基于機器學習的多源實況分析產品和觀測數據融合應用試驗

李樹文 趙桂香 王一頡 陳霄健 閆慧

摘 要 利用中國氣象局公共氣象服務中心地面實況專業服務產品（CARAS_SUR1 km，簡記為“CAR”）、國家氣象信息中心多源融合實況分析產品（ART_1 km，簡記為“ART”）、全國雷達反演降水產品（簡記為“RAD”）、風云四號衛星反演降水產品（簡記為“SAT”）以及全國氣象觀測站逐小時資料，應用機器學習方法建立了基于選定位置氣溫、降水、風向、風速要素的實況融合應用模型（簡記為“GBDT模型”）。15 d逐時GBDT融合產品的全國分區域檢驗結果表明：GBDT氣溫融合產品在東北、華北、西北、華中、新疆、西藏6個區域較CAR和ART均有改進，在西藏的改進最明顯，在華東和西南GBDT融合產品優于ART而遜于CAR，在華南和內蒙古GBDT融合產品誤差較ART、CAR略有增加；GBDT降水融合產品在樣本偏少的內蒙古較ART、CAR誤差略有增加，其他區域有改進或基本相當；GBDT風速、風向融合產品較ART、CAR均有較大改進。試驗結果表明，機器學習方法可應用于融合多源實況分析產品和觀測數據，以開展選定位置氣溫、降水、風向、風速要素的實況氣象信息服務。

關鍵詞 機器學習；多源數據；動態模型；誤差分析

中圖分類號：P457文獻標志碼：A文章編號：2096-3599（2024）01-0108-10

DOI：10.19513/j.cnki.hyqxxb.20230330001

收稿日期：2023-03-30；修回日期：2023-08-02

基金項目：山西省基礎研究計劃自然科學研究面上項目（202203021211081）；山西省氣象局面上項目（SXKMSTQ20226305）

第一作者簡介：李樹文，男，碩士，高級工程師，主要從事天氣預報技術和機器學習方法在氣象中的應用研究，lsw1989@163.com。

通信作者簡介：趙桂香，女，碩士，正高級工程師，主要從事中尺度數值診斷和災害性天氣預報技術研究，liyun0123@126.com。

Fusion and application experiment of machine learning based multi-source real-time analysis products and observation data

LI Shuwen¹， ZHAO Guixiang²， WANG Yijie²， CHEN Xiaojian³， YAN Hui²

（1. Taiyuan Meteorological Bureau， Taiyuan 030002， China; 2. Shanxi Meteorological Observatory， Taiyuan 030006， China; 3. Shanxi Meteorological Information Center， Taiyuan 030006， China）

Abstract Based on machine learning， an application model （GBDT model） of real-time fusion on temperature， precipitation， wind direction， and wind speed at selected locations is developed by using the professional service product （CAR） of Public Meteorological Service Centre of China Meteorological Administration， the multi-source fusion observation analysis data （ART） of National Meteorological Information Centre， the nationwide radar precipitation retrieval product （RAD）， the Fengyun-4 satellite precipitation retrieval product （SAT）， and the hourly data of nationwide meteorological observation stations. The regional inspection results of the 15-d hourly GBDT fusion product throughout the country are as follows. The GBDT temperature fusion product improves compared to CAR and ART in 6 regions： Northeast China， North China， Northwest China， Central China， Xinjiang， and Tibet， with the most significant improvement in Tibet. In East China and Southwest China， GBDT fusion product is superior to ART， but inferior to CAR， and its error slightly increases compared to ART and CAR in South China and Inner Mongolia. The error of GBDT precipitation fusion product has a slight increase compared to ART and CAR in Inner Mongolia， where there are fewer samples， while in other areas， there are improvements or they are basically equivalent. The GBDT wind speed and direction fusion products have significant improvements compared to ART and CAR. The experiment results indicate that the machine learning method can be applied to fuse multi-source real-time analysis products and observation data， providing real-time meteorological information service of temperature， precipitation， wind direction， and wind speed at selected locations.

