基于CMA-BJ 数值预报模式产品的复杂地形下冬奥站点地面气温和风速预报方法研究*

王在文 全继萍 张鑫宇

北京城市气象研究院，北京，100089

1 引 言

自1950 年 “数值天气预报”正式确认以来（曾庆存，2013），经过70 a 的高速发展，数值天气预报已发展为定量、客观的科学方法（Benjamin，et al，2019），是物理科学中最重要的领域之一（Bauer，et al，2015），是天气预报业务和防灾、减灾的核心科技（沈学顺等，2020）。20 世纪70 年代开始数值天气预报在世界各国普遍实现业务应用（Kalnay，2003；曾庆存，2013），在模式本身日臻完善的当下，随着三维变分同化（Barker，et al，2004）和四维变分同化（Huang，et al，2009）的研究和应用，模式初始场精度显著提高，数值预报精度亦得到显著提升，成为天气预报的重要基础。

经过20 a 的研究发展，北京市气象局业务短期数值预报模式（CMA-BJ）预报精度得到显著提升，但由于初值误差的存在与数值模式自身的缺陷影响，其对大气混沌系统的描述不可避免地存在误差（曾晓青等，2019），且复杂地形下，模式地形与实际地形差别明显，数值预报对近地面层气象要素的预报能力差（Zhang，et al，2013），往往伴随更大的预报误差（Liu，et al，2008），针对复杂地形下的冬奥站点要素预报进行订正，提高其预报精度以满足冬奥气象服务需求，有其必要性。

近年来，在减小模式预报误差、提升要素预报水平方面，完全预报法（Perfect Prognostic，PP，Klein，et al，1959）和模式输出统计（Model Output Statistics，MOS，Glahn，et al，1972；丁士晟，1985）在数值预报结果再释用中得到广泛应用，基于支持向量机（Support Vector Machines，SVM）的奥运场馆要素预报实现业务运行并取得较好的预报效果（王在文等，2012），相似集合（AnEn）应用于北京自动气象站要素预报获得初步成功（郝翠等，2019；王在文等，2019），人工智能多种算法（Marzban，2003；任萍等，2020；Xia，et al，2020；Li，et al，2021；张延彪等，2022）应用于气象要素的订正预报提高其预报精度。

回顾前几届冬奥会，复杂地形下的站点气象要素预报一直备受关注，为配合2010 年温哥华冬奥会而开展的“2010 温哥华冬奥会临近预报科学” （SNOW-V10）引入多个数值和临近预报系统，研发了基于多数值预报和观测资料相结合的综合加权模型（Integrated Weighted Model，INTW），INTW 模型0—6 h 逐15 min 预报2 m 气温绝对偏差在1℃左右，10 m 风速绝对偏差在0.5 m/s 左右，同期0—24 h 数值模式预报2 m 气温绝对偏差在1.5℃左右，10 m 风速绝对偏差在1 m/s 左右（Isaac，et al，2014）。2014 年索契冬奥会应用3 种不同分辨率集合预报系统及其订正预报，其中效果最好的集合预报系统（HIRLAM-ALADIN Regional Mesoscale Operational NWP in Europe EPS，HarmonEPS）站点2 m 气温和10 m 风速6—36 h 逐3 h预报均方根误差分别在3℃和1.7 m/s 左右（Frogner，et al，2016）。Han 等（2018）基于欧洲中期天气预报中心集合预报（ECMWF，集合成员51）对2018 年平昌冬奥会站点10 m 风速进行6 种后处理订正预报对比，以贝叶斯模式平均（Bayesian Model Averaging，BMA）预报效果最好，其0—240 h逐3 h 预报均方根误差在2 m/s 左右。

