張祖蓮，張山清，毛煒嶧，王命全，木沙江·艾代吐力

（1.新疆興農(nóng)網(wǎng)信息中心，新疆 烏魯木齊 830002；2.中國氣象局烏魯木齊沙漠氣象研究所，新疆 烏魯木齊 830002；3.新疆教育管理信息中心，新疆 烏魯木齊 830002）

北疆春季冷空氣活動頻繁，冷暖變化劇烈，低溫寒潮是影響當(dāng)?shù)氐闹饕獮?zāi)害性天氣[1]。 春季的低溫寒潮會影響各種農(nóng)作物播種和出苗， 甚至造成災(zāi)害[2-3]；溫度驟然降低會造成人體對環(huán)境的不適應(yīng)程度提升，影響人體健康[4-5]。 如何提高最低氣溫預(yù)報準(zhǔn)確率，是春季各類氣象災(zāi)害防御的關(guān)鍵。

國內(nèi)眾多學(xué)者對北疆春季低溫進(jìn)行了分析，同時針對溫度訂正也做了大量研究。 尹姍等[6]基于歷史偏差訂正方法， 對日最高氣溫預(yù)報進(jìn)行了誤差訂正，結(jié)果顯示訂正預(yù)報更接近實況；李淑娟等[7]基于DERF2.0 數(shù)據(jù)， 以2013 年烏魯木齊春季逐日溫度及24 h 變溫檢驗為背景，初步評估了該模式對延伸期春季強(qiáng)降溫過程的預(yù)報能力； 潘留杰等[8]在站點氣溫資料基礎(chǔ)上， 利用SCMOS 差值和一元線性回歸的方法訂正提高了溫度預(yù)報精度； 陳豫英[9]利用Kalman 濾波的方法對最低氣溫和霜凍預(yù)報產(chǎn)品進(jìn)行檢驗， 結(jié)果表示集合訂正算法有效提高了氣溫和霜凍預(yù)報準(zhǔn)確率；張?zhí)鞯萚10]分析1961—2016年北疆單站和區(qū)域不同等級冷空氣時空變化特征以及環(huán)流指數(shù)與其相關(guān)性；賈麗紅[11]利用客觀統(tǒng)計方法，對新疆15 個地州首府城市最高最低溫度預(yù)報進(jìn)行檢驗；戴翼等[12]采用一元線性回歸訂正北京地區(qū)的歐洲中心中期天氣預(yù)報（ECMWF）精細(xì)化數(shù)值預(yù)報產(chǎn)品資料， 結(jié)果顯示有效提升該地區(qū)溫度預(yù)報的精細(xì)化能力和水平。 上述研究都是基于幾百公里的國家級氣象站點的數(shù)據(jù)，隨著氣象服務(wù)精細(xì)化需求，迫切需要幾十公里或幾公里的市、縣級甚至鄉(xiāng)、鎮(zhèn)級精細(xì)化預(yù)報，以便及早做好預(yù)防措施。

新疆地域遼闊，地形地貌復(fù)雜，國家站點稀疏，實現(xiàn)精細(xì)化、網(wǎng)格化預(yù)報難度更大。為滿足當(dāng)?shù)亟?jīng)濟(jì)社會發(fā)展對精細(xì)化網(wǎng)格預(yù)報產(chǎn)品的巨大需求， 就近3 a 來中國氣象局下發(fā)的國家級智能網(wǎng)格預(yù)報指導(dǎo)產(chǎn)品進(jìn)行訂正，應(yīng)用于春季氣溫預(yù)報的業(yè)務(wù)需求中。針對模式輸出的格點溫度產(chǎn)品的誤差訂正預(yù)報方法有很多，其中MOS[13]和Kalman 應(yīng)用最為廣泛[9]。 鑒于前人研究的基礎(chǔ)上，本文使用平均濾波算法原理，借鑒Kalman 濾波訂正的思路， 使用前期較短時間的預(yù)報結(jié)果建立誤差訂正模型，降低預(yù)報誤差，提高預(yù)報準(zhǔn)確率。

