引 言

气温是与人们日常生活息息相关的气象要素。数值预报产品释用技术是提高气温预报水平最直接、有效的途径之一，可以在一定程度上减少模式预报误差，提高客观要素预报的准确率[1]。近些年来，在模式订正方面主要基于统计学理论对预报结果采用后处理方法进行订正[2-9]。最简单有效的方法是对模式误差进行统计得到系统偏差，再采用偏差消除方法[2-3]进行订正，但该方法只适合于个别地区和要素。常用的模式订正方法是多元线性回归方法[2,4-6]，通过多元回归统计方法建立要素预报模型，得到要素预报，如业务中常使用的MOS方法[7]，这种方法对不同时效气温预报的准确率有所提高。另外，Kalman、SVM[6]、递减平均[8]等统计方法也应用于模式预报产品订正。上述订正方法在不同程度上减小了多个时效预报的误差，通过检验订正总体表现为正效果[9]。

由于模式初始场的不确定性及系统偏差的存在，预报结果与实况存在一定的差异。同时，各个模式在动力框架、分辨率、初始场、资料同化技术及物理参数化方案等方面的差异，使得各模式在模拟能力上也存在差异，而多模式集成技术正是合理利用各中心模式预报结果以减小模式系统性偏差的有效途径[10]。集成预报方法有神经网络方法[11]、权重分配法[12]以及多模式集合平均方法[13-14]等。研究表明，不同模式、不同统计方法对不同区域的气温预报误差存在差别，多模式的气温集成预报结果优于单个模式的预报结果。然而，少有研究对气温预报订正或集成的先后顺序作对比。新疆位于我国西北干旱区，远离海洋，地形及下垫面性质复杂，且太阳高度日变化大，气温日较差大，气温(尤其是最高、最低气温)预报难度偏大。本文基于4种数值模式气温预报产品，针对新疆不同地区、不同季节，采用误差订正、集成方法对比分析气温预报准确率，探讨适合新疆地区最高(低)气温预报的订正方法和集成技术。

随着社会经济的发展，农业产业化在我国脱贫攻坚的实施过程中起到至关重要的作用。产业扶贫就是扶贫开发的过程，以产业特色、资源优势为基础，在发展贫困地区、增加贫困农户收入方面起到了重要作用，促进农业实现可持续发展。

1 资料与方法

1.1 资料选取

所用资料是CMACAST(中国气象局卫星数据广播系统)下发的ECMWF、T639、中国气象局GRAPES以及新疆区域模式DOGRAFS共4种模式气温预报产品资料，模式性能见表1。

根据中国气象局对各省气温预报的考核指标，重点检验每日08:00(北京时，下同)到次日08:00最高(低)气温预报效果。考虑到模式预报的时效性，根据4种模式的特点，以2013年1月1日至2015年12月31日每日20:00起报，12～36 h预报时段、24 h预报时效的2 m气温预报为资料，开展模式预报误差订正和集成方法的对比分析。检验资料使用预报区域(70°E—95°E、35°N—50°N)内新疆105个自动站逐时2 m气温实况观测资料，并采用双线性插值方法[15]将模式格点要素预报结果插值到站点上。模式资料日最高(低)气温的选取是将24 h预报时效内的整点气温最大(小)值作为模式预报的日最高(低)气温。对实况资料而言，将24 h(08:00—08:00)内逐时气温的最大(小)值作为日最高(低)气温。站点日较差的历年气候基准期为1981—2010年。

表1 4种数值模式性能 Tab.1 The performance of four models

模式水平分辨率检验区域预报时效/h预报间隔/hECMWF0.25°×0.25°70°E—95°E、35°N—50°N2403T6390.28°×0.28°70.12°E—95.04°E、35.02°N—55.18°N2403GRAPES0.15°×0.15°70°E—95.05°E、35.05°N—50.05°N1683DOGRAFS0.12°×0.08°70°E—94.98°E、35.02°N—50.04°N841

1.2 区域划分

新疆有15个地州，各地州气温差异很大。新疆日较差最大的区域，北部在富蕴，南部在塔克拉玛干沙漠；日较差较小的区域在天山山区及南疆西部[图1(a)]。为了更有效地提高不同区域的气温预报准确率，对新疆区域进行分区检验。根据新疆气温日较差分布以及天气气候特征，分为北疆西部和东部、天山山区、南疆西部和东部共5个检验区[图1(b)]。