2022 年北京冬季奥运会（简称北京冬奥会）服务对站点要素预报精度提出了明确需求，2 m 气温预报偏差在±2℃以内，风速预报平均偏差小于观测的30%，北京冬奥会顺利举办，气象服务受到广泛肯定，针对冬奥赛区的天气形势及要素预报，气象科研人员做了大量工作，分析了延庆赛区复杂山地局地环流及其机理（王倩倩等，2022）、赛区气温和风等气象要素分布特征（李嘉睿等，2022；胡艺等，2022）、开展了复杂地形下的风场订正预报（杨璐等，2022）等。然而考察2020 年11 月1 日—2021 年3 月15 日冬奥测试赛中CMA-BJ 模式预报2 m 气温和10 m 风速预报偏差占观测的百分比分布，模式直接输出的2 m 气温、10 m 风速预报远不能满足需求，其2 m 气温预报偏差在地形复杂的延庆赛区振荡明显，最大单站偏高3.8℃以上，最小偏低2.5℃以上；10 m 风速预报偏差占观测百分比在延庆赛区站间差异更明显，偏大达到观测的320%，偏小达到50%。同时AnEn 在极端低温时的大误差（图4，4.3 节）及多站10 m 风速预报偏差占观测的百分比超30%（图2，4.2 节），表明其亦不能完全满足冬奥服务需求。为保障冬奥服务需求，考虑简单的一元线性回归能较好地订正预报偏差（王丹等，2019）且易实现，文中提出一种基于相似集合嵌套一元线性回归的预报方法—嵌套相似集合（Analog Ensemblenest Linear Regression，AnEn-Ne），该方法基于相似集合预报嵌套一元线性回归，在满足一定条件下启动其嵌套一元线性回归提供站点要素订正预报。

2 资 料

文中所使用的模式预报为CMA-BJ 预报结果，预 报样本集为2018 年7 月21 日—2022 年3 月15 日03 时（世界时，下同）起报1—72 h 逐时预报结果；观测样本集为2018 年7 月21 日03 时—2022 年3 月18 日03 时逐时冬奥站点2 m 气温（1 min 平均）、10 m 风速（2 min 平均）、10 m 极大风速（1 h内10 m 风速极大值）；AnEn、线性回归（Linear Regression，LR）及AnEn-Ne 预报样本集为2020 年11 月1 日—2021 年3 月15 日03 时起报1—72 h 逐时2 m 气温、10 m 风速预报及2021 年11 月1 日—2022 年3 月15 日03 时 起 报1—72 h 逐 时2 m 气温、10 m 风速和10 m 极大风速预报。

51 个冬奥观测站点分布如图1（其中首钢跳台站因为和两个赛区站点距离太远，未在图中标识，以表格列出，归入延庆赛区，延庆赛区22 站，站号第一字母为A；崇礼29 站，站号第一字母为B），其中2 m 气温观测38 站（延庆赛区20 站，崇礼18 站）。

图1 延庆和崇礼赛区冬奥自动气象观测站分布及分类 （a.延庆，b.崇礼）Fig.1 Distribution and classification of Winter Olympic Automatic Weather Stations （AWS） in Yanqing and Chongli competition areas （a.Yanqing，b.Chongli）

3 方法介绍

3.1 相似集合（AnEn）

对于相似的天气状况，在长期、稳定的数值模式预报中也应当形成相似的预报结果并具备相似的预报误差分布（Monache，et al，2013）。选取多个模式预报物理量作为预报因子构建多维空间，在多维空间中以式（1）计算当前与历史预报的“距离”

式中，l为所选取预报因子个数（l=4，王在文等，2019），当前和历史预报样本起报时间相同，Fi,T和fi,T分别为第i个预报因子当前和历史在预报时效为T时的模式预报值， σi为第i个预报因子对应预报时效T所有历史样本误差标准差，wi为各因子的权重（遍历确定最优权重）， τ 取值为时间窗，即预报时效为的模式预报参与“距离”计算（文中取t˜=4，即当前预报时效前、后4 个预报时次，共计9 个预报时次模式数据参与计算“距离”），可 以认为是T时刻当前和历史预报在l维空间中的“距离”，式（1）计算的值越小则代表当前预报与该历史预报相似度越高。利用式（1）计算所有历史预报与当前预报的“距离”，选取其中“距离”最小的n（成员数，文中n=20）历史预报对应观测值构建n成员的集合，由此可以应用集合预报的相关概念来获得对应要素的确定性和概率性预报。其中相似集合确定性预报计算如下

