基于传统和深度学习技术的黄渤海域大风预报方法研究

摘要

基于黄渤海域站点风速观测资料以及TIGGE资料,选取欧洲数值预报中心(EC)、中国(CMA)、美国(NCEP)、加拿大(ECCC)4家集合预报产品,在综合评估各家性能的基础上,构建、优化和对比了海上大风集成平均(EM)、动态权重(WEM)、变权偏差订正(BCWEM)3类传统集成方法和长短期记忆神经网络(LSTM)方法。结果表明:LSTM在大风集成预报中性能最优。对于黄渤海域10 m风速预报,EC综合表现最好,NCEP在6级及以上大风段优势明显。各家预报误差均具有显著日变化特征,夜间预报能力弱于白天。优化训练期长度和去除表现较差成员可显著改善WEM和BCWEM的大风预报能力。相对EM的预报结果,WEM无明显改进,BCWEM和LSTM则有显著提升,后两者在全风速段和大风风速段上的预报误差均下降10%以上,且在夜间时段更为明显。BCWEM有效订正了EM和WEM方法对弱风速的预报偏差,LSTM则进一步减小了对强风速的预报误差,并提高了对大风站次的命中数和ETS评分。大风个例分析也表明,LSTM有效弥补了传统方法对低涡东移型大风漏报的问题,提升了对冷高压型大风的预报能力,优势明显。