1.3 检验方法

针对模式2 m最高(低)气温预报的检验方法主要采用平均绝对误差(mean absolute error，MAE)、均方根误差(root mean square error，RMSE)以及气象部门使用的“中短期天气预报质量检验办法”中气温预报准确率(TTk)。其中，MAE能够量化预报和实况的总体偏离程度，消除了平均误差中正负相抵消的情况；RMSE反映预报值偏离实况的程度，可以表征模式预报产品的性能。公式如下：

图1 新疆历年最大日较差分布(a)及检验分区(b) Fig.1 Distribution of the largest diurnal temperature range during 1981-2010 (a) and verified partition (b) in Xinjiang

据了解，王宝生1980年就参加了工作，当时才15岁，是个林二代，现在已经在林场工作38年了，2008年王宝生来到了中军帐瞭望台。回忆起刚来的时候，王宝生告诉记者，刚上来觉得一切都还好，可是在这待了一年之后，这里的环境真的有点艰苦。

(3)

式中：Fi、Oi分别为第i站(次)的预报、观测气温(℃)；n为站点数量；k取值1、2，分别表示|Fi-Oi|≤1 ℃、|Fi-Oi|≤2 ℃两种情况；Nrk为预报正确的站(次)数；Nfk为预报的总站(次)数。根据目前中国气象局业务规范，对气温预报的准确率评定为|Fi-Oi|≤2 ℃，因此只分析k=2时最高(低)气温的准确率TT2(%)。

在校园这个特殊的环境下，校园无线局域网建设的需求和方式具有自己鲜明的特点。结合目前无线局域网的主流技术，通过实践对比，校园无线局域网采用无线网络本地转发模式，有线与无线统一的802.1x身份认证，就能做到兼顾性能、安全、便捷、经济因素下，实现无线网络与现有有线网络的无缝对接。统一的无线和有线用户管理，也有助于无线局域网的后期运行维护和相关管理策略的制定。按上述方案设计和建设的石家庄铁道大学无线局域网，在实际运行过程中，产生了良好的效果。

1.4 误差订正方法

模式误差订正方法大体分为两类[16-17]：一是后验(或事后)订正，即只对预报结果进行订正处理；二是过程订正。本文采用后验订正方法中的递减平均法(decaying averaging method，DAM)[7]。具体订正步骤如下：

(1)误差估计

计算不同预报时效对于该实况观测场的预报误差，公式如下：

bi(t)=fi(t)-oi(t0)

(4)

(2)误差累计

粟特锦，主要有黄地簇四联珠对马锦、黄地中窠宝花锦、红地中窠含绶鸟锦、绿地对波联珠狮凤锦、黄地对鸟纹锦、红色绫地宝花织锦绣袜等。

将最新各个时次预报误差累加到上一个时次的误差场，得到更新后的误差场，公式为：

Bi(t)=(1-ω)Bi(t-1)+ωbi(t)

(5)

(3)误差订正

[12] 吴振玲,潘璇,董昊,等. 天津市多模式气温集成预报方法[J]. 应用气象学报,2014,25(3): 293-301.

Fi(t)=fi(t)-Bi(t)

(6)

式中：fi(t)为气温预报场，oi(t0)为观测场；ω为权重；Bi(t-1)为上一个时次的误差场，Bi(t)为累加后的新误差场，Fi(t)为订正后的预报场。权重系数反映了“递减平均法”中历史预报误差的权重大小，直接影响最后的订正结果。鉴于本文4种模式预报时效短，选取ω=0.05、0.1 和0.15 进行试验，根据试验结果最终选定ω=0.1作为权重系数。

1.5 模式集成方法

集成作为一种博采众长、去粗取精的有效手段，充分利用统计方法和历史资料对参考信息进行分析，能较好地提炼有价值的预报，从而改善预报效果。集成预报主要强调两方面内容：一是每个集合成员中所包含的可用信息都要得到最大限度的提取和利用；二是必须实现综合集成预报效果总体上是最好的，且预报产品性能稳定[17]。因此，确立集合平均和加权集合平均两种方法进行多模式集成试验，检验集成对预报能力的影响。