3.2 线性回归（LR）

根据历史样本预报量与预报因子建立线性回归方程，根据最小二乘法原则优选方程系数，文中所用一元线性回归表达式为

式中，y为目标预报量，x为相应模式预报量，a和b为需要确定的系数，根据最小二乘法原则来确定，残差平方和（Sum of Squares for Error，SSE）为

式中，m为历史样本数，yi为目标预报量历史值，xi为相应模式预报量历史值，根据SSE 最小确定a、b的值，以SSE 对a、b求导为0 确定系数a、b的值为

3.3 嵌套相似集合（AnEn-Ne）

为在出现极端低温和风速观测变化较大时仍能满足冬奥服务需求，文中提出一种在相似集合中嵌套一元线性回归的预报方法—嵌套相似集合，针对2 m 气温预报，该方法首先根据CMA-BJ 模式预报来判定是否出现历史样本集中的极小值，在出现极小值时启用其嵌套一元线性回归提供预报结果，具体判定为当CMA-BJ 模式预报温度低于低温排序10（n/2，n为集合成员数，文中n=20，王在文等，2019，表明其已超出历史样本集能正确预报范围）的历史预报时，启动嵌套一元线性回归；由分站观测与CMA-BJ 模式预报相关显著检验可知，除A1701 站外，其他站点极端低温均通过显著性水平α=0.001相关检验，表明CMA-BJ 模式预报的2 m气温对实况的极端低温有很好指示意义，能作为判定极端低温是否出现的依据，极端高温和10 m 风速的极端大、小风速未通过显著性相关检验，10 m风速根据预报偏差小于观测30%的冬奥服务需求，同时参照10 m 风速一元线性回归最佳建模天数（31 d），判定当最近31 d 观测平均相对其他历史样本观测平均的偏差大于40%或小于-30%历史观测平均值时（图2，4.2 节），正常相似集合预报已存在不能满足冬奥服务需求可能，启动嵌套一元线性回归来提供10 m 风速订正预报。

图2 2020 年11 月1 日—2021 年3 月15 日03 时起始1—72 h 逐时AnEn、LR、AnEn-Ne 订正预报偏差相对历史样本集（2018 年7 月21 日—预报前1 天） 观测平均百分率及10 m 风速观测变化百分率 （OBS_c） 的51 个冬奥测站分站统计Fig.2 Percentages of hourly biases corrected by AnEn，LR and AnEn-Ne to historical （ 21 July 2018—1 day before the current forecast） observation averages during 1—72 h forecast started at 03:00 UTC from 1 November 2020 to 15 March 2021，and percentage of 10 m wind speed observation changes （OBS_c） at 51 Winter Olympic stations

考察冬奥站点2 m 气温、10 m 风速CMA-BJ 模式预报和观测滞后相关系数可见，同时次相关最好，时间相距越长相关越弱；因此在嵌套相似集合中计算“距离”时针对预报时次设置权重，越临近当前预报时次权重越大

从所有历史与当前预报计算的“距离”中，选取其中“距离”最小的n（文中n=20，不取n=1，即用距离最小的那个时刻的观测来进行预报，是因为单取距离最近点，预报振荡很大，事实上当取n=1 时，预报效果很差，王在文等，2019）历史预报对应观测值，根据式（8）计算其确定性预报

式中，FAnEn-Ne为嵌套相似集合最终确定性预报。

嵌套相似集合相对相似集合的优势是：增加了预报时效权重，越临近的预报时效权重越大，能更有效突出当前预报时次的影响；最优权重是针对单站逐预报时效，相对相似集合针对单站的最优权重更加精细；在出现极端低温及风速观测存在较大变化时，嵌套的一元线性回归能有效纠正相似集合法可能造成的高误差预报。

