施 萧，裴军林，江晓华，党建涛，杨道勇

（中国人民解放军63796 部队气象室，615000）

随着气象预报精细化以及各行业对专业气象服务需求的提高，逐时气温已经成为一种较为重要的专业气象要素预报。气温属于连续性要素，在强冷气团或者强暖气团的影响下气温会出现剧烈的波动，而一般情况下却属于平稳变化。因此，找出气温的日变化趋势，预报出日最高、最低气温是当前提高逐时气温预报水平的关键。近年来，一些科研业务人员针对逐时气温做过大量有意义的工作，马芳梅[1]引入了日温差概念，通过周期函数拟合了一个逐时气温的经验方程；陆如华[2]在国内首次将Kalman 滤波算法引入到温度极值的预报，其通过动态建模的方法有效地提高了日最高、最低温度预报的准确率；张德山[3]根据长期逐时气温的气候统计情况，建立了日较差分级方法，并将其运用到北京地面逐时气温的预报；徐学芳[4]通过气象要素分布相似原理预报了相同气候背景下的逐时气温。以上工作取得了丰硕的成果，但是，目前数值预报模式产品以及其它资料在逐时气温中的综合运用却较少。随着基层台站建站以来常规观测报文资料的长期积累以及可接收数值模式产品的丰富多样，如何充分利用这些资料并将其运用到逐时气温预报领域是一个迫切的要求。

本文以保障场区作为预报点，综合运用常规观测报文和T213 产品，通过简单的天气分型，分析了不同环流型下逐月的日平均气温增率，并借助Kalman 滤波方法建立了场区温度极值的预报模型，最终形成了场区72 h 逐时气温预报模型。

1 资料介绍

本文所用资料为1980—2010年东亚常规气象观测报文、1974—2011年场区逐时气温观测记录、通过中国气象局下发的2009年1—7月T213 模式产品。其中T213 模式起报时间为当天北京时20 时（后续均为北京时），接收的模式产品是经过后处理的，属于均匀经纬网格，分辨率为1°×1°。常规气象观测报文分为地面和高空报文，高空报文分为08 时和20 时两次观测，地面观测多为6 h 间隔。T213 资料1—2月缺失4 d，6—7月缺失10 d。此外，本场站的冷空气指标站——成都站或温江站在2004 下半年到2005年期间缺失。

2 逐月天气型与气温增率

气温是一连续性标量，具有较好的时间平稳性，实际温度可以视为平均温度曲线上的扰动。气温影响因素较多,其中针对温度平稳序列影响最大的是冷暖平流和太阳辐射。冷暖平流和太阳辐射主要决定于环流形势和大气湿度条件。其中大气湿度条件变化较大，且时空分布不均，故这里主要探讨能够影响冷暖平流的不同环流形势下温度增率情况。

将场区周围一合适范围视为关键区，关键区范围为25～40°N，95～115°E，由于场区海拔近2 000 m，故关键区环流形势的确定主要依据500 hPa。关键区主体为偏北风时，场区可能受北侧冷气团影响，偏南风时则受暖气团影响。据场区长年统计，影响场区的冷空气主要是经河套地区南下或者经高原东南侧影响；影响场区的干暖气团主要来自于场区西南。因此，这里依据偏北风“西高东低”、偏南风“西低东高”的原则选择6个站点，根据经向地转风的风向建立简单的环流分型标准，初步分型条件及结果见下式和表1。

表1 经向地转风分型依据及结果[5]

以上仅反映了500 hPa 高空的环流形势，冷暖空气往往通过低层直接影响场区，因此需要考虑高低层配置的情况。通过场区预报员长年积累的经验，当成都站或者温江站700 hPa 为东北风时，12 h 内冷空气将会影响到场区；当场区500 hPa 和700 hPa均为西南风，且场区周围为“西低东高”形势时，场区受南侧干暖气团影响。

最终环流分型标准如下：

（1）环流型一：当△HN>0 且成都站（温江站）700 hPa 为东北风时，关键区为偏北气流型；

（2）环流型二：当△HS<0 且场区700 hPa 为西南风时，关键区为偏南气流型；

（3）环流型三：在以上两种环流型之外的。

通过统计：环流型一所占比例为25.0%，环流型二所占比例为34.6%，环流型三所占比例为40.4%，大致与实际情况相符。

温度有较为平稳的日变化、月变化。由于实况观测记录有30 a，记录较长，因此本文针对以上3 种环流形势统计了各月的日平均温度增率，总计36 种温度增率。气温增率计算时间从02 时起，24 时止。为了便于计算，温度进行归一化处理。d 代表天数，h为小时，Td，min为当天历史最低气温，Td，max为当天历史最高气温。