1.5.1 集合平均

集合平均是(ensemble mean，EMN)将多个集合预报结果通过求平均转化为一个预报结果，是集合预报的最初级产品。计算公式如下：

“好运”（Fortuna buona）是“坐着的女子，右臂靠在轮毂上——天球的替代物，左手拿着丰饶角。 ”（图 5）而“厄运”（Fortuna infelice）展现的场景则是：“好在一艘没有舵的船上，帆与树都已被风摧折。”

(7)

式中：FEMN为集合平均，N为参与集成的模式总数，Fi为某单一模式的预报。

1.5.2 加权集合平均

由于不同模式的预报能力有所差异[18-19]，在集成过程中，可以通过给不同模式赋予不同的权重，得到一个不等权重的集合平均，即加权集合平均(weight ensemble mean，WEMN)，以达到更好的集合预报效果。该方法首先将时间序列分为训练期和预报期2个时期，然后统计训练期中各模式的表现，从而得到各模式的权重系数，并用于预报期的多模式集成预报。计算公式如下：

旅游景点的实时天气，对旅行者有重要的影响。经常有旅行者出门时兴致勃勃，但由于不曾预料或者无法获得目的地气象信息的情况下，遇到恶劣天气，使旅行体验下降。因此游客对于旅游目的地的气候及天气变化是非常敏感的。在恶劣天气对目的地旅游需求影响上，国外学者作了一些研究：

(8)

式中：FWEMN为加权集合平均；ai为各模式在训练期得到的权重；Fi为各模式在预报期的预报；N为参与集成的模式数量。

权重系数ai的确定方法[20-21]：首先得到训练期各模式的预报误差(采用MAE)，取其倒数，并进行累加求和，然后计算单一倒数所占的比重，即为权重系数，公式为：

(10)

式中：Ei为各模式预报误差；M为训练期样本数目；j为训练期样本序号；Fij为第i个模式对第j个样本的预报值；Oj为第j个样本的观测值。

2 两种订正集成方案及对比

本文设计了2种误差订正及集合方案，方案1采用先集成再订正方法，即EMN-DAM和WEMN-DAM 2个预报结果；方案2采用先订正再集成方法，即DAM-EMN和DAM-WEMN 2个预报结果。

2.1 对多模式气温预报先集成后订正

从2013—2015年每日20:00起报的ECMWF、T639、GRAPES和DOGRAFS 4种模式预报的12 ～36 h时段24 h的2 m气温中选取日最高(低)气温，分别利用公式(7)、(8)计算集成后的集合平均和加权集合平均最高(低)气温预报，检验对比4种模式最高(低)气温预报结果；然后，对集成结果EMN和WEMN最高(低)气温预报采用递减平均法进行误差订正，并对比检验。

图2是ECMWF、T639、GRAPES和DOGRAFS模式对新疆5个区域及全疆集成前后2 m日最高(低)气温预报的平均均方根误差和预报准确率。由图2(a)可以看出，4个模式对新疆5个区域的日最高气温预报走势基本一致，预报准确率TT2主要集中在60%。其中，ECMWF模式预报整体最好，在北疆西部和南疆西部的准确率可达70%；T639和GRAPES模式预报水平相当，预报准确率在60%左右；DOGRAFS模式预报准确率约55%，整体较差。总体来说，预报准确率北疆高于南疆，西部高于东部，平原高于山区。日最高气温的RMSE平均为1.9～2.9 ℃，4个模式均方根误差分别在0.8、0.5、1.2、0.9 ℃，说明最高气温的预报性能T639模式稳定性最高，GRAPES最差。另外，对比2 m最高气温集成预报EMN和WEMN结果，发现WEMN比EMN预报准确率总体提高了3.1%，南疆西部提高最大，达5.8%，而北疆东部提高不足2%。

从2013—2015年每日20:00起报的ECMWF、T639、GRAPES和DOGRAFS模式预报的12～36 h时段24 h的2 m气温中选取日最高(低)气温，分别采用递减平均法进行误差订正，并对比4个模式订正前后的误差；然后，利用公式(7)和(8)对上述4种误差订正后的气温预报进行EMN和WEMN 集成，并对比预报准确率。

新疆不同区域日最低气温EMN和WEMN预报的MAE分别在3.6～4.3 ℃和3.4～4.0 ℃，北疆略高于南疆；经过误差订正后，MAE分别减小0.3 ℃和0.6 ℃，天山山区误差减小最明显[图3(b)]。对应最低气温的预报准确率，2种集合平均预报经过误差订正后，其预报准确率分别由49%和55%提高到55%和59%，天山山区预报准确率提高幅度最大，提高率分别为20%和13%[图3(b)]。

