张亚刚，杨银，张成军，纪晓玲，杨文军，毛璐

（1.中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室，宁夏银川750002;2.宁夏回族自治区气象防灾减灾重点实验室，宁夏 银川750002; 3.宁夏气象台，宁夏 银川750002;4.贺兰县气象局，宁夏 银川750200）

1 引 言

温度预报是天气预报的重要内容之一。多年来，除了数值预报模式外，客观温度预报主要还是以统计方法为主[1]，陈豫英等[2-3]采用逐步回归MOS 方法，预报宁夏站点温度取得良好效果；吴启树等[4]用欧洲数值预报模式(ECMWF)的准对称滑动数据，通过训练建立最高、最低温度的MOS预报方法；李佰平等[5]提出了四种线性回归误差订正方法均能有效减小预报误差；罗聪等[6]提出基于GRAPES 数值模式的卡尔曼滤波方法，有效改进数值模式短时温度预报能力；张成军等[7]基于“动态建模、训练择优”原则建立了动态最优PP 温度预报技术有效提高了温度预报准确率；近年来，人工智能神经网络方法在气象预报中的应用越来越广泛[8-19]，马学款等[8]用动态学习率BP 算法预报西藏自治区32个站点的最高、最低温度，使其能够达到业务精度要求；吴君等[9]建立BP-MOS神经网络算法，预报准确率高于逐步回归模型和M55模型；张天虎等[10]利用BP 神经网络与遗传算法，建立更高精度的大气温湿度反演模型；雷彦森等[11]在ECMWF、CMA 和JMA 等数值预报产品基础上，用BP 神经网络算法进行集成预报；郭庆春等[12]利用神经网络系统工具，建立比多元回归分析精度更高的BP 神经网络算法。从上述文献可以发现，采用BP 神经网络算法较传统统计方法有明显优势，但是与径向基函数(RBF)神经网络相比，仍然存在学习速度较慢、训练过程可能陷于局部最小及没有有效方法确定隐层神经元数的缺陷。……