Keywords machine learning; multi-source data; dynamic model; error analysis

引言

氣象監測系統不斷完備、監測數據日趨精密，形成了以地面觀測、大氣探空、天氣雷達、氣象衛星為主的多位一體探測布局，極大地提升了氣象服務與保障能力。在重大社會活動、氣象災害應急、個性化商業等服務與保障中，往往需要某一確定經緯度的實況數據。而依賴于地面觀測站點布網的傳統資料離散化程度較高，難以滿足任意位置實況數據的氣象服務需求。

為發展無縫隙、全覆蓋的高分辨率實況產品，科研人員做出了很多努力。早期的研究多以站點觀測數據為主，運用數學插值方法形成格點化產品，這些產品在站點密集區效果較好，但在地形復雜、站點稀少的區域并不理想。20世紀90年代，隨著衛星技術的發展，有學者使用地面降水實況對多衛星集成降水產品進行訂正，研發了早期衛星融合降水產品^［1-2］。21世紀以來，概率密度函數（probability density function，PDF）匹配、最優插值（optimal interpolation，OI）、卡爾曼濾波（Kalman filter，KF）等方法在衛星資料校正中的成熟應用，衛星融合降水產品得到顯著改善^［3-5］。伴隨氣象雷達的廣泛應用，將雷達定量降水評估（quantitative precipitation estimation，QPE）產品^［6］與站點降水實況相結合，發展了基于卡爾曼濾波、最優插值、反距離權重（inverse distance weighted，IDW）等方法的系統誤差訂正和局部偏差訂正技術^［7］，逐步形成雷達降水融合產品。2014年，中國氣象局氣象探測中心將“概率密度函數＋貝葉斯模型平均（Bayes model averaging，BMA）＋最優插值”方法引入雷達定量估測產品^［8］，研制了地面、衛星、雷達三源融合降水產品。與此同時，隨著計算機技術的不斷發展，國內外研究人員借助數值模式，將站點、雷達和衛星等觀測數據進行融合，取得了很多成果^［9-13］。

逐小時1 km×1 km高分辨率的格點化實況產品已有多種選擇。2020年7月，國家氣象信息中心研發的中國區域1 km×1 km多源融合實況分析產品（簡記為“ART_1 km”）^［14-15］業務試運行；2021年7月，根據應用評估成果^［16-18］完成了產品質量和時效優化。2021年1月，中國氣象局公共氣象服務中心研發的逐小時滾動生成的全國1 km×1 km地面實況專業服務產品（簡記為“CARAS_SUR1 km”）業務運行。但在日益精細化的氣象業務與服務中，還缺少綜合應用這兩種分析產品制作任意位置的氣象要素實況客觀工具方法。如果進一步提高現有格點產品的分辨率，帶來的計算量將呈指數級增長。那么，這些產品的日常應用效果如何^［19-20］，能否將這些產品融合使用或者在此基礎上進一步優化，這方面的研究目前還較少^［21-22］。本研究旨在充分利用各類已有的實況分析數據，運用機器學習方法^［23-26］，研究多源資料和實況融合算法，建立基于任意位置的逐時實況分析（氣溫、降水、風速、風向）模型，并進行對比檢驗，為實況分析服務提供基礎支撐。

1 資料與方法

1.1 資料

所用資料為2020年8月1—15日由國家氣象信息中心提供的5類全國范圍逐小時數據：國家氣象信息中心多源融合實況分析產品（ART_1 km，簡記為“ART”）、中國氣象局公共氣象服務中心地面實況專業服務產品（CARAS_SUR1 km，簡記為“CAR”）、全國雷達反演降水產品（簡記為“RAD”）、風云四號衛星反演降水產品（簡記為“SAT”）以及站點觀測數據。其中：ART包括氣溫、降水、風速、U分量和V分量，水平分辨率為0.01°×0.01°，單要素單文件存儲；CAR包括氣溫、降水、露點溫度、相對濕度、平均風速、平均風向、平均風U分量、平均風V分量、極大風U分量、極大風V分量和地表氣壓，分辨率為0.01°×0.01°，單文件多要素存儲；RAD即全國天氣雷達定量估測降水產品，分辨率為0.01°×0.01°；SAT即風云四號衛星降水估計實時產品，原始數據平均分辨率為4 km，按照衛星行列號存儲，換算為經緯度后，在中國區域其分辨率約為0.01°×0.01°。將ART、CAR、RAD、SAT等4類格點產品作為自變量，實況觀測數據作為因變量來構建模型，并將模型輸出產品與實況觀測數據對比分析檢驗。

