海洋气象学报  2024, Vol. 44 Issue (1): 108-117  DOI: 10.19513/j.cnki.hyqxxb.20230330001
0

引用本文  

李树文, 赵桂香, 王一颉, 等. 基于机器学习的多源实况分析产品和观测数据融合应用试验[J]. 海洋气象学报, 2024, 44(1): 108-117. DOI: 10.19513/j.cnki.hyqxxb.20230330001.
LI Shuwen, ZHAO Guixiang, WANG Yijie, et al. Fusion and application experiment of machine learning based multi-source real-time analysis products and observation data[J]. Journal of Marine Meteorology, 2024, 44(1): 108-117. DOI: 10.19513/j.cnki.hyqxxb.20230330001. (in Chinese)

基金项目

山西省基础研究计划自然科学研究面上项目(202203021211081);山西省气象局面上项目(SXKMSTQ20226305)

作者简介

李树文,男,硕士,高级工程师,主要从事天气预报技术和机器学习方法在气象中的应用研究,lsw1989@163.com.

通信作者

赵桂香,女,硕士,正高级工程师,主要从事中尺度数值诊断和灾害性天气预报技术研究,liyun0123@126.com.

文章历史

收稿日期:2023-03-30
修订日期:2023-08-02
基于机器学习的多源实况分析产品和观测数据融合应用试验
李树文1 , 赵桂香2 , 王一颉2 , 陈霄健3 , 闫慧2     
1. 太原市气象局,山西 太原 030002;
2. 山西省气象台,山西 太原 030006;
3. 山西省气象信息中心,山西 太原 030006
摘要:利用中国气象局公共气象服务中心地面实况专业服务产品(CARAS_SUR1 km,简记为“CAR”)、国家气象信息中心多源融合实况分析产品(ART_1 km,简记为“ART”)、全国雷达反演降水产品(简记为“RAD”)、风云四号卫星反演降水产品(简记为“SAT”)以及全国气象观测站逐小时资料,应用机器学习方法建立了基于选定位置气温、降水、风向、风速要素的实况融合应用模型(简记为“GBDT模型”)。15 d逐时GBDT融合产品的全国分区域检验结果表明:GBDT气温融合产品在东北、华北、西北、华中、新疆、西藏6个区域较CAR和ART均有改进,在西藏的改进最明显,在华东和西南GBDT融合产品优于ART而逊于CAR,在华南和内蒙古GBDT融合产品误差较ART、CAR略有增加;GBDT降水融合产品在样本偏少的内蒙古较ART、CAR误差略有增加,其他区域有改进或基本相当;GBDT风速、风向融合产品较ART、CAR均有较大改进。试验结果表明,机器学习方法可应用于融合多源实况分析产品和观测数据,以开展选定位置气温、降水、风向、风速要素的实况气象信息服务。
关键词机器学习    多源数据    动态模型    误差分析    
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.
Key words: machine learning    multi-source data    dynamic model    error analysis    
引言

气象监测系统不断完备、监测数据日趋精密,形成了以地面观测、大气探空、天气雷达、气象卫星为主的多位一体探测布局,极大地提升了气象服务与保障能力。在重大社会活动、气象灾害应急、个性化商业等服务与保障中,往往需要某一确定经纬度的实况数据。而依赖于地面观测站点布网的传统资料离散化程度较高,难以满足任意位置实况数据的气象服务需求。

为发展无缝隙、全覆盖的高分辨率实况产品,科研人员做出了很多努力。早期的研究多以站点观测数据为主,运用数学插值方法形成格点化产品,这些产品在站点密集区效果较好,但在地形复杂、站点稀少的区域并不理想。20世纪90年代,随着卫星技术的发展,有学者使用地面降水实况对多卫星集成降水产品进行订正,研发了早期卫星融合降水产品[1-2]。21世纪以来,概率密度函数(probability density function,PDF)匹配、最优插值(optimal interpolation,OI)、卡尔曼滤波(Kalman filter,KF)等方法在卫星资料校正中的成熟应用,卫星融合降水产品得到显著改善[3-5]。伴随气象雷达的广泛应用,将雷达定量降水评估(quantitative precipitation estimation,QPE)产品[6]与站点降水实况相结合,发展了基于卡尔曼滤波、最优插值、反距离权重(inverse distance weighted,IDW)等方法的系统误差订正和局部偏差订正技术[7],逐步形成雷达降水融合产品。2014年,中国气象局气象探测中心将“概率密度函数+贝叶斯模型平均(Bayes model averaging,BMA)+最优插值”方法引入雷达定量估测产品[8],研制了地面、卫星、雷达三源融合降水产品。与此同时,随着计算机技术的不断发展,国内外研究人员借助数值模式,将站点、雷达和卫星等观测数据进行融合,取得了很多成果[9-13]

