论文部分内容阅读
摘要 利用NCEP/NCAR逐6 h的850 hPa温度再分析资料，采用双线性插值法（BI）计算出朝阳、北票、叶柏寿、凌源、喀左5个观测站的2：00、8：00、14：00、20：00 4个时次850 hPa的温度值，与地面气象观测站的实况日最低气温建立相关性，并对地面观测资料按照相关分析和相关检验原理对预报方程进行因子初选，应用逐步回归方法建立分县、分月的预报方程，并使用数值预报产品T639的850 hPa温度和中央气象台指导产品的气象要素资料对预报方程进行检验和订正。结果表明：分月建立的朝阳地区温度预报多元回归方程对于日最高、最低温度的预报有一定指导意义，预报准确率有一定提高。
关键词 850 hPa温度；最低气温；完全预报方法；双线性插值法（BI）；预报模型；辽宁朝阳
中图分类号 P457.3 文献标识码 A 文章编号 1007-5739（2014）23-0271-03
Abstract Using every 6 hours 850 hPa temperature reanalysis data，bilinear interpolation method（BI） of NCEP/NCAR was employed to calculate the 850 hPa temperature values on 2：00，8：00，14：00，20：00 of 5 stations，such as Chaoyang，Beipiao，Yebaishou，Lingyuan，Kazuo.Correlations of temperature and the live day minimum temperature of the ground meteorological observation station were established，and the ground observation data in accordance with the relevant analysis and correlation test principle of the prediction equation for factor were primarily selected，stepwise regression method was used to establish forecast equation dividing into counties，month by month，inspection and correction of the prediction equation of meteorological data on the 850 hPa temperature of T639 numerical forecast products and the central station to direct product were conducted.The results showed that there were certain guiding significance forecast monthly established local temperature prediction of multiple regression equation for daily maximum and minimum temperature in Chaoyang area，forecast accuracy were improved to a certain degree.
Key words 850 hPa temperature；minimum temperature；perfect prediction method；bilinear interpolation method（BI）；forecast model；Chaoyang Liaoning
社会经济的快速发展对于天气预报提出了更加准确、精细化的要求，人们除了关注阴晴雨雪天气要素外，作为主要气象要素之一的气温的预报，特别是日极端气温的预报已成为人们日常生活与工作中关注的热点，因此气温预报也是体现预报质量高低重要的指标之一。
随着数值天气预报的发展，数值预报产品的统计解释应用于天气业务预报工作中，并且其发挥的作用越来越重要。尤其随着数值预报模式的不断改进和提高，不同预报时效的预报准确性不断提高，这为采用不同方法进行数值预报产品的解释应用预报提供了条件。因此，如何充分利用天气数值预报产品，并采用多元回归统计模型建立客观化、定量化、数值化、准确化的分县温度预报方程就显得十分迫切和必要。近年，随着气象现代化的发展和建设，市级气象台站可快捷获得时空分辨率高、预报时效长的多数值模式的预报产品以及已投入业务应用的实时自动站区域站资料，为市级气象台开展数值产品释用、制作精细化的定时定点定量预报提供了可能。赵金彪、陈 芳等[1-2]分别讨论了高空环流形势和高空温度对地面气温的影响。这些研究主要都是从大气环流背景上讨论对气温的影响。
