引言

春季霜冻是指在农作物生长季节里，地面和植物表面温度短时间下降到足以引起农作物遭受伤害或者死亡的低温(沙晓梅等，2021；翟颖佳等，2019)，霜冻持续时间越长，农作物受害程度越严重。北疆春季霜冻频发，该地区种植的玉米、小麦、棉花、林果等对霜冻非常敏感(张磊等，2014)。

做好霜冻预报的前提是提高温度预报的准确率，合适的订正算法可以有效提高温度预报准确率。温度订正主要考虑全区域的订正效果，而霜冻预报主要考虑气温达到霜冻域值区域的预报准确率，通过对比预报产品的预报效果，进而选出对气温和霜冻预报效果最好的算法。国内众多学者对温度客观预报方法做了大量研究工作，戴翼等(2019)采用一元线性回归以及克里金插值对ECMWF细网格模式的温度预报进行订正，订正后温度预报能力有显著提升；曾晓青等(2019)采用全球模式2 m温度预报场资料，使用8种误差订正方案进行滚动订正预报试验，结果显示滑动误差回归模型的检验评分略好于全格点滑动双因子回归模型；王丹等(2019a；2019b)采用一元线性回归法和基于ECMWF细网格递减平均法两种方法对气温预报误差进行订正，两种方法都显著地提高了日最高(低)气温的预报准确率；岳慧欣等(2021)对葡萄主产区春霜冻灾害发生日数、频率、站次比以及致灾危险性进行分析，为灾害防御工作提供依据；陈豫英等(2019)和潘留杰等(2022)利用Kalman滤波的方法对最低气温和霜冻、降水预报产品进行检验；彭九慧等(2016)采用概率、指标、数值预报产品相结合的方法及概率区间取值法建立了分县区初霜预报模型；贾丽红等(2018)和韦青等(2020)采用递减平均订正法、集合平均法和加权集合平均法，结果表明加权集合平均法优于集合平均法，先订正后集合方案优于先集合后订正方案；张鑫等(2021)利用北疆37个地面气象站逐日最低气温观测资料，分析北疆地区初、终霜日和霜期的时空演变特征。上述这些温度预报方法均基于国家级观测站预报资料进行的研究。新疆总面积为166.49万km², 占全国土地面积的六分之一，是我国面积最大的省份，且地形地貌复杂，气候类型多样。而全疆仅有105个固定国家基本气象站，显然传统的固定站点预报无法满足精细的时间和空间信息的气象农业服务需求，目前，无缝隙精细化网格气象预报已经成为国际主流趋势(金荣花等，2019)，因此，智能格点霜冻预报是农用天气预报实际业务和服务中迫切需要的预报产品。2019年5月14—18日，天山北坡局地出现寒潮和不同程度霜冻，对当地农业生产造成不利影响。本文利用智能网格预报的精细化技术优势，将准确的春季霜冻预报精确到田间地头，为农户及早安排防御措施提供技术保障。

农业生产中非常需要春季精确的中期霜冻预报，空间上可以精确到田间地头，时间上可以分析给出霜冻当天气温≤0℃的持续小时数，能够更好地为霜冻灾害防御提供支持。智能网格精细化温度预报方法中，Kalman(1960)应用最为广泛，本文使用平均滤波，借鉴Kalman(1960)的思想，使用较短时间的模式历史结果就能进行模式误差订正，本文设计了三种平均滤波订正方案，对北疆地区春季逐3 h气温的智能格点预报产品进行订正和检验，尝试寻找预报效果相对较好，能够支持实时霜冻预报的订正算法，以期提高春季霜冻预报水平。

1 资料和方法 1.1 资料

北疆春季影响农作物的霜冻出现在4—5月，采用2019年4—5月的温度资料为检验对象。研究区域为新疆北部平原地区(农牧业所在区域)，如图 1中填色区域。区域所处范围为42.25°~49.20°N、79.85°~96.5°E，研究区域内共计13 888个格点，其中发生霜冻区域的格点为7082个。