图2 2013—2015年4个模式集成前后新疆全区及不同区域日最高(a)、最低(b)气温的平均均方根误差(柱状)及预报准确率(线条) Fig.2 RMSE (columns) and forecast accuracies (lines) of daily maximum (a) and minimum (b) temperatures forecasted by ECMWF, T639, GRAPES and DOGRAFS models and integrated products of EMN and WEMN in different partitions and the whole area of Xinjiang from 2013 to 2015

图3 2013—2015年新疆不同区域及全区日最高(a)、最低(b) 气温集成预报订正的平均绝对误差(柱状)及预报准确率(线条) Fig.3 Mean absolute error (columns) and forecast accuracies (lines) of integrated forecast values of daily maximum (a) and minimum (b) temperature corrected by DAM in different partitions and the whole area of Xinjiang from 2013 to 2015

2.2 对多模式气温预报先订正后集成

与最高气温相比，4个模式的最低气温预报准确率有所下降[图2(b)]，且在北疆东部和南疆东部的准确率最高，达60%。其中，ECMWF模式整体预报效果最好；T639模式不同区域预报准确率相差不大；GRAPES模式在天山山区准确率最低，只有38%，而其他地区相差不大；DOGRAFS模式预报准确率在45%左右，且与其他模式的差距比最高气温小。对比最低气温集成预报EMN和WEMN，发现WEMN比EMN的准确率整体提高了3.8%，南疆东部提高最大，为8.8%，而北疆西部反而降低了1%，其原因是北疆西部4个模式的预报值很接近，当数值接近时加权集合平均反而不如简单集合平均。

具有两种制冷方式的CCHP系统优化运行策略及其判别条件//吴奎华,杨中源,梁荣,李晓刚,孙伟,邹斌//(6):18

对于日最低气温预报的订正[图4(b)]，4个模式MAE减小0.3～0.4 ℃。其中，GRAPES和DOGRAFS模式订正效果较好。对于不同区域，ECMWF和DOGRAFS模式在北疆东部订正较好，而T639和GRAPES模式在天山山区订正较好。

图4 2013—2015年新疆不同区域及全区4种模式最高(a)、最低(b)气温预报订正前后MAE的差值 Fig.4 The difference of MAE of forecasted daily maximum (a) and minimum (b) temperature by four models before and after the correction by DAM in different partitions and the whole area of Xinjiang from 2013 to 2015

分别采用EMN和WEMN方法对4个模式日最高(低)气温预报订正后的结果进行集成(图5)。可以看出，4个模式日最高气温预报订正、集成后的DAM-EMN和DAM-WEMN平均RMSE分别为2.2 ℃和1.9 ℃，较集成前均有所降低，且加权集合平均集成的误差订正高于集合平均集成，在北疆东部和天山山区误差减小较为明显；对应预报准确率，两种集合方法分别为66%和70%，提高率对应为10%和11%，其中南疆东部提高率最大，为16%和22%[图5(a)]。

针对日最低气温[图5(b)]，4个模式预报订正、集成后的DAM-EMN和DAM-WEMN平均RMSE分别为2.7 ℃和2.4 ℃，加权集合平均集成订正效果高于集合平均集成，在南疆西部误差减小最明显；对应预报准确率，两种集合方法分别为57%和61%，提高率对应为16%和15%，其中南疆西部提高率最大为17%和18%。

2.3 两种方案结果对比

前面分析发现，对于集合平均(EMN)来说，先集合再订正(EMN-DAM)与先订正再集合(DAM-EMN)的新疆全区日最高(低)气温预报准确率分别为63%(55%)、66%(57%)，比4个模式气温预报的平均预报准确率对应提高率为6.1%(11.4%)、11.2%(16.3%)。对于加权集合平均(WEMN)来说，先集合再订正(WEMN-DAM)与先订正再集合(DAM-WEMN)的日最高(低)气温预报准确率分别为68%(59%)、70%(61%)，比4个模式气温预报的平均预报准确率对应提高率为13.8%(20.4%)、16.8%(23.7%)。总体来说，加权集合平均法优于集合平均法，先订正再集合方案优于先集合再订正方案，且最低气温的预报准确率提高程度高于最高气温。