逐小时1 km×1 km高分辨率的格点化实况产品已有多种选择。2020年7月,国家气象信息中心研发的中国区域1 km×1 km多源融合实况分析产品(简记为“ART_1 km”)[14-15]业务试运行;2021年7月,根据应用评估成果[16-18]完成了产品质量和时效优化。2021年1月,中国气象局公共气象服务中心研发的逐小时滚动生成的全国1 km×1 km地面实况专业服务产品(简记为“CARAS_SUR1 km”)业务运行。但在日益精细化的气象业务与服务中,还缺少综合应用这两种分析产品制作任意位置的气象要素实况客观工具方法。如果进一步提高现有格点产品的分辨率,带来的计算量将呈指数级增长。那么,这些产品的日常应用效果如何[19-20],能否将这些产品融合使用或者在此基础上进一步优化,这方面的研究目前还较少[21-22]。本研究旨在充分利用各类已有的实况分析数据,运用机器学习方法[23-26],研究多源资料和实况融合算法,建立基于任意位置的逐时实况分析(气温、降水、风速、风向)模型,并进行对比检验,为实况分析服务提供基础支撑。

1 资料与方法 1.1 资料

所用资料为2020年8月1—15日由国家气象信息中心提供的5类全国范围逐小时数据:国家气象信息中心多源融合实况分析产品(ART_1 km,简记为“ART”)、中国气象局公共气象服务中心地面实况专业服务产品(CARAS_SUR1 km,简记为“CAR”)、全国雷达反演降水产品(简记为“RAD”)、风云四号卫星反演降水产品(简记为“SAT”)以及站点观测数据。其中:ART包括气温、降水、风速、U分量和V分量,水平分辨率为0.01°×0.01°,单要素单文件存储;CAR包括气温、降水、露点温度、相对湿度、平均风速、平均风向、平均风U分量、平均风V分量、极大风U分量、极大风V分量和地表气压,分辨率为0.01°×0.01°,单文件多要素存储;RAD即全国天气雷达定量估测降水产品,分辨率为0.01°×0.01°;SAT即风云四号卫星降水估计实时产品,原始数据平均分辨率为4 km,按照卫星行列号存储,换算为经纬度后,在中国区域其分辨率约为0.01°×0.01°。将ART、CAR、RAD、SAT等4类格点产品作为自变量,实况观测数据作为因变量来构建模型,并将模型输出产品与实况观测数据对比分析检验。

需要特别说明的是,降水是离散数据,模型构建时样本内可能不存在降水。因此,在降水样本选取时,先用观测数据对研究区域内降水要素做筛选得到降水时段,确保取样时段内该区域存在降水。

1.2 方法 1.2.1 梯度提升决策树算法

梯度提升决策树(gradient boosting decision tree,GBDT)是机器学习中一种基于决策树的集成算法,其主要思想是利用弱分类器(决策树)迭代训练以得到最优算法,该算法具有训练效果好、不易过拟合等优点。核心是将预测样本逐次输入到k个回归决策树的基分类算法,每次迭代过程用梯度下降减小损失,再由基分类算法的分类条件得到叶子节点值,乘以权重,最后累加得出结果。其表达式为:

$ F\left(x, P_{\text {arm }}\right)=\sum\limits_{k=0}^K \alpha_k T_k\left(x, P_{\text {arm }}\right)=\sum\limits_{k=0}^K f_k\left(x, P_{\text {arm }}\right) 。$ (1)

式中:x为训练样本点,Parm为GBDT算法参数;Tk为回归决策树;αk为每棵决策树的权重系数。k为第k棵子回归决策树(k=0, 1, ……,K)。

1.2.2 模型参数优化

基于GBDT算法的模型建立后,分别对损失函数、权重缩减系数、最大迭代次数、子采样比例、树节点最大深度等参数调优,以更好地拟合训练数据集,提高模型拟合精度。

1.3 资料分析与处理 1.3.1 数据读取与插值

对数据统一用Python处理,逐小时实况观测数据为文本文件,用pandas库直接读入气温、降水、风速、风向4类要素。ART和CAR是grib2格式,使用xarray、cfgrib、pygrib库读入,其中ART读入5类要素,CAR读入11类要素;RAD为二进制(bin)格式,按照编码方式对bin进行解析读入;SAT为nc格式,用xarray读入。