4 冬奥站点要素预报检验

4.1 检验指标

均方根误差

预报偏差

式中，n为总样本数，fi为第i个样本的预报值，oi为第i个样本的观测值。均方根误差决定预报准确度，预报偏差表征预报相对观测的整体偏离度。

4.2 10 m 风速预报检验

4.2.1 2021 年冬奥测试赛站点10 m 风速预报检验

2021 年冬奥测试赛取2022 冬奥赛期（包括测试赛和冬奥赛，具体时间为2021 年11 月1 日—2022 年3 月15 日）对应时段，即2020 年11 月1 日—2021 年3 月15 日03 时起始1—72 h 逐时预报，图2给出该时段51 个冬奥测站分站统计10 m 风速AnEn、LR 和AnEn-Ne 预报偏差相对观测平均百分率及单站观测变化百分率，从AnEn 预报偏差占观测百分比可见3 站（B1638、B1650、B3120）超30%，不满足冬奥服务需求。考察3 站的10 m 风速观测分布，其预报样本集与历史样本集相比，存在明显的变大或变小趋势，考虑10 m 风速一元线性回归最佳建模天数（31 d），引入统计量10 m 风速观测变化百分率，其计算公式为

4.2.2 2022 年冬奥赛期测站10 m 风速预报检验

对比检验2022 北京冬奥赛期（2021 年11 月1 日—2022 年3 月15 日）03 时起始CMA-BJ 模式、AnEn、LR 和AnEn-Ne 冬奥测站1—72 h 逐时10 m风速预报结果，对比其预报性能。文中箱线图均为分站、按起报时间统计1—72 h 逐时预报误差，样本 集 为2021 年11 月1 日—2022 年3 月15 日 共 计135 d，其四分位距均值反映不同起报时间造成的差异，越小表明时间上越稳定；中值、四分位距跨距（单站最大值-最小值）表示站间预报的差异，当两者均小时，表明该预报的空间稳定性好（站间差异小）；预报偏差中值以越接近0（无偏）越好。

图3 给出2022 北京冬奥赛期03 时起始1—72 h逐时预报分站按起报时间统计10 m 风速预报均方根误差、预报偏差箱线（方框中间的横线为中值，方框的上边界和下边界分别为25 和75 百分位，上须和下须分别为样本中的最大值和最小值，须外圆点为奇异值）和CMA-BJ 模式地形与实际地形高度差及按预报时效统计检验AnEn、LR、AnEn-Ne 释用后的10 m 风速预报均方根误差和预报偏差。复杂地形对CMA-BJ 模式预报10 m 风速有显著影响，相距很近的观测站，由于地形影响，模式预报的10 m风速误差存在明显差异，对观测的表征意义较差，基于数值模式预报构建的解释应用预报效果相应较差，复杂地形下的10 m 风速预报不可避免成为数值模式预报及数值模式预报解释应用的难点，在地形相对简单的崇礼赛区，虽然CMA-BJ 模式预报存在较大的系统误差，但经过订正，预报精度显著提高、站间差异亦较小。

图3 10 m 风速预报分站检验均方根误差 （RMSE）、预报偏差 （Bias） 箱线和模式与实际地形高度差 （Δh）（a.CMA-BJ，b.AnEn，c.LR，d.AnEn-Ne） 及按预报时效统计检验10 m 风速预报均方根误差 （e） 和预报偏差 （f）Fig.3 Boxplots of RMSE and bias for 10 m wind speed predictions and terrain height difference between model and observation （model terrain minus observation） at individual stations （a.CMA-BJ，b.AnEn，c.LR，d.AnEn-Ne），and changes in RMSE （e） and Bias （f） of 10 m wind speed predictions with forecast time

10 m 风速预报均方根误差在时间和空间上均以AnEn-Ne 最稳定，预报偏差以LR 预报最接近无偏。按预报时效统计均方根误差和预报偏差分布（CMA-BJ 预报均方根误差和预报偏差均远大于释用预报，其分布曲线图略）显示，AnEn-Ne 所有预报时次均方根误差均最小，LR 预报偏差更接近无偏（LR 虽然按预报时效统计冬奥时段51 站平均预报偏差更接近无偏，但分站、逐预报时次对比，AnEn-Ne 预报偏差更加稳定，LR 会出现较大的预报偏差，且AnEn-Ne 相对LR 均方根误差更小），均方根误差统计对比，AnEn-Ne 相对CMA-BJ 减小63.5%，相对LR 减小6.0%，相对AnEn 减小5.0%。

