一种对数值预报格点温度预报数据精细化处理的方法

技术领域

本发明涉及气象预报领域，尤其涉及一种对数值预报格点温度预报数据精细化处理的方法。

背景技术

目前，气象部门用于业务系统的预报方法主要有DMO方法、PP法、人工神经网络方法、MOS方法、相似预报方法、动力方法及卡尔曼滤波方法等。

传统的DMO方法就是通过插值把格点上的模式要素预报结果分析到具体的站点，得到站点上的要素预报，对于不是模式直接输出的要素，采用经验公式计算得到，其缺点在于对模式误差没有订正能力，预报精度完全依赖于模式，相对于形势场预报模式对要素预报的精度往往不是很高；

完全预报方法(PP法)是用历史资料中与预报对象同时间的实际气象参量作预报因子，建立统计方程，之后在假定数值预报的结果是“完全正确” (perfect)的前提下，用数值预报输出值代入到上述统计方程中，就可得到与预报时刻相对应的预报值；其缺点除含有统计关系造成的误差外，主要是无法考虑数值模式的预报误差，使最终的气温预报结果受到一定影响；

人工神经网络法是非线性方法的一种，它实际上是一个可自动实现2组变量间非线性映射关系的数据处理系统，其本质是优化计算中的梯度下降法，利用误差对于权、阈值的一阶导数信息，应用误差反传原理不断调整网络权值、阈值，使网络输出值与期望值之间的误差平方和达到最小或小于设定精度。

在当前人们对温度预报要求精度更高的情况下，传统的各种方法都已经不能适应目前的高精细化温度预报需求。

发明内容

为解决上述技术问题，本发明提供了一种对数值预报格点温度预报数据精细化处理的方法。

一种对数值预报格点温度预报数据精细化处理的方法，其中包括如下步骤：

1)、进行系统初始化；之后，进入步骤2)；

2)、获取实验数据，所述实验数据包括：1、地域范围内的EC细网格2米温度数值预报数据T；2、地域范围内各观测站的逐小时实况观测气温数据t；3、地域范围内各观测站的逐日最高气温数据t_max和最低气温数据t_min；将以上所述实验数据放入指定的系统数据存储区域；之后，进入步骤3)；

3)、观测站点的坐标经纬度值设为(I,J),对应EC细网格2米温度数值预报格点数据，该观测站点(I,J)的周围四个格点的经纬度值分别设为(I_-1、J_-1)、>+1、J_-1)、(I₊₁、J₊₁)、(I_-1、J₊₁)，所述观测站点逐小时实况气温数据的集合为>1(I,J)，其周围四个格点位置的EC细网格2米温度数值预报数值的集合分别是>1(I_-1、J_-1)、T₁(I₊₁、J_-1)、T₁(I₊₁、J₊₁)、T₁(I_-1、J₊₁)，读取上述数据，对数据进行误差分析，并进行数据样本筛选，具体步骤如下：

31)、使用EC细网格2米温度数值预报数据T,对其预报时效内的每个预报数值集合按时间先后顺序，对当前观测站点周围四个格点位置的EC细网格2 米温度数值预报数值的集合T₁(I_-1、J_-1)、T₁(I₊₁、J_-1)、T₁(I₊₁、J₊₁)、T₁(I_-1、J₊₁)使用双线性二次插值法进行插值计算，从而得到和该观测站对应位置的每个对应时次的预报值集合T₁(I,J),具体采用先纬向、后经向插值：

先在纬向I_-1和I₊₁上进行线性一元一次插值，公式如下：

再在径向J上进行线性一元一次插值，公式如下：

式中：数据T₁(I_-1、J_-1)、T₁(I_-1、J₊₁)、T₁(I₊₁、J_-1)、T₁(I₊₁、J₊₁)分别表示当前观测站点(I,J)的周围最近相邻四个格点位置的EC细网格2米温度数值预报数值；>1(I_-1、J)、T₁(I₊₁、J)分别是纬度I_-1、纬度I₊₁上的一次线性插值结果；T₁(I、J)是进行上述插值运算后所得出的该观测站位置温度的预报值,之后进入步骤32)；

32)、利用步骤31)中计算得到的数据T₁(I、J)，和其对应的实况数值t₁(I,J)，计算两者误差ΔT₁(I、J)＝t₁(I、J)-T₁(I、J)；之后，进入步骤33)；