用Python处理时,为尽可能降低插值方法带来的误差,对ART、CAR、RAD和SAT等4类格点数据统一使用xarray库内置插值方法。其中ART、CAR直接使用xarray,RAD解析后转为xarray类型。SAT在行列号的等距网格中完成插值与提取。

1.3.2 耗时与并行策略设计

表 1可见,单时次5类数据的读取耗时主要集中在两类grib2格式的数据。其中ART是单文件单要素,采用并行可提升效率。考虑到建模数据需要多个时次,将并行策略用于多时次上,采用多Python终端带参数执行。

表 1 资料读取耗时情况 Table 1 Data reading time

需要说明的是,从机器学习GBDT算法的理论来讲,适度增加特征数量有利于GBDT算法发挥其决策树的优势。但当特征维度超过一定界限后,性能会随特征维度增加而下降,此时需要去除冗余和无关特征。在本文中,特征数量远远小于维度界限,增加特征有利于得到更好的结果。因此,表 1中提取了露点、相对湿度和地表气压3个与气温、降水、风相关的要素作为增加特征量。

2 模型建立 2.1 算法设计策略 2.1.1 研究区域确定

建立基于任意位置的实况分析模型,先要确定研究区域。经过大量试验发现,以任意位置的目标点为中心,向四周外扩0.35°形成0.7°×0.7°的区域作为目标位置的研究区域效果最好,对降水的分析尤为明显。这主要因为:一是可以获取到区域内相关度高的站点,二是可以降低因范围太大产生的噪声影响。

2.1.2 算法设计思路

图 1a为目标位置分布,图 1b为以目标位置为中心的研究区域,圆点为研究区域中的站点。首先确定任意目标位置所在的区域(图 1b)后,分别提取区域内站点实况数据和站点所在位置对应的ART、CAR、RAD和SAT等4类融合数据。站点实况数据为因变量,其余4类融合数据为自变量,然后构建机器学习模型,最后将目标点的4类融合数据带入到建立的模型中得到目标点的最终实况融合数据。

图 1 研究区域的确定 Fig.1 Research region determination

在使用GBDT算法构建模型时,对于气温、降水、风速采用直接建模方法;而对于风向,构建U分量和V分量2个模型,再将U分量和V分量合成,得出结果。

2.1.3 建模数据时次选取

基于不同时次数据为自变量构建的融合模型,经10次随机试验,计算其平均绝对误差(表 2)。由表 2可见,气温在1~3 h模型中的融合效果明显优于6 h以上;随着时间的延长,降水误差增大明显,2 h模型融合效果较好;风速、风向也是2 h模型融合效果较好。因此,对于任意位置的实况分析模型,选取2 h数据建模,即当前时次和上一时次。

表 2 不同时次的多次随机试验平均绝对误差对比 Table 2 Comparison of mean absolute errors of multiple random experiments at different times
2.1.4 模型选择

为探讨模型的区域适用性,设计了静态单一模型、静态分区多模型、动态单目标模型、动态全目标模型共4类进行试验。其中静态模型是固定模型,为提前建模,后期将目标位置相关数据输入模型即可;而动态模型需每次重新建模。2类静态模型使用8月1—12日的全部时次数据建模,而2类动态模型仅使用当前时次和上一时次2 h数据建模。区域划分采用全国气象区域。分量级是在降水和风速建模时,采用自然断点法,按照目标位置的CAR产品要素划分级别后建模。表 3为4类模型构建思路对比。

表 3 4类模型对比 Table 3 3 Comparison of 4 types of models

表 4为4类模型试验的平均绝对误差,由此可见,4类模型的融合效果从高到低依次是:动态全目标模型、动态单目标模型、静态分区多模型、静态单一模型,选择动态全目标模型作为实况融合算法。

表 4 4类模型平均绝对误差对比 Table 4 Comparison of mean absolute errors of 4 types of models
2.2 算法技术路线

