ata100mResolutionuntainousAreasoftheWinterOlympicicGames[J].ChineseJournalofAtmosphericSciences(inChinese),47(3):Jingfeng,SONGLinye,CHENuan,etal.z0z3arativeMachineLearning-BasedCorrectionExperimentfora10mWindSpeedForecastXU徐景峰，宋林烨，陈明轩，等.2023.冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验[].大气科学，47(3)：805-824.May20232023年5月ChinesSciencesVol.47No.3学科第47卷第3期805-824.doi:10.3878/j.issn.1006-9895.2209.22117冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验宋林烨2徐景峰1,22陈明轩杨璐？韩雷！1中国海洋大学，青岛2661002北京城市气象研究院，北京100089摘要本文以传统机器学习算法XGBoost和深度学习算法CU-Net为基础，针对北京快速更新无缝隙融合与集成预报系统（RISE系统）预报的北京冬奥会延庆及张家口赛区100米分辨率的冬季近地面10m风速数据，进行每日逐小时起报的未来逐6小时间隔的冬奥高山站点及其周边地区风速预报偏差订正方法研究和对比分析。对于站点订正，首先将RISE系统预测的10m风速插值到对应的自动气象站站点，然后根据风速等级表归类，针对每个分类单独构建XGBoost模型，每个区间模型合并后形成L-XGBoost，使用均方根误差和预报准确率作为评分标准，结果表明风速归类的L-XGBoost算法订正效果比不归类的原始XGBoost模型有一定提升，说明在传统机器学习中加入归类方法有助于改善复杂山地站点风速预报技巧。对于站点及其周边地区风速订正，本文在CU-Net模型基础上，通过引入不同深度的CU-Net子网络，构建了新的算法模型CU-Net++，并考虑了预报日变化误差和复杂地形对10m风速的影响，以自动气象站为中心构建空间小区域样本数据，对RISE系统风速预报偏差进行订正。试验结果表明，CU-Net和CU-Net++均可以充分挖掘时间和空间维度的风场变化规律，且CU-Net++模型风速订正结果优于CU-Net模型，有效降低了RISE产品的格点风速预报误差，也发现预报误差和复杂地形的引入对10m风速偏差订正起到重要的正向作用。关键词同百米尺度预报复杂山地机器学习风速订正文章编号号1006-9895(2023)03-0805-20中图分类号P45文献标识码Adoi:10.3878/j.issn.1006-9895.2209.22117ComparativeMachineLearning-BasedCorrectionExperimentfora10mWindSpeedForecastata100mResolutioninComplexMountainousAreasoftheWinterOlympicGamesXUJingfeng'2,SONGLinye’,CHENMingxuan²,YANGLu²,...
