引言

精细化预报是天气预报业务的发展方向，从1980、1990年代以来，各地大量地开展了空间分辨率到县的精细预报技术研究。对气温预报而言，山西^[1]、青海^[2]、河北^[3]、贵州^[4]、北京^[5]等基于T63、T106、T213、MM5等一种或数种数值预报产品，结合常规观测资料和县站气温实况，应用PPM、MOS、KF、神经网络等方法进行客观分县预报试验，输出24小时、1~3天、1~5天内各时段气温预报，满足了当时的气温预报业务需求。近年来，社会需求不断对预报精细化程度提出了更高的要求，特别是乡镇自动站观测网的建设，获得了各乡镇点第一手的实况观测资料，这为开展乡镇气温预报业务提供了可能。

天气预报精细化，一是要有高质量、高精度的数值预报产品，二是要有与预报的时空尺度相匹配的高密度的监测资料作为基础。目前地市级可接收到的数值预报产品包括国内的T213、GRAPES、MM5等，国外的ECMWF、日本、德国的部分数值预报产品。“三站四网”建设使自动站资料更规范、更丰富。石家庄从2001年开始进行自动站建设，到2005年全市184个自动站建设全部完成，覆盖了全市90%的乡镇。到2007年已完整业务运行2年多时间，积累了一定数量的资料。

2007年石家庄气象台尝试制作全市204个乡镇点的气象要素预报。充分利用现有条件，研究本地客观预报方法，为制作精细准确的乡镇预报提供技术支撑就成了当务之急。乡镇天气预报要素中，24小时最高、最低气温预报是目前县级电视天气预报节目对公众发布的一项基本气象要素，气温又是精细化预报相对容易的一项，以此为突破口，通过反复比较试验，并参考各地制作分县、分市气温预报方法的经验，尝试用一种相似-差值方法制作乡镇气温预报，取得了初步的效果。

1 资料选取及处理

相似预报方法要从大量历史样本中找相似，因此就涉及到数值预报产品、自动站资料、实况天气要素资料3个历史资料库的建立和实时定时追加。

(1) 数值预报产品的选取

应用2005—2006年石家庄本站逐日最高气温、最低气温分别与T213(850hPa和925hPa)、EC MWF(850hPa)、日本(850hPa)24小时气温预报求相关，比较其相关系数的大小。相关程度越高者，认为其24小时气温趋势预报与实况气温的变化趋势越接近，其预报能力强。结果发现ECMWF 08时的24小时850hPa气温预报与实况最低、最高气温的相关系数分别为0.930和0.913，ECMWF 20时的24小时850hPa气温预报与实况最高气温的相关系数为0.896。日本08时2 4小时850hPa气温预报与实况最低、最高气温的相关系数分别为0.906和0.932，日本08时36小时850hPa气温预报与实况最高气温的相关系数为0.913。总体看，ECMWF、日本数值预报高于T213、MM5对地面气温的趋势反映能力。另外考虑客观方法的业务系统实现，故采用ECMWF数值预报产品。

建库：利用2005年以来的ECMWF历史资料，选定区域、要素进行处理，建立ECMWF高空要素格点场历史数据库。对实时ECMWF资料，编制定时处理程序，对所选定区域、要素场资料每天定时处理入库。

(2) 自动站资料处理

定时从自动站资料SQL-Server数据库中提取资料，生成逐时的最高、最低和定时气温文件，每天定时生成逐日的最高、最低气温。两种方法实现质量控制：一是提取系统故障信息；二是比较1~3小时内最高、最低气温，差值为零者，认为采集器没工作或系统故障，该时段记录舍去。故障出现在日最高、最抵气温形成时段，则当日的最高、最低气温也舍去。

建库：根据上述自动站资料处理方法，建立2005年以来自动站资料逐日最高、最低气温及逐时气温历史数据库。

(3) 实况天气要素库：建立2005年以来石家庄逐日的实况天气要素库。其中包括：最高、最低气温，08时、14时相对湿度，夜间、白天段天空状况。天空状况包括晴、多云、阴、雨(小雨、中雨、大雨、暴雨)、雪(小、中、大雪)、雾、大风等对气温变化有明显影响的天气。