预报产品选用中国气象局下发的0.05°×0.05°的温度格点预报指导产品(简称XJ)，每日20时(北京时，下同)起报未来240 h的逐3 h气温格点预报(GRIB格式)。实况资料选用中国气象局陆面数据同化系统(CLDAS-V2.0)(简称CLDAS)小时实况数据产品(0.05°×0.05°，GRIB格式)，该实况产品是由地面、卫星等多源资料融合分析而成。

1.2 订正原理

首先选取研究区域2019年4—5月气温格点预报指导产品240 h逐3 h温度的气温格点预报，与CLDAS逐时格点实况资料温度对应。预报资料和实况资料空间分辨率均为0.05°×0.05°，订正关键是匹配预报时效和实况值。平均滤波算法(薛谌彬等，2019；尹姗等，2020；肖瑶等，2020)的思路是：使用可获取的最新实况资料不断对格点预报产品的预报误差更新，从而更新当天预报时刻的误差估算值，订正后得到新预报值。误差订正步骤如下：

(1) 格点在预报日期d的预报时效误差估算值:

$ b_{\mathrm{d}}=f_{\mathrm{d}}-a_{\mathrm{d}} $

(1)

式中：b_d为预报误差值，定义为该格点在预报日期d的预报值f_d与对应实况值a_d的误差，b_d是随预报时效变化的。

(2) 确定模式预报误差:

$ B_{\mathrm{d}}=\frac{b_{\mathrm{d}-1}+b_{\mathrm{d}-2}+\cdots+b_{\mathrm{d}-n}}{n} $

(2)

式中：B_d为平均模式预报误差偏差估算值，是该格点预报日期d的前n天实况对应的预报时效模式预报误差平均值。

通过对2019年4—5月该模式预报产品取不同n值计算偏差订正值研究表明，选择合适的n可以确定最优的误差偏差订正值，极大地提高了预报准确率。

为获取最优预报误差偏差订正值，共设计了三种滤波误差订正方案，其中n的取值通过前期研究并参考张祖莲等(2021)对温度订正的取值。

方案1(简称KM1)，n=6，针对每个格点的不同预报时效的偏差估算值分别按式(2)计算更新偏差订正值。针对每个格点的不同预报时效的偏差估算值分别按式(2)计算更新偏差订正值。例如，对于3 h气温预报的订正，利用距起报日最近6 d的3 h气温预报结果与对应日期的实况进行误差分析，将6 d预报误差的平均值作为订正偏差。对未来6 h的最低气温订正的方法类似，选取距起报日最近6 d的6 h预报时效的气温预报结果与对应实况进行误差分析，确定偏差订正值，直到240 h的预报时效气温的订正均采用此方式处理。每天针对每个格点的不同预报时效的订正偏差均采用这种滑动方法计算更新偏差订正值。

方案2(简称KM2)，n=10，整体思路过程与KM1方案相同。

方案3(简称KM3)，称为集成订正算法，基于KM1与KM2的订正结果，以绝对误差为判据，将KM1或KM2方案中误差较小的方案作为集合分析后的KM3方案订正值，每个格点的每个预报时效内的订正偏差均以此过程来确定。

(3) 模式预报误差订正:

$ F_{\mathrm{d}}=f_{\mathrm{d}}-B_{\mathrm{d}} $

(3)

利用获得偏差估算值B_d对最新格点预报f_d进行误差订正。格点预报误差订正过程是针对不同预报时效和所有格点进行的。

1.3 霜冻逐日持续时间预报

霜冻逐24 h平均持续时间预报：

$ D F=\frac{N_{\mathrm{F}}}{N_{\mathrm{G}}} \times 3, s k=\frac{N_{\mathrm{Fsk}}}{N_{\mathrm{Gsk}}} \times 3 $

(4)

霜冻逐24 h平均持续时间预报误差：

$ W C=D F-s k $

(5)

式中: DF为霜冻逐日持续时间预报值，N_F为预报时效内预报达到霜冻指标的总次数，N_G为预报时效内达到霜冻指标的格点(天)数，sk为CLDAS数据中霜冻逐日持续时间，N_Fsk为与预报时效相对应的实况达到霜冻指标的总次数，N_Gsk为预报时效内对应的实况值达到霜冻指标的格点(天)数。