33)、对所述观测站点所有预报时次的误差ΔT₁(I、J)值进行筛选，只选取误差绝对值小于等于4的样本，对于|ΔT₁(I、J)|大于4的按4取值，使>1(I、J)|≤4；之后，进入步骤4)；

4)、利用步骤3)筛选后得到的误差ΔT₁(I、J)，分别计算24节气每个节气的误差ΔT₁(I、J)的算数平均值和连续三天的同一预报时次的误差ΔT₁(I、J)的滑动平均值，并对计算所得数值使用反正切函数进行优化处理，具体计算方法为：同时进入步骤41)、42)：

41)、计算24节气每个节气的误差ΔT₁(I、J)的算数平均值，具体方法如下：

其中n为同一个节气内的同一预报时次样本总数；

使用反正切函数对进行优化处理：

ST代表节气；

42)、计算连续三天的同一预报时次的ΔT(I、J)_i滑动平均值，i是变量，表示一个具体日期的某一个预报时次，具体方法如下：

该式表示使用反正切函数对进行优化处理，

式中MA代表滑动平均；

5)、使用步骤3)得到的与所述观测站对应位置的每个对应时次的预报值集合T₁(I,J)和步骤4)中得到的使用反正切函数优化后的24节气每个节气的误差ΔT₁(I、J)的算数平均值使用反正切函数优化后的连续三天同一预报时次的误差ΔT₁(I、J)的滑动平均值建立方程：

由此得到：

其中数据T₁(I、J)为观测站点(I、J)的预报值，数据t₁(I、J)为对应时间的该观测站点的气温实况值，根据步骤41)和步骤42)计算所得的数据和可以求得观测站点(I、J)的权重系数x₁值，之后进入步骤6)；

6)、对于地域范围内其他观测站点按设定顺序重复步骤3)、步骤4)、步骤 5)，即可得到各观测站点的权重系数、滑动平均值、节气误差平均值的集合之后进入步骤7)；

7)、根据步骤6)，计算得到各个观测站点节气的误差平均值滑动平均值和权重系数x值三个参数；各个观测站点均代表了各个县域内的气象条件，因此设定各个观测站所在县域内所有数值预报数据的格点均参照该观测站点的节气的误差平均值滑动平均值和权重系数x值三个参数；逐个读取区域内所有EC细网格格点位置最新时次的2米温度数值预报数据的值>NEW，使用该格点所在县域观测站点的当天所在节气的误差平均值滑动平均值和权重系数x值三个参数，再进行计算：

T_R为格点数值的修订值，将结果存入系统指定的存储区域，即完成对格点资料的订正；之后进入步骤8)；

8)、根据步骤7)得到的订正后的格点数值T_R，然后对地域范围内指定坐标点(E,F)再次使用双线性二次插值法进行插值计算，从而得出该坐标点的预报值T(E、F)，同时根据该坐标点的预报值T(E、F)，做出地域范围内指定坐标点的日最高温度和最低温度的预报，具体步骤如下：

81)、在区域范围内指定坐标点(E,F)，其周边四个EC细网格格点的坐标分别为：(E_-1,F_-1)、(E_-1,F₊₁)、(E₊₁,F₊₁)、(E₊₁,F_-1)，使用EC细网格2米温度数值预报数据T，得到该指定坐标点(E,F)周边四个EC细网格格点的最新预报时次2>-1、F_-1)、T(E_-1、F₊₁)、T(E₊₁、F₊₁)、T(E₊₁、F_-1)，使用双线性二次插值法进行插值计算，具体采用先纬向、后经向插值：

先在纬向E_-1和E₊₁上进行线性一元一次插值，公式如下：

再在径向F上进行线性一元一次插值，公式如下：

式中：T(E_-1、F)、T(E₊₁、F)分别是纬度E_-1、纬度E₊₁上的一次线性插值结果；T(E、F)即是进行上述插值运算后所得出的指定坐标点(E,F)的温度预报值的集合；之后，同时进入步骤82)、83)；

82)、实现坐标点(E,F)最高温度预报的具体步骤如下：

821)、使用坐标点(E,F)所在县域内观测站的逐小时实况观测气温数据t和逐日最高气温数据t_max建立最高温度公式：

t_max＝t_d14+α(t_d14-t_d08)

