吳振玲潘 璇 董 昊 徐 姝 汪 靖

1）（天津市氣象臺，天津300074）2）（天津科技大學(xué)，天津300222）

天津市多模式氣溫集成預(yù)報方法

吳振玲1）＊潘 璇2）董 昊1）徐 姝1）汪 靖1）

1）（天津市氣象臺，天津300074）2）（天津科技大學(xué)，天津300222）

在遺傳算法和粒子群算法的基礎(chǔ)上，采用權(quán)重分配方法開展基于混合演化算法的多模式氣溫集成預(yù)報方法研究。利用2012年5—10月中國氣象局GRAPES模式、北京市氣象局BJ－RUC模式、中國氣象局T639模式、天津市氣象局TJWRF模式24h預(yù)報時效的逐6h地面2m高度氣溫和35個天津區(qū)域自動氣象站點(diǎn)資料，通過逐日滾動建立集成預(yù)報模型，對混合演化算法的多模式氣溫集成預(yù)報方法進(jìn)行了絕對誤差在2℃以內(nèi)的分級、分類及分站檢驗(yàn)分析。結(jié)果表明：使用該方法建立的氣溫集成預(yù)報模型具有比較可靠的預(yù)報能力，預(yù)報誤差明顯小于任一成員，預(yù)報準(zhǔn)確率高。按絕對誤差不大于2℃的檢驗(yàn)標(biāo)準(zhǔn)，2012年35個站逐6h氣溫、最低氣溫、最高氣溫的集成預(yù)報平均準(zhǔn)確率分別為76.34%，77.88%，78.00%。

混合演化算法；滾動建模；多模式集成；氣溫預(yù)報

引 言

20世紀(jì)90年初，國外氣象學(xué)者已經(jīng)對數(shù)值天氣預(yù)報模式輸出的預(yù)報結(jié)果開展了集成預(yù)報方法研究，如Leslie等［1］采用統(tǒng)計(jì)回歸方法，使用模式預(yù)報結(jié)果和3個統(tǒng)計(jì)預(yù)報因子對澳大利亞東南部天氣系統(tǒng)進(jìn)行集成組合預(yù)報，預(yù)報質(zhì)量顯著提高。隨著國內(nèi)運(yùn)行的數(shù)值預(yù)報模式種類的迅速增加，面對海量的多模式數(shù)值預(yù)報產(chǎn)品，在短時間內(nèi)有效利用這些預(yù)報信息成為天氣預(yù)報業(yè)務(wù)的主要需求之一，也促使了多模式集成預(yù)報方法在國內(nèi)氣象部門快速發(fā)展。90年代末，多模式集成研究主要集中在降水預(yù)報方面，如金龍等［2］、魏鳳英［3］、周家斌等［4－6］、劉還珠等［7］、陳桂英［8］分別采用神經(jīng)網(wǎng)絡(luò)方法、區(qū)域動態(tài)權(quán)重方法、以汛期降水分布為對象的最小預(yù)測誤差平方和逐步算法、分區(qū)權(quán)重法研究了不同范圍、不同季節(jié)時段的降水集成預(yù)報，預(yù)報準(zhǔn)確率優(yōu)于單一集成成員的預(yù)報結(jié)果。在現(xiàn)代天氣業(yè)務(wù)的精細(xì)化氣象要素預(yù)報要求下，氣溫集成預(yù)報方法應(yīng)用逐漸增多，如苗愛梅等［9］使用簡單的線性集成方法集成4個模式預(yù)報最低氣溫、最高氣溫；趙聲蓉［10］使用BP人工網(wǎng)絡(luò)神經(jīng)方法集成多種模式產(chǎn)品預(yù)報全國600多個站點(diǎn)的逐3h氣溫，采用同樣方法，李倩等［11］開展區(qū)域850hPa的溫度預(yù)報試驗(yàn)，集成預(yù)報的平均絕對誤差均小于單模式預(yù)報結(jié)果；熊聰聰?shù)龋?2－13］嘗試分別利用遺傳算法、粒子群算法開展逐3h氣溫的集成預(yù)報試驗(yàn)；牛保山等［14］利用最小二乘法集成各類上級指導(dǎo)產(chǎn)品，預(yù)報最高氣溫及最低氣溫；林春澤等［15］利用超級集合、多模式集合平均和消除偏差集合平均方法對地面氣溫進(jìn)行集成預(yù)報。整體上，在精細(xì)化氣溫集成預(yù)報研究方面探討和試驗(yàn)比較多。集成預(yù)報的關(guān)鍵在于構(gòu)造可靠的適應(yīng)度函數(shù)，并選取較好的集成預(yù)報方案，以確保其結(jié)果在實(shí)際應(yīng)用中較為客觀準(zhǔn)確［16］，但由于天氣系統(tǒng)的復(fù)雜性，在高密度短期定時氣溫預(yù)報業(yè)務(wù)中還沒有形成比較成熟和完善的集成技術(shù)，因此，繼續(xù)加強(qiáng)集成預(yù)報方法的探討仍是一項(xiàng)重要工作。