图1 3—7月各环流型的日平均气温增率

为配合后续预报试验，本文仅给出3—7月各环流型的气温增率曲线。图1 为3—7月对应各环流的日平均气温增率，图示“clp103”为3月第一种环流型的气温增率。总体来看，每天的9 时或10 时气温增加最快，20 时左右气温下降最快；8—16 时是气温累积升高时期。此外，还可以通过每条气温增率曲线分析出平均每天气温最低值及最高值出现的时间，通过图1，可知3月场区每天的极端温度低值在8时左右，4—7月基本都是在7 时，6月第2 种环流型对应的日最低气温在6 时。气温最低值出现时间的统计，可以作为后续逐时气温中温度拐点。

3 日最高和月最低气温的计算

Kalman 滤波算法由R.E.Kalman 在1960年创立，1987年由北欧一些国家引入到气象领域。由于Kalman 滤波算法主要是借助前时刻的滤波结果来递推出现时刻的状态估量，所以Kalman 滤波方法主要用于温度、风等连续性要素的预报[2，6]。Kalman滤波方法所需建模资料少，可以根据资料的延续进行参数的修正，进而实现动态建模，被认为是继MOS、PP 方法之后一种较好的数值产品释用方法。

3.1 Kalman 滤波系统简介

将Kalman 滤波方法用于天气预报时，可将通常的回归方程作为卡尔曼滤波中的量测方程，回归系数可视为需随资料长度而更新的Kalman 滤波系统状态向量：上式中Yt是预报量，Xt是预报因子，βt是回归系数，et是量测噪声，εt-1为动态噪声。从t-1时刻到t时刻的过程中，因受到动态噪声εt-1的影响，状态向量由βt-1变化到βt。

3.2 预报对象和预报因子

预报对象有6个，分别为场站3—7月逐日向后3 d（72 h）内各天温度的最大高、最低值。这里针对每个预报对象建立相应的预报模型。预报起始时间为北京时00 时。其中6—7月缺10 d，该10 d 不进行预报。

预报因子所用资料来源为常规报文和T213 产品。资料时间范围为2009年的1月和2月，其中T213 资料缺4 d。针对6个预报对象的因子都一样：

（1）动力因子：本站、温江站前一天20 时和当天08 时的经向、纬向风场，风场分为三层，即700 hPa、500 hPa、300 hPa。本站、温江站当天08 时和前一天20 时500 hPa 的高度差，合计26个；

（2）热力因子：本站前后两天08 时和14 时的温度、前一天20 时的相对比湿。其中24 h 内相对比湿改为温度露点差的实况，合计5个。

为了综合利用常规报文和T213 产品，24 h 内的预报凡是因子涉及到前一天的时次均由实况观测代替。此外，T213 中的站点数据采用距站点最近的格点。

3.3 预报因子处理以及Kalman 滤波初值建立

预报因子较多容易造成预报方程后续预报的不稳定，因此需要精简因子，剔除不必要的因子，引入重要的因子。在数理统计中，常用逐步线性回归的方法，即根据预报因子的偏相关系数和方差贡献进行预报因子的筛选，同时建立预报方程。本文运用逐步线性回归方法选择因子并得到回归方程的系数β。逐步线性回归较常用，具体见文献[7]。

鉴于1、2月T213 产品缺失4 d，因此在逐步线性回归选择合适因子后，选择前27 d 和后27 d分别建立多元线性回归方程，然后得到动态噪声的方差阵W。最后选择最后一天，找出量测噪声的方差阵V。Kalman 滤波方法中的状态参数即逐步回归得到的回归系数β。

3.4 预报对象质量控制

客观预报的温度最高、最低值有时会出现超过历史极值的极端值。此外，由于温度最大值，最小值独立预报，同一天的温度预报最小值有时也可能大于最大值。因此，需要一定的质量控制规则进行温度预报值的主观修订。

