基于多要素3D特征提取的短期定量降水预报技术研究

来源：南京信息工程大学学报·自然科学版杂志2025年第1期北京时间：

作者：熊文睿，张恒德，陆振宇，郭云谦

单位：熊文睿,南京信息工程大学 人工智能学院, 南京, 210044,张恒德,国家气象中心, 北京, 100081,陆振宇,南京信息工程大学 人工智能学院, 南京, 210044,郭云谦,国家气象中心, 北京, 100081

摘要：由于空间分辨率有限、物理参数化方案不够完善、泛化性较弱等原因,使得传统业务数值天气模式(NWP)在定量降水预报中存在固有偏差,而深度学习神经网络具有强大的非线性拟合能力、能够自主性学习到任务相关的关键特征、泛化性较高等优势,有望改善现状.为此,本文提出一种基于多要素3D特征提取的短期定量降水预报技术.基于欧洲中期天气预报中心(ECMWF)提供的高分辨率ECMWF-HRES (EC-Hres)模式预报数据,构建3D-QPF (3D-Quantitative Precipitation Forecast)语义分割模型,通过先分类后回归的耦合框架,捕捉多种降水相关要素数据的3D空间特征,得到与降水实况数据间的非线性关系,并增加准确率和召回率损失函数,进一步提升模型对偏态数据的预报效果.实验结果表明,3D-QPF的逐日累积降水预报不仅在晴雨量级(0.1 mm/(24 h))准确率评分稳定增长,在暴雨量级(50 mm/(24 h))的准确率评分也有明显提升,暴雨量级较EC-Hres的TS评分最高提升了15.8%,RMSE优化达到18.71%.经过长期检验,3D-QPF模型与EC-Hres、中国气象局全球模式(CMA-GFS)预报以及2D-Unet和3D-Unet等经典网络模型相比做出了有效的预报订正效果.此外,随着预报时效延长至72 h,模型的优化效果仍能够保持相对稳定.

关键词：定量降水预报;语义分割;偏态数据;耦合方式

基金资助：新疆维吾尔自治区重点研发任务专项(2022B03027);国家重点研发计划(2021YFC3000903);国家自然科学基金重点项目(U20B2061);中国气象局创新发展项目(CXFZ2023J001)