天津市氣象局針對GRAPES模式、BJ－RUC模式、T639模式、TJWRF模式的逐6h氣溫預(yù)報產(chǎn)品，開展基于演化算法的多模式氣溫集成預(yù)報方法研究，利用權(quán)重分配方法將遺傳算法和粒子群算法結(jié)合在一起，嘗試在提高數(shù)值預(yù)報產(chǎn)品使用率的同時，進(jìn)一步提高預(yù)報準(zhǔn)確率和預(yù)報效率。

1 資料與方法

1.1 資 料

本文使用2012年5—10月逐日地面氣溫資料，包括實(shí)況資料和數(shù)值預(yù)報產(chǎn)品資料。實(shí)況資料來自于天津233個區(qū)域自動氣象站中的35個代表站的逐日02：00（北京時，下同），08：00，14：00，20：00氣溫和最低氣溫、最高氣溫。數(shù)值預(yù)報產(chǎn)品選自中國氣象局GRAPES模式、北京市氣象局BJ－RUC模式、中國氣象局T639模式、天津市氣象局TJWRF模式2m高度的逐6h氣溫及最低氣溫、最高氣溫逐日預(yù)報數(shù)據(jù)，模式起報時間均為20：00。

由于中國氣象局GRAPES模式、北京市氣象局BJ－RUC模式、中國氣象局T639模式、天津市氣象局TJWRF模式產(chǎn)品預(yù)報分辨率不同，且輸出場為格點(diǎn)數(shù)據(jù)，與天津區(qū)域自動氣象站不一致，因此，利用雙線性插值方法，使用站點(diǎn)周邊4個格點(diǎn)數(shù)據(jù)，將格點(diǎn)預(yù)報數(shù)據(jù)轉(zhuǎn)換為區(qū)域站點(diǎn)預(yù)報數(shù)據(jù)。隨機(jī)數(shù)據(jù)檢驗(yàn)表明，轉(zhuǎn)化的站點(diǎn)預(yù)報數(shù)據(jù)與原始格點(diǎn)數(shù)據(jù)具有相同的空間分布及預(yù)報結(jié)論。

1.2 方 法

氣溫具有明顯的季節(jié)性特征，尤其是在季節(jié)轉(zhuǎn)換時期，氣溫上下波動幅度相對較大，在保持氣溫連續(xù)性變化特征的基礎(chǔ)上解決季節(jié)影響，采用基于混合演化算法逐日滾動建立集成預(yù)報模型，建模資料長度保持30d。

集成預(yù)報模型的訂正預(yù)報因子主要選取了上述4個模式的區(qū)域自動氣象站點(diǎn)氣溫預(yù)報數(shù)據(jù)和氣溫實(shí)況。