得到

其中d代表当天，08、14代表北京时的时次，t_d08、t_d14即为当天08时和>max为当日最高温度，α为逐日最高温度的回归系数；

之后，进入步骤822)；

822)、按照节气划分一年为24个时间段，读取对应节气时段的历史实况数据，依此计算出历年来同一个节气里逐日最高温度回归系数α的算术平均值；之后，进入步骤823)；

823)、由步骤822)得到该观测站站点的逐日最高温度回归系数α的算术平均值各个观测站站点分别代表各个对应县域的气象条件，指定坐标点(E,F) 使用其对应的逐日最高温度回归系数α的算术平均值值，读取步骤81)得到指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，代入公式：

其中d代表当前日期，08、14代表北京时的时次，T(E、F)_d08、T(E、F)_d14即分别为：当前日期指定坐标点(E,F)位置EC细网格2米温度资料在08时、14>H即为计算出来的当前日期指定坐标点(E,F)位置当日的预计算最高温度数值；之后，进入步骤824)；

824)、读取步骤81)得到的指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，选取当前日期的14时、17时、当前日期前一天的20时三个时次数值：T(E、F)_d14、T(E、F)_d17、T(E、F)_(d-1)20，与步骤823)所得到的当日的预计算最高温度数值T(E、F)_H对比，选取最大值：

T_max＝max{T(E、F)_d14，T(E、F)_d17，T(E、F)_(d-1)20，T(E、F)_H}；

T_max即为当前日期坐标点(E、F)的最高温度,将结果存入系统指定的存储区域；

83)、实现坐标点(E,F)最低温度预报的具体步骤如下：

831)、使用坐标点(E,F)所在县域内观测站的逐小时实况观测气温数据t和逐日最低气温数据t_min建立最低温度公式：

t_min＝t_d08+β(t_d14-t_d08)

得到

其中d代表当前日期，08、14代表北京时的时次，t_d08、t_d14即为当前日期08时和14时的实况观测温度值，β为逐日最低温度的回归系数；之后进入步骤832)；

832)、按照节气划分一年为24个时间段，读取对应节气时段的历史实况数据，计算出历年来同一个节气里逐日最低温度回归系数β的算术平均值之后进入步骤833)；

833)、由步骤832)得到该观测站站点的历年来同一个节气里逐日最低温度回归系数β的算术平均值各个观测站点都代表各个县域的气象条件，指定坐标点(E,F)也使用算术平均值读取步骤81)得到指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，代入公式：

其中d代表当前日期，08、14代表北京时的时次，T(E、F)_d08、T(E、F)_d14即为当前日期指定坐标点(E,F)位置EC细网格2米温度资料在08时和14时的预报值，T(E、F)_L即为计算出来的当前日期指定坐标点(E,F)位置当日的预计算最低温度数值；进入步骤834)；

834)、读取步骤81)得到的指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，选取当前日期的02时、05时、20时三个时次数值：T(E、F)_d02、>d05、T(E、F)_d20，与步骤833)得到的当日的预计算最低温度值T(E、F)_L对比，选取最小值：

T_min＝min{T(E、F)_d02，T(E、F)_d05，T(E、F)_d20，T(E、F)_L}；T_min即为当前日期坐标点(E、F)的最低温度,将结果存入系统指定的存储区域。

本发明所提供的一种对数值预报格点温度预报数据精细化处理的方法，是先通过插值把格点上的模式要素预报结果分析到具体的站点，得到站点上的要素预报，然后用历史资料中与预报对象同时间的实际气象要素值和前面得到的要素预报值做误差对比分析，建立统计方程；在预报误差影响因子的选取上，本发明方法还引入了滑动平均和节气的影响因子，对滑动平均影响因子和节气的影响因子两组变量通过非线性映射关系的数据处理，寻求滑动平均值因子和节气因子最优权重系数来进行建模，从而得到最佳的误差修订值；经试验证明，本发明方法对温度预报数据精细化的优化作用非常有效，具体优点如下：

(1)本发明方法可实现对数值预报产品中的格点温度要素预报产品进行细致订正，本发明方法还适用于当前气象部门使用的各类数值预报要素预报产品，并且数值预报模式升级后，本发明方法仍然适用；