需要特別說明的是，降水是離散數據，模型構建時樣本內可能不存在降水。因此，在降水樣本選取時，先用觀測數據對研究區域內降水要素做篩選得到降水時段，確保取樣時段內該區域存在降水。

1.2 方法

1.2.1 梯度提升決策樹算法

梯度提升決策樹（gradient boosting decision tree，GBDT）是機器學習中一種基于決策樹的集成算法，其主要思想是利用弱分類器（決策樹）迭代訓練以得到最優算法，該算法具有訓練效果好、不易過擬合等優點。核心是將預測樣本逐次輸入到k個回歸決策樹的基分類算法，每次迭代過程用梯度下降減小損失，再由基分類算法的分類條件得到葉子節點值，乘以權重，最后累加得出結果。其表達式為：

式中：x為訓練樣本點，P_arm為GBDT算法參數；T_k為回歸決策樹；α_k為每棵決策樹的權重系數。k為第k棵子回歸決策樹（k=0，1，……，K）。

1.2.2 模型參數優化

基于GBDT算法的模型建立后，分別對損失函數、權重縮減系數、最大迭代次數、子采樣比例、樹節點最大深度等參數調優，以更好地擬合訓練數據集，提高模型擬合精度。

1.3 資料分析與處理

1.3.1 數據讀取與插值

對數據統一用Python處理，逐小時實況觀測數據為文本文件，用pandas庫直接讀入氣溫、降水、風速、風向4類要素。ART和CAR是grib2格式，使用xarray、cfgrib、pygrib庫讀入，其中ART讀入5類要素，CAR讀入11類要素；RAD為二進制（bin）格式，按照編碼方式對bin進行解析讀入；SAT為nc格式，用xarray讀入。

用Python處理時，為盡可能降低插值方法帶來的誤差，對ART、CAR、RAD和SAT等4類格點數據統一使用xarray庫內置插值方法。其中ART、CAR直接使用xarray，RAD解析后轉為xarray類型。SAT在行列號的等距網格中完成插值與提取。

1.3.2 耗時與并行策略設計

由表1可見，單時次5類數據的讀取耗時主要集中在兩類grib2格式的數據。其中ART是單文件單要素，采用并行可提升效率?？紤]到建模數據需要多個時次，將并行策略用于多時次上，采用多Python終端帶參數執行。

需要說明的是，從機器學習GBDT算法的理論來講，適度增加特征數量有利于GBDT算法發揮其決策樹的優勢。但當特征維度超過一定界限后，性能會隨特征維度增加而下降，此時需要去除冗余和無關特征。在本文中，特征數量遠遠小于維度界限，增加特征有利于得到更好的結果。因此，表1中提取了露點、相對濕度和地表氣壓3個與氣溫、降水、風相關的要素作為增加特征量。

2 模型建立

2.1 算法設計策略

2.1.1 研究區域確定

建立基于任意位置的實況分析模型，先要確定研究區域。經過大量試驗發現，以任意位置的目標點為中心，向四周外擴0.35°形成0.7°×0.7°的區域作為目標位置的研究區域效果最好，對降水的分析尤為明顯。這主要因為：一是可以獲取到區域內相關度高的站點，二是可以降低因范圍太大產生的噪聲影響。