2 混合演化方法簡介

混合演化算法（簡稱混合算法）是利用遺傳算法（Genetic Algorithm，簡稱GA）與粒子群優(yōu)化算法（Particle Swarm Optimization，簡稱PSO）共同建立預(yù)報模型的方法。本研究針對同一站點(diǎn)、同一時刻的多組集成訓(xùn)練數(shù)據(jù)序列，即4個模式預(yù)報序列和實(shí)況序列，利用遺傳算法和粒子群算法分別建立該站點(diǎn)該時刻的集成預(yù)報模型，完成第1次集成預(yù)報，得到兩組集成預(yù)報數(shù)據(jù)序列，并將這兩組集成預(yù)報數(shù)據(jù)序列轉(zhuǎn)化為混合算法的集成訓(xùn)練數(shù)據(jù)序列，利用式（1）的權(quán)重分配方法，確定每個算法的模型預(yù)報權(quán)重（w），對遺傳算法和粒子群算法預(yù)報結(jié)果進(jìn)行再集成，得到混合算法的預(yù)報模型（式（2））。

式（1）中，EGA為遺傳算法模型預(yù)報平均誤差，EPSO為粒子群算法模型預(yù)報平均誤差。

式（2）中，為兩算法融合后的預(yù)報結(jié)果，wGA和wPSO分別為遺傳算法和粒子群算法的模型預(yù)報權(quán)重，F(xiàn)GA和FPSO分別為遺傳算法和粒子群算法模型預(yù)報結(jié)果。

2.1 建立氣溫集成預(yù)報模型

遺傳算法和粒子群算法是在建立數(shù)學(xué)模型的基礎(chǔ)上，通過完成超高維、多局部極值的函數(shù)優(yōu)化計(jì)算，完成數(shù)學(xué)模型的求解方法。如果將多模式預(yù)報數(shù)據(jù)看作集成預(yù)報成員數(shù)據(jù)，求解得到的結(jié)果就是集成預(yù)報成員的權(quán)重系數(shù)。

考慮不同模式對不同站點(diǎn)和不同時刻的預(yù)報能力不同，采取了對同一種模式不同站點(diǎn)和不同時刻分別計(jì)算權(quán)重系數(shù)的方法，達(dá)到集中集合模式優(yōu)勢的目的［14］，可建立氣溫集成預(yù)報數(shù)學(xué)模型：

式（3）中，i為預(yù)報模式（集成預(yù)報成員），j為站點(diǎn)號，t為預(yù)報時刻，F(xiàn)i，j，t為氣溫在站點(diǎn)j第i個模式第t時刻的預(yù)報值，wi，j，t為在站點(diǎn)j第i個模式t時刻的權(quán)重系數(shù)j，t為氣溫站點(diǎn)j第t個時刻的集成預(yù)報值。

根據(jù)前期的建模試驗(yàn)，在wi，j，t滿足式（4）的約束條件下，預(yù)報模型最穩(wěn)定：

2.2 求 解

將多模式氣溫預(yù)報值看作算法空間中由單元按一定結(jié)構(gòu)組成的數(shù)組或個體，通過初始群體或初始化種群設(shè)定（即式（3）集成預(yù)報數(shù)學(xué)模型權(quán)重系數(shù)初始解的設(shè)定）、適應(yīng)度函數(shù)設(shè)計(jì)、遺傳算法或粒子群算法操作設(shè)計(jì)和運(yùn)行參數(shù)設(shè)定等過程，經(jīng)過高次數(shù)的循環(huán)迭代，計(jì)算出精細(xì)化站點(diǎn)上某時刻不同模式氣溫預(yù)報的權(quán)重系數(shù)，將權(quán)重系數(shù)代入數(shù)學(xué)模型，分別建立遺傳算法和粒子群算法的多模式氣溫集成預(yù)報模型。本研究循環(huán)迭代次數(shù)設(shè)定為5000次，遺傳算法求解和粒子群算法求解詳見文獻(xiàn)［12－13］。

3 氣溫集成預(yù)報應(yīng)用與評估

根據(jù)日期順序?qū)RAPES模式、BJ－RUC模式、T639模式、TJWRF模式的原始格點(diǎn)預(yù)報數(shù)據(jù)、站點(diǎn)轉(zhuǎn)換預(yù)報數(shù)據(jù)、天津區(qū)域自動氣象站觀測數(shù)據(jù)分別按照預(yù)報間隔時間（6h）錄入數(shù)據(jù)庫，將空缺的數(shù)據(jù)填寫為9999，便于程序檢查。從2012年5月開始分別對天津區(qū)域自動氣象站中的35個代表站點(diǎn)的每日02：00，08：00，14：00，20：00氣溫和最低氣溫、最高氣溫進(jìn)行試驗(yàn)預(yù)報。其中，由于模式提供產(chǎn)品的限制，最高氣溫、最低氣溫預(yù)報僅北京市氣象局BJRUC模式和天津市氣象局TJWRF模式參與集成。