1 資料和方法

1.1 資料

使用2019 年3—5 月中國氣象局0.05°×0.05°國家級格點預(yù)報指導(dǎo)產(chǎn)品（簡稱XJ），選取北京時每天08、20 時起報未來240 h 逐24 h 的最低氣溫格點預(yù)報產(chǎn)品（GRIB 格式）。 選用中國氣象局陸面數(shù)據(jù)同化系統(tǒng)（CLDAS-V2.0）實時產(chǎn)品數(shù)據(jù)集，CLDAS小時實況數(shù)據(jù)產(chǎn)品（5 km，GRIB 格式），該實況產(chǎn)品優(yōu)勢在于結(jié)合了地面、衛(wèi)星、雷達(dá)等多源資料融合。

選取北疆為研究區(qū)域，范圍為42.25°～49.20° N，79.85°～96.50°E，區(qū)域內(nèi)共計20 447 個格點（圖1）。

圖1 北疆地形與氣象站點分布

1.2 訂正原理

平均濾波方法的原理和思路是基于Kalman 濾波算法[14-15]的思路：使用最新的實況資料，不斷對格點預(yù)報產(chǎn)品的預(yù)報誤差訂正值進(jìn)行更新， 及時更新預(yù)報的數(shù)值，降低預(yù)報誤差。

首先將2019 年3—5 月的08、20 時起報未來240 h 逐24 h 的最低氣溫格點預(yù)報指導(dǎo)產(chǎn)品的預(yù)報時效對應(yīng)的預(yù)報值與相應(yīng)的實況值對應(yīng)。 預(yù)報資料和實況資料均為0.05°×0.05°格點經(jīng)緯度相對應(yīng)，主要任務(wù)是匹配預(yù)報時效和實況值。

誤差訂正步驟如下：

（1）模式預(yù)報誤差估算值。

式中，bt為預(yù)報誤差估算值，定義為研究區(qū)預(yù)報場ft與對應(yīng)實況場at的誤差。 bt是隨預(yù)報時效變化的。

（2）確定模式預(yù)報誤差。

式中，Bt定義為預(yù)報訂正值，是通過對前n 天模式預(yù)報誤差平均而獲得。

（3）模式預(yù)報誤差訂正。

利用獲得訂正值Bt最新格點預(yù)報ft進(jìn)行誤差訂正。格點預(yù)報誤差訂正過程是針對不同預(yù)報時效、所有格點進(jìn)行的。

1.3 3 種平均濾波誤差訂正方案

北疆區(qū)域的溫度格點預(yù)報指導(dǎo)產(chǎn)品， 針對逐個格點未來240 h 內(nèi)的逐24 h 最低氣溫進(jìn)行誤差訂正，共設(shè)計了三種平均濾波誤差訂正方案。

方案1（簡稱KM1），對不同預(yù)報時效的訂正誤差分別計算。例如，對于24 h 最低氣溫預(yù)報的訂正，利用距起報日最近的6 d 24 h 最低氣溫預(yù)報結(jié)果與對應(yīng)日期的實況進(jìn)行誤差分析， 將6 d 預(yù)報誤差的平均值作為訂正偏差。對未來48 h 的最低氣溫訂正的方法類似，選取距起報日最近的6 d 48 h 預(yù)報時效的最低氣溫預(yù)報結(jié)果與對應(yīng)實況進(jìn)行誤差分析，確定偏差訂正值，直到240 h 的預(yù)報時效最低氣溫的訂正均采用此方式處理。每天針對每個格點的不同預(yù)報時效的訂正偏差均采用這種滑動方法計算更新偏差訂正值。

方案2（簡稱KM2），整體思路過程與KM1 方案相同，在起報日最近的10 d 的最低氣溫預(yù)報結(jié)果與對應(yīng)日期的實況進(jìn)行誤差分析，將10 d 誤差平均值作為訂正偏差訂正值。