为了区分季节因素对模式最高(低)气温预报的影响，图6给出不同季节2种方案日最高(低)气温预报(EMN-DAM、WEMN-DAM、DAM-EMN和DAM-WEMN)与模式原有气温预报的平均预报准确率对比。可以看出，对于日最高气温，春季和冬季的订正效果最好，加权集合平均集成优于集合平均，WEMN-DAM和DAM-WEMN两种方法预报准确率分别提高12%、16%(春季)和14%、17%(冬季)；对于日最低气温，秋季和冬季的订正效果最好，加权集合平均集成优于集合平均，WEMN-DAM和DAM-WEMN两种方法预报准确率分别提高21%、23%(秋季)和20%、24%(冬季)。总体来看，2种方法对最低气温预报的订正能力明显高于最高气温，加权集合平均法优于集合平均法，先订正再集合方案优于先集合再订正方案，且不同季节的订正能力差异明显，冬季订正效果明显高于其他季节。其原因可能是冬季地表结构复杂、变化剧烈而产生更大的模式误差，具体原因有待今后深入研究。

问卷共分为两个部分：第一部分是被调查者的基本信息，包含7个问题：性别、户籍、年龄、月收入、受教育程度、年均参团次数和职业，用于了解被调研者的基本情况。第二部分是旅游者参与低价团的想法和行为，是问卷的主体部分。根据文献综述以及对旅游者的分析，本文一共分为5个维度：价格维度(主要考察旅游者从价格方面来追求自身利益)、信息维度(涵盖了信息本身对称情况和由旅游者自身造成的信息对称情况)、搭便车维度、故意无视维度、默认补偿维度，共18个问项，并以李克特五级量表形式呈现出来，1为“非常不同意”，2为“不同意”，3为“一般”，4为“同意”，5为“非常同意”。

3 极端气温事件的多模式订正集成试验

3.1 高温天气过程试验

2015年7月13—30日，新疆出现大范围罕见持续的高温天气过程[图7(a)]，全疆105站中有89站(占总站数的85%)极端最高气温超过35℃，其中82站超过37 ℃，49站超过40 ℃，4站超过45 ℃，且18站极端最高气温突破历史极值，40站最高气温最长持续日数突破历史极值。根据区域最高气温天气过程综合强度等级划分方法(QX/T228—2014)，新疆此次高温天气过程综合强度等级为I级(特强)。

图5 2013—2015年新疆不同区域及全区4个模式日最高(a)、最低(b)气温订正预报集成的均方根误差(柱状)和预报准确率(线条) Fig.5 RMSE (columns) and forecast accuracies (lines) of corrected daily maximum (a) and minimum (b) temperature integrated by EMN and WEMN methods in different partitions and the whole area of Xinjiang from 2013 to 2015

图6 新疆不同区域及全区2种方案及模式本身平均不同 季节日最高(上)、最低(下)气温预报准确率 Fig.6 The forecast accuracies of daily maximum (the top) and minimum (the bottom) temperature forecasted by models and their integration and correction in different partitions and the whole area of Xinjiang in four seasons from 2013 to 2015

图7 2015年7月13日08:00至30日18:00新疆最高气温实况(a，单位：℃) 及不同区域与全区日最高气温预报准确率(b) Fig.7 The observation of daily maximum temperature (a, Unit:℃) from 08:00 BST on 13 to 18:00 BST on 30 July 2015 and accuracies of daily maximum temperature forecasted by four models and their correction and integration in different partitions and the whole area of Xinjiang (b)

对日最高(低)气温预报的集成预报EMN和WEMN，采用递减平均法进行误差订正(图3)。由图3(a)可以看出，新疆不同区域日最高气温EMN和WEMN集成预报的平均绝对误差分别在3.6～4.3 ℃和3.4～4.0 ℃之间，北疆略高于南疆；2种集合平均预报经过误差订正后，MAE分别减小0.3 ℃和0.4 ℃，其中北疆东部EMN-DAM误差减小最明显，为0.6 ℃，而WEMN-DAM误差减小最明显的区域在天山山区，为0.8 ℃。另外，经过误差订正后，最高气温EMN和WEMN集合平均预报的准确率分别由60%和63%提高到63%和68%，准确率提高幅度最大的区域分别是天山山区和南疆东部，提高率分别为12%和11%。