图 2所示,建模到运行共4步:第一步,数据提取目标确定;第二步,提取数据;第三步,方法选取并构建模型;第四步,结果输出。

图 2 算法技术流程图 Fig.2 Technical flow chart of algorithm
3 结果分析

利用ART、CAR、RAD、SAT以及实况观测资料,构建GBDT模型后,将预测目标的ART、CAR、RAD、SAT等4类数据作为自变量代入模型,输出最终融合产品。为验证GBDT模型的融合效果以及在不同区域的适用性,将GBDT模型输出的融合产品、ART、CAR分别与逐小时实况数据做全国分区域的误差分析。误差分析方法采用计算平均绝对误差、最大绝对误差和均方根误差。

为尽可能让试验具有可对比性,在全国气象分区(图 3)试验取样中(表 5),对于时次尽量选取该区域内出现降水且量级变化大、空间分布不均的时段。对于目标数,东北、华北和西北3个区域内各省随机目标取10个,突出纬向分布检验;而华中和华南区域内各省目标取5个,突出经向分布检验;华东和西南各省目标取3个,突出东部与西部差异的检验;新疆、西藏和内蒙古都是单省分区,新疆和西藏取40个目标、内蒙古取20个目标,相互可形成对比检验。

图 3 全国气象分区图 Fig.3 Nationwide meteorological zoning map
表 5 全国气象分区试验取样说明 Table 5 Sampling instructions for zone test
3.1 不同区域气温的检验

由GBDT融合产品与ART、CAR的气温平均绝对误差对比(图 4a)可见,东北、华北、西北、华中、新疆、西藏6个区域GBDT融合产品误差为0.06~0.31 ℃,ART、CAR误差范围分别为0.17~0.53 ℃、0.11~0.38 ℃,GBDT融合产品效果优于ART与CAR。华南、华东、西南、内蒙古4个区域GBDT融合产品误差为0.12~0.31 ℃,ART、CAR误差范围分别为0.06~0.49 ℃、0.07~0.24 ℃,GBDT融合产品表现略逊,其中华东和西南GBDT融合产品优于ART而逊于CAR,华南和内蒙古GBDT融合产品误差增加,但幅度小于0.06 ℃。由最大绝对误差(图 4b)来看,GBDT融合产品在西藏改善幅度最大,较ART、CAR误差降幅分别达5.87 ℃和3.94 ℃;东北、华中、新疆GBDT融合产品误差为0.10~0.60 ℃,ART、CAR误差分别为0.47~1.26 ℃、0.17~0.69 ℃,误差均有小幅减小,表现略优;华北、华南三者误差差别极小;西北GBDT融合产品与CAR相近,优于ART;华东、西南GBDT融合产品优于ART而逊于CAR;内蒙古GBDT融合产品误差约增加0.14 ℃。由气温均方根误差(图 5)来看,GBDT融合产品在西藏提升幅度最大,均方根误差小于0.20 ℃,表明误差分布较为集中;东北、华北、西北、华中、新疆误差为0.01~0.09 ℃,ART、CAR误差分别为0.02~0.20 ℃、0.01~0.15 ℃,GBDT融合产品优于二者;华东、西南GBDT融合产品优于ART而逊于CAR;华南、内蒙古GBDT融合产品误差较二者略有增大,这与平均绝对误差在各区域的表现是一致的。

图 4 不同区域气温平均绝对误差和最大绝对误差 Fig.4 Mean absolute error and maximum absolute error of air temperature in different zones
图 5 不同区域气温均方根误差 Fig.5 Root mean square error of air temperature in different zones

总体上,气温检验中GBDT融合产品在西藏效果最好,尽管由空间分布来看误差仍为最大,但从最大绝对误差与均方根误差来看,该区域误差整体减小幅度明显,且误差相对集中,较ART、CAR均有较大改进。这与该地区站点布网偏少有关,ART、CAR在当地质量不高,使GBDT模型优势得以凸显。在其他区域,最大绝对误差接近或明显小于1.00 ℃,平均绝对误差较ART、CAR在60%的区域均有减小。

3.2 不同区域降水的检验

2020年8月1—4日、5—7日、8—10日、11—15日先后受东北冷涡、副热带高压、台风、西南涡、蒙古气旋、热带季风槽等系统影响,全国各地均有降水,除新疆、西藏以及西北北部降水较少外,其他各地均有短时强降水出现,其中西北东部、华北、东北频次最多。因此,利用8月1—15日的多源资料进行降水融合试验是有意义的。