目前，利用850 hPa温度在预报温度方面的研究很少。本文在总结预报工作经验的基础上，通过分析影响温度预报的有关因子，利用850 hPa的温度建立可预报日最低气温的有效预报模型，在此基础上结合数值预报温度要素场预报结果，利用完全预报方法（简称PP）[3]，通过历史实况资料建立统计方程，得出的统计规律稳定可靠。它可利用不同数值天气预报模式的输出产品进行预报，并且随着模式的改进，PP预报准确率会自动随之提高。这项研究的开展解决了温度预报的具体定量化问题，为最低气温的预报提供当地具体定量化的参考指标，极具推广应用价值。
1 基本原理
利用NCEP的850 hPa温度再分析资料、地面观测的实况资料，采用逐步回归方法建立分县、分月的最低气温预报方程。 1.1 完全预报方法
完全预报方法是依据历史资料与预报量之间的同时关系，建立预报方程，从而代入数值预报结果，得到预报量的预报方法。即在建立统计预报方程时，预报对象和预报因子都是同时的观测值（或诊断值）。另外，预报因子是指数值预报能够输出，并且用历史天气资料稍作加工即可获得的量，其关系式为：
■o=f1（■i）
式中，X0=（X01，X02，…，X0N）。
应用时，假定数值预报的结果“完全”正确，用其预报结果，例如24 h或48 h预报产品代入到上述统计关系中，就可以得到预报对象24 h或48 h的预报值。
1.2 双重检验逐步回归
将方差贡献显著的因子逐一引入，并对原因子逐个检验，将方差贡献不显著的因子剔除，利用求解线性方程中求逆同时并行的算法，使计算因子方差贡献和求解回归系数同时进行。在剔除过程中，如入选因子X1和X2方差贡献都比较小，则只剔除最小者，因为X1和X2之间可能存在较密切的相关关系。在剔除X1后，X1对y的大部分影响可以转加到X2对y的影响上，因此这时的回归平方和并不会减小很多，即X1的偏回归平方和一定很小。同理，X2的偏回归平方和也不会很大，这样就保证方程中所保留的所有因子都是显著的，与y相关较好且彼此独立。
2 资料选取与处理方法
2.1 资料选取
利用2000—2011年NCEP/NCAR资料和朝阳地区5个地面气象观测站常规气象观测数据（A文件）资料。
2.2 资料处理方法
2.2.1 双线性内插法（Bilinear Interpolation，BI）。双线性内插，又称为双线性插值。在数学上，双线性插值是对2个变量插值函数的线性插值扩展，其核心思想是从2个方向分别进行1次线性插值（图1）。
假如想得到未知函数f在点P=f（x，y）的值，假设已知函数f在Q11=（x1 y1）、Q12=（x1 y2）、Q21=（x2 y1）及Q22=（x2 y2）4个点的值。首先在 x方向进行线性插值，得到：
f（R1）≈■f（Q11） ■f（Q21）
f（R2）≈■f（Q12） ■f（Q22）
然后在y方向进行线性插值，得到：
f（P）≈■f（R1） ■f（R2）
这样就得到所要的结果f（x，y），即：
f（x，y）≈■f（Q11） ■f（Q21）
■f（Q12） ■f（Q22）
选用2000—2011年NCEP/NCAR 1°×1°的逐6 h 850 hPa再分析温度资料，利用Fortran程序对NC格点资料进行处理，选出朝阳、北票、叶柏寿、凌源、喀左5个观测站邻近的4个格点2：00、8：00、14：00、20：00 4个时刻的温度值，对4个格点上的温度值做双线性内插，得出5个站点的4个时次温度值，再利用VB程序将逐日温度资料分月整理，得出2000—2011年850 hPa逐月温度资料。
2.2.2 地面观测数据文件（A文件）资料处理。选用2000—2011年朝阳地区5个观测站地面气象观测数据文件（A文件）资料，利用Java和Fortran程序从A文件中选取包括每日最高、最低温度，8：00以及14：00的10 min风向、风速、相对湿度、总云量、低云量等气象要素，分月建立地面实况资料文件。
2.3 预报模型的时段处理
气温是敏感的气象要素，其变化取决于热量的收支状况及热量存储的增加或减少，受季节影响极大。因此，在建立逐日最低气温预报模型时，应充分考虑到不同季节、地理位置、地形等对气温预报的影响，分站点、分月建立最低气温预报模型。在建立分站、分月预报模型时，样本选取以月内逐日资料为基础，向上月和下月各延伸10 d，确保每个预报模型在预报时段内均有较好的预报效果。
3 预报因子筛选及预处理