计算过程：①在预报日期内逐日单个格点预报霜冻发生次数为n_ft、实况霜冻次数为n_fskt。②分时效统计中，在预报日期内逐日全部格点霜冻总次数为$\mathrm{N}_{\mathrm{F}}=\sum\limits_{t=1}^{t=N_{\mathrm{G}}} n_{\mathrm{f}_t}$(N_G表示预报格点数)及实况总次数$N_{\mathrm{Fsk}}=\sum\limits_{t=1}^{t=N_{\mathrm{Gsk}}} n_{\mathrm{fsk}_t}$(N_Gsk表示实况格点数)，全部格点在预报日期内逐24 h霜冻预报持续平均次数为N_F/N_G，对应平均实况次数为N_Fsk/N_Gsk。③由于研究资料为逐3 h预报，即霜冻逐24 h持续时间预报范围为$\left(\frac{N_{\mathrm{F}}}{N_{\mathrm{G}}}-1\right) \times 3 \leqslant D F \leqslant\left(\frac{N_{\mathrm{F}}}{N_{\mathrm{G}}}\right) \times 3$，本文取$\left(\frac{N_{\mathrm{F}}}{N_{\mathrm{G}}}\right) \times 3$作为判断指标，其对应的实况平均持续时间为$\left(\frac{N_{\mathrm{Fsk}}}{N_{\mathrm{Gsk}}}\right) \times 3$。④逐日霜冻平均持续时间预报误差为WC=DF-sk。

在区域统计中，计算过程①相同，②单个格点在预报日期内的霜冻持续总次数为$N_{\mathrm{F}}=\sum\limits_{t=1}^{t=N_{\mathrm{G}}} n_{\mathrm{f}_t}$(N_G为天数)及预报对应的实况总次数$N_{\mathrm{Fsk}}=\sum\limits_{t=1}^{t=N_{\mathrm{Gsk}}} n_{\mathrm{f}_t \mathrm{sk}_t}$(N_Gsk为实况天数)，单个格点在所有预报日期内霜冻持续时间平均次数为N_F/N_G，对应平均实况次数为N_Fsk/N_Gsk。③单个格点在所有预报日期内逐24 h霜冻平均持续预报时间DF=N_F/N_G×3，其对应的实况平均持续时间为sk=N_Fsk/N_Gsk×3。④逐格点霜冻平均持续时间预报误差为WC=DF-sk。

1.4 检验指标

采用均方根误差(RMSE)、订正技巧(SS)、气温预报准确率(TT)(温度预报绝对误差≤2℃)(薛谌彬等，2019)、霜冻预报准确率(TS)(气温≤0℃)(陈豫英等，2019)、霜冻逐24 h平均持续时间预报均方根误差来检验订正前后的预报效果。其中：

$ R M S E=\sqrt{\frac{\sum\limits_{i=1}^N\left(f_i-a_i\right)^2}{N}} $

(6)

式中: i为滑动天数或格点数，N为总天数或总格点数, f_i为预报值，a_i为实况值。

$ T T=\frac{N_{\mathrm{A}}}{N_{\mathrm{A}}+N_{\mathrm{B}}} \times 100 \% $

(7)

式中: N_A为预报值绝对误差≤2℃的格点(次)数，N_B为预报值绝对误差＞2℃的格点(次)数。

$ T S=\frac{N_{\mathrm{C}}}{N_{\mathrm{C}}+N_{\mathrm{D}}+N_{\mathrm{E}}} \times 100 \% $

(8)

式中: N_C为霜冻预报正确的格点(次)数，N_D为预报值达到霜冻指标而实况不是未达到的格点(次)数，N_E为预报值未到霜冻指标而实况已至霜冻指标的格点(次)数。

霜冻逐24 h平均持续时间预报均方根误差：

$ R M S E_{-} D F=\sqrt{\frac{\sum\limits_{j=1}^{N_{\mathrm{h}}}\left(W C_j\right)^2}{N_{\mathrm{h}}}} $

(9)