3.1 建模數(shù)據(jù)處理

采用每日滾動建模方法，基礎(chǔ)數(shù)據(jù)更新的準(zhǔn)確性是集成預(yù)報模型質(zhì)量保障。在數(shù)據(jù)更新過程中，用以下方法處理建模數(shù)據(jù)：①當(dāng)某個站點(diǎn)氣溫實(shí)況數(shù)據(jù)缺少時，按地理位置選擇距該站點(diǎn)最近的4個站點(diǎn)，以這4個站點(diǎn)的實(shí)況平均值替代該站點(diǎn)的數(shù)據(jù)，若這4個站點(diǎn)不能滿足要求，則繼續(xù)尋找比較近的站點(diǎn)，直至滿足要求，求取平均值。②當(dāng)某個模式氣溫預(yù)報數(shù)據(jù)缺少時，按照日期向前尋找存在的記錄，始終保持建模的30條數(shù)據(jù)。③若當(dāng)日定時氣溫集成模式少于2個，該日氣溫集成預(yù)報模型不做滾動處理。

3.2 定時氣溫集成預(yù)報分析

3.2.1 預(yù)報的總體平均絕對誤差對比

將參與氣溫集成預(yù)報的GRAPES模式、BJRUC模式、T639模式、TJWRF模式稱為集成模式成員。按氣象評分規(guī)則，氣溫誤差在±2℃之內(nèi)的為正確，這里根據(jù)式（5）分別計(jì)算4個模式及集成預(yù)報平均絕對誤差，檢驗(yàn)其氣溫預(yù)報準(zhǔn)確性，計(jì)算結(jié)果如圖1所示。

圖1 2012年5—10月集成預(yù)報與GRAPES，BJ－RUC，T639，TJWRF模式預(yù)報總體平均絕對誤差Fig.1 Mean absolute error of temperature from consensus forecast and GRAPES，BJ－RUC，T639，TJWRF forecasts from May to October in 2012

由圖1可知，無論是定時氣溫預(yù)報，還是最低氣溫、最高氣溫預(yù)報，2012年5—10月集成預(yù)報平均絕對誤差最小，為1.23～1.65℃，完全符合氣象評分正確規(guī)則。表明氣溫集成預(yù)報的準(zhǔn)確率高于參與集成模式成員。

定時氣溫集成預(yù)報的平均絕對誤差與GRAPES模式、BJ－RUC模式、T639模式、TJWRF模式預(yù)報中最大的平均絕對誤差的大小成正比。02：00，08：00，14：00，20：00定時氣溫預(yù)報的最大平均絕對誤差分別為2.96，3.78，7.67，4.25℃，對應(yīng)的集成預(yù)報平均絕對誤差分別為1.23，1.35，1.65，1.58℃。表明參與集成預(yù)報的模式預(yù)報準(zhǔn)確率影響集成預(yù)報結(jié)果。

4個集成模式成員預(yù)報平均絕對誤差不同。其中，定時氣溫及最低氣溫、最高氣溫預(yù)報中，TJWRF模式和BJ－RUC模式的平均絕對誤差相對穩(wěn)定，定時氣溫預(yù)報的平均絕對誤差變化幅度非常小，變化范圍為0.03～0.55℃，其平均絕對誤差也比較小，均在2.63℃之內(nèi)。GRAPES模式預(yù)報的平均絕對誤差為3～4℃，且白天誤差比夜間大。T639模式預(yù)報平均絕對誤差最不穩(wěn)定，距離起報時刻越近，平均絕對誤差越小，14：00，20：00氣溫平均絕對誤差分別超過4℃和7℃。

