基于卷积神经网络的长江流域夏季日最高温度延伸期预报方法研究

摘要

长江流域是我国夏季高温热浪灾害的多发区之一,该地区日最高温度(T_(max))具有显著的低频(10~30 d和30~60 d周期)变化特征,超前-滞后相关分析和气温方程诊断的结果显示,影响长江流域T_(max)低频变化的大尺度环流/对流信号包含:自欧亚大陆东移南下的低频波列,自东北亚向西南方向传播的异常环流,以及由西太平洋向东亚传播的低频对流;这些低频对流/环流活动通过改变辐射加热过程及绝热过程,导致长江流域T_(max)的低频变化。为了客观且有效地辨识和捕捉这些先兆信号,并考虑长江流域T_(max)与大尺度因子间的非线性作用,本文采用机器学习方法中的卷积神经网络(Convolutional Neural Network,CNN)对大量历史数据进行训练,并构建了长江流域T_(max)的延伸期预报模型。在独立预报阶段,CNN预报模型对长江流域区域平均T_(max)的预报时效达30 d,提前5~30 d预报的T_(max)与观测T_(max)的时间相关系数介于0.63~0.70(通过99%置信度的显著性检验),量级偏差(均方根误差)小于1个标准差,显示出CNN在延伸期灾害天气预报的应用潜力。