方案3 為集成訂正算法（簡稱KM3）， 基于KM1 與KM2 的訂正值的絕對誤差為判據(jù)， 將KM1或KM2 方案中誤差較小的方案作為集合分析后的KM3 方案偏差訂正值，每個格點、每個預(yù)報時效內(nèi)的訂正偏差均這樣確定。

經(jīng)過3 種濾波算法訂正后，預(yù)報產(chǎn)品08、20 時起報分別均有4 種預(yù)報產(chǎn)品（XJ、KM1、KM2、KM3），共8種預(yù)報產(chǎn)品。訂正技巧是訂正預(yù)報相對原始預(yù)報指標(biāo)的差值， 訂正技巧為08、20 時起報的訂正預(yù)報產(chǎn)品（KM1、KM2、KM3）共6 種預(yù)報產(chǎn)品的對比。

1.4 檢驗指標(biāo)

用均方根誤差WC1、TS評分、 訂正技巧SS 作為8 種預(yù)報產(chǎn)品的預(yù)報效果檢驗的指標(biāo)。 均方根誤差WCl和TS評分計算公式如下：

式（4）、（5）中，WC1為均方根誤差，TS為TS評分，N 為滑動天數(shù)或總格點數(shù)，bt同式（1）；NA為|bt|≤1 ℃的1 ℃TS評分或|bt|≤2 ℃的2 ℃TS評分的格點（次）數(shù)。

訂正技巧如下：

計算北疆區(qū)域內(nèi)20 447 個格點每天每個預(yù)報時效內(nèi)的綜合評定值， 來定量比較XJ、KM1、KM2、KM3 的格點預(yù)報產(chǎn)品訂正效果。

1.5 檢驗方法

分時效檢驗方法： 對比8 種預(yù)報產(chǎn)品的所有格點氣溫在240 h 內(nèi)逐24 h 指標(biāo)值。

分區(qū)域檢驗方法：對比8 種預(yù)報產(chǎn)品在整個預(yù)報時效240 h 的氣溫在每個格點的指標(biāo)值。

分區(qū)域檢驗時效方法：對比8 種預(yù)報產(chǎn)品在不同預(yù)報時效的氣溫在每個格點的指標(biāo)值。

2 分時效對比檢驗預(yù)報效果

分時效對比檢驗下發(fā)的國家級格點指導(dǎo)預(yù)報產(chǎn)品（XJ）、3 種訂正產(chǎn)品（KM1、KM2、KM3），在08 時起報、20 時起報的共8 種預(yù)報產(chǎn)品均方根誤差，1 ℃TS評分，2 ℃TS評分及KM1、KM2、KM3 對于XJ 均方根誤差的訂正技巧，1 ℃TS評分的訂正技巧，2 ℃TS評分的訂正技巧。

2.1 均方根誤差及訂正技巧

由08 和20 時起報的均方根誤差及其訂正技巧（圖2a、2b）可知，總體上，8 種產(chǎn)品的均方根誤差隨著預(yù)報時效的延長在波動中緩慢增大， 而訂正技巧在緩慢減小，其中3 種濾波方法在24、144 h 及以上預(yù)報時效，08 時起報均方根誤差小于20 時起報；在48～120 h 預(yù)報時效，08 時起報均方根誤差均大于20 時起報。

08 時起報，WC1_XJ的范圍為4.6～5.5 ℃， 其平均值為5.2 ℃，經(jīng)過3 種訂正算法后范圍為2.1～3.6 ℃，且平均值均為3.1 ℃。 08 時起報的訂正產(chǎn)品對于08_WC1_XJ平均誤差均降低了2.1 ℃， 其中在24 h 內(nèi)訂正效果明顯，均降低了2.5 ℃。

