～0.9 ℃之間；訂正后春季的準(zhǔn)確率較其他季節(jié)低，≤2 ℃準(zhǔn)確率77%～87%，平均絕對(duì)誤差1.1～1.3℃。

訂正后2020年各站最高氣溫≤2 ℃準(zhǔn)確率均有明顯提升，比智能網(wǎng)格預(yù)報(bào)提升了10%～30%，各站點(diǎn)訂正后準(zhǔn)確率在89%～92%，≤2 ℃平均準(zhǔn)確率由65%提高到90%；各站點(diǎn)平均絕對(duì)誤差在1 ℃以下，誤差下降了0.8～1.9 ℃，平均絕對(duì)誤差由1.8 ℃下降到1.0 ℃。

經(jīng)模型分季節(jié)訂正后，各站點(diǎn)預(yù)報(bào)準(zhǔn)確率能明顯提升，能顯著降低誤差，說明BP神經(jīng)網(wǎng)絡(luò)對(duì)路橋地區(qū)2 m最高氣溫訂正有很大改善，訂正效果顯著。

參考文獻(xiàn)：

[1] 金榮花，代刊，趙瑞霞，等.我國無縫隙精細(xì)化網(wǎng)格天氣預(yù)報(bào)技術(shù)進(jìn)展與挑戰(zhàn) [J].氣象，2019，45（4）：445-457.

[2] 胡爭(zhēng)光，薛峰，金榮花，等.智能網(wǎng)格預(yù)報(bào)應(yīng)用分析平臺(tái)設(shè)計(jì)與實(shí)現(xiàn) [J].氣象，2020，46（10）：1340-1350.

[3] 吳君，裴洪芹，石瑩，等.基于數(shù)值預(yù)報(bào)產(chǎn)品的地面氣溫BP-MOS預(yù)報(bào)方法 [J].氣象科學(xué)，2007（4）：430-435.

[4] 任巧麗，馬乾.PCA-RBF神經(jīng)網(wǎng)絡(luò)對(duì)蘭州市日平均氣溫的預(yù)測(cè) [J].宜賓學(xué)院學(xué)報(bào)，2018，18（12）：111-115.

[5] 李倩，胡邦輝，王學(xué)忠，等.基于BP人工神經(jīng)網(wǎng)絡(luò)的區(qū)域溫度多模式集成預(yù)報(bào)試驗(yàn) [J].干旱氣象，2011，29（2）：231-235+250.

[6] 雷彥森，蔡曉軍，王文，等.遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在地面溫度多模式集成預(yù)報(bào)的應(yīng)用研究 [J].氣象科學(xué)，2018，38（6）：806-814.

[7] 李虎超，邵愛梅，何鄧新，等.BP神經(jīng)網(wǎng)絡(luò)在估算模式非系統(tǒng)性預(yù)報(bào)誤差中的應(yīng)用 [J].高原氣象，2015，34（6）：1751-1757.

[8] 郭慶春，李力，張冉，等.我國氣溫變化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 [J].熱帶氣象學(xué)報(bào)，2009，25（4）：483-487.

作者簡介：王鵬（1992.01—），男，漢族，浙江臺(tái)州人，助教，本科，研究方向：氣象預(yù)報(bào)。

收稿日期：2022-10-31