式(9)利用式(4)和式(5)得出WC值，在分时效预报检验中，N_h表示预报达到霜冻指标的天数，在区域预报检验中，则表示预报中达到霜冻指标的格点个数。

温度订正技巧均方根误差：

$ S S_{-} R M S E_{\mathrm{km} i}=R M S E_{\mathrm{xj}}-R M S E_{\mathrm{km} i} $

(10)

温度订正技巧预报准确率：

$ S S_{-} T T_{\mathrm{km}i}=T T_{\mathrm{km}i}-T T_{\mathrm{xj}} $

(11)

霜冻订正技巧预报准确率：

$ S S_{-} T S_{\mathrm{km} i}=T S_{\mathrm{km} i}-T S_{\mathrm{xj}} $

(12)

霜冻订正技巧逐24 h持续时间预报均方根误差：

$ S_{-} R M S E D F_{\mathrm{km} i}=R M S E_{-} D F_{\mathrm{xj}}-R M S E_{-} D F_{\mathrm{km} i} $

(13)

式中：下标为kmi表示订正预报相关计算值，i取值为1、2、3，下标为xj表示中国气象局下发的温度原始格点预报计算值。

1.5 检验方法

分时效检验方法：分别计算并对比四种预报产品(XJ, KM1, KM2, KM3)的所有格点气温在240 h内逐3 h指标值。

分区域检验方法：分别计算并对比四种预报产品(XJ, KM1, KM2, KM3)在整个预报时效240 h的气温在每个格点的指标值。

2 分时效预报效果对比检验

对比检验XJ、KM1、KM2、KM3四种预报产品的均方根误差、气温预报准确率、霜冻预报准确率和霜冻逐24 h持续时间预报均方根误差。KM1、KM2、KM3相对于XJ的均方根误差、气温预报准确率、霜冻预报准确率和霜冻逐24 h持续时间预报的订正技巧。

2.1 均方根误差和气温预报准确率

四种预报产品(XJ、KM1、KM2、KM3)气温的均方根误差和气温预报准确率见图 2a，2b。总体上，四种产品的均方根误差随预报时效延长在波动中缓慢增长，气温预报准确率随着预报时效延长在波动中缓慢降低。三种滤波算法的误差订正技巧随着预报时效延长在波动中缓慢减小至108 h后震荡加剧出现正订正峰值，且变化趋势基本相似。具体数据对比如表 1。

三种滤波算法均对比原始格点预报均方根误差明显降低，气温预报准确率明显提升。三种预报产品(KM1、KM2、KM3) 较XJ均方根误差平均减小了0.79、0.85、0.88℃，气温预报准确率平均提高了6.11%、6.38%、6.46%，相比而言KM3略优。

原始预报产品在108 h后误差振荡加剧，每日11时和23时均方根误差处于波峰，同时气温预报准确率处于波谷；每日的08时和20时均方根误差处于波谷，同时气温预报准确率处于波峰；相应的订正滤波也于每日11时和23时出现峰值、每日08时和20时出现谷值。此现象和模式本身的误差关系最大，预报模式本身随着预报时间越长模式误差就越大，图 2a和2b显示三种滤波均有效地降低模式误差。

2.2 逐3 h霜冻预报准确率

检验四种预报产品(XJ、KM1、KM2、KM3), 霜冻预报准确率(图 2c)平均值分别为54.70%、57.70%、60.51%、62.01%，后三种订正预报相对XJ预报产品的霜冻预报准确率平均分别提高了3.00%、5.81%、7.31%。总体上，预报准确率随预报时效延长在波动中缓慢减小，原始格点预报中霜冻预报准确率和订正技巧成反向波动，预报准确率最高的时刻即为订正的负值波谷时刻，准确率最低的时刻即为订正的正值波峰时刻。三种滤波订正技巧波动基本一致，订正技巧正值区大于负值区，波峰的时刻集中在23、11和02时。谷值的时刻为17时和14时，即每日温度较高时刻，其中预报时效在108 h以内的谷值出现在17时，108 h以后的谷值出现在14时。