20 時起報，WC1_XJ的范圍為4.7～5.7 ℃， 其平均值為5.2 ℃， 經(jīng)過3 種訂正算法后誤差范圍分別為2.5～4.1、2.4～4.0、2.4～4.0 ℃，平均值分別為3.3、3.3、3.2 ℃。 20 時起報的訂正產(chǎn)品相對于20 時起報，WC1_XJ平均值分別降低了1.9、1.9、2.0 ℃， 其中48 h內(nèi)訂正效果明顯，均降低了2.3 ℃。

2.2 TS 評分檢驗

由圖2c～2f 可知，8 種產(chǎn)品的TS評分隨預(yù)報時效延長在波動中緩慢降低、訂正技巧緩慢減小，且變化趨勢基本相似，其中訂正產(chǎn)品中24、144 h 及以上預(yù)報時效，08 時起報TS評分大于20 時起報；在48～120 h 預(yù)報時效，08 時起報的TS評分小于20 時起報。 從訂正技巧波動上來看，KM3 的評分及訂正技巧在08 和20 時均略高于KM1 和KM2。

2.2.1 1 ℃TS評分及訂正技巧

由圖2c、2d 可知，08 時起報，TS1_XJ值的范圍17.0%～22.1%， 經(jīng)過3 種濾波算法后TS評分分別上升24.1%～39.5%、23.0%～40.0%、24.0%～40.1%。 20時起報TS1_XJ值的范圍14.7%～20.5%，經(jīng)過3 種濾波算法后TS評分上升20.0%～34.3%、21.0%～34.9%、20.4%～35.0%。

08 時起報的訂正產(chǎn)品對于08 時起報TS1_XJ平均分別提高了9.7%、9.5%、9.9%， 其中在24 h 內(nèi)訂正效果明顯，分別提高17.4%、17.9%、18.0%。 20 時起報的訂正產(chǎn)品相對于20 時起報TS1_XJ平均提高了9.7%、10.0%、10.1%，其中在48 h 內(nèi)訂正效果明顯，分別提高13.8%、14.6%、14.6%。

2.2.2 2 ℃TS評分及訂正技巧

08 時起報TS2_XJ值的范圍32.3%～41.4%（圖2e、2f）， 經(jīng)過3 種濾波算法后TS評分分別上升45.6%～68.7%、44.5%～69.0%、45.7%～69.4%。20 時起報TS2_XJ值的范圍28.9%～38.8%，經(jīng)過3 種濾波算法后TS評分分別上升38.7%～61.4%、39.6%～62.5%、39.4%～62.4%。

圖2 2019 年3—5 月08、20 時起報各4 種格點預(yù)報產(chǎn)品240 h 內(nèi)逐24 h 最低氣溫均方根誤差（a）、1℃TS 評分（c）、2℃TS 評分（e）及3 種平均濾波算法相對格點指導(dǎo)預(yù)報的訂正技巧（b，d，f）預(yù)報效果對比檢驗

08 時起報的訂正產(chǎn)品對于08 時起報TS2_XJ平均分別提高了16.6%、16.4%、17%， 其中在24 h 內(nèi)訂正效果明顯， 分別提高27.3%、27.6%、28.0%。 20時起報的訂正產(chǎn)品相對于20 時起報TS2_XJ平均分別提高了16.6%、17.1%、17.3%，其中在48 h 內(nèi)訂正效果明顯，分別提高22.7%、23.9%、23.8%。

3 區(qū)域預(yù)報效果

分別對比檢驗北疆2019 年3—5 月逐日08、20時起報的8 種預(yù)報產(chǎn)品在整個預(yù)報時效內(nèi)的均方根誤差、1 ℃TS評分、2 ℃TS評分及其訂正技巧的區(qū)域預(yù)報效果（圖3～8）。

