《表1 4个模式以及4种后处理模型的均方根误差随预报时长的线性趋势》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于机器学习的华北气温多模式集合预报的订正方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

°C d-1

为了分析机器学习订正随着预报时效增加的整体效果和整体变化趋势，使用预报期（2016年10月至2017年9月）的数据对4个数值预报模式、EMN、Ridge、RF以及DL的预报结果进行评估。从均方根误差的分布（图2）可以看出:Ridge、RF和DL的均方根误差几乎一致，差别很小，且比单模式和集合平均都要好，ECMF和EMN次之，其余单模式的均方根误差都较大。3种订正方法的均方根误差比EMN提高0.5°C左右。随着预报时效的增加，各模式的均方根误差均呈增加趋势，但随着预报时效的增加，3种订正方法与EMN的差异在缩小。Ridge、RF和DL的订正效果不相上下，但是在预报前期（第1～3天）DL的预报效果略好，预报中后期（第4～11天）Ridge的预报效果略好。总体效果而言，Ridge的预报效果略好，其平均均方根误差为2.36°C，RF的预报效果略差，其平均均方根误差为2.39°C。另外，通过计算4个数值模式、EMN和3种订正方法的预报误差随着预报时效的线性趋势（如表1）可知，ECMF和KWBC的误差随预报时效增加的速率最大，分别为0.29°C d-1和0.27°C d-1；其他模式或订正方法的误差随预报时效增加的趋势相差不大，在0.20～0.23°C d-1之间。