2.3 霜冻逐24 h持续时间预报

春季发生霜冻可造成对农作物损伤，霜冻持续时间越长对农作物伤害越大，霜冻持续时间是衡量发生霜冻等级和作物受灾程度的重要指标。当单个格点逐24 h时效内气温值达到霜冻指标次数＞4次，即该格点在该24 h时效内发生霜冻持续时数大于12 h，说明此时期或该区域还未进行各项农事活动，此时的霜冻并不是农户所关注的时期。因此本文单独检验满足(1≤单个格点逐24 h预报值达到霜冻指标次数≤4)的格点区域定义为DF_1，持续时间预报的霜冻在240 h逐24 h持续时间的均方根误差分时效对比。

三种滤波算法(KM1, KM2, KM3)均对比原始格点预报XJ霜冻逐24 h持续时间预报均方根误差明显降低，平均减小了4.21、4.41、4.35 h。其中四种预报产品中(1≤格点逐24 h预报值达到霜冻指标次数≤4)均方根误差平均值均分别降低了1.19、1.23、1.23 h。

由图 2d和2e可见，从168 h和192 h预报时效看出，原始格点预报产品均方根误差异常偏高。而当统计(1≤所有格点逐日逐24 h预报值达到霜冻指标次数≤4)的持续时间预报时，168 h和192 h预报时效的霜冻持续时间预报在此时的均方根误差明显降低。说明在168 h和192 h霜冻持续时间预报的长短对误差值影响明显。经过分析霜冻逐24 h持续时间预报中持续时间越长，均方根误差相对越大。

3 区域预报效果检验

对比检验四种预报产品在整个预报时效内的均方根误差、气温预报准确率、霜冻预报准确率、霜冻逐24 h持续时间预报均方根误差及其订正技巧的区域预报效果(见图 1、图 3、图 4、图 5)。平均值的计算：先逐格点平均整个预报时效内的值，再平均定义区域内所有格点值。

3.1 均方根误差和气温预报准确率

对研究区域内的格点指导预报产品(XJ)的均方根误差分析，分为三个区域(RMSE_Ⅰ, RMSE_Ⅱ, RMSE_Ⅲ)：RMSE≤3℃所在区域为RMSE_Ⅰ，占总格点数的35.1%，主要集中于海拔800~1500 m的北疆阿勒泰中部、塔城北部及东部、伊犁河谷两侧以及北疆沿天山一带；3℃＜RMSE≤4℃所在区域为RMSE_Ⅱ，占总格点数的47.55%，主要集中于海拔200~600 m的准噶尔盆地及其周边区域；RMSE＞4℃所在区域为RMSE_Ⅲ，占总格点数的17.35 %，主要集中于裕民、托里以南的海拔1500 m以上的区域，同时部分集中于海拔600~800 m的哈巴河、布尔津以南、吉木乃北部以及东天山奇台、木垒、伊吾、巴里坤北部平原区。

格点预报产品没有精确的海拔高度，此处采用格点指导预报产品(XJ)的均方根误差值作为指标来分类格点数并统计其均方根误差和气温预报准确率(TT)。具体数据如表 3。

由表 3可得出三种订正算法(KM1，KM2，KM3)相对XJ预报产品的均方根误差分别降低了0.66、0.71、0.90℃，在RMSE＞4℃区域订正效果最明显，分别降低了3.04、3.09、3.17℃；RMSE≤3℃区域订正效果最弱，分别升高了0.1、0.09、-0.18℃。气温预报准确率分别提高了5.7%、6.1%、6.1%，RMSE＞4℃区域订正效果最明显，分别提高了23.75%、24.52%、20.07%；RMSE≤3℃区域订正效果最弱，分别降低了0.25%、降低了0.04%、升高了0.08%。

图 3e~3g中RMSE的订正技巧SS_RMSEKM3≥0的格点占研究区域内格点总数的94.5%；图 3n~3p中气温预报准确率的订正技巧SS_TTKM3≥0的格点占研究区域内格点总数的74.3%，SS_TTKM3＜0主要集中在昌吉州地区海拔高度200~600 m区域。由图 3h~3i和图 3q~3r可得出三种订正算法中KM3最优。

3.2 霜冻预报准确率

对于2019年4—5月北疆平原地区出现霜冻的格点占总格点数的51%，出现霜冻的格点主要集中在阿勒泰地区、塔城北部、昌吉市、昌吉州东部、巴里坤区域，见图 1和图 4a~4d。