4.3 2 m 气温预报检验

4.3.1 2021 年冬奥测试赛站点2 m 气温预报检验

2021 年冬奥测试赛取2020 年11 月1 日—2021年3 月15 日03 时起始1—72 h 逐时预报2 m 气温，该时段内北京经历两次极端低温（2020 年12 月28—30 日，2021 年1 月5—7 日），按起报时间统计38 个冬奥站1—72 h 逐时预报2 m 气温均方根误差和预报偏差分布（图4）显示， AnEn 方法在极端低温时段会出现远超模式预报的大误差，文中提出的AnEn-Ne 能有效订正AnEn 预报大误差时段，在极端低温时仍能提供较准确的预报。该时段内38 个冬奥站1—72 h 逐时预报统计平均均方根误差AnEn-Ne 相对CMA-BJ 模式减小24.2%，相对AnEn减小22.3%，相对LR 减小9.9%；统计两次极端低温事件，具体为2020 年12 月26—30 日和2021 年1 月2—6 日预报，则AnEn-Ne 相对AnEn 均方根误差减小74%，相对CMA-BJ 减小40.5%，在极端低温时段仍满足冬奥服务需求。

图4 2020 年11 月1 日—2021 年3 月15 日03 时起始38 个冬奥测试站1—72 h 逐时2 m 气温预报均方根误差 （a） 和预报偏差 （b） 按起报时间统计Fig.4 Hourly RMSE （a） and Bias （b） of 2 m temperature predictions at 38 Winter Olympic stations during 1—72 h forecast starting at 03:00 UTC from 1 November 2020 to 15 March 2021

4.3.2 2022 年冬奥赛期测站2 m 气温预报检验

图5 给出了2022 北京冬奥赛期（2021 年11 月1 日—2022 年3 月15 日）03 时起始1—72 h 逐时预报分站按起报时间统计2 m 气温预报均方根误差、预报偏差箱线和CMA-BJ 模式地形与实际地形高度差及按预报时效统计检验AnEn、LR、AnEn-Ne释用后的2 m 气温预报均方根误差和预报偏差。模式与实际地形高度差越大的站点其2 m 气温预报误差越大，表明在冬奥复杂地形下，特别是延庆赛区，模式地形的不准确也许是造成模式预报误差大的一个因素，释用后的2 m 气温预报误差站间差异小，表明对模式预报的系统误差均有较强的订正效果。

图5 同图3，但为2 m 气温Fig.5 Same as Fig.3 but for 2 m temperature

AnEn-Ne 预报的2 m 气温时、空稳定性最好，CMA-BJ 模式预报偏差存在23—01 时突变现象，表明冬季夜间到白天升温过程CMA-BJ 模式预报相对实况更加迅速，可能与模式边界层描述有一定关系，释用后预报偏差在该时段的突变得到纠正，呈现较平缓的日变化特征。所有预报时次均方根误差均以AnEn-Ne 预报最小，预报偏差以LR 最接近无偏，AnEn-Ne 统计均方根误差相对CMABJ 减小31.7%，相对LR 减小18.1%，相对AnEn 减小5.6%。

图6 给 出 了CMA-BJ、 AnEn、 LR 和AnEn-Ne 预报2 m 温度分站点统计高、低温预报准确率，最低温度选取预报当日06 时—次日06 时逐时预报（观测）的最小值，最高温度选取当日18 时—次日18 时最大值；预报偏差在2℃以内（≤2℃）为准确，CMA-BJ、AnEn、LR 和AnEn-Ne 高温预报准确率分别为56.2%、85.2%、81.6%和85.9%，低温预报准确率为57.1%、75.8%、66.5%和79.4%，相对模式预报，释用预报的高、低温预报准确率都有明显提高，其中以AnEn-Ne 预报的高、低温准确率最高。

图6 CMA-BJ、AnEn、LR 和AnEn-Ne 预报2 m 气温分站点统计高 （a）、低 （b） 温预报准确率Fig.6 High （a） and low （b） prediction accuracy of 2 m temperature at individual stations for CMA-BJ，AnEn，LR and AnEn-Ne forecast

