Мезо- и микромасштабные погодные процессы, такие как холодные воздушные массы (ХВМ) и ночное потепление (НП), оказывают значительное влияние на приземные температуры воздуха в горных регионах. Однако они часто игнорируются в традиционных статистических методах даунскейлинга, поскольку действуют в масштабах, меньших, чем разрешение типичных данных реанализа или выходных данных моделей. В этом исследовании разработана интерпретируемая структура на основе XGBoost, которая явно учитывает эти процессы для улучшения почасового даунскейлинга температуры данных реанализа ERA5. Используя данные наблюдений с 16 метеорологических станций, расположенных на территории площадью около 20 км² в зоне соревнований Чжанцзякоу зимних Олимпийских игр 2022 года в Пекине, в течение снежных сезонов 2017–2022 гг., авторы анализируют пространственную неоднородность температур на высоте 2 метра и соответствующие смещения ERA5, выявляя ключевые факторы, способствующие этим различиям. Оцениваются несколько схем даунскейлинга, сравнивается прямое прогнозирование температуры с моделированием на основе смещения и оценивается влияние предикторов, связанных с образованием ХВМ и НП (например, радиационное охлаждение, сдвиг ветра и адвекция температуры). Результаты показывают, что ХВМ и НП возникают примерно в 70% ночей, совпадая в 57% случаев. Модельные результаты на основе смещения неизменно превосходят прямые подходы к даунскейлингу, особенно при включении мезо- и микромасштабных предикторов. Наилучшая модель (схема D) снижает среднеквадратичную ошибку до 70% на горных вершинах, 40% в долинах и 49% на склонах по сравнению с исходными данными ERA5 и обеспечивает улучшение на 4–9% по сравнению с традиционными моделями XGBoost, основанными на смещении, в течение ХВМ и НП. Анализ SHAP улучшает интерпретируемость модельных результатов, связывая предикторы с лежащими в основе физическими процессами и количественно оценивая как направление, так и величину вклада каждого предиктора в выходные данные модели. Он показывает, что моделирование, основанное на смещении, снижает чрезмерную зависимость от температуры ERA5 на высоте 2 м, влияние которой заметно различается в дневное и ночное время. Используя данные наблюдений высокой плотности на станциях, модель явно учитывает мезо- и микромасштабные процессы; поскольку для её применения требуются только предикторы, полученные из ERA5, данная структура легко переносится на другие горные регионы. Данное исследование подчеёкивает важность учёта мезо- и микромасштабной динамики при масштабировании данных на основе машинного обучения и предлагает практические рекомендации по улучшению высокоточного прогнозирования температуры в условиях сложного рельефа.

 

Ссылка: https://link.springer.com/article/10.1007/s00382-026-08253-6