（1）找出1974—2011年以来场区各天出现的温度最高、最低值，进而统计38 a 来各天温度的极值，合计366 对数据。实际预报中，当某天预报的温度最高值大于历史当天最高值时，最高值取历史当天最高值，预报温度最低值出现该情况时同之。

（2）当某天预报的温度最高值小于温度最低值时，最高温度取最低温度再加3 ℃。

3.5 温度最高、最低值预报结果分析

表2 是3—7月总的最高、最低温度预报的绝对误差值。可以看到，3—7月平均温度绝对误差随着预报时效的延长是呈增加趋势的，但是总体来看，最高、最低温度平均绝对误差值能够在3 ℃以内，说明总体预报效果还是可以接受的。另外，通过质量控制，也有效的提高了预报准确率。

表2 3—7月最高、最低温度预报实况的平均绝对误差/℃

4 逐时气温的计算

4.1 逐时气温计算依据

在逐时气温的实际计算中，由于目前预报能力的局限以及所用资料时空分辨率的限制，对于场区72 h 内各天最高、最低值出现的时间难以做到精确。另外，场区海拔较高，较强的冷空气影响场区次数并不是过于频繁。因此，判断场区各月最高、最低温度出现时间主要根据各月环流型对应的温度最值出现时间。

由于温度是连续性变量，当1～24 h，25～48 h，49～72 h 中的最低最高温度值出现时间确定后，可以由温度最高、最低值进而结合各天的环流型及对应的温度增率进行逐时气温的计算。相应的逐时计算分为温度下降期间的计算即1 h 到24 h 内最低气温出现时间，24 h 内最高温度到25～48 h 最低温度，25～48 h 最高温度到49～72 h 最低温度，49～72 h最高温度到72 h 节点；上升阶段分为1～24 h、25～48 h、49～72 h 最低气温到最高气温的计算。

4.2 逐时气温计算结果分析

表3 是场区3—7月72 h 逐时气温预报的平均结果，分析依据预报实况绝对误差值。由结果分析可知，随着时间的延伸，预报效果是变差的。但总体上看，如果3 ℃以内为预报正确，则预报准确率能够达到73.2%，依然有一定的参考意义。预报效果是对预报模型的检验，一方面说明了建模过程中还存在着不足，另一方面也反映了了转折性天气的温度预报问题。

表3 3—7月72 h 逐时气温预报实况的平均绝对误差/%

5 结论

本文综合利用常规报文和T213 模式产品探讨了场区逐时气温的预报技术，通过逐步线性回归、Kalman 滤波、基于环流形势的温度增率统计，形成了场区逐时气温的客观预报方法，然后预报了场区3—7月72 h 逐时气温。预报结果有一定参考意义，预报技术可以推广至其它模式产品，但还存在不足，可以从以下进行改进：

（1）释用预报的效果与预报因子有较大关系，本文主要在干季选择了因子并进行建模然后向后预报，在场区实际应用中可以雨季、干季、过渡季节分开进行逐步线性回归选择因子并建立Kalman 递推系统。

（2）最高、最低温度的预报精度及预报时间会明显影响逐时气温预报效果，遇到天气转折时，影响尤为明显。一次剧烈天气往往影响时间有限，对于剧烈天气影响的那天，可以借助区域数值模式的预报或者主观订正进行一定的修正。

（3）环流形势与气温增率相关性较好，场区积累资料时间已经较长，可以针对丰富的环流分型，找出各环流型下的温度增率，进而得到场区的逐时气温。

[1]马芳梅，金六一，张昆峰.一个逐时气温方程[J].华中理工大学学报，1995，23（8）：46-49.

[2]陆如华，徐传玉，张玲，等.卡拉曼滤波的初值计算方法及其应用[J].应用气象学报，1997，8（1）：34-42.

[3]张德山，窦以文，白钢，等.日较差分级的北京地面逐时气温预报[J].气象，1999，25（5）：54-57.

[4]徐学芳，王英，焦育忠.场区逐时气温统计预报[J].导弹试验技术，2004（4）：56-57.

[5]樊晓春，董彦雄，董安祥，等.T213 资料在冰雹短期预报中的释用[J].干旱气象，2004，22（1）：86-89.

[6]孔玉寿，章东华.现代天气预报技术[M].北京：气象出版社，2005.

[7]施能.气象统计预报[M].北京：气象出版社，2009.