3.1 预报因子初选方案
分月建立地面最低气温与850 hPa上2：00、8：00、14：00、20：00 4个时次的温度的相关关系，选取相关性最好的时次的850 hPa温度作为预报地面最低气温的基础温度值。按照能通过0.05的显著性t检验的标准对4个时次的850 hPa温度进行筛选，得到结论：各月的地面最低气温均与2：00的850 hPa温度存在明显的相关性，因此将850 hPa 2：00的温度作为地面最低气温的基础预报值。
依据预报员经验，在众多气象要素中选取对地面最低温度具有影响意义的气象要素，作为建立相关方程的自变量。成为待选因子的气象要素包括相对湿度、总云量、低云量、风向、风速5个因子。
3.2 预报因子精选方案
定义每日地面最低气温温与850 hPa 2：00温度的差值为低差，计算公式如下：
ΔTd=Td-T850 （1）
式（1）中，ΔTd为低差，Td为地面最低气温，T850为2：00 850 hPa的温度。
利用定义的低差作为因变量，初选因子10 min风向、10 min风速、总云量、低云量、空气相对湿度作为自变量，分月逐个建立低差与10 min风向、10 min风速、总云量、低云量、空气相对湿度的相关关系。利用相关分析和相关检验原理，按能通过0.05的显著性t检验的标准对因子进行筛选，得到低差与各气象要素的单因子相关关系。
以朝阳站为例，低差与逐个气象要素的关系如表1所示。低差与相对湿度各月份基本存在较好的相关性，低差与总云量、低云量在春末、夏季和初秋都存在较好的相关性，而低差与10 min风向、风速相关性分布规律不明显，但主要在冬季均存在很好的相关性。其他各站与朝阳站情况相似。 考虑到初选的各因子在全年中多个月份与低差存在较好的关系，因此将5个待选因子全部引入到低差与各气象要素的多元线性回归方程的建立中。
4 预报方程建立及应用
采用双重检验的逐步回归方法，将因子逐个引入，引入因子的条件为该因子的方差贡献是显著的。同时，每引入一个新因子后，按能通过0.05的显著性F检验的标准对已引入因子逐个检验，将方差贡献不显著的因子剔除，得到低差与各气象要素的多因子相关关系。
以朝阳本站为例，低差与各气象要素的多元相关关系如表2所示。由此可得到结论：各气象要素对低差均有一定的影响，相对湿度与低差在1—4月和9—12月存在较好的相关性，且全部为负相关，即在对应月份，相对湿度越大，低差值越小；总云量与低差在7—9月有较好的相关性，且全部为正相关，低云量对低差的影响集中在4—9月，且基本为正相关，10 min风向对低差影响的月份分布无明显规律，10 min风速与低差基本成正相关，且集中在1—5月。其他各站与朝阳站情况相似。建立低差与各气象要素的多元线性回归方程如下：
ΔTd=n1×r n2×c n3×cd n4×x n5×v b（2）
式（2）中，ΔTd为低差；r为2：00相对湿度；c为2：00总云量；cd为2：00低云量；x为2：00风向（0～360°）；v为2：00风速；ni为表1中各要素的系数；b为常数项。
在对地面最低气温进行预报时，可用2：00 850 hPa的温度作为基础温度值，将式（1）、（2）转化为地面最低气温预报方程：
Td=n1×r n2×c n3×cd n4×x n5×v b T850（3）
式（3）中，Td为地面最低气温；T850为2：00 850 hPa气温；r为2：00相对湿度；c为2：00总云量；cd为2：00低云量；x为2：00风向（0～360°）；v为2：00风速；ni为表2中各要素的系数；b为常数项。
在地面最低气温预报方程建立后，首先利用国家气象中心每天下发的T639数值预报产品的850 hPa温度资料，将前1 d 20：00预报的未来3 d的2：00温度预报的格点资料插值到朝阳市的5个站点作为温度基本值，然后利用中央气象台指导产品前1 d 20：00预报次日6：00（北京时间次日2：00）时的预报时刻气象要素值作为多元回归方程的订正标准，就可以作出未来3 d的地面最高、最低温度预报。
5 预报结果检验与分析
从2013年5月21—26日温度实况与预报的逐日检验对比（图2）分析，预报值与实况的偏差在2 ℃内为正确。可以看到预报的温度变化趋势与温度实况较一致，24 h内的温度预报准确率比较稳定，最高温度、最低温度预报准确率均为50%左右，在有降温过程时预报准确率相对较低。同时，在预报升温时预报偏差稍大，预报降温时预报偏差较小。
因此，分月建立朝阳地区温度预报多元回归方程对于日最低温度的预报有一定指导意义，预报准确率有一定提高，但如果有降水等天气过程，温度的预报结果可能会有较大偏差。方程的建立只考虑了地面要素，而未考虑高空影响、预报场的误差等，都可能是造成预报方程准确率不高的原因[4-5]。