2 预报方法

(1) 基本思路

预报员认为，在相似的大气环流形势背景下所产生的天气现象也往往是相似的。基于这样的基本考虑，模仿预报员制作单点气温预报的基本思路，采用多级相似的方法，点面结合进行相似度量。首先通过形势场相似，找出与未来24小时形势特征相似的若干场相似日。然后，以场相似日为样本，再通过要素相似度量，找出与未来24小时气象要素也相似的若干相似日。计算相似日各乡镇日最高、最低气温与石家庄本站最高、最低气温的平均差值(差额)。根据未来24小时石家庄市气温预报分别与差额相加，即可得出未来24小时各乡镇气温预报。图 1为该方法的业务系统框架。

(2) 相似度量

场相似度量应用“形、值”结合的相似系数。其中，“形”相似判据应用“平均因子差值离散度”(式3)，“值”相似判据应用“海明距离”(式2)，二者线性相加综合为相似系数R_{i, j}。R_{i, j}既表征两个场的波形相似程度，也表征了它们的空间格点值的接近程度。该方法计算简单，也能较好地反映两个样本的相似性。场相似测度公式如下^[6-8]：

$ {R_{i, j}} = \frac{1}{2}({\mathit{S}_{i, j}} + {D_{i, j}}) $

(1)

$ {D_{i, j}} = \frac{1}{M}\sum\limits_{k = 1}^M {\left| {{X_{ik}} - {X_{jk}}} \right|} $

(2)

$ {S_{i, j}} = \frac{1}{M}\sum\limits_{k = 1}^M {\left| {({X_{ik}} - {E_{ik}}) - ({X_{jk}} - {E_{jk}})} \right|} $

(3)

$ {E_{ik}} = \frac{1}{N}\sum\limits_{l = 1}^N {{X_{il}}, {E_{jk}} = \frac{1}{N}\sum\limits_{l = 1}^N {{X_{jl}}} } $

(4)

要素相似的测度公式采用式(2)“海明距离”判据，此时式(2)中k代表各要素，M为要素个数。

(3) 样本选择及相似计算

计算场相似时，对每一个预报日，选择该预报日前后各25天的历史样本参与相似计算。这样处理可减少了运算时的历史总样本数，提高运算效率，并能有效地消除季节性误差。不同要素场选择的扫描区域有差别，以考察“场形”相似为主的500hPa高度、地面气压、风等，其相似场扫描区域定为30~35°N，105~120°E, 选区域较大；以考察要素值相似为主的850hPa温度、湿度，其相似场扫描区域为35~40°N, 110~115°E，选区域较小。应用式(1~4)计算场相似系数。

将计算所得场相似系数排序，取相似程度高的前45天，将其所对应的日期作为历史样本。如果未来24小时全市天空状况分布相对比较均匀，则以石家庄市为代表站，取预报日的天空状况、温度、风等与该历史样本计算要素相似系数。计算用式(2)，其中M=9。

在进行上述场相似、要素相似计算时，首先对所选样本资料进行标准化处理^[9]，这样可避免量纲影响造成的相似误差。

(4) 计算差额

将要素相似系数排序，优选出相似程度高的前15天，将其对应的日期作为未来24小时的气温相似日，分别计算相似日各乡镇气温与本市气温的平均差值(式5，i代表各乡镇)，即差额。该差额反映了不同天气和天气形势下，由于各乡镇地理位置、环境因素而造成的气温差异。

$ \Delta {T_i} = \frac{1}{{10}}\sum\limits_{k = 1}^{10} {({\mathit{T}_i} - {T_{石家庄}})} $

(5)

(5) 气温预报结果

根据主客观方法获得的未来24小时本市最高、最低气温预报结果，与上述所得差额相加，得到各乡镇点的未来24小时最高、最低气温预报。

对尚未建自动站的20个乡镇和个别因资料不全算不出客观预报结果的乡镇点的预报，用相邻乡镇点预报结果代替。

(6) 预报员订正

由于采取以点(石家庄市)代面计算要素相似，因此天空状况、降水、雾等分布不均造成的气温分布差异未完全考虑在内，需要做如下预报订正：

首先将降水、雾区预报转化到乡镇站点上，形成站点预报数据。然后根据降水出现时段、大雾持续时间等对最高、最低气温的影响程度以及与石家庄市的差异程度，设定不同的影响值(比如：降雨以中雨以上降水出现在上午，大雾以持续到中午对最高气温的影响最大)。各级影响值是根据统计结果，或由预报员经验设置。根据站点预报信息确定站点影响值，用影响值订正预报结果，为最后的预报结果。

