摘要：
为了提高GRAPES模式下的温度产品的准确性,本文采用2021年全年GRAPES模式下的温度数据作为预报数据,欧洲中心的ERA产品作为实况数据,数据点分布为格点分布。研究区域为30.61˚N~30.73˚N,103.78˚E~103.90˚E,将该范围内的25个网格点上的数据,按照每1个小时一次的时间间隔,通过Kriging插值处理预报数据的初值场插值到靠近温江站的格点30.7˚N,103.8˚E,得到较为稳定的预报数据后,运用线性拟合从总体距平值最小的角度分析最为符合预报–实况温度的拟合线;运用三次样条插值拟合从点与点之间的斜率关系分析最为符合预报和实况温度的拟合线;还运用神经网络分析训练,以尽量减小预报温度和实况温度间的异常大的差为目的,来拟合最符合预报和实况温度的曲线。对于订正结果,分析对比订正后拟合结果与实际观测数据的残差,来判定某一订正方法的可信度高低。结果表明:1) 经过Kriging插值处理过后的初值场,残差数值大小从整体上已经呈现出小值多,大值少,和实况数据较为贴近。2) 三种订正方法的拟合结果,均比原来Kriging插值的初值场更加贴近实况数据,残差数值小的区域均数值点更加密集。3) 三种订正方法对比,三次样条插值拟合的残差数值大的区域有较多的拟合数据点,尤其是残差超过5°C的区域,容易引起部分时间点,拟合和实况有较大出入;线性拟合与神经网络分析训练的拟合结果的残差数值小的区域数据分布均很稀疏,但是二者对比,神经网络分析训练的拟合结果,拟合数据与实况数据的残差分布大半都集中在−2°C~2°C的小值区域,结果与实况大致相同。
