第一时间获取气象科研资讯

『 气象学家 』 公众号 交流群

加入

《中国科学·地球科学》| 中国气象局气象干部培训学院&浙江省气象台等单位—生物免疫进化机制约束下的极简神经网络框架在河南“21·7”极端降水预报中的应 用

Zhong, Q., Zhang, Z., Yao, X. et al. Improved forecasting via physics-guided machine learning as exemplified using “21·7” extreme rainfall event in Henan. Sci. China Earth Sci. 67 , 1652–1674 (2024). https://doi.org/10.1007/s11430-022-1302-1 IF: 5.7 Q1

研究以2021年河南“21·7”极端降水事件为对象, 基于异常物理特征分析和多模式预报偏差理解, 通过在损失函数中采用与降水物理和数据特征更相适的优化指标和约束, 开展降水预报的机器学习订正试验。其仅采用极简的神经网络架构，便可有效改进强降水强度和落区预报.

研究核心点在于缓解不同强度降水的样本严重不平衡分布问题。现有的机器学习方法基于可微分损失函数，利用梯度下降法来更新模型参数，但其会带来训练目标和评估指标的不一致问题，最终很难获得全局最优解。另外，可微分损失函数&梯度下降法也很难兼顾训练稳定性与模型的不平衡学习能力，例如用于缓解样本不平衡问题的IoU、Dice等损失函数及其二阶导更为复杂，训练震荡。而MSE损失函数相对更稳定、快速，但很难解决样本不平衡问题。

为此，研究以不可微分的多阈值TS均值作为损失函数，BIAS作为约束，利用多目标优化免疫进化算法来更新模型参数，以此来应对样本严重不平衡问题。据此，其在针对“21·7”极端降水预报的临近滚动订正、基于历史往年长序列的降水订正中取得了显著效果。主要结论如下：

• 通过学习异常物理特征与强降水的关系, 可显著提升降水预报的强度, 但降水的落区很难调整, 也容易带来较大空报; 这一方面是由于极端降水事件过程中相对稳定维持的异常环流和物理特征主要包含较大尺度信息, 与模式降水偏差具有一致性, 另一方面由于极端降水样本稀少, 因此相应采用的算法复杂度较低.

• 通过多模式降水的机器学习融合, 有潜力提取各模式降水预报精细结构的优势, 显著改进降水落区预报, 但降水强度提升有限. 本文基于“好而不同”的多模式融合, 再结合适量异常特征可达成综合调整强降水落区和降水强度的效果.

图8历史前期降水样本分布， ( a)~(c)为训练、验证和测试集实况降水随阈值的样本分布; (d)~(f)为100mm以上观测和模式降水随阈值的样本分布

---

声明： 欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编 (微信：qxxjgzh) 处理。

---