(2)本发明方法对数值预报要素预报产品的修订，引入了滑动平均因子和不同节气的气候差异因子，用两者加权平均作为回归系数，这样既保证了结果相对于数值预报要素预报产品本身的准确性又体现了当地气候规律本身的客观性；

(3)本发明方法具有智能化自主学习功能，可以随着资料的进一步累积不断寻求最优参数自动优化预报结果，不需要人工干预自我升级。

附图说明

图1为本发明提供的一种对数值预报格点温度预报数据精细化处理的方法的流程图。

具体实施方式

本发明提供了一种对数值预报格点温度预报数据精细化处理的方法，如图 1所示流程图，具体包括如下步骤：

1)、进行系统初始化；之后，进入步骤2)；

2)、获取实验数据，所述实验数据包括：1、地域范围内的EC细网格2米温度数值预报数据T；2、地域范围内各观测站的逐小时实况观测气温数据t；3、地域范围内各观测站的逐日最高气温数据t_max和最低气温数据t_min；将以上所述实验数据放入指定的系统数据存储区域；之后，进入步骤3)；

3)、观测站点的坐标经纬度值设为(I,J),对应EC细网格2米温度数值预报格点数据，该观测站点(I,J)的周围四个格点的经纬度值分别设为(I_-1、J_-1)、>+1、J_-1)、(I₊₁、J₊₁)、(I_-1、J₊₁)，所述观测站点逐小时实况气温数据的集合为>1(I,J)，其周围四个格点位置的EC细网格2米温度数值预报数值的集合分别是>1(I_-1、J_-1)、T₁(I₊₁、J_-1)、T₁(I₊₁、J₊₁)、T₁(I_-1、J₊₁)，读取上述数据，对数据进行误差分析，并进行数据样本筛选，具体步骤如下：

31)、使用EC细网格2米温度数值预报数据T,对其预报时效内的每个预报数值集合按时间先后顺序，对当前观测站点周围四个格点位置的EC细网格2 米温度数值预报数值的集合T₁(I_-1、J_-1)、T₁(I₊₁、J_-1)、T₁(I₊₁、J₊₁)、T₁(I_-1、J₊₁)使用双线性二次插值法进行插值计算，从而得到和该观测站对应位置的每个对应时次的预报值集合T₁(I,J),具体采用先纬向、后经向插值：

先在纬向I_-1和I₊₁上进行线性一元一次插值，公式如下：

再在径向J上进行线性一元一次插值，公式如下：

式中：数据T₁(I_-1、J_-1)、T₁(I_-1、J₊₁)、T₁(I₊₁、J_-1)、T₁(I₊₁、J₊₁)分别表示当前观测站点(I,J)的周围最近相邻四个格点位置的EC细网格2米温度数值预报数值；>1(I_-1、J)、T₁(I₊₁、J)分别是纬度I_-1、纬度I₊₁上的一次线性插值结果；T₁(I、J)是进行上述插值运算后所得出的该观测站位置温度的预报值,之后进入步骤32)；

32)、利用步骤31)中计算得到的数据T₁(I、J)，和其对应的实况数值t₁(I,J)，计算两者误差ΔT₁(I、J)＝t₁(I、J)-T₁(I、J)；之后，进入步骤33)；

33)、对所述观测站点所有预报时次的误差ΔT₁(I、J)值进行筛选，只选取误差绝对值小于等于4的样本，对于|ΔT₁(I、J)|大于4的按4取值，使>1(I、J)|≤4；之后，进入步骤4)；

4)、利用步骤3)筛选后得到的误差ΔT₁(I、J)，分别计算24节气每个节气的误差ΔT₁(I、J)的算数平均值和连续三天的同一预报时次的误差ΔT₁(I、J)的滑动平均值，并对计算所得数值使用反正切函数进行优化处理，具体计算方法为：同时进入步骤41)、42)：

41)、计算24节气每个节气的误差ΔT₁(I、J)的算数平均值，具体方法如下：

其中n为同一个节气内的同一预报时次样本总数；

使用反正切函数对进行优化处理：

ST代表节气；

42)、计算连续三天的同一预报时次的ΔT(I、J)_i滑动平均值，i是变量，表示一个具体日期的某一个预报时次，具体方法如下：

该式表示使用反正切函数对进行优化处理，

式中MA代表滑动平均；

5)、使用步骤3)得到的与所述观测站对应位置的每个对应时次的预报值集合T₁(I,J)和步骤4)中得到的使用反正切函数优化后的24节气每个节气的误差ΔT₁(I、J)的算数平均值使用反正切函数优化后的连续三天同一预报时次的误差ΔT₁(I、J)的滑动平均值建立方程：