6 结语
（1）850 hPa 2：00的温度与地面最低温度存在明显的相关性，可以作为预报日最低温度的基本温度值。
（2）低差在不同的月份与地面气象要素的相关性不同，因此分月建立温度回归方程具有一定的意义。
（3）分月建立温度预报多元回归方程对于日最低温度的预报有一定指导意义，预报准确率有一定提高。
（4）有降水等天气过程时，利用回归方程计算的预报结果可能会有较大偏差，此时还应考虑高空影响、预报场的误差等可能造成预报方程准确率不高的原因。
（5）完全预报方法可以避免数值模式调整所带来的不稳定，但其自身的准确率既依赖于模式产品自身的准确率，同时也受到统计模型建立过程中各因子和参数的影响[6-7]。
7 参考文献
[1] 赵金彪，张健挺.北半球大气环流异常与广西夏季高温天气[J].气象科技，2006，34（2）：157-162.
[2] 陈芳，马英芳，金惠瑛.高空温度、高度变化特征及其与地面气温相关分析[J].气象科技，2005，33（2）：163-166.
[3] 钱莉，兰晓波，杨永龙.最优子集神经网络在武威气温客观预报中的应用[J].气象，2010，36（5）：102-107.
[4] 徐振亚，任福民，杨修群，等.日最高温度统计降尺度方法的比较研究[J].气象科学，2012，32（4）：395-402.
[5] 吴爱敏，王建.甘肃庆阳极端气温气候特征及预报[J].干旱气象，2010，28（4）：116-120.
[6] 周伟东，朱洁华，史军.近47年上海最高、最低气温的变化特征及城郊差异[J].高原气象，2008（S1）：126-132.
[7] 格桑，拉巴次仁，陈定梅.西藏1971—2008年最高最低气温时空变化及分布特征[J].安徽农业科学，2010（15）：250-252.
关键词 850 hPa温度；最低气温；完全预报方法；双线性插值法（BI）；预报模型；辽宁朝阳
中图分类号 P457.3 文献标识码 A 文章编号 1007-5739（2014）23-0271-03
Abstract Using every 6 hours 850 hPa temperature reanalysis data，bilinear interpolation method（BI） of NCEP/NCAR was employed to calculate the 850 hPa temperature values on 2：00，8：00，14：00，20：00 of 5 stations，such as Chaoyang，Beipiao，Yebaishou，Lingyuan，Kazuo.Correlations of temperature and the live day minimum temperature of the ground meteorological observation station were established，and the ground observation data in accordance with the relevant analysis and correlation test principle of the prediction equation for factor were primarily selected，stepwise regression method was used to establish forecast equation dividing into counties，month by month，inspection and correction of the prediction equation of meteorological data on the 850 hPa temperature of T639 numerical forecast products and the central station to direct product were conducted.The results showed that there were certain guiding significance forecast monthly established local temperature prediction of multiple regression equation for daily maximum and minimum temperature in Chaoyang area，forecast accuracy were improved to a certain degree.