通過分析國家級格點預(yù)報指導(dǎo)產(chǎn)品（XJ）的均方根誤差和TS評分：誤差大值區(qū)（WC1＞6.5 ℃｜TS1≤10%｜TS2≤20%） 約有17%的格點數(shù)， 主要分布在高海拔（海拔高度＞2 000m）的山脈區(qū)域，預(yù)報準(zhǔn)確率最差； 約有23%的格點數(shù)分布在海拔高度＜2 000 m的山脈區(qū)域、昌吉州東部、巴里坤區(qū)域、阿勒泰地區(qū)，預(yù)報準(zhǔn)確率效果略好；誤差小值區(qū)（WC1≤2.5 ℃｜TS1＞20%｜TS2＞40%）約有60%的格點數(shù)，主要分布在低海拔（海拔＜1 200 m）的區(qū)域，預(yù)報準(zhǔn)確率效果最好。 6種訂正產(chǎn)品均對誤差小值區(qū)訂正效果最弱， 誤差大值區(qū)域訂正效果最強(qiáng)。

3.1 均方根誤差及訂正技巧

研究區(qū)域內(nèi)08 時起報XJ、KM1、KM2、KM3，均方根所在范圍分別為0.9～20.8、0.7～1.8、0.7～2.3、0.7～2.2 ℃，其平均值分別為3.6、1.2、1.4、1.3 ℃。 20時起報均方根分別為1.1～19.9、0.8～2.3、0.8～2.6、0.8～2.4 ℃，其平均值分別為3.8、1.4、1.6、1.6 ℃。 海拔高度參照圖1，均方根誤差分布參照圖3a～3h，3 種訂正預(yù)報相對XJ 的訂正技巧分布參照圖3i～3n。

圖3 2019 年3—5 月08、20 時起報的各4 種格點預(yù)報產(chǎn)品在240 h 預(yù)報時效內(nèi)均方根誤差（a～h）及3 種平均濾波算法相對格點指導(dǎo)預(yù)報的訂正技巧（i～n）的預(yù)報效果對比檢驗

KM1、KM2、KM3 3 種訂正產(chǎn)品較XJ 預(yù)報產(chǎn)品，08 時起報的訂正產(chǎn)品平均均方根誤差分別降低了2.3、2.1、2.2 ℃，其中誤差大值區(qū)域降低效果最顯著，分別降低了8.3、8.1、8.1 ℃。20 時起報的訂正產(chǎn)品平均均方根誤差分別降低了2.3、2.1、2.2 ℃，其中誤差大值區(qū)域分別降低了7.6、7.4、7.4 ℃。

3.2 1 ℃TS 評分及訂正技巧

研究區(qū)域內(nèi)08 時起報XJ、KM1、KM2、KM3，1 ℃TS評分所在范圍分別為0.1%～40.5%、17.5%～42.4%、17.7%～41.4%、17.4%～42.3%；20 時起報均方根所在范圍分別為0.1%～40.1%、16.0%～42.8%、16.0%～40.5%、16.4%～43.0%。 海拔高度參照圖1，1 ℃TS評分分布參照圖4a～4h，3 種訂正預(yù)報相對XJ 的訂正技巧分布參照圖4i～4n。

圖4 2019 年3—5 月08、20 時起報的各4 種格點預(yù)報產(chǎn)品在240 h 預(yù)報時效內(nèi)1 ℃TS 評分及3 種平均濾波算法對格點指導(dǎo)預(yù)報的訂正技巧的預(yù)報效果對比檢驗

KM1、KM2、KM3 3 種訂正產(chǎn)品較XJ 預(yù)報產(chǎn)品，08 時起報的訂正產(chǎn)品中1 ℃TS評分平均分別提高了9.0%、8.8%、9.2%， 在誤差大值區(qū)分別提高了24.1%、24.0%、24.0%；20 時起報的訂正產(chǎn)品1 ℃TS評分平均分別提高了9.4%、9.7%、9.8%，在誤差大值區(qū)域分別提高了23.3%、23.3%、23.2%。