由GBDT融合产品与ART、CAR的降水量平均绝对误差(图 6a)、最大绝对误差(图 6b)和均方根误差(图 7)对比来看,三者差异在各区域表现一致。东北、华北和西北GBDT融合产品改进较明显,其平均绝对误差为0.04~0.09 mm,最大绝对误差为0.60~0.90 mm,均方根误差为0.02~0.04 mm,而ART、CAR的平均绝对误差分别为0.06~0.15 mm、0.07~0.21 mm,最大绝对误差分别为1.68~7.31 mm、1.19~1.92 mm,均方根误差分别为0.09~0.77 mm、0.05~0.19 mm。华中、华东、西南、新疆、西藏地区三者差异极小,GBDT融合产品与CAR表现相当;华南GBDT融合产品优于ART而逊于CAR;内蒙古GBDT融合产品平均绝对误差为0.11 mm、最大绝对误差为1.30 mm、均方根误差为0.09 mm,3类误差较ART、CAR均略有增大。

图 6 不同区域降水量平均绝对误差和最大绝对误差 Fig.6 Mean absolute error and maximum absolute error of precipitation in different zones
图 7 不同区域降水量均方根误差 Fig.7 Root mean square error of precipitation in different zones

可见,在降水检验中,除华南和内蒙古外,GBDT融合产品都取得了较好效果。由平均绝对误差来看,GBDT融合产品较ART、CAR在东北、华北和西北误差减小明显,在华中、华东、西南、新疆、西藏5个区域三者基本相当,在华南和内蒙古效果略差。对内蒙古而言,可能与其东西跨度太大,试验中有限数量的取样有关,得到的样本特征不一致,导致建模效果不理想。

3.3 不同区域风速和风向的检验

由GBDT融合产品与ART、CAR的风速平均绝对误差和最大绝对误差对比(图 8)来看,GBDT融合产品在各分区融合效果都很好,较ART、CAR均有明显改进。GBDT融合产品与真值相比,平均绝对误差小于或接近1.0 m·s-1,最大绝对误差为1.5~4.5 m·s-1,均方根误差(图略)小于1.5 m·s-1

图 8 不同区域风速平均绝对误差和最大绝对误差 Fig.8 Mean absolute error and maximum absolute error of wind speed in different zones

由GBDT融合产品与ART、CAR的风向对比(图 9)来看,平均绝对误差在各区域都有减小,表明风向整体较ART、CAR均有改进。在最大绝对误差中,GBDT融合产品在东北、西北、华中、华南、华东、内蒙古、新疆、西藏8个区域较ART、CAR有改进,而在华北与西南2个区域没有明显改善,其中华北区域较ART、CAR误差均略有增大,西南区域优于ART而逊于CAR。深入分析最大绝对误差在西南区域中明显偏离CAR的样本结果,发现这些样本风速分布在2.3~2.5 m·s-1,而样本总体的风速分布在0~15.0 m·s-1,负订正样本占比为0.32%,并且风向出现的负订正并非由强风或静风引起。同时也发现,GBDT融合产品风向负订正超CAR的50°以上样本数有且仅有1站次,而绝对误差中次大值为30°,与CAR的次大值相近。

图 9 不同区域风向平均绝对误差和最大绝对误差 Fig.9 Mean absolute error and maximum absolute error of wind direction in different zones

综上,GBDT模型在风速和风向的分析中总体较ART、CAR有较大的改进,尤其是在对于风速的分析中平均绝对误差较ART、CAR分别减小23%~73%、61%~80%,对于风向的分析中平均绝对误差分别减小5%~37%、28%~63%。

4 结论

从气象业务综合应用多源实况分析产品制作任意位置实况数据的需求出发,应用逐时ART、CAR、RAD、SAT格点实况分析产品和观测数据,基于GBDT机器学习方法构建了动态融合应用模型(GBDT模型),对15 d的GBDT气温、降水、风向、风速融合产品进行了全国分区检验,得到如下结论:

(1) GBDT气温融合产品在东北、华北、西北、华中、新疆、西藏6个区域较ART、CAR均有改进,在华东和西南GBDT融合产品优于ART而逊于CAR,在华南和内蒙古GBDT融合产品误差较ART、CAR略有增大,幅度小于0.06 ℃。考虑到气温在实际应用中,只保留一位小数,其融合产品仅在西藏区域意义较大。

(2) GBDT降水融合产品在东北、华北和西北3个区域平均绝对误差较ART、CAR改进明显,在华中、华东、西南、新疆、西藏5个区域三者基本相当,在华南GBDT融合产品优于ART逊于CAR;在样本偏少的内蒙古较ART、CAR误差略有增大。