Key words 850 hPa temperature；minimum temperature；perfect prediction method；bilinear interpolation method（BI）；forecast model；Chaoyang Liaoning
社会经济的快速发展对于天气预报提出了更加准确、精细化的要求，人们除了关注阴晴雨雪天气要素外，作为主要气象要素之一的气温的预报，特别是日极端气温的预报已成为人们日常生活与工作中关注的热点，因此气温预报也是体现预报质量高低重要的指标之一。
随着数值天气预报的发展，数值预报产品的统计解释应用于天气业务预报工作中，并且其发挥的作用越来越重要。尤其随着数值预报模式的不断改进和提高，不同预报时效的预报准确性不断提高，这为采用不同方法进行数值预报产品的解释应用预报提供了条件。因此，如何充分利用天气数值预报产品，并采用多元回归统计模型建立客观化、定量化、数值化、准确化的分县温度预报方程就显得十分迫切和必要。近年，随着气象现代化的发展和建设，市级气象台站可快捷获得时空分辨率高、预报时效长的多数值模式的预报产品以及已投入业务应用的实时自动站区域站资料，为市级气象台开展数值产品释用、制作精细化的定时定点定量预报提供了可能。赵金彪、陈 芳等[1-2]分别讨论了高空环流形势和高空温度对地面气温的影响。这些研究主要都是从大气环流背景上讨论对气温的影响。
目前，利用850 hPa温度在预报温度方面的研究很少。本文在总结预报工作经验的基础上，通过分析影响温度预报的有关因子，利用850 hPa的温度建立可预报日最低气温的有效预报模型，在此基础上结合数值预报温度要素场预报结果，利用完全预报方法（简称PP）[3]，通过历史实况资料建立统计方程，得出的统计规律稳定可靠。它可利用不同数值天气预报模式的输出产品进行预报，并且随着模式的改进，PP预报准确率会自动随之提高。这项研究的开展解决了温度预报的具体定量化问题，为最低气温的预报提供当地具体定量化的参考指标，极具推广应用价值。
1 基本原理
利用NCEP的850 hPa温度再分析资料、地面观测的实况资料，采用逐步回归方法建立分县、分月的最低气温预报方程。 1.1 完全预报方法
完全预报方法是依据历史资料与预报量之间的同时关系，建立预报方程，从而代入数值预报结果，得到预报量的预报方法。即在建立统计预报方程时，预报对象和预报因子都是同时的观测值（或诊断值）。另外，预报因子是指数值预报能够输出，并且用历史天气资料稍作加工即可获得的量，其关系式为：
■o=f1（■i）
式中，X0=（X01，X02，…，X0N）。
应用时，假定数值预报的结果“完全”正确，用其预报结果，例如24 h或48 h预报产品代入到上述统计关系中，就可以得到预报对象24 h或48 h的预报值。
1.2 双重检验逐步回归
将方差贡献显著的因子逐一引入，并对原因子逐个检验，将方差贡献不显著的因子剔除，利用求解线性方程中求逆同时并行的算法，使计算因子方差贡献和求解回归系数同时进行。在剔除过程中，如入选因子X1和X2方差贡献都比较小，则只剔除最小者，因为X1和X2之间可能存在较密切的相关关系。在剔除X1后，X1对y的大部分影响可以转加到X2对y的影响上，因此这时的回归平方和并不会减小很多，即X1的偏回归平方和一定很小。同理，X2的偏回归平方和也不会很大，这样就保证方程中所保留的所有因子都是显著的，与y相关较好且彼此独立。
2 资料选取与处理方法
2.1 资料选取
利用2000—2011年NCEP/NCAR资料和朝阳地区5个地面气象观测站常规气象观测数据（A文件）资料。
2.2 资料处理方法
2.2.1 双线性内插法（Bilinear Interpolation，BI）。双线性内插，又称为双线性插值。在数学上，双线性插值是对2个变量插值函数的线性插值扩展，其核心思想是从2个方向分别进行1次线性插值（图1）。
假如想得到未知函数f在点P=f（x，y）的值，假设已知函数f在Q11=（x1 y1）、Q12=（x1 y2）、Q21=（x2 y1）及Q22=（x2 y2）4个点的值。首先在 x方向进行线性插值，得到：