3.3 2 ℃TS 評分及訂正技巧

研究區(qū)域內(nèi) 08 時起報 XJ、KM1、KM2、KM3，2 ℃TS評分所在范圍分別為0.1%～68.3%、36.0%～72.4%、36.3%～72.7%、36.2%～72.3%，其平均值分別為35.8%、51.5%、51.3%、51.9%；20 時起報2 ℃TS評分所在范圍分別為0.1%～67.6%、33.2%～70.0%、34.5%～70.6%、33.5%～70.0%， 其平均值分別為33.0%、49.3%、49.7%、49.9%。 海拔高度參照圖1，2 ℃TS評分分布參照圖5a～5h，3 種訂正預(yù)報相對XJ 的訂正技巧分布參照圖5i～5n。

圖5 2019 年3—5 月08 時、20 時起報的各4 種格點預(yù)報產(chǎn)品在240 h 預(yù)報時效內(nèi)2 ℃TS 評分（a～h）及3 種平均濾波算法對格點指導(dǎo)預(yù)報的訂正技巧（i～n）的預(yù)報效果對比檢驗

KM1、KM2、KM3 3 種訂正產(chǎn)品較XJ 預(yù)報產(chǎn)品，08 時起報的訂正產(chǎn)品中2 ℃TS評分平均分別提高了15.7%、15.5%、16.2%， 在誤差大值區(qū)分別提高了44.2%、44.1%、44.1%；20 時起報的訂正產(chǎn)品2 ℃TS評分平均分別提高了16.3%、16.7%、16.9%， 在誤差大值區(qū)區(qū)域分別提高了42.1%、42.5%、42.1%。

4 區(qū)域時效檢驗

將格點預(yù)報產(chǎn)品（XJ、KM1、KM2、KM3） 選用24、72、240 h 3 個預(yù)報時次分別計算2 ℃TS評分在區(qū)域中對比檢驗預(yù)報效果（圖6～8）。 隨著預(yù)報時次延長TS評分值明顯降低，且3 種訂正預(yù)報產(chǎn)品的TS評分值均高于XJ 產(chǎn)品。

4.1 24 h 預(yù)報效果對比檢驗

08 時起報的XJ、KM1、KM2、KM3 平均值分別為42.0%、68.7%、69%、69.5%，3 種訂正算法平均提高了26.7%、27.0%、27.5%。20 時起報平均值分別為39.2%、61.4%、62.5%、62.4%。 3 種訂正算法平均提高了22.2%、23.3%、23.2%（圖6）。

圖6 2019 年3—5 月08、20 時起報的4 種格點預(yù)報產(chǎn)品在24 h 預(yù)報時效內(nèi)2 ℃的Ts 評分效果對比檢驗

4.2 72 h 預(yù)報效果對比檢驗

08 時起報的預(yù)報產(chǎn)品XJ、KM1、KM2、KM3 平均值分別為34.8%、51.3%、50.8%、51.6%，3 種訂正算法平均提高了16.5%、16.0%、16.8%；20 時起報平均值分別為35.9%、56.9%、57.1%、57.7%，3 種訂正算法平均提高了21.0%、21.2%、21.8%（圖7）。

圖7 2019 年3—5 月08 時起報的4 種格點預(yù)報產(chǎn)品在72 h 預(yù)報時效內(nèi)2 ℃的TS評分效果對比檢驗

4.3 240 h 預(yù)報效果對比檢驗

08 時起報的平均值分別為32.8%、45.6%、44.5%、45.7%，3 種訂正算法平均提高了12.8%、11.7%、12.9%。 20 時起報的平均值分別為29.2%、38.7%、39.5%、39.4%。 3 種訂正算法平均提高了9.5%、10.3%、10.2%（圖8）。