由此得到：

其中数据T₁(I、J)为观测站点(I、J)的预报值，数据t₁(I、J)为对应时间的该观测站点的气温实况值，根据步骤41)和步骤42)计算所得的数据和可以求得观测站点(I、J)的权重系数x₁值，之后进入步骤6)；

6)、对于地域范围内其他观测站点按设定顺序重复步骤3)、步骤4)、步骤 5)，即可得到各观测站点的权重系数、滑动平均值、节气误差平均值的集合之后进入步骤7)；

7)、根据步骤6)，计算得到各个观测站点节气的误差平均值滑动平均值和权重系数x值三个参数；各个观测站点均代表了各个县域内的气象条件，因此设定各个观测站所在县域内所有数值预报数据的格点均参照该观测站点的节气的误差平均值滑动平均值和权重系数x值三个参数；逐个读取区域内所有EC细网格格点位置最新时次的2米温度数值预报数据的值>NEW，使用该格点所在县域观测站点的当天所在节气的误差平均值滑动平均值和权重系数x值三个参数，再进行计算：

T_R为格点数值的修订值，将结果存入系统指定的存储区域，即完成对格点资料的订正；之后进入步骤8)；

8)、根据步骤7)得到的订正后的格点数值T_R，然后对地域范围内指定坐标点(E,F)再次使用双线性二次插值法进行插值计算，从而得出该坐标点的预报值T(E、F)，同时根据该坐标点的预报值T(E、F)，做出地域范围内指定坐标点的日最高温度和最低温度的预报，具体步骤如下：

81)、在区域范围内指定坐标点(E,F)，其周边四个EC细网格格点的坐标分别为：(E_-1,F_-1)、(E_-1,F₊₁)、(E₊₁,F₊₁)、(E₊₁,F_-1)，使用EC细网格2米温度数值预报数据T，得到该指定坐标点(E,F)周边四个EC细网格格点的最新预报时次2>-1、F_-1)、T(E_-1、F₊₁)、T(E₊₁、F₊₁)、T(E₊₁、F_-1)，使用双线性二次插值法进行插值计算，具体采用先纬向、后经向插值：

先在纬向E_-1和E₊₁上进行线性一元一次插值，公式如下：

再在径向F上进行线性一元一次插值，公式如下：

式中：T(E_-1、F)、T(E₊₁、F)分别是纬度E_-1、纬度E₊₁上的一次线性插值结果；T(E、F)即是进行上述插值运算后所得出的指定坐标点(E,F)的温度预报值的集合；之后，同时进入步骤82)、83)；

82)、实现坐标点(E,F)最高温度预报的具体步骤如下：

821)、使用坐标点(E,F)所在县域内观测站的逐小时实况观测气温数据t和逐日最高气温数据t_max建立最高温度公式：

t_max＝t_d14+α(t_d14-t_d08)

得到

其中d代表当天，08、14代表北京时的时次，t_d08、t_d14即为当天08时和14时的实况观测温度值，t_max为当日最高温度，α为逐日最高温度的回归系数；

之后，进入步骤822)；

822)、按照节气划分一年为24个时间段，读取对应节气时段的历史实况数据，依此计算出历年来同一个节气里逐日最高温度回归系数α的算术平均值；之后，进入步骤823)；

这里“历年来同一个节气里逐日最高温度回归系数α的算术平均值”是指：节气是一个固定的时间点，两个节气之间约15天，用一个节气指代这15 天，每天一个回归系数α，一个节气15个回归系数α；历年来同一个节气指连续几年每一年的同一个节气，比如从2012年到2016年连续六年里每年的春分代表的15天，就是历年来春分这个节气，这五年来的春分这个节气的逐日回归系数的算数平均值是2012年的15个α、2013年的15个α、2014年的15个α、 2015年的15个α，2016年的15个α，总共75个α相加再除以75(5年乘以 15天)就是2012年到2016年来同一个节气里逐日回归系数的算数平均值；