2.1.2 算法設計思路

圖1a為目標位置分布，圖1b為以目標位置為中心的研究區域，圓點為研究區域中的站點。首先確定任意目標位置所在的區域（圖1b）后，分別提取區域內站點實況數據和站點所在位置對應的ART、CAR、RAD和SAT等4類融合數據。站點實況數據為因變量，其余4類融合數據為自變量，然后構建機器學習模型，最后將目標點的4類融合數據帶入到建立的模型中得到目標點的最終實況融合數據。

在使用GBDT算法構建模型時，對于氣溫、降水、風速采用直接建模方法；而對于風向，構建U分量和V分量2個模型，再將U分量和V分量合成，得出結果。

2.1.3 建模數據時次選取

基于不同時次數據為自變量構建的融合模型，經10次隨機試驗，計算其平均絕對誤差（表2）。由表2可見，氣溫在1～3 h模型中的融合效果明顯優于6 h以上；隨著時間的延長，降水誤差增大明顯，2 h模型融合效果較好；風速、風向也是2 h模型融合效果較好。因此，對于任意位置的實況分析模型，選取2 h數據建模，即當前時次和上一時次。

2.1.4 模型選擇

為探討模型的區域適用性，設計了靜態單一模型、靜態分區多模型、動態單目標模型、動態全目標模型共4類進行試驗。其中靜態模型是固定模型，為提前建模，后期將目標位置相關數據輸入模型即可；而動態模型需每次重新建模。2類靜態模型使用8月1—12日的全部時次數據建模，而2類動態模型僅使用當前時次和上一時次2 h數據建模。區域劃分采用全國氣象區域。分量級是在降水和風速建模時，采用自然斷點法，按照目標位置的CAR產品要素劃分級別后建模。表3為4類模型構建思路對比。

表4為4類模型試驗的平均絕對誤差，由此可見，4類模型的融合效果從高到低依次是：動態全目標模型、動態單目標模型、靜態分區多模型、靜態單一模型，選擇動態全目標模型作為實況融合算法。

2.2 算法技術路線

如圖2所示，建模到運行共4步：第一步，數據提取目標確定；第二步，提取數據；第三步，方法選取并構建模型；第四步，結果輸出。

3 結果分析

利用ART、CAR、RAD、SAT以及實況觀測資料，構建GBDT模型后，將預測目標的ART、CAR、RAD、SAT等4類數據作為自變量代入模型，輸出最終融合產品。為驗證GBDT模型的融合效果以及在不同區域的適用性，將GBDT模型輸出的融合產品、ART、CAR分別與逐小時實況數據做全國分區域的誤差分析。誤差分析方法采用計算平均絕對誤差、最大絕對誤差和均方根誤差。

為盡可能讓試驗具有可對比性，在全國氣象分區（圖3）試驗取樣中（表5），對于時次盡量選取該區域內出現降水且量級變化大、空間分布不均的時段。對于目標數，東北、華北和西北3個區域內各省隨機目標取10個，突出緯向分布檢驗；而華中和華南區域內各省目標取5個，突出經向分布檢驗；華東和西南各省目標取3個，突出東部與西部差異的檢驗；新疆、西藏和內蒙古都是單省分區，新疆和西藏取40個目標、內蒙古取20個目標，相互可形成對比檢驗。

