准确的降水预报，尤其是强降水预报，仍然是天气预报中的一大难题。强降水往往会带来洪水、城市内涝、暴雪等灾害性事件，因此提高降水特别是强降水的预报性能至关重要。当前降水数值预报仍然存在一定偏差，中国东南部地区冬季降水的预报性能远低于夏季。针对这一问题，清华大学地学系黄文誉副教授课题组提出了基于深度学习的中国东南部冬季降水偏差订正模型，提高了降水和强降水预报性能。

图1. DABU-Net降水偏差订正模型

本研究使用美国全球预报系统（Global forecast system，简称GFS）预报资料作为输入，使用提前24、48和72小时的降水及其他13个相关变量作为神经网络的输入变量。降水观测数据为美国气候预测中心（Climate prediction center，简称CPC）的融合卫星与地基观测的网格化产品。将CPC降水插值到GFS上，统一分辨率为0.25度。偏差订正模型DABU-Net由3个模块组成（图1），分别是数据增强（DA）模块、神经网络BU-Net模块以及后处理模块。数据增强主要使用了其他三个季节的样本作为冬季降水的增强样本集，以解决冬季降水分布不平衡导致的极端降水样本较少的问题。BU-Net为添加了批归一化层的U-Net，由下采样、上采样和跳跃链接组成，其编码器和解码器的组合能够从图像中很好地提取到不同尺度的空间特征。后处理主要是为了将与极端降水更密切相关的TS评分指标纳入到模型中来，进一步改进极端降水的预报。分别针对三个预报时效训练深度神经网络，并验证其在测试集上的模拟性能。

图2. 偏差订正前后的误差分布图

DABU-Net将GFS三个预报时效的降水相对于CPC的RMSE从1.73、1.96和2.19 mm/day降低至1.40、1.47和1.70 mm/day，分别降低了19.08%、25.00%和22.37%，并且在三个预报时效，TS评分分别增加了42.44%、50.95%和43.56%。对于20mm/day以上的强降水，DABU-Net订正后的TS评分相比于GFS分别增加了69.23%、90%和100%，证明了其对强降水的预报性能（图2）。使用DABU-Net订正后的降水误差在整个区域内明显降低了。在24h预报中，降水的RMSE最大位于湖南和广西两省，均高于5mm/day，订正之后降低至3.5mm/day。对于2021-2022年冬季平均降水量超过5mm/day的强降水日，GFS提前3个预报时效的RMSE分别从4.56、5.27和5.59 mm/day降低至3.91、4.52和5.50 mm/day，降低了14.25%、14.23%和1.61%，超过20mm/day的TS评分分别增加了15.22%、11.90%和2.63%，证实DABU-Net对于提前48小时的强降水具有较好预报能力。因此，基于深度神经网络的中国东南部冬季降水预报方法是非常有效的。

相关研究以“深度学习改进GFS中国东南部冬季降水预报”（Deep Learning Improves GFS Wintertime Precipitation Forecast Over Southeastern China）为题于7月26日在《地球物理研究通讯》（Geophysical Research Letters）发表。清华大学地学系2019级博士生孙丹一为第一作者，导师黄文誉为通讯作者，合作者来自于清华大学地学系和南京信息工程大学。

论文链接：https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2023GL104406

供稿：孙丹一

编辑：王佳音

审核：张强