823)、由步骤822)得到该观测站站点的逐日最高温度回归系数α的算术平均值各个观测站站点分别代表各个对应县域的气象条件，指定坐标点(E,F) 使用其对应的逐日最高温度回归系数α的算术平均值值，读取步骤81)得到指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，代入公式：

其中d代表当前日期，08、14代表北京时的时次，T(E、F)_d08、T(E、F)_d14即分别为：当前日期指定坐标点(E,F)位置EC细网格2米温度资料在08时、14>H即为计算出来的当前日期指定坐标点(E,F)位置当日的预计算最高温度数值；之后，进入步骤824)；

824)、读取步骤81)得到的指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，选取当前日期的14时、17时、当前日期前一天的20时三个时次数值：T(E、F)_d14、T(E、F)_d17、T(E、F)_(d-1)20，与步骤823)所得到的当日的预计算最高温度数值T(E、F)_H对比，选取最大值：

T_max＝max{T(E、F)_d14，T(E、F)_d17，T(E、F)_(d-1)20，T(E、F)_H}；

T_max即为当前日期坐标点(E、F)的最高温度,将结果存入系统指定的存储区域；

83)、实现坐标点(E,F)最低温度预报的具体步骤如下：

831)、使用坐标点(E,F)所在县域内观测站的逐小时实况观测气温数据t和逐日最低气温数据t_min建立最低温度公式：

t_min＝t_d08+β(t_d14-t_d08)

得到

其中d代表当前日期，08、14代表北京时的时次，t_d08、t_d14即为当前日期08时和14时的实况观测温度值，β为逐日最低温度的回归系数；之后进入步骤832)；

832)、按照节气划分一年为24个时间段，读取对应节气时段的历史实况数据，计算出历年来同一个节气里逐日最低温度回归系数β的算术平均值之后进入步骤833)；

833)、由步骤832)得到该观测站站点的历年来同一个节气里逐日最低温度回归系数β的算术平均值各个观测站点都代表各个县域的气象条件，指定坐标点(E,F)也使用算术平均值读取步骤81)得到指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，代入公式：

其中d代表当前日期，08、14代表北京时的时次，T(E、F)_d08、T(E、F)_d14即为当前日期指定坐标点(E,F)位置EC细网格2米温度资料在08时和14时的预报值，T(E、F)_L即为计算出来的当前日期指定坐标点(E,F)位置当日的预计算最低温度数值；进入步骤834)；

834)、读取步骤81)得到的指定坐标点(E,F)的最新时次的EC细网格资料订正数值T(E、F)，选取当前日期的02时、05时、20时三个时次数值：T(E、F)_d02、>d05、T(E、F)_d20，与步骤833)得到的当日的预计算最低温度值T(E、F)_L对比，选取最小值：

T_min＝min{T(E、F)_d02，T(E、F)_d05，T(E、F)_d20，T(E、F)_L}；T_min即为当前日期坐标点(E、F)的最低温度,将结果存入系统指定的存储区域。

本发明所提供的一种对数值预报格点温度预报数据精细化处理的方法，是先通过插值把格点上的模式要素预报结果分析到具体的站点，得到站点上的要素预报，然后用历史资料中与预报对象同时间的实际气象要素值和前面得到的要素预报值做误差对比分析，建立统计方程；在预报误差影响因子的选取上，本发明方法还引入了滑动平均和节气的影响因子，对滑动平均影响因子和节气的影响因子两组变量通过非线性映射关系的数据处理，寻求滑动平均值因子和节气因子最优权重系数来进行建模，从而得到最佳的误差修订值。

经试验证明，本发明方法对温度预报数据精细化的优化作用非常有效，相比现有技术中的各种处理方法，本发明方法具有如下优点：

(1)本发明方法可实现对数值预报产品中的格点温度要素预报产品进行细致订正，本发明方法适用于当前气象部门使用的各类数值预报要素预报产品，并且数值预报模式升级后，本发明方法仍然适用；

(2)本发明方法对数值预报要素预报产品的修订，引入了滑动平均因子和不同节气的气候差异因子，用两者加权平均作为回归系数，这样既保证了结果相对于数值预报要素预报产品本身的准确性又体现了当地气候规律本身的客观性；

(3)本发明方法具有智能化自主学习功能，可以随着资料的进一步累积不断寻求最优参数自动优化预报结果，不需要人工干预自我升级。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内,因此，本发明的保护范围应所述以权利要求的保护范围为准。