3.1 不同區域氣溫的檢驗

由GBDT融合產品與ART、CAR的氣溫平均絕對誤差對比（圖4a）可見，東北、華北、西北、華中、新疆、西藏6個區域GBDT融合產品誤差為0.06～0.31℃，ART、CAR誤差范圍分別為0.17～0.53℃、0.11～0.38℃，GBDT融合產品效果優于ART與CAR。華南、華東、西南、內蒙古4個區域GBDT融合產品誤差為0.12～0.31℃，ART、CAR誤差范圍分別為0.06～0.49℃、0.07～0.24℃，GBDT融合產品表現略遜，其中華東和西南GBDT融合產品優于ART而遜于CAR，華南和內蒙古GBDT融合產品誤差增加，但幅度小于0.06℃。由最大絕對誤差（圖4b）來看，GBDT融合產品在西藏改善幅度最大，較ART、CAR誤差降幅分別達5.87℃和3.94℃；東北、華中、新疆GBDT融合產品誤差為0.10～0.60℃，ART、CAR誤差分別為0.47～1.26℃、0.17～0.69℃，誤差均有小幅減小，表現略優；華北、華南三者誤差差別極??；西北GBDT融合產品與CAR相近，優于ART；華東、西南GBDT融合產品優于ART而遜于CAR；內蒙古GBDT融合產品誤差約增加0.14℃。由氣溫均方根誤差（圖5）來看，GBDT融合產品在西藏提升幅度最大，均方根誤差小于0.20℃，表明誤差分布較為集中；東北、華北、西北、華中、新疆誤差為0.01～0.09℃，ART、CAR誤差分別為0.02～0.20℃、0.01～0.15℃，GBDT融合產品優于二者；華東、西南GBDT融合產品優于ART而遜于CAR；華南、內蒙古GBDT融合產品誤差較二者略有增大，這與平均絕對誤差在各區域的表現是一致的。

總體上，氣溫檢驗中GBDT融合產品在西藏效果最好，盡管由空間分布來看誤差仍為最大，但從最大絕對誤差與均方根誤差來看，該區域誤差整體減小幅度明顯，且誤差相對集中，較ART、CAR均有較大改進。這與該地區站點布網偏少有關，ART、CAR在當地質量不高，使GBDT模型優勢得以凸顯。在其他區域，最大絕對誤差接近或明顯小于1.00℃，平均絕對誤差較ART、CAR在60%的區域均有減小。

3.2 不同區域降水的檢驗

2020年8月1—4日、5—7日、8—10日、11—15日先后受東北冷渦、副熱帶高壓、臺風、西南渦、蒙古氣旋、熱帶季風槽等系統影響，全國各地均有降水，除新疆、西藏以及西北北部降水較少外，其他各地均有短時強降水出現，其中西北東部、華北、東北頻次最多。因此，利用8月1—15日的多源資料進行降水融合試驗是有意義的。

由GBDT融合產品與ART、CAR的降水量平均絕對誤差（圖6a）、最大絕對誤差（圖6b）和均方根誤差（圖7）對比來看，三者差異在各區域表現一致。東北、華北和西北GBDT融合產品改進較明顯，其平均絕對誤差為0.04～0.09 mm，最大絕對誤差為0.60～0.90 mm，均方根誤差為0.02～0.04 mm，而ART、CAR的平均絕對誤差分別為0.06～0.15 mm、0.07～0.21 mm，最大絕對誤差分別為1.68～7.31 mm、1.19～1.92 mm，均方根誤差分別為0.09～0.77 mm、0.05～0.19 mm。華中、華東、西南、新疆、西藏地區三者差異極小，GBDT融合產品與CAR表現相當；華南GBDT融合產品優于ART而遜于CAR；內蒙古GBDT融合產品平均絕對誤差為0.11 mm、最大絕對誤差為1.30 mm、均方根誤差為0.09 mm，3類誤差較ART、CAR均略有增大。

可見，在降水檢驗中，除華南和內蒙古外，GBDT融合產品都取得了較好效果。由平均絕對誤差來看，GBDT融合產品較ART、CAR在東北、華北和西北誤差減小明顯，在華中、華東、西南、新疆、西藏5個區域三者基本相當，在華南和內蒙古效果略差。對內蒙古而言，可能與其東西跨度太大，試驗中有限數量的取樣有關，得到的樣本特征不一致，導致建模效果不理想。

3.3 不同區域風速和風向的檢驗

由GBDT融合產品與ART、CAR的風速平均絕對誤差和最大絕對誤差對比（圖8）來看，GBDT融合產品在各分區融合效果都很好，較ART、CAR均有明顯改進。GBDT融合產品與真值相比，平均絕對誤差小于或接近1.0 m·s^-1，最大絕對誤差為1.5～4.5 m·s^-1，均方根誤差（圖略）小于1.5 m·s^-1。