对XJ预报产品霜冻预报准确率分为三个区域(TS_Ⅰ, TS_Ⅱ, TS_Ⅲ)分析：TS≤20格点所在区域为TS_Ⅰ，占发生霜冻总格点数的29.7%, 主要集中分布在海拔高度400~800 m的哈巴河、富蕴、青河以及准噶尔盆地东北部周边区域；20＜TS≤40格点所在区域为TS_Ⅱ，占发生霜冻总格点数的32%, 其主要集中分布于海拔高度800~1200 m的准噶尔盆地东部边缘及东南部区域；TS＞40格点所在区域为TS_Ⅲ，占发生霜冻总格点数的38.3%, 其中一部分主要分布于海拔高度1200~1500 m的北塔山、木垒及和布克赛尔区域，另一部分集中于海拔高度高于1500 m的裕民、托里以及南部巴尔鲁克山周边区域。

三种滤波算法(KM1, KM2, KM3)均比原始格点预报XJ霜冻预报准确率明显降低，平均降低了14.20%、12.50%、11.24%，其中仅对(TS≤20)所在区域的格点霜冻预报准确率有所提高，分别提高1.36%、3.02%、4.28%。由图 4可以看到在研究日期内原始格点预报XJ在海拔高度高于1500 m的的裕民、托里以及南部巴尔鲁克山周边区域的霜冻预报准确率≥90%，主要原因是此区域均是山脉且冰雪覆盖，并不合适农业活动。

由图 4e~4g可得TS订正技巧SS_TSKM3≥0的格点所在区域定义为SSTS_1，格点数据占发生霜冻总格点数的37.6%，霜冻预报准确率分别提高了2.5%、4.8%、5.4%，主要集中在海拔高度为600~1200 m的富蕴、青河以及准噶尔盆地东部边缘及东南部区域；发生霜冻的其他区域为订正负值区域。由图 4h~4i可得三种订正算法中KM3最优。

3.3 霜冻逐24 h持续时间预报

2019年4—5月，在北疆平原区域满足每个格点逐日的240 h中逐24 h预报时效中预报值达到霜冻指标次数＞4的格点出现至少1个24 h预报时效内，涉及到共3603个格点，主要集中在海拔高度大于1200 m的地区，分布于北塔山、木垒、布克赛尔区域、裕民、托里和南部巴尔鲁克山周边山脉区域。该区域农业活动较少，并不是农业用户关注重点。

三种滤波算法(KM1, KM2, KM3)对比XJ预报，霜冻逐24 h持续时间预报均方根误差明显降低，分别减小了0.81、0.63、0.56 h。其中四种预报产品中(1≤格点逐日逐24 h预报值达到霜冻指标次数≤4)均方根误差平均值均明显降低。霜冻逐24 h持续时间预报中持续时间越长，均方根误差相对略大。

KM1的订正技巧SS_RMSEDFKM1＜0的格点所在区域定义为SSRMSEDF_1, 占发生霜冻总格点的28.6%，主要集中哈巴河、布尔津、木垒区域，订正值为负值域。SS_RMSEDFKM1≥0的格点所在区域定义为SSRMSEDF_Ⅱ, 占发生霜冻总格点的71.4%，发生霜冻格点的剩下区域，订正产品预报均方根误差值基本≤3 h，三种订正预报(KM1、KM2、KM3)相比XJ均方根误差平均下降0.80、0.62、0.55 h。由图 5h~5i可得三种订正算法中KM1略优。