f（R1）≈■f（Q11） ■f（Q21）
f（R2）≈■f（Q12） ■f（Q22）
然后在y方向进行线性插值，得到：
f（P）≈■f（R1） ■f（R2）
这样就得到所要的结果f（x，y），即：
f（x，y）≈■f（Q11） ■f（Q21）
■f（Q12） ■f（Q22）
选用2000—2011年NCEP/NCAR 1°×1°的逐6 h 850 hPa再分析温度资料，利用Fortran程序对NC格点资料进行处理，选出朝阳、北票、叶柏寿、凌源、喀左5个观测站邻近的4个格点2：00、8：00、14：00、20：00 4个时刻的温度值，对4个格点上的温度值做双线性内插，得出5个站点的4个时次温度值，再利用VB程序将逐日温度资料分月整理，得出2000—2011年850 hPa逐月温度资料。
2.2.2 地面观测数据文件（A文件）资料处理。选用2000—2011年朝阳地区5个观测站地面气象观测数据文件（A文件）资料，利用Java和Fortran程序从A文件中选取包括每日最高、最低温度，8：00以及14：00的10 min风向、风速、相对湿度、总云量、低云量等气象要素，分月建立地面实况资料文件。
2.3 预报模型的时段处理
气温是敏感的气象要素，其变化取决于热量的收支状况及热量存储的增加或减少，受季节影响极大。因此，在建立逐日最低气温预报模型时，应充分考虑到不同季节、地理位置、地形等对气温预报的影响，分站点、分月建立最低气温预报模型。在建立分站、分月预报模型时，样本选取以月内逐日资料为基础，向上月和下月各延伸10 d，确保每个预报模型在预报时段内均有较好的预报效果。
3 预报因子筛选及预处理
3.1 预报因子初选方案
分月建立地面最低气温与850 hPa上2：00、8：00、14：00、20：00 4个时次的温度的相关关系，选取相关性最好的时次的850 hPa温度作为预报地面最低气温的基础温度值。按照能通过0.05的显著性t检验的标准对4个时次的850 hPa温度进行筛选，得到结论：各月的地面最低气温均与2：00的850 hPa温度存在明显的相关性，因此将850 hPa 2：00的温度作为地面最低气温的基础预报值。
依据预报员经验，在众多气象要素中选取对地面最低温度具有影响意义的气象要素，作为建立相关方程的自变量。成为待选因子的气象要素包括相对湿度、总云量、低云量、风向、风速5个因子。
3.2 预报因子精选方案
定义每日地面最低气温温与850 hPa 2：00温度的差值为低差，计算公式如下：
ΔTd=Td-T850 （1）
式（1）中，ΔTd为低差，Td为地面最低气温，T850为2：00 850 hPa的温度。
利用定义的低差作为因变量，初选因子10 min风向、10 min风速、总云量、低云量、空气相对湿度作为自变量，分月逐个建立低差与10 min风向、10 min风速、总云量、低云量、空气相对湿度的相关关系。利用相关分析和相关检验原理，按能通过0.05的显著性t检验的标准对因子进行筛选，得到低差与各气象要素的单因子相关关系。
以朝阳站为例，低差与逐个气象要素的关系如表1所示。低差与相对湿度各月份基本存在较好的相关性，低差与总云量、低云量在春末、夏季和初秋都存在较好的相关性，而低差与10 min风向、风速相关性分布规律不明显，但主要在冬季均存在很好的相关性。其他各站与朝阳站情况相似。 考虑到初选的各因子在全年中多个月份与低差存在较好的关系，因此将5个待选因子全部引入到低差与各气象要素的多元线性回归方程的建立中。
4 预报方程建立及应用
采用双重检验的逐步回归方法，将因子逐个引入，引入因子的条件为该因子的方差贡献是显著的。同时，每引入一个新因子后，按能通过0.05的显著性F检验的标准对已引入因子逐个检验，将方差贡献不显著的因子剔除，得到低差与各气象要素的多因子相关关系。