由GBDT融合產品與ART、CAR的風向對比（圖9）來看，平均絕對誤差在各區域都有減小，表明風向整體較ART、CAR均有改進。在最大絕對誤差中，GBDT融合產品在東北、西北、華中、華南、華東、內蒙古、新疆、西藏8個區域較ART、CAR有改進，而在華北與西南2個區域沒有明顯改善，其中華北區域較ART、CAR誤差均略有增大，西南區域優于ART而遜于CAR。深入分析最大絕對誤差在西南區域中明顯偏離CAR的樣本結果，發現這些樣本風速分布在2.3～2.5 m·s^-1，而樣本總體的風速分布在0～15.0 m·s^-1，負訂正樣本占比為0.32%，并且風向出現的負訂正并非由強風或靜風引起。同時也發現，GBDT融合產品風向負訂正超CAR的50°以上樣本數有且僅有1站次，而絕對誤差中次大值為30°，與CAR的次大值相近。

綜上，GBDT模型在風速和風向的分析中總體較ART、CAR有較大的改進，尤其是在對于風速的分析中平均絕對誤差較ART、CAR分別減小23%～73%、61%～80%，對于風向的分析中平均絕對誤差分別減小5%～37%、28%～63%。

4 結論

從氣象業務綜合應用多源實況分析產品制作任意位置實況數據的需求出發，應用逐時ART、CAR、RAD、SAT格點實況分析產品和觀測數據，基于GBDT機器學習方法構建了動態融合應用模型（GBDT模型），對15 d的GBDT氣溫、降水、風向、風速融合產品進行了全國分區檢驗，得到如下結論：

（1）GBDT氣溫融合產品在東北、華北、西北、華中、新疆、西藏6個區域較ART、CAR均有改進，在華東和西南GBDT融合產品優于ART而遜于CAR，在華南和內蒙古GBDT融合產品誤差較ART、CAR略有增大，幅度小于0.06℃?？紤]到氣溫在實際應用中，只保留一位小數，其融合產品僅在西藏區域意義較大。

（2）GBDT降水融合產品在東北、華北和西北3個區域平均絕對誤差較ART、CAR改進明顯，在華中、華東、西南、新疆、西藏5個區域三者基本相當，在華南GBDT融合產品優于ART遜于CAR；在樣本偏少的內蒙古較ART、CAR誤差略有增大。

（3）GBDT風速、風向融合產品較ART、CAR均有較大改進。風速融合產品平均絕對誤差較ART、CAR分別減小23%～73%、61%～80%，風向融合產品平均絕對誤差分別減小5%～37%、28%～63%。

初步試驗結果表明，基于機器學習方法的動態全目標模型（GBDT模型）可應用于融合多源實況分析產品和觀測數據開展選定位置氣溫、降水、風向、風速要素的實況氣象信息服務，但有待利用更長時間序列資料進行檢驗并不斷完善模型。

參考文獻：

［1］ HUFFMAN G J， ADLER R F， ARKIN P， et al. The Global Precipitation Climatology Project （GPCP） combined precipitation dataset［J］. Bull Amer Meteor Soc，1997，78（1）：5-20.

［2］XIE P P， ARKIN P A. Global precipitation： a 17-year monthly analysis based on gauge observations， satellite estimates， and numerical model outputs［J］. Bull Amer Meteor Soc，1997，78（11）：2539-2558.

［3］HUFFMAN G J，ADLER R F， BOLVIN D T， et al. The TRMM Multisatellite Precipitation Analysis （TMPA）：quasi-global， multiyear， combined-sensor precipitation estimates at fine scales［J］. J Hydrometeorol，2007，8（1）：38-55.

［4］JOYCE R J， JANOWIAK J E， ARKIN P A， et al. CMORPH： a method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution［J］. J Hydrometeorol，2004，5（3）：487-503.

［5］USHIO T， SASASHIGE K， KUBOTA T， et al. A Kalman filter approach to the global satellite mapping of precipitation （GSMaP） from combined passive microwave and infrared radiometric data［J］. J Meteor Soc Japan，2009，87A：137-151.

