基于多种机器学习方法订正大城市温度精细化预报试验OA

利用2021—2024年欧洲中期天气预报中心(ECMWF)模式预报产品及西安城区站点2 m温度实况,针对西安关键点温度预报构建了多模型集成预报订正流程及方案。2021年9月1日至2023年12月31日数据作为训练集,用于因子筛选、参数调优与模型集成,2024年1月1日至4月30日数据作为测试集,用于评估数值模式及不同训练方案下模型的预报性能。通过主观经验筛选与时滞相关分析,优选了与温度变化密切相关的7个物理量以及不同时效高空关键区变量等特征因子,采用XGBoost、LightGBM、CatBoost梯度提升树模型进行单模型偏差订正,最终通过Stacking集成实现模型融合优化。结果表明:ECMWF模式对西安温度预报存在系统性冷偏差,夜间误差显著大于白天,降温、降水过程中冷偏差加剧。3种机器学习模型经贝叶斯优化调参后均能有效订正模式偏差(均方根误差分别降低了0.039、0.030、0.027℃)。优选特征因子后,单模型均方根误差平均降低约0.257℃。Stacking集成较传统加权集成表现更优,集成后均方根误差较后者降低了0.023℃,2℃误差内预报准确率提升了2.589%,在明显降温、降水天气过程中均方根误差较单模型最大减小0.481℃。