以朝阳本站为例，低差与各气象要素的多元相关关系如表2所示。由此可得到结论：各气象要素对低差均有一定的影响，相对湿度与低差在1—4月和9—12月存在较好的相关性，且全部为负相关，即在对应月份，相对湿度越大，低差值越小；总云量与低差在7—9月有较好的相关性，且全部为正相关，低云量对低差的影响集中在4—9月，且基本为正相关，10 min风向对低差影响的月份分布无明显规律，10 min风速与低差基本成正相关，且集中在1—5月。其他各站与朝阳站情况相似。建立低差与各气象要素的多元线性回归方程如下：
ΔTd=n1×r n2×c n3×cd n4×x n5×v b（2）
式（2）中，ΔTd为低差；r为2：00相对湿度；c为2：00总云量；cd为2：00低云量；x为2：00风向（0～360°）；v为2：00风速；ni为表1中各要素的系数；b为常数项。
在对地面最低气温进行预报时，可用2：00 850 hPa的温度作为基础温度值，将式（1）、（2）转化为地面最低气温预报方程：
Td=n1×r n2×c n3×cd n4×x n5×v b T850（3）
式（3）中，Td为地面最低气温；T850为2：00 850 hPa气温；r为2：00相对湿度；c为2：00总云量；cd为2：00低云量；x为2：00风向（0～360°）；v为2：00风速；ni为表2中各要素的系数；b为常数项。
在地面最低气温预报方程建立后，首先利用国家气象中心每天下发的T639数值预报产品的850 hPa温度资料，将前1 d 20：00预报的未来3 d的2：00温度预报的格点资料插值到朝阳市的5个站点作为温度基本值，然后利用中央气象台指导产品前1 d 20：00预报次日6：00（北京时间次日2：00）时的预报时刻气象要素值作为多元回归方程的订正标准，就可以作出未来3 d的地面最高、最低温度预报。
5 预报结果检验与分析
从2013年5月21—26日温度实况与预报的逐日检验对比（图2）分析，预报值与实况的偏差在2 ℃内为正确。可以看到预报的温度变化趋势与温度实况较一致，24 h内的温度预报准确率比较稳定，最高温度、最低温度预报准确率均为50%左右，在有降温过程时预报准确率相对较低。同时，在预报升温时预报偏差稍大，预报降温时预报偏差较小。
因此，分月建立朝阳地区温度预报多元回归方程对于日最低温度的预报有一定指导意义，预报准确率有一定提高，但如果有降水等天气过程，温度的预报结果可能会有较大偏差。方程的建立只考虑了地面要素，而未考虑高空影响、预报场的误差等，都可能是造成预报方程准确率不高的原因[4-5]。
6 结语
（1）850 hPa 2：00的温度与地面最低温度存在明显的相关性，可以作为预报日最低温度的基本温度值。
（2）低差在不同的月份与地面气象要素的相关性不同，因此分月建立温度回归方程具有一定的意义。
（3）分月建立温度预报多元回归方程对于日最低温度的预报有一定指导意义，预报准确率有一定提高。
（4）有降水等天气过程时，利用回归方程计算的预报结果可能会有较大偏差，此时还应考虑高空影响、预报场的误差等可能造成预报方程准确率不高的原因。
（5）完全预报方法可以避免数值模式调整所带来的不稳定，但其自身的准确率既依赖于模式产品自身的准确率，同时也受到统计模型建立过程中各因子和参数的影响[6-7]。
7 参考文献
[1] 赵金彪，张健挺.北半球大气环流异常与广西夏季高温天气[J].气象科技，2006，34（2）：157-162.
[2] 陈芳，马英芳，金惠瑛.高空温度、高度变化特征及其与地面气温相关分析[J].气象科技，2005，33（2）：163-166.
[3] 钱莉，兰晓波，杨永龙.最优子集神经网络在武威气温客观预报中的应用[J].气象，2010，36（5）：102-107.
[4] 徐振亚，任福民，杨修群，等.日最高温度统计降尺度方法的比较研究[J].气象科学，2012，32（4）：395-402.
[5] 吴爱敏，王建.甘肃庆阳极端气温气候特征及预报[J].干旱气象，2010，28（4）：116-120.
[6] 周伟东，朱洁华，史军.近47年上海最高、最低气温的变化特征及城郊差异[J].高原气象，2008（S1）：126-132.
[7] 格桑，拉巴次仁，陈定梅.西藏1971—2008年最高最低气温时空变化及分布特征[J].安徽农业科学，2010（15）：250-252.