［6］畢寶貴，代刊，王毅，等.定量降水預報技術進展［J］.應用氣象學報，2016，27（5）：534-549.

［7］SEO D J， BREIDENBACH J P. Real-time correction of spatially nonuniform bias in radar rainfall data using rain gauge measurements［J］. J Hydrometeorol，2002，3（2）：93-111.

［8］潘旸，沈艷，宇婧婧，等.基于最優插值方法分析的中國區域地面觀測與衛星反演逐時降水融合試驗［J］.氣象學報，2012，70（6）：1381-1389.

［9］RASMY M， KOIKE T， BOUSSETTA S， et al. Development of a satellite land data assimilation system coupled with a mesoscale model in the Tibetan Plateau［J］. IEEE Trans Geosci Remote Sens，2011，49（8）：2847-2862.

［10］XIA Y L， MITCHELL K， EK M， et al. Continental-scale water and energy flux analysis and validation for North American Land Data Assimilation System Project phase 2 （NLDAS-2）： 2. validation of model-simulated streamflow［J］. J Geophys Res，2012，117（D3）：D03109.

［11］ALBERGEL C， DORIGO W， BALSAMO G， et al. Monitoring multi-decadal satellite earth observation of soil moisture products through land surface reanalyses［J］. Remote Sens Environ，2013，138：77-89.

［12］陳冠宇，艾未華，程玉鑫，等.基于星載SAR數據和模式資料的海面風場變分融合方法研究［J］.海洋氣象學報，2017，37（4）：65-74.

［13］周強，陳潔，李玉華.基于Himawari-8衛星的自適應閾值火點判識算法適用性分析［J］.海洋氣象學報，2020，40（1）：127-133.

［14］師春香，潘旸，谷軍霞，等.多源氣象數據融合格點實況產品研制進展［J］.氣象學報，2019，77（4）：774-783.

［15］張璐，潘旸，谷軍霞，等.國際主流多源融合降水實況產品的研究進展與展望［J］.氣象科技進展，2022，12（6）：16-27.

［16］崔園園，張強，李威，等.CLDAS融合土壤相對濕度產品適用性評估及在氣象干旱監測中的應用［J］.海洋氣象學報，2020，40（4）：105-113.

［17］劉維成，徐麗麗，朱姜韜，等.再分析資料和陸面數據同化資料土壤濕度產品在中國北方地區的適用性評估［J］.大氣科學學報，2022，45（4）：616-629.

［18］劉瑩，師春香，王海軍，等.CLDAS氣溫數據在中國區域的適用性評估［J］.大氣科學學報，2021，44（4）：540-548.

［19］殷笑茹，焦圣明，喜度，等.基于多源數據的地面降水質量控制方法研究［J］.氣象科學，2022，42（4）：539-548.

［20］李奇臨，曠蘭，魏麟驍，等.不同分辨率的氣溫格點實況分析產品在重慶的對比檢驗［J］.氣象科技進展，2022，12（6）：91-96.

［21］潘旸，谷軍霞，師春香，等.中國北方冬季降水的多源資料產品評估和融合優化［J］.氣象學報，2022，80（6）：953-966.

［22］董春卿，郭媛媛，張磊，等.基于CLDAS的格點溫度預報偏差訂正方法［J］.干旱氣象，2021，39（5）：847-856.

［23］孫全德，焦瑞莉，夏江江，等.基于機器學習的數值天氣預報風速訂正研究［J］.氣象，2019，45（3）：426-436.

［24］李昕蓓，張蘇平，衣立，等.基于循環神經網絡的單站能見度短臨預報試驗［J］.海洋氣象學報，2019，39（2）：76-83.

［25］王萌，劉合香，盧耀健，等.基于模糊時間序列的華南臺風登陸時最大風速極值預測模型［J］.海洋氣象學報，2019，39（4）：68-74.

［26］任萍，陳明軒，曹偉華，等.基于機器學習的復雜地形下短期數值天氣預報誤差分析與訂正［J］.氣象學報，2020，78（6）：1002-1020.