圖8 2019 年3—5 月08、20 時起報的4 種格點預(yù)報產(chǎn)品在240 h 預(yù)報時效內(nèi)2 ℃的TS 評分效果對比檢驗

5 結(jié)論與討論

本文采用3 種濾波算法對北疆2019 年3—5 月的240 h 逐24 h 智能網(wǎng)格預(yù)報產(chǎn)品進(jìn)行訂正，使用均方根誤差和TS評分作為檢驗指標(biāo)，分別采用分時效檢驗、分區(qū)域檢驗、區(qū)域中檢驗時效3 種方式來檢驗訂正前后預(yù)報效果。

（1）按預(yù)報時效對比檢驗，均方根誤差均隨著預(yù)報時次延長緩慢增大，TS評分均隨著預(yù)報時次延長緩慢降低。 訂正產(chǎn)品相比格點預(yù)報指導(dǎo)產(chǎn)品，08 時起報的訂正預(yù)報產(chǎn)品中均方根誤差均降低了2.1 ℃，其中在24 h 內(nèi)訂正效果明顯，均降低了2.5 ℃。1 ℃TS評分， 分別提高了9.7%、9.5%、9.9%， 其中24 h內(nèi)訂正效果明顯， 分別提高了17.4%、17.9%、18.0%。 2 ℃TS評分， 分別提高了16.6%、16.4%、17%，其中24 h 內(nèi)訂正效果明顯，分別提高27.3%、27.6%、28.0%；20 時起報的訂正預(yù)報產(chǎn)品中均方根誤差，分別降低了1.9、1.9、2.0 ℃，其中在48 h 內(nèi)訂正效果明顯，均降低了2.3 ℃。 1 ℃TS評分，分別提高了9.7%、10.0%、10.1%， 其中48 h 內(nèi)訂正效果明顯，分別提高13.8 %、14.6 %、14.6 %。 2 ℃TS評分，分別提高了16.6%、17.1%、17.3%，其中在48 h 內(nèi)訂正效果明顯，分別提高22.7%、23.9%、23.8%。

（2）按格點區(qū)域?qū)Ρ葯z驗，3 種平均濾波方法較格點指導(dǎo)預(yù)報相比，08 時起報的訂正預(yù)報中均方根誤差分別降低2.3、2.1、2.2 ℃，1 ℃TS評分平均分別提高了9.0%、8.8%、9.2%，2 ℃TS評分平均分別提高了15.7%、15.5%、16.2%；20 時起報的訂正產(chǎn)品中均方根誤差分別降低2.3、2.1、2.2 ℃，1 ℃TS評分平均分別提高了9.4%、9.7%、9.8%，2 ℃TS評分平均分別提高了16.3%、16.7%、16.9%。

（3）區(qū)域中分時效檢驗2 ℃TS評分，訂正預(yù)報產(chǎn)品較格點指導(dǎo)預(yù)報產(chǎn)品， 隨著預(yù)報時效延長訂正效果減弱。

（4）經(jīng)過3 種訂正算法訂正的預(yù)報產(chǎn)品對格點預(yù)報指導(dǎo)產(chǎn)品，均方根誤差均降低明顯，1 ℃評分和2 ℃評分在48 h 時內(nèi)訂正效果均明顯提高，3 種算法中集成訂正略優(yōu)。

通過結(jié)果對比， 國家級格點預(yù)報指導(dǎo)產(chǎn)品中第一種方案可滿足當(dāng)前業(yè)務(wù)需要， 尤其在2 000 m 以上的高海拔區(qū)域訂正效果最好；而海拔低于1 200 m的區(qū)域指導(dǎo)產(chǎn)品預(yù)報準(zhǔn)確率效果最好，誤差值小，訂正效果最弱。但本文應(yīng)用的產(chǎn)品有限，有待于應(yīng)用改進(jìn)算法訂正其他模式的預(yù)報產(chǎn)品并進(jìn)行驗證， 進(jìn)而選用不同模式的預(yù)報產(chǎn)品應(yīng)用最優(yōu)的訂正算法進(jìn)行業(yè)務(wù)化。