引言

随着气象科学的进步和经济社会的发展，公众尤其是专业气象用户对天气预报的要求及气象服务的需求越来越高，对于气象业务来说，精细化预报已经成为业务发展的必然趋势。

精细化预报是高分辨率天气预报的深入应用，高分辨率的数值模式是进行精细化预报的基础(谷湘潜等，2007)。云南省气象科研所利用中尺度WRF数值模式及WRF三维变分同化系统建立了本地化的中尺度数值预报业务系统，该系统能较好地刻画本地下垫面的动力和热力状况，预报能力有明显改善(段旭等，2011)。武汉暴雨研究所已成功将局地分析预报系统(local analysis and prediction system, LAPS)移植到本地(李红莉等，2008；2009)，并且利用该系统融合了NCEP资料、S波段多普勒雷达资料、卫星云导风资料、地面观测资料、探空资料以及GPS水汽资料等，实现了利用LAPS为中尺度数值模式提供初始场进行中尺度数值预报。

发展数值预报模式的释用订正技术，提高数值预报模式输出的气象要素预报水平，是开展精细化预报重要环节(矫梅燕，2007)。基于模式输出统计(MOS)、神经元网络、卡尔曼(Kalman)滤波等统计释用技术已被充分利用。辜旭赞(2008)基于T213模式产品，利用Kalman滤波技术建立湖北省多站多要素MOS预报方程，具有一定的评分水平。但是预报时间分辨率较粗，不能达到精细化要求，且预报效果受限于模式性能。郭虎等(2008)利用支持向量机和半周期函数拟合方法制作北京奥运演练气象要素客观精细化预报产品，空间精细化到场馆，时间精细化到3 h，为奥运演练做好气象保障服务。张华等(2003)尝试用最新的大气运动实况资料修正MOS预报方程系数，改善了MOS方程预报效果。吴君等(2007)基于MM5模式产品，利用BP神经网络模型建立了气温预报模型，时间分辨率3 h，表明BP模型的气温预报准确率高于模式直接预报，可应用于业务中制作气温的精细化预报。王辉赞等(2006)利用Kalman滤波方法对T106数值预报产品进行误差修正和预报优化，结果对副热带高压(以下简称副高)预报误差修正效果良好。邱学兴等(2012)统计订正了T639模式预报系统误差，表明“递减平均法”总体表现为正的订正技巧，对于地面2 m温度预报场，冬半年订正能力明显高于夏半年。钱莉等(2010)基于ECMWF数值预报产品利用最优子集神经网络分月建立了武威市逐日最高、最低温度预报模型，结果表明该模型能较好地反映日极端温度的变化，对明显的升降温过程反应灵敏，对升降温趋势和幅度预报较为准确。张礼平等(2008)利用遗传神经网络技术释用气候模式预测产品，证明海气耦合模式预测产品经释用后，可在业务中发挥更大的作用。

气温要素与人民生活、生产密切相关，尤其是电力行业中的电力负荷、用电量等对气温变化极为敏感。研究电力指标与气象因子的关系，建立电力负荷、用电量与气温等要素的评估预测模型已成为焦点(胡江林等，2002)。新疆气象服务中心依托数值预报产品制作电力负荷预报，实现为专业用户提供指导性的专项服务产品(杨静等，2010)，但是准确率明显受T213模式预报能力所限。电力部门需要更精确、更精细的气温预报，以做到供电量的合理调度，达到电网安全稳定、优质经济地运行。本文基于武汉暴雨研究所开发的LAPS分析融合的WRF模式，主要对湖北省内及华中区域部分用电量高峰地区代表站进行气温精细化预报释用研究，每日为区域站点提供次日00-23时逐时气温精细化预报产品。

1 基于LAPS分析融合系统的WRF模式

利用武汉暴雨研究所引进的局地分析预报系统(LAPS)作为分析融合系统，WRF模式作为高分辨率预报模式，根据区域气候、地形特点及系统建设要求，进行本地化移植及调试，自动化运行保障等工作，建立每3 h启动一次的精细化数值预报系统，提供高时空分辨率的精细化数值预报产品。

利用全球GFS每3 h一次的预报场作为LAPS系统背景场，将长江流域各省市多普勒雷达基数据、常规探空观测资料、常规地面观测资料、加密自动站观测资料、GPS水汽资料、风云二号卫星资料等观测资料进行融合同化，每3 h为中尺度数值模式WRF提供初始场。

WRF模式版本利用WRF V3.1，预报区域采用WSM6显式云物理方案，关闭对流参数化方案，利用YSU边界层方案进行设定，侧边界条件为时变边界。预报区域中心点为30.5°N、110.5°E，水平分辨率3 km，范围为24°~37°N、104°~117°E，包括湖北、湖南、河南和重庆等省(市、区)，预报时间分辨率为1 h。

2 资料方法

为了满足湖北电力、华中电力系统对逐时气温预报的需求，开展气温精细化预报服务，依据专业用户指定湖北省内及华中区域主要城市用电量高峰地点，挑选区域55个自动气象观测站(图 1)，进行气温精细化预报，开展专业气象服务。选取资料长度为2011年4月1日至7月20日。