3.2.2 預(yù)報穩(wěn)定性對比

多模式集成預(yù)報結(jié)論直接受集成模式系統(tǒng)穩(wěn)定性影響，如果集成模式成員預(yù)報誤差變化過大，集成預(yù)報誤差也會不穩(wěn)定。由式（5）計(jì)算逐月整體平均絕對誤差，圖2為逐月集成預(yù)報與集成模式成員預(yù)報定時氣溫及最低氣溫、最高氣溫的平均絕對誤差對比。表1為集成預(yù)報與集成模式成員預(yù)報2012年5—10月整體平均絕對誤差。通過逐月平均絕對誤差分析，考察4個集成模式成員性能。

圖2 2012年5—10月集成預(yù)報與GRAPES，BJ－RUC，T639，TJWRF模式預(yù)報氣溫平均絕對誤差Fig.2 Monthly mean absolute error of temperature from consensus forecast and GRAPES，BJ－RUC，T639，TJWRF forecasts

2012年5—10月，多模式集成預(yù)報定時氣溫和最低氣溫、最高氣溫的平均絕對誤差變化非常小，預(yù)報誤差最小，其平均絕對誤差均在2℃之內(nèi)，逐月平均絕對誤差為1.35～1.49℃（表1）。說明利用混合算法每日滾動建立集成預(yù)報模型對各個模式預(yù)報的軌跡描述比較準(zhǔn)確，使模型具有預(yù)報穩(wěn)定性。春與夏、夏與秋季節(jié)轉(zhuǎn)換時期幾乎沒有影響多模式集成預(yù)報準(zhǔn)確性。

圖2顯示，盡管GRAPES模式、BJ－RUC模式、T639模式和TJWRF模式的定時氣溫或最低氣溫、最高氣溫預(yù)報平均絕對誤差大小不一致，如TJWRF模式、BJ－RUC模式平均絕對誤差為2～3℃，GRAPES模式為2～5℃，T639模式為2～9℃，但同一時刻氣溫預(yù)報或最低氣溫、最高氣溫預(yù)報的平均絕對誤差大小均具有較好的一致性，如預(yù)報誤差最大的T639模式，02：00，08：00誤差最小，不大于3℃，20：00誤差為4～5℃，14：00誤差最大，為7～9℃。

表1 2012年5—10月集成預(yù)報與GRAPES，BJ－RUC，T639，TJWRF模式預(yù)報氣溫平均絕對誤差（單位：℃）Table 1 Monthly mean absolute error of temperaturefrom consensus forecast and GRAPES，BJ－RUC，T639，TJWRF forecasts from May to October in 2012（unit：℃）

3.3 區(qū)域代表站點(diǎn)集成預(yù)報準(zhǔn)確率

按照氣溫預(yù)報評分標(biāo)準(zhǔn)，利用式（6）分別計(jì)算2012年5—10月35個站點(diǎn)氣溫集成預(yù)報的平均準(zhǔn)確率，隨機(jī)、分級檢驗(yàn)氣溫集成預(yù)報的準(zhǔn)確率。即檢驗(yàn)各站點(diǎn)絕對誤差Ea≤1℃，1℃＜Ea≤2℃的預(yù)報準(zhǔn)確率。圖3為2012年5—10月35個區(qū)域自動氣象站4次定時氣溫和最高氣溫、最低氣溫預(yù)報的平均準(zhǔn)確率。

圖3 2012年5—10月35個區(qū)域自動氣象站氣溫集成預(yù)報的平均準(zhǔn)確率Fig.3 Mean accuracy of temperature at 35automatic meteorological stations from May to October in 2012

式（6）中，R為預(yù)報準(zhǔn)確率，Nr為預(yù)報正確次數(shù)，Nf為總預(yù)報次數(shù)。檢驗(yàn)標(biāo)準(zhǔn)是絕對誤差Ea≤1℃和1℃＜Ea≤2℃的預(yù)報準(zhǔn)確率。