4 应用实例

为检验算法的通用性及对转折性天气(温度陡降、陡升)的误差订正结果(张华龙等，2021)。选用北疆平原地区欧洲中期天气预报中心ECMWF(简称EC)细网格模式2 m温度预报产品，20时起报的240 h逐3/6 h温度预报，其中72 h预报时效内为逐3 h，72~240 h预报时效内为逐6 h预报，水平分辨率为0.125°×0.125°，共2217个格点，时效为2021年4月21日14时至22日14时。实况选用CLDAS实时产品数据集。采用双线性插值方法从研究区域内0.05°×0.05°中的CLDAS格点实况资料，获取EC预报产品中格点所有预报时效对应的实况值。研究时间内北疆平原区平均温度降低13.1℃，发生霜冻的格点为1106个。分三个区域来分析：降温＞20℃的格点所在区域为CLDAS_Ⅰ，占总格点数的25.9%，分布在伊犁州东部、石河子市、乌鲁木齐市、昌吉州大部分；10℃＜降温≤20℃的格点所在区域为CLDAS_Ⅱ，占总格点数的47.4%，其中降温15~20℃分布在伊犁州大部分、淖毛湖、伊吾、沙湾、玛纳斯、呼图壁、青河、温泉，降温10~15℃分布在克拉玛依、炮台、莫索湾、富蕴、博州东部；降温≤10℃的格点所在区域为CLDAS_Ⅲ，占总格点数的26.7%，分布在除上述区域之外的区域。根据上述三种方案进行订正, 分别对气温预报准确率(TT)和霜冻预报准确率(TS)进行检验。

4.1 分时效检验

将KM3的订正技巧≥0分布的预报时效定义为SSKM3_0，其中SS_TTKM3>0共有17个预报时效，分别为预报时效0~12 h和02、08、17和23时。TT_KM3较KM1、KM2的气温预报准确率平均提高1.0%、1.3%。SS_TSKM3>0共有18个预报时效，分别为预报时效9~18 h和预报时效预报到08、11、14和17时的时刻。TS_KM3较KM1、KM2的霜冻预报准确率平均提高1.8%、0.1%(图 6)。

4.2 分区域检验

研究时间24 h内实况温度最高降温26.6℃，平均降温≥10℃的格点占全部格点数的73.3%，部分农业生产区域内温度直接达到霜冻指标，没有提前的预警和防御，对农业生产会造成重要灾害。发生霜冻的区域分布在海拔600~800 m的塔城地区、托里以南的区域和海拔600~1200 m的阿勒泰大部区域以及温泉、木垒、昌吉以北的小部分区域。

KM3的订正技巧≥0分布的区域定义为SSKM3_1，其中SS_TTKM3≥0的格点占总格点的37.8%，主要分布在哈密以北、昌吉州大部、和布克赛尔、北塔山、阿勒泰南部。TT_KM3较TT_KM1、TT_KM2平均提高0.9%、1.2%。SS_TSKM3≥0的格点占发生霜冻格点的39.8%，主要分布在塔城地区、温泉、哈巴河以西、布尔津、昌吉以北的小部分区域。TS_KM3较TS_KM1、TS_KM2平均提高2.0%、0.2%(图 7)。

四种(XJ，KM1，KM2，KM3)预报产品气温预报准确率整体原始预报EC比订正预报略高，在降温＞20℃的强降温区域，三种订正预报(KM1, KM2, KM3)气温预报准确率均高于EC，分别提高了3.8%、3.6%、4.2%。

四种预报产品(EC，KM1, KM2, KM3)霜冻预报正确的格点分别为964、1034、1015、1021个，由表 7和图 7显示EC的霜冻预报准确率整体比订正预报产品略高，预报发生霜冻格点正确格点个数少于订正预报产品，EC霜冻预报中预报正确的格点缺少了农业生产区域中昌吉以北小部分区域、木垒部分区域。

5 结论与讨论

本文使用三种滤波算法对北疆平原区春季240 h内逐3 h气温格点指导产品进行订正，采用均方根误差、订正技巧、气温预报准确率、霜冻预报准确率和霜冻逐24 h平均持续时间预报均方根误差作为检验指标，通过分时效和分区域检验方法对订正前后的气温和霜冻预报效果进行了检验分析，得到的主要结论如下：

(1) 在分时效检验中，三种订正预报产品(KM1、KM2、KM3)较原始格点预报产品XJ：气温均方根误差平均降低了0.79、0.85、0.88℃；气温预报准确率平均提高了6.11%、6.38%、6.46%。逐3 h霜冻预报准确率平均提高了3.00%、5.81%、7.31%，订正技巧谷值主要为17时和14时。霜冻逐24 h持续时间预报均方根误差明显降低，平均降低了4.21、4.41、4.35 h，其中订正预报产品中(1≤格点逐日逐24 h预报值达到霜冻指标次数≤4)均方根误差平均值降低了1.19、1.23、1.23 h，在168 h和192 h霜冻持续时间预报的时长对误差值影响明显。