(3) GBDT风速、风向融合产品较ART、CAR均有较大改进。风速融合产品平均绝对误差较ART、CAR分别减小23%~73%、61%~80%,风向融合产品平均绝对误差分别减小5%~37%、28%~63%。

初步试验结果表明,基于机器学习方法的动态全目标模型(GBDT模型)可应用于融合多源实况分析产品和观测数据开展选定位置气温、降水、风向、风速要素的实况气象信息服务,但有待利用更长时间序列资料进行检验并不断完善模型。

参考文献
[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. DOI:10.1175/1520-0477(1997)078<0005:TGPCPG>2.0.CO;2
[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. DOI:10.1175/1520-0477(1997)078<2539:GPAYMA>2.0.CO;2
[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. DOI:10.1175/JHM560.1
[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. DOI:10.1175/1525-7541(2004)005<0487:CAMTPG>2.0.CO;2
[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. DOI:10.2151/jmsj.87A.137
[6]
毕宝贵, 代刊, 王毅, 等. 定量降水预报技术进展[J]. 应用气象学报, 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. DOI:10.1175/1525-7541(2002)003<0093:RTCOSN>2.0.CO;2
[8]
潘旸, 沈艳, 宇婧婧, 等. 基于最优插值方法分析的中国区域地面观测与卫星反演逐时降水融合试验[J]. 气象学报, 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. DOI:10.1109/TGRS.2011.2112667
[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. DOI:10.1016/j.rse.2013.07.009
[12]
陈冠宇, 艾未华, 程玉鑫, 等. 基于星载SAR数据和模式资料的海面风场变分融合方法研究[J]. 海洋气象学报, 2017, 37(4): 65-74.
[13]
周强, 陈洁, 李玉华. 基于Himawari-8卫星的自适应阈值火点判识算法适用性分析[J]. 海洋气象学报, 2020, 40(1): 127-133.
[14]
师春香, 潘旸, 谷军霞, 等. 多源气象数据融合格点实况产品研制进展[J]. 气象学报, 2019, 77(4): 774-783.
[15]
张璐, 潘旸, 谷军霞, 等. 国际主流多源融合降水实况产品的研究进展与展望[J]. 气象科技进展, 2022, 12(6): 16-27.
[16]
崔园园, 张强, 李威, 等. CLDAS融合土壤相对湿度产品适用性评估及在气象干旱监测中的应用[J]. 海洋气象学报, 2020, 40(4): 105-113.
[17]
刘维成, 徐丽丽, 朱姜韬, 等. 再分析资料和陆面数据同化资料土壤湿度产品在中国北方地区的适用性评估[J]. 大气科学学报, 2022, 45(4): 616-629.
[18]
刘莹, 师春香, 王海军, 等. CLDAS气温数据在中国区域的适用性评估[J]. 大气科学学报, 2021, 44(4): 540-548.
[19]
殷笑茹, 焦圣明, 喜度, 等. 基于多源数据的地面降水质量控制方法研究[J]. 气象科学, 2022, 42(4): 539-548.
[20]
李奇临, 旷兰, 魏麟骁, 等. 不同分辨率的气温格点实况分析产品在重庆的对比检验[J]. 气象科技进展, 2022, 12(6): 91-96.
[21]
潘旸, 谷军霞, 师春香, 等. 中国北方冬季降水的多源资料产品评估和融合优化[J]. 气象学报, 2022, 80(6): 953-966.
[22]
董春卿, 郭媛媛, 张磊, 等. 基于CLDAS的格点温度预报偏差订正方法[J]. 干旱气象, 2021, 39(5): 847-856.
[23]
孙全德, 焦瑞莉, 夏江江, 等. 基于机器学习的数值天气预报风速订正研究[J]. 气象, 2019, 45(3): 426-436.
[24]
李昕蓓, 张苏平, 衣立, 等. 基于循环神经网络的单站能见度短临预报试验[J]. 海洋气象学报, 2019, 39(2): 76-83.
[25]
王萌, 刘合香, 卢耀健, 等. 基于模糊时间序列的华南台风登陆时最大风速极值预测模型[J]. 海洋气象学报, 2019, 39(4): 68-74.
[26]
任萍, 陈明轩, 曹伟华, 等. 基于机器学习的复杂地形下短期数值天气预报误差分析与订正[J]. 气象学报, 2020, 78(6): 1002-1020.