圖3顯示，各站氣溫集成預(yù)報絕對誤差Ea≤2℃的準(zhǔn)確率基本高于70%。其中，所有站點(diǎn)4次定時氣溫集成預(yù)報的平均準(zhǔn)確率達(dá)到76.34%，有30個站點(diǎn)的平均準(zhǔn)確率為71.75%～82.13%，只有分布在塘沽區(qū)（3個站點(diǎn)）、大港區(qū)（1個站點(diǎn)）、漢沽區(qū)（1個站點(diǎn)）5個站點(diǎn)低于70%。所有站點(diǎn)最低氣溫和最高氣溫集成預(yù)報平均準(zhǔn)確率分別達(dá)到77.88% 和78.00%，超過2012年人工預(yù)報的天津市13個站點(diǎn)的日最低氣溫、最高氣溫的平均預(yù)報準(zhǔn)確率73.42%和74.30%①國家氣象信息中心.2012年1—12月全國城鎮(zhèn)天氣預(yù)報產(chǎn)品質(zhì)量評估報告.2013.。28個站點(diǎn)最低氣溫預(yù)報平均準(zhǔn)確率為73.00%～83.33%，28個站點(diǎn)最高氣溫預(yù)報平均準(zhǔn)確率為72.67%～86.67%。氣溫集成預(yù)報平均準(zhǔn)確率在70%以下的站點(diǎn)多集中在塘沽保稅區(qū)、開發(fā)區(qū)五洲碼頭、大港沙井子、漢沽太平村等地。

表2為4個定時氣溫集成預(yù)報Ea≤2℃的平均準(zhǔn)確率，可以看出，02：00和08：00氣溫平均預(yù)報準(zhǔn)確率較高，均超過80%，14：00和20：00的準(zhǔn)確率下降，達(dá)到了70%以上。

表2 2012年5—10月定時氣溫集成預(yù)報平均準(zhǔn)確率Table 2 Mean accuracy of specified temperature consensus forecast from May to Octorber in 2012

3.4 氣溫集成預(yù)報對天氣變化的敏感性

天津北鄰山脈、東鄰渤海、西部與南部與河北平原相接，選取代表站點(diǎn)北部薊縣（54428）、南部靜海（54619）、西部西青（54527）、東部塘沽（54623）和天津（54517）5個站點(diǎn)，2012年利用9—10月各站逐日最低氣溫、最高氣溫集成預(yù)報和實(shí)況資料，檢驗(yàn)氣溫集成預(yù)報對轉(zhuǎn)折性天氣過程的敏感程度。圖4為薊縣、靜海、西青、塘沽和天津5個站點(diǎn)最低氣溫、最高氣溫集成預(yù)報與實(shí)況對比。

由圖4可知，各個單站的最高氣溫、最低氣溫集成預(yù)報與實(shí)況變化趨勢一致，表明集成預(yù)報模型對天氣變化的敏感性。最高氣溫集成預(yù)報變化與實(shí)況一致，最低氣溫變化略有不同，與平原相鄰西青站和靜海站變化基本一致，北部山區(qū)薊縣站和受熱島效應(yīng)影響最強(qiáng)的天津站，只有1～2次的降溫預(yù)報滯后1d，塘沽站距離渤海較近，其預(yù)報誤差相對較大。說明下墊面性質(zhì)對氣溫集成預(yù)報有一定影響，但通過逐日滾動建立模型技術(shù)，可以最大程度地減少這種影響。

圖4 2012年9—10月最低氣溫、最高氣溫集成預(yù)報與實(shí)況對比Fig.4 Comparison between consensus forecast and observation of minimin and maximum temperatures from September to October in 2012

續(xù)圖4

3.5 混合演化算法集成預(yù)報的優(yōu)勢

采用2012年6月資料，將本文介紹按平均誤差計(jì)算權(quán)重的混合演化算法與利用遺傳算法、粒子群優(yōu)化算法、等權(quán)重混合算法的集成預(yù)報結(jié)果進(jìn)行比較分析發(fā)現(xiàn)，在相同的迭代計(jì)算，預(yù)報絕對誤差不超過2℃的集成預(yù)報準(zhǔn)確率檢驗(yàn)，遺傳算法的集成預(yù)報準(zhǔn)確率高于粒子群優(yōu)化算法，按平均誤差計(jì)算權(quán)重的混合算法準(zhǔn)確率高于按等權(quán)重的混合算法。表3為2012年6月平均最低氣溫集成預(yù)報準(zhǔn)確率比較，由表3可知，按平均誤差計(jì)算權(quán)重的混合算法的集成預(yù)報準(zhǔn)確率最高，比粒子群優(yōu)化算法高3%，比遺傳算法高1%，比等權(quán)重混合算法高3%。