3 预报效果检验

应用2007年1—9月的资料，通过两种预报试验对该方法进行检验。

(1) 拟合检验

把预报次日的实况最高、最低气温作为预报值，进行拟合检验。结果(表 1)表明，春季3—5月预报误差大于其它月份，这与春季气温变幅大有关，符合气温预报误差的常情。1 —9月最高、最低气温平均绝对误差分别为0.8℃和0.9℃，绝对误差≤1℃的准确率分别为71. 2%和68.3%，绝对误差≤2℃准确率分别为92.8%和91%。

(2) 实际检验

2007年6—9月实际预报检验(表 2)，最高、最低气温平均绝对误差分别为1.6℃和1.5℃，绝对误差≤1℃的准确率分别为43%和48.5%，绝对误差≤2℃准确率分别为73.8%和77.1%。

对2007年6—9月两种预报试验结果误差(表 1、2)的比较看出，实际预报检验较拟合检验平均绝对误差增长了约1倍，绝对误差≤1℃的准确率平均下降了30.1%，绝对误差≤2℃的准确率平均下降了19.8%。实际本市最高、最低气温预报的绝对平均误差分别为1.4℃、1.2℃，而拟合预报中本市气温“预报”误差则为零。乡镇点气温预报误差随石家庄单点预报误差明显增长。

(3) 预报效果分析

将2007年6—9月逐日的实际预报绝对误差从大到小排序，筛选出预报效果最差、最优的若干日，逐日分析比较产生误差的原因，结果可归纳如下：①气温升降幅度大时，本市气温预报误差易大，导致总体预报效果差。②当有弱焚风时，形势场往往反映不明显，造成焚风天气漏报，从而导致预报效果较差。③云量、降水、雾等天气现象的空间分布不均匀，导致部分乡镇的预报误差大，特别是后半夜和上午的天气现象分别对最低、最高气温影响最大。

计算逐日站际间预报误差变率，并通过排序筛选出误差变率大的预报日，试图对预报误差空间分布不均的产生原因进行详细分析，结果表明，焚风天气漏报、天气现象的空间分布不均仍为主因。

除上述三种情况外，大多数预报比较理想。特别是当天空状况、气温变化都比较平稳，无焚风出现时，预报效果最好。

4 结论和讨论

通过多级相似(场相似、要素相似)制作乡镇气温预报。其优点是：①形、值结合进行场相似测度。②以点(石家庄市)代面计算要素相似，使计算更为简便，也符合预报员日常预报思路，且抓住了造成气温趋势变化的主要因素，预报结果能够满足日常业务应用。实际天气预报中，石家庄本市天气及气温预报是预报员的重点考虑对象，也有一些技术方法作支撑，预报准确率相对较高，使此方法具有一定可行性。③由于本方法模仿预报员思路，容易被预报员掌握。实际业务系统设计时，在每一步都输出中间结果，便于预报员在使用中及时发现问题，有助于对该方法各处理环节的不断完善。

缺点及进一步完善的方向：①该方法首先要知道石家庄本市未来24小时天气和最高、最低气温预报，因此各乡镇点气温预报准确率依赖于本市气温预报。误差分析表明，石家庄本市预报误差大，则会造成乡镇点气温预报误差的普遍增大；在一日中，站际间误差分布一般比较均匀。②本方法对由于天气现象分布不均所造成的气温空间分布差异，没有完全客观地考虑进去，需要通过人机交互进行订正。要通过客观方法弥补这一缺陷，尚需做大量深入、细致的工作。③本方法涉及的处理环节较多，如：历史样本的数量、场相似计算所选区域及其大小、要素相似计算所选要素及其数据处理等等，都会不同程度地影响最终预报结果，因此该方法尚需在实际业务应用中不断检验并加以完善。