模式资料基于LAPS分析的WRF模式，输出高时空分辨率精细化数值预报产品，要素包括三维温、压、湿、风及地面2 m气温等。起报时间为2011年3月30日至7月19日每日08时，提取次日00-23时逐时物理量场。

利用数值模式释用技术，每日为区域站点提供次日00-23时逐时气温精细化预报产品。

将模式输出的三维温、压、湿、风场等插值到区域站点上，并设计以下几种模式释用方案：

(1) 采用逐时样本“串连”，逐站建立MOS预报方程，记为MOS-1方案。

(2) 去除气温日间变化影响，逐站逐时刻建立MOS预报方程，记为MOS-2方案。

(3) 以模式产品为预报因子，采用卡尔曼(Kalman)滤波技术，逐站逐时刻建立Kalman系统预报方程，记为Kalman-1方案。

(4) 在模式产品为预报因子的基础上，引入前一日实况最高气温为预报因子，逐站逐时刻建立Kalman系统预报方程，记为Kalman-2方案。

MOS方法中各因子的系数一般是固定的，而实际各预报因子对预报量的权重影响是动态变化的。因此在业务运行中，可采用“滚动系数”的方式建立MOS预报模型。每日替换最新的实况和模式样本数据，训练一组新的方程参数，使预报模型能够适应天气、气候的变化。而Kalman滤波方法具有利用上一次预报误差的反馈信息来修正原预报方程参数的特点，预报系统方程本身是动态的。

气温预报的检验方法(张强等，2009)采用平均绝对误差(T_MAE)和预报准确率(T_TK)：

${T_{MAE}} = \frac{1}{N}\sum\limits_{i = 1}^N {\left| {{F_i} - {O_i}} \right|}$

(1)

${T_{{T_K}}} = = \frac{{{N_{{r_K}}}}}{{{N_{{f_K}}}}} \times 100\%$

(2)

式中，F_i为第i站(次)预报气温，O_i为第i站(次)实况气温，K为1、2，分别代表|F_i-O_i|≤1℃、|F_i-O_i|≤2℃，N_rK为预报正确的站(次)数，N_fK为预报的总站(次)数。文中检验预报准确率采用|F_i-O_i|≤2℃的阈值。

3 预报方案实现 3.1 MOS-1方案

MOS降水预报往往依据系统辐合抬升、水汽条件和高低层配置等结构特征选取预报因子，这些因子符合动力学原理和系统发展机制(孙永刚等，1998)，如上升运动、涡散度、中低层水汽、水汽垂直输送及综合指数等。而将此类因子引入MOS气温精细化预报方程后，由于预报因子与预报对象近乎无相关性，试验效果反而不理想。

因此对气温预报因子的选取，先通过模式输出要素与站点实况气温的相关普查，再经过预报检验筛选，发现选取以下8个因子时误差检验最小，见表 1。选取的预报因子与预报对象是线性相关的，且具有一定的天气学意义。

模式直接预报2 m气温与实况气温的相关系数高达0.9，可见基于LAPS分析的WRF模式预报信度较高，预报趋势基本相一致。

由于MOS-1方案将逐时样本“串连”，大量扩充了样本，利于建立稳定的预报模型。利用资料前80 d作为拟合期，训练模型参数，后31 d作为预报期，检验模型预报效果。

图 2给出WRF模式和MOS-1方案预报气温的逐日区域平均绝对误差(T_MAE)，由图可见，MOS-1在拟合期、预报期预报均稳定，T_MAE明显小于模式直接预报。

3.2 MOS-2方案

考虑到气温日间变化可能影响预报准确率，采用MOS-2方案，每个站逐时刻建立24个预报方程。由于拟合样本数量有限，方程不利于引入过多个因子。试验表明，多个预报因子引入MOS-2方程，可使预报的拟合期误差较小，而预报期误差较大。

通过引入不同因子进行预报检验筛选，基于业务简化原则，最后确定MOS-2方案的预报因子为2 m气温和500 hPa位势高度。模式直接预报气温可信度高，位势高度具有明确的天气学意义。利用前80 d资料建立预报模型，后31 d资料进行预报检验。

3.3 Kalman-1方案

Kalman滤波方法是在MOS方程基础上，通过对系数的动态调整来达到减小误差的目的。基于滤波的基本思想，利用前一次预报误差的反馈信息来及时修正和调整预报方程，以提高下一次预报精度(陆如华等，1994)。

在MOS-2方案基础上，以2 m气温和500 hPa位势高度为两个预报因子，利用前80 d资料估算Kalman滤波系统递推起步的4个重要参数(陆如华等，1997)，后31 d资料进行预报检验。

3.4 Kalman-2方案

试验表明，Kalman-1方案对午间气温预报存在较大负偏差。考虑在此基础上，引入前一日实况最高气温作为其中预报因子，记为Kalman-2方案，武汉站日最高气温滞后24 h的自相关系数达到0.75，引入该因子有望提高预报准确率。