表3 2012年6月平均最低氣溫集成預(yù)報準(zhǔn)確率（單位：%）Table 3 Mean accuracy of minimin temperature from consensus forecast in June 2012（unit：%）

4 結(jié)論與討論

1）混合演化算法建模集中了遺傳算法和粒子群優(yōu)化算法的優(yōu)勢。建模過程中，既可以利用遺傳算法比較準(zhǔn)確地描述每一個集成模式成員氣溫預(yù)報的變化軌跡，又可以利用粒子群算法優(yōu)化權(quán)重系數(shù)的精確度，縮短計(jì)算時間，快速建模，適應(yīng)業(yè)務(wù)應(yīng)用需求。

2）逐日滾動建立集成預(yù)報模型比較合理。滾動建?？梢詫?shí)況和模式進(jìn)行動態(tài)對比分析，并根據(jù)預(yù)報誤差調(diào)整權(quán)重系數(shù)，更新預(yù)報模型。

3）氣溫集成預(yù)報誤差小，可參考性強(qiáng)。定時氣溫及最低氣溫、最高氣溫集成預(yù)報平均絕對誤差均為1.23～1.65℃，明顯好于單一集成模式成員。35個區(qū)域自動氣象站最低氣溫、最高氣溫預(yù)報的絕對誤差不大于2℃的平均準(zhǔn)確率超過2012年人工訂正預(yù)報的天津13個站點(diǎn)的24h預(yù)報準(zhǔn)確率73.42%和74.30%。

4）不同下墊面代表站點(diǎn)的逐日定時氣溫、最低氣溫、最高氣溫集成預(yù)報與實(shí)況變化基本一致。但下墊面性質(zhì)對最低氣溫集成預(yù)報有影響，尤其是對靠近沿海的自動氣象站影響較大，最低氣溫轉(zhuǎn)折點(diǎn)的預(yù)報滯后1d，且誤差略增。

定時氣溫集成預(yù)報的平均絕對誤差與4個模式預(yù)報中最大平均絕對誤差大小成正比，本研究未考慮對集成模式成員進(jìn)行偏差訂正，可能是產(chǎn)生氣溫集成預(yù)報誤差的原因之一。4個模式格點(diǎn)資料插值到站點(diǎn)時未考慮模式地形與測站地形的差異，可能是北部山區(qū)、沿海個別站點(diǎn)氣溫集成預(yù)報誤差較大的原因。另外，2012年5—10月的傍晚和夜間，沿海站點(diǎn)受海風(fēng)影響較大，模式預(yù)報的天氣系統(tǒng)風(fēng)向與實(shí)況差別較大，可能是導(dǎo)致沿海站點(diǎn)最低氣溫集成預(yù)報準(zhǔn)確率下降的原因。

［1］ Leslie L M，Helland G L.Predicting regional forecast skill using single and ensemble forecast technique.Mon Wea Rev，1991，119（2）：425－435.

［2］ 金龍，陳寧，林振山.基于人工神經(jīng)網(wǎng)絡(luò)的集成預(yù)報方法研究比較.氣象學(xué)報，1999，57（2）：198－207.

［3］ 魏鳳英.全國夏季降水區(qū)域動態(tài)權(quán)重集成預(yù)報試驗(yàn).應(yīng)用氣象學(xué)報，1999，10（4）：402－409.

［4］ 周家斌，彭瑤.制作汛期降水集成預(yù)報的分區(qū)權(quán)重法.應(yīng)用氣象學(xué)報，1999，10（4）：428－435.

［5］ 周家斌，張海福.一種汛期降水分布的客觀集成預(yù)報方法.應(yīng)用氣象學(xué)報，2000，11（增刊）：93－97.

［6］ 周家斌，張海福，楊桂英，等.制作汛期降水集成預(yù)報的分區(qū)權(quán)重法.應(yīng)用氣象學(xué)報，1999，10（4）：428－435.