4.4 10 m 极大风速预报检验

图7 给出了2022 北京冬奥赛期（2021 年11 月1 日—2022 年3 月15 日）03 时起始1—72 h 逐时预报分站按起报时间统计10 m 极大风速预报均方根误差、预报偏差箱线和CMA-BJ 模式地形高度与实际地形高度差，以及按预报时效统计检验AnEn、LR、AnEn-Ne 释用后的10 m 极大风速预报均方根误差和预报偏差（CMA-BJ 模式预报误差远大于释用预报，图略），其中CMA-BJ 模式预报10 m 极大风速基于模式预报10 m 风速诊断得出（全继萍等，2022）。模式和释用预报的10 m 极大风速在复杂地形下表现出更大的振荡，站间差异明显，释用预报效果相对较差，其分布和影响因素与10 m 风速预报类似。

AnEn-Ne 预报的10 m 极大风速时间稳定性最好，AnEn 预报空间稳定性最好，LR 预报最接近无偏。按预报时效统计的均方根误差所有时次均以AnEn-Ne 最小，预报偏差以LR 最接近无偏，AnEn-Ne 统计均方根误差相对CMA-BJ 减小49.5%，相对LR 减小10.8%，相对AnEn 减小7.9%。

4.5 冬奥服务及北京区域国家级气象站预报结果对比

图8 给出了2022 年冬奥赛期（2021 年11 月1 日—2022 年3 月15 日）03 时起始1—72 h 逐时预报2 m 气温预报偏差和10 m 风速预报偏差占观测的平均百分比，CMA-BJ 模式输出不能满足冬奥服务需求，其直接输出10 m 风速预报偏差占观测的百分比最大达470%（B3159），51 站中仅10 站在30%以内（曲线略），订正后的2 m 气温预报及LR、AnEn-Ne 订正后的10 m 风速满足冬奥服务需求，AnEn 订正后的10 m 风速有6 站预报偏差超过观测30%。

图8 冬奥赛期分站统计2 m 气温预报偏差 （a） 和10 m 风速预报偏差占观测的平均百分比 （b）Fig.8 Bias of 2 m temperature predictions （a） and percentage of 10 m wind speed predictions bias to observation averages（b） during 2022 Beijing Winter Olympics period at individual stations

3 种订正预报中以LR 预报的2 m 气温偏差和10 m 风速偏差占观测的百分比最小，LR 方法在偏差订正方面更具优势，但考虑LR 相对AnEn-Ne 明显较大的均方根误差及较小的高、低温预报准确率，以AnEn-Ne 的预报效果最好且满足冬奥服务需求。

图9 给出冬奥赛期（2021 年11 月1 日—2022 年3 月15 日）03 时起始1—72 h 逐时预报北京20 个国家级气象站2 m 气温和10 m 风速均方根误差和预报偏差，AnEn-Ne 预报所有站点均方根误差均最小，统计2 m 气温预报，AnEn-Ne 均方根误差相对CMA-BJ 减小28%、相对LR 减小18.9%、相对AnEn减小8.5%；10 m 风速预报，AnEn-Ne 均方根误差相对CMA-BJ 减小41.2%、相对LR 减小21.9%、相对AnEn 减小7.9%。

5 结论与讨论

为满足冬奥服务对站点要素预报精度需求，2 m 气温预报偏差在±2℃以内，风速预报平均偏差小于观测30%，考虑AnEn 在极端低温时的大预报误差（图4）及10 m 风速在观测变化百分率较大时存在不满足冬奥需求测站（图2），文中提出了基于相似集合嵌套一元线性回归的解释应用方法—嵌套相似集合（AnEn-Ne）。针对冬奥赛期（2021年11 月1 日—2022 年3 月15 日）03 时起始1—72 h逐时预报2 m 气温、10 m 风速和10 m 极大风速检验对比，得出如下结论：

（1）AnEn-Ne 具有如下优势：相对AnEn，增加了预报时效权重，越临近的预报时效权重越大，能更有效突出当前预报时次的影响，最优权重是针对单站逐预报时效，相对相似集合针对单站的最优权重更为精细，在出现极端低温及风速观测存在较大变化时，嵌套的一元线性回归能有效纠正相似集合法可能造成的高误差预报；相对LR，因为其以历史观测实况作为集合成员，所以其预报结果更贴近观测，相应LR 以预报和观测建立相应关系后以模式预报来拟合，更容易受模式预报的影响。