4 预报方案比较检验

对各方案进行预报检验，图 3给出后31 d预报期逐时区域平均绝对误差。T_MAE控制在2℃以内为预报准确。图 3a，WRF预报08-11时T_MAE低于2℃，夜间23-07时T_MAE均高于2.5℃，对最低气温预报准确率较低。Kalman-1预报14-18时T_MAE略大，夜间时刻T_MAE明显降低。Kalman-2方案引入实况最高气温因子后，逐时T_MAE均比Kalman-1低0.1℃。图 3b，午间时刻MOS-1和MOS-2误差均能控制在2℃以内，并且略低于Kalman-2；夜间时刻MOS-2误差明显小于MOS-1，且Kalman-2误差最小。此外对MOS-2引入实况最高气温因子，预报效果并无改善。

图 4给出预报期逐站平均绝对误差，由图可见，WRF绝大多数站点的逐时气温T_MAE大于2℃，MOS-1误差明显减小，只有少数站点的T_MAE大于2℃。Kalman-2及MOS-2平均误差最低，仅郑州、洛阳和孟津站点T_MAE略大于2℃，这与WRF预报误差较大有关，也可能与选取预报因子的地域差异有关。

图 5分别给出各方案拟合期和预报期区域平均误差及预报准确率T_TK评分。由图可见，WRF逐时气温T_MAE高于2℃，预报准确率为50%左右，模式预报趋势较好，但误差偏大。通过模式释用，各方案可使T_MAE控制在2℃以内的容许范围，预报准确率也提高到60%~70%。各方案拟合期T_TK相当，预报期由于夜间Kalman-2误差最小、MOS-2次之，Kalman-2预报评分也因此略高于MOS-2及MOS-1。

5 日最高、最低气温检验

每日提供逐时气温精细化预报的同时，检验各方案能否提供较高准确率的日最高、最低气温预报产品。这里最高、最低气温是24 h预报时效的00-23时之间的极值。

图 6统计了2011年4月1日至7月20日区域站点逐日最高气温(T_max)和最低气温(T_min)，检验各方案极值气温预报的平均绝对误差和预报准确率。由图可见，基于LAPS同化的WRF模式对高温预报效果优于低温，T_max误差为2.3℃，T_min误差为2.5℃，T_max评分为54%，T_min评分为44%。模式释用方案对T_min改进明显，MOS-1、MOS-2及Kalman-2可分别使T_MAE降低到1.6℃、1.5℃和1.4℃，预报评分分别提高到67%、73%和74%。但是对T_max改进效果不明显，各方案预报效果相当，T_MAE控制在2℃范围，评分达到57%左右。

通过计算区域站点平均系统性偏差(一段时间内实况与预报的平均差值)，模式预报最高、最低气温的系统性偏差分别为-0.7℃和1.9℃，即高温预报偏高、低温预报偏低，并且模式对低温预报存在更明显的系统偏差，因此对低温的偏差订正改进效果更为明显。通过模式释用，最高、最低气温的系统性偏差分别降低为0.3℃和0.4℃。

综上所述，现有方案能够有效降低输出分辨率为逐小时的中尺度模式预报误差，提高预报准确率，能够满足现阶段专业用户(湖北电力和华中电力)对气象部门气温预报分辨率及准确率的要求。随着专业用户对气象服务需求的日益增长，如新能源产业中风电功率预报对风速预报需求、太阳能光伏发电预报对短波辐射需求，以及电力负荷预报对气温预报需求等，气象部门应当充分发挥自身数值天气预报模式的优势，及时开展对高分辨率模式的应用，提高模式释用水平，尽可能满足专业气象用户对天气预报要求及气象服务的需求。

6 小结

为了满足湖北电力和华中电力系统对逐时气温预报的需求，开展气温精细化预报服务，基于LAPS分析融合的WRF模式，利用2011年4月1日至7月20日高时空分辨率精细化数值预报产品，对湖北省内及周边区域55个站点逐时气温进行精细化预报释用，检验比较几种模式释用方案，得到以下结论。

(1) 基于LAPS分析的WRF模式预报趋势较准确，与实况气温相关系数达到0.9，逐时预报准确率评分在50%左右。通过模式释用，可使评分达到60%~70%。WRF日间(08-20时)预报误差小于夜间，对高温预报准确率较高，T_max评分为54%，对低温预报准确率较低，T_min评分为44%。模式释用方案对T_min预报改进效果明显，MOS-1、MOS-2及Kalman-2可使预报评分分别提高到67%、73%和74%。

(2) 将前一日实况最高气温引入Kalman滤波方程(Kalman-2)，能使区域平均T_MAE降低0.1℃，提高预报准确率。而将该因子引入MOS预报方程，预报效果无改善。

(3) 去除气温日间变化影响，逐时建立MOS预报方程(MOS-2)，该方案相对MOS-1能够有效降低夜间20-07时预报误差，Kalman-2又进一步降低00-07时预报误差，提高T_min预报准确率。

(4) 随着专业用户对气象服务需求的日益增长，气象部门应当充分发挥自身数值天气预报模式的优势，及时开展对高分辨率模式的应用，提高模式释用水平，尽可能满足专业气象用户对天气预报要求及气象服务的需求。