(2) 分区域预报效果检验中，三种订正预报产品(KM1、KM2、KM3)相对原始预报产品XJ：气温均方根误差分别降低0.66、0.71、0.9℃，在XJ的误差值RMSE＞4℃区域订正效果明显，分别降低了3.04、3.09、3.17℃；气温预报准确率分别提高了5.7%、6.1%、6.1%，在XJ的误差值RMSE＞4℃区域订正效果明显，分别提高了23.75%、24.52%、20.07%。霜冻预报准确率在富蕴、青河以及准噶尔盆地东部边缘及东南部海拔高度为600~1200 m区域, 分别提高了2.5%、4.8%、5.4%；其他区域提高不明显。霜冻逐24 h持续时间预报均方根误差平均减小了0.81、0.63、0.56 h，其中订正预报产品中(1≤单个格点逐日逐24 h预报值达到霜冻指标次数≤4)均方根误差平均值分别降低了0.4、0.3、0.2 h。

(3) 分时效检验中，原始预报产品XJ在108 h预报时效内波动变化平缓，均方根误差均较低，气温预报准确率均较高，在108 h预报时效后误差振荡加剧，相应订正技巧也随之加剧。原始预报产品XJ在108 h后，每天11时和23时出现均方根误差在波峰相应气温预报准确率在波谷，08时和20时是均方根误差在波谷、气温预报准确率在波峰。出现这种情况和模式本身的误差关系最大，同时结果显示三种滤波均有效的降低模式误差。

(4) 在区域统计中，2019年4—5月原始格点预报在海拔高度高于1500 m的裕民、托里以及南部巴尔鲁克山周边区域，均方根误差＞4℃，气温预报准确率≤10%，霜冻预报准确率≥90%，此区域均是山脉且冰雪覆盖，并不合适农业活动。

(5) 经过分析随着预报时效的延长均方根误差在波动中缓慢增加、气温和霜冻预报准确率在波动中缓慢减小。霜冻逐24 h持续时间预报中持续时间越长，其均方根误差相对越大，在168~192 h预报时效霜冻持续时间对误差值影响明显。区域中均方根误差较大区，高海拔高度偏高、气温预报准确率较低，其订正效果较好。逐3 h霜冻预报准确率订正技巧≥0的格点数占发生霜冻总格点的37.6%。霜冻逐24 h持续时间预报中订正技巧≥0的格点数占发生霜冻总格点的71.4%。

(6) 2021年4月21—22日北疆出现大范围强降温，应用本文的三种订正预报产品对EC预报产品进行订正，对比检验三种订正预报和EC预报在温度陡降的情况下气温和霜冻的预报效果。结果表明，分时效检验中，气温预报准确率在预报时效小于等于12 h和02、08、17和23时的时刻订正预报产品优于EC；霜冻预报准确率在预报时效9~18 h和08、11、14和17时的时刻订正预报产品优于EC。分区域检验中，EC气温预报准确率整体比订正预报略高，在降温＞20℃强降温区域，三种订正预报产品准确率均高于EC预报；EC霜冻预报准确率整体比三种订正预报产品略高，EC预报发生霜冻格点正确格点个数少于订正预报产品，EC预报正确的格点缺少了农业生产区域中昌吉以北小部分区域、木垒部分区域。三种预报产品的订正算法中，集成订正算法KM3略优。

从分析结果对比显示，三种预报产品的订正算法均优于原始格点指导预报产品。三种订正算法相比而言，集成订正算法KM3最优。2021年春季以来，新疆农业气象台提取中国气象局下发的240 h逐3 h气温格点指导预报产品，并应用本文中的算法和指标进行订正和服务, 每天逐3 h发布低温和霜冻预报预警，得到很好的效果。后期将对该滤波算法订正其他模式的多种基本气象要素的预报产品检验，并进行优化改进不同区域的订正算法以期提高预报准确率。