［7］ 劉還珠，郝為，林孔元，等.基于智能計(jì)算的多模型氣象綜合預(yù)報暴雨落區(qū)預(yù)報實(shí)用方法.北京：氣象出版社，2000：30－37.

［8］ 陳桂英.權(quán)重分布法集成預(yù)報試驗(yàn).應(yīng)用氣象學(xué)報，2000，11（增刊）：51－57.

［9］ 苗愛梅，吳曉荃，董存仙，等.太原地區(qū)溫度集成預(yù)報方法研究.山西氣象，1997（3）：2－6.

［10］ 趙聲蓉.多模式溫度集成預(yù)報.應(yīng)用氣象學(xué)報，2006，17（1）：52－58.

［11］ 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)報試驗(yàn).干旱氣象，2011，29（2）：231－235.

［12］ 熊聰聰，王靜，宋鵬，等.遺傳算法在多模式集成天氣預(yù)報中的應(yīng)用.天津科技大學(xué)學(xué)報，2008，23（4）：80－84.

［13］ 熊聰聰，許淑祎，徐姝.基于粒子群算法的天氣滾動預(yù)報集成技術(shù).天津科技大學(xué)學(xué)報，2012，27（1）：75－78.

［14］ 牛保山，姚繼先，郭文孝，等.縣站溫度集成預(yù)報方法.河南氣象，2004（1）：11.

［15］ 林春澤，智協(xié)飛，韓艷，等.基于TIGGE資料的地面氣溫多模式超級集合預(yù)報.應(yīng)用氣象學(xué)報，2009，20（6）：706－712.

［16］ 杞明輝，許美玲，程建剛，等.天氣預(yù)報集成技術(shù)和方法應(yīng)用研究.北京：氣象出版社，2006：77－87.

Forecast Method of Multi－model Air Temperature Consensus in Tianjin

Wu Zhenling1）Pan Xuan2）Dong Hao1）Xu Shu1）Wang Jing1）
1）（Tianjin Municipal Meteorological Observatory，Tianjin300074）
2）（Tianjin University of Science ＆ Technology，Tianjin300222）

Based on genetic algorithm and particle swarm optimization，multi－model air temperature consensus forecast technology（MMATCFT）of hybrid evolutionary algorithm（HEG）is studied.The main technical thought of this method is that two integrated forecast models are set up respectively by using the genetic algorithm and particle swarm optimization，and then the final mixed forecasting model is established by the weight distribution scheme，which is founded through comparing forecast mean errors between the two models.

In order to eliminate the impact of seasonal temperature characteristics of Tianjin，the daily rolling integrated forecast model based on 30－day data is adopted in practical operation applications with hybrid evolutionary algorithm.Using 2mair temperature output data of four models of T639，GRAPES，TJWRF，BJ－RUC and observations of 35automatic weather stations（AWS）in villages and towns of Tianjin from May to October in 2012，the forecast test of MMTCFT is carried out.Then the experimentation result is evaluated using the way of classification and station－separation，according to the meteorological standard that absolute error of temperature forecast is within 2℃.T639，GRAPES，TJWRF and BJ－RUC are separately run by China National Meteorological Center，Tianjin Meteorological Bureau and Beijing Meteorological Bureau.The analysis shows that the temperature consensus forecast model is effective and reliable.The technical scheme of the consensus forecast based on rolling model is more rational.The forecast errors are obviously smaller than any model mentioned above，and the forecast accuracy is higher.The average forecast accuracy of 6htemperature，the daily maximum and minimum temperature in 35AWS is 76.34%，77.88%and 78.00%from May to October，respectively.

genetic algorithm；rolling modeling；multi－model consensus；air temperature forecast

吳振玲，潘璇，董昊，等.天津市多模式氣溫集成預(yù)報方法.應(yīng)用氣象學(xué)報，2014，25（3）：293－301.

2013－06－13收到，2014－02－27收到再改稿。

中國氣象局氣象關(guān)鍵技術(shù)集成與應(yīng)用項(xiàng)目（CMAGJ2012M04）

＊email：bigwiselyyn＠yahoo.com