为了检验多模式气温预报订正与集成方法对极端高温事件[22]的预报能力，利用ECMWF、T639、GRAPES和DOGRAFS 4个模式对2015年7月13—30日极端高温天气过程期间2 m日最高气温预报采用方案2进行订正与集成。由于是高温极端过程，这里只做最高气温预报检验。经计算，此次极端高温天气过程期间2 m日最高气温预报MAE由3.8 ℃减小到2.1 ℃，RMSE由2.3 ℃减小到1.6 ℃，准确率由62%提高到81%[图7(b)]，说明方案2对极端高温过程的订正效果明显。

组间治疗前后神经功能缺损评分比较，治疗前两组比较，差异无统计学意义（P＞0.05），治疗后，观察神经功能缺损评分（11.5±2.9）明显比对照组（17.5±3.1）低，差异有统计学意义（P＜0.05），见表2。

3.2 低温天气过程试验

2014年4月22—24日，新疆北疆大部分地区降温8～12 ℃，北疆偏北地区和乌鲁木齐以东的北疆沿天山一带的部分地区降温12～15 ℃，局部降温15 ℃以上。主要降温时段在22—23日[图8(a)]。为检验方案2对极端低温事件的预报能力，同样利用上述方法对2014年4月22—23日极端低温天气过程的2 m日最低气温进行预报[图8(b)]。可以看出，2 m最低气温预报准确率由50%提高到66%，提高率32%，由于降温重点在北疆西部、北部及天山山区，这些区域预报准确率提高显著。

图8 2014年4月22日20:00至23日20:00新疆降温实况(a，单位：℃) 及不同区域与全区2 m日最低气温预报准确率(b) Fig.8 The observation of cooling from 20:00 BST on 22 to 20:00 BST on 23 April 2014 (a) and accuracies of daily minimum temperature forecasted by four models and their correction and integration in different partitions and the whole area of Xinjiang (b)

4 结 论

(1)ECMWF、T639、GRAPES和DOGRAFS模式在新疆2 m日最高(低)气温的预报准确率表现为ECMWF模式整体最好，DOGRAFS模式最差，T639和GRAPES模式水平相当。对于不同区域，气温预报准确率北疆高于南疆，西部高于东部，平原高于山区。

[11] 赵声蓉. 多模式温度集成预报[J]. 应用气象学报,2006,17(1):52-58.

(3)对于不同季节，冬季的气温订正能力高于其他季节，其原因有待于深入研究。

(4)利用方案2(DAM-WEMN)的误差订正集成方法，对新疆2015年7月一次大范围罕见持续高温天气过程和2014年4月一次降温天气过程进行预报检验，发现方案2对极端过程的最高(低)气温订正效果很明显。

在使用加权集合平均方法时，对权重系数采用了每个模式固定的阈值，这对不同模式在不同区域、不同季节的权重确定有一定的局限性，进而导致预报误差，还需做更细致的进一步研究。

图4给出ECMWF、T639、GRAPES和DOGRAFS 4种模式2 m日最高(低)气温预报经递减平均法订正前后平均绝对误差的差值，差值越大表明订正后的误差越小，订正效果越好。由图4(a)可以看出，4个模式预报的日最高气温经过递减平均法订正后MAE减小0.3～0.6 ℃，其中DOGRAFS模式订正效果最好。对于新疆不同区域，模式的订正效果各有不同(T639模式除外)，ECMWF模式在北疆东部、天山山区订正较好，而南疆西部订正较差；GRAPES模式在南疆西部订正最差，其他地区相似；DOGRAFS模式在北疆订正较好，而南疆订正较差。

参考文献：

[1] 薛志磊,张书余. 气温预报方法研究及其应用进展综述[J]. 干旱气象,2012,30(3):451-464.

[2] 李佰平,智协飞. ECMWF模式地面气温预报的四种误差订正方法的比较研究[J]. 气象,2012,38(8):897-902.

[3] 肖明静,隋明,范苏丹,等. 3种数值模式温度预报产品在山东应用的误差分析与订正[J]. 干旱气象,2012,30(3):472-477.

现代木结构建筑设计应遵循模数协调原则，建立标准化结构体系，优化建筑空间尺寸[13]。项目建筑设计未严格遵循选材的模数要求，在项目围护体系制作过程中，材料出现多次裁剪，造成了一定的浪费。通过项目实践深切体会到，模数化是建筑工业化的基础，实现预制构件和内装部品的标准化、系列化和通用化[9]13，有利于组织生产、提高效率、降低成本。

[4] 刘抗,李照荣,杨瑞鸿,等. 甘肃省乡镇精细化客观要素预报方法研究[J]. 干旱气象,2015,33(5):882-887.