（2） AnEn-Ne 具有优良的预报性能，相对业务数值模式（CMA-BJ）预报，10 m 风速均方根误差减小63.5%、2 m 气温均方根误差减小31.7%、10 m极大风速均方根误差减小49.5%，日最高气温准确率提高29.7%、最低气温准确率提高22.3%；相对AnEn 预报，10 m 风速均方根误差减小5.0%、2 m气温均方根误差减小5.6%，10 m 极大风速均方根误差减小7.9%，日最高气温准确率提高0.7%、最低气温准确率提高3.6%；相对LR 预报，10 m 风速均方根误差减小6.0%、2 m 气温均方根误差减小18.1%，10 m 极大风速均方根误差减小10.8%，日最高气温准确率提高4.3%、最低气温准确率提高12.9%。

（3）AnEn-Ne 中嵌套一元线性回归的启动条件，在数值模式预报对极端气温有较好的表征意义，能通过显著相关检验的前提下，模式当前2 m气温预报超过历史样本集中模式预报第n/ 2（n为集合成员数）的极端高、低气温时，表明其已超出历史样本集相似集合能正确预报范围，需启动其嵌套一元线性回归；10 m 风速的一元线性回归启动条件是根据冬奥的实际服务需求给出的，服务需求不同启动条件亦不同，根据数值模式、订正预报及观测的相关分布确定其启动条件。

（4）复杂地形对2 m 气温和10 m 风速预报均有明显影响，延庆赛区复杂地形下CMA-BJ 模式2 m气温预报误差站间差异明显，存在明显系统性低、高偏差，预报误差和模式与实际地形高度差呈现较明显的线性关系，AnEn-Ne 的订正效果显著，地形影响导致的站间差异消除，预报精度显著提高；复杂地形下的10 m 风速预报，对数值模式和数值模式解释应用均是难点，数值模式中复杂地形未能精确描述，导致其预报的10 m 风速对观测表征意义差，进而影响数值模式解释应用预报效果，在复杂地形下即使相邻很近的测站，10 m 风速的预报效果也可能存在明显差异。

（5）针对冬奥服务需求，虽然AnEn 预报2 m 气温、LR 预报2 m 气温和10 m 风速能满足冬奥服务需求，但AnEn-Ne 相对更小的均方根误差、更高的预报准确率表明，在满足冬奥服务需求的基础上，AnEn-Ne 预报更具优势。

需要指出的是，针对复杂地形下近地面温度和风速预报表明，更高的模式分辨率，更精确的模式地形，或许能提高近地面温度预报准确性及近地面风速预报对观测的表征意义，在此基础上针对模式预报地面风速解释应用，或许能取得更稳定和显著的订正效果。

相对模式预报受复杂地形影响明显，AnEn-Ne 订正预报对模式预报的系统性偏差有较好的订正效果，这主要是因为AnEn-Ne 的预报是基于近“距离”的历史观测来提供，从源头上就已经越过存在明显偏差的模式预报，仅利用预报因子构建多维空间来判定是否更“相似”，复杂地形下冬奥站点2 m气温预报，虽有明显系统性偏差，但模式预报和观测相关好，因此订正效果明显，订正后站间差异小；复杂地形下模式预报的10 m 风速，由于其对观测的表征意义较差，因此根据预报因子构建的多维空间找出的“相似”历史样本未必相应观测亦“相似”，地形越复杂，找出的历史“相似”样本与当前预报差距可能越明显，其订正效果可能越差。

相似集合预报经过几年的发展，在站点预报方面有一定的进步，下一步研究将以相似集合的思路，研发适应格点要素预报的预报方法，按地表状况、气象要素分布相似将大区域格点场按需求分类划分为很多小区域格点场，每类小区域格点场选取一个代表进行建模，利用所建模型对同类格点场进行预报，在保证订正效果的同时大大减小大区域格点场建模所需的计算资源和建模时间，更简单快捷实现大区域格点场订正预报；构建对降水具有较强表征意义的数值模式预报因子，以相似集合思路研发适用于降水订正的预报方法，提高降水预报准确度。