[5] 王丹,高红燕,张宏芳,等. 一种逐时气温预报方法[J]. 干旱气象,2015,33(1):89-97.

[6] 吴爱敏. 极端气温集成预报方法对比[J]. 气象科技,2012,40(5):772-777.

[7] 彭月,周盛,樊志超,等. 精细化预报产品在长沙的应用和温度检验[J].干旱气象,2015,33(5):867-873.

[8] 王丹,黄少妮,高红燕,等. 递减平均法对陕西SCMOC精细化温度预报的订正效果[J]. 干旱气象,2016,34(3):575-583.

[9] 张成军,纪晓玲,马金仁,等. 多种数值预报及其释用产品在宁夏天气预报业务中的检验评估[J]. 干旱气象,2017,35(1):148-156.

[10] 杨学胜. 业务集合预报系统的现状及展望[J]. 气象,2001,27(6):3-9.

(2)2种预报方案中，加权集合平均法优于集合平均法，先订正后集合方案优于先集合再订正方案，说明递减平均法的订正效果为正技巧，且2种方案对最低气温的预报准确率提高程度优于最高气温。

将新的各个时次预报场分别减去累加后的误差场，得到最终的订正场，公式如下：

[13] 林春泽,智协飞,韩艳,等. 基于TIGGE资料的地面气温多模式超级集合预报[J]. 应用气象学报,2009,20(6):706-712.

主要依靠泥浆密度调整压力和应力平衡，泥浆密度窗口相对较窄；主要依靠泥浆的抑制性控制孔壁岩石与钻井液之间物化平衡。所以沉积岩维护孔壁稳定主要采用泥浆护壁技术，当泥浆护壁技术无法满足压力、应力或物化动态平衡时，采用套管固井隔离。

[14] HAGEDORN R, DOBLAS-REYES F, PALMER T N. The rationale behind the success of multi-model ensembles in seasonal forecasting-I. Basic concept[J]. Tellus,2005,57(3):219-233.

[15] 张连成,胡列群,李帅,等. 基于GIS的新疆地区两种气温插值方法对比研究[J]. 干旱气象,2017,35(2):330-336.

由于我国行政事业单位财务缺乏管理,易造成预算编制的不科学不合理，出现多预算或者少预算情况，同时，也容易造成资金去向不明，其对于人民而言都是不负责任的行为。

[16] 任宏利,丑纪范. 数值模式的预报策略和方法研究进展[J]. 地球科学进展,2007,22(4):376-385.

[17] 杞明辉. 天气预报集成技术和方法应用研究[M]. 北京:气象出版社,2006:82.

[18] 王雨,公颖,陈法敬,等. 区域业务模式6 h降水预报检验方案比较[J]. 应用气象学报,2013,24(2):171-178.

[19] KRISHNAMURTI T N, KISHTAWAL C M, LAROW T E, et al. Improved weather and seasonal climate forecasts from multi-model superensemble[J]. Science,1999,285:1548-1550.

[20] 张涵斌,智协飞,王亚男,等. 基于TIGGE资料的西太平洋热带气旋多模式集成预报方法比较[J]. 气象,2015,41(9):1058-1067.

品牌离不开渠道的拓展，陈伟表示，邦力达·两河源果业专业合作社在果品销售的传统渠道和电商渠道同时发力，目前已建立起京东旗舰店、微信商城等平台，并对接全国各大主要农产品交易市场，同时还吸引了众多外地果商进行实地采购。2017年，合作社内帮助社员销售猕猴桃、柑橘等水果500多万斤。通过在种植管理、农资投入、品牌打造到水果购销等环节的全产业链运营模式，社员依托合作社的农资和服务种出好果，合作社为社员的好果赋予品牌，实现了农户、合作社、农资企业、水果消费市场等多方的融通共赢。

[21] 周文友,智协飞. 2009年夏季西太平洋台风路径和强度的多模式集成预报[J]. 气象科学,2012,32(5):492-499.

[22] 齐月,陈海燕,房世波,等. 1961—2010年西北地区极端气候事件变化特征[J]. 干旱气象,2015,33(6):963-969.