利用深度学习预报美国东北部日降水分布

利用深度学习预报美国东北部 日降水分布

*联系人， E-mail:

chenguoxing@ fud an.edu.cn

DOI: 10.13878/j.cnki.dqkxxb.20231009006

现阶段降水预报主要依靠数值天气预报模式。但受物理参数化、计算资源等因素的影响，基于数值模式的降水预报还存在非常大的不确定性。近年来，深度学习在天气预报领域显示出巨大优势和潜力。本文通过构建神经网络预报美国东北部日降水分布，探讨神经网络模型基于低分辨率气象场(ERA-Interim, 0.7°)预报高分辨率降水(CPC, 0.25°)的能力，并比较3种主流网络框架(VGG, ResNet, GoogleNet)在该任务中的表现。结果表明，3种网络框架都对美国东北部日降水分布具有一定的预报能力(VGG框架表现最优)，但三者的均方根误差(RMSE)均高于ERA-Interim 24-h(ERA24)的降水预报。3种神经网络的集合预报结果优于ERA24预报，且这三者与ERA24预报结果的集合平均能够显著提高ERA24对不同季节、不同强度降水的预报。

区域降水预测是大气科学研究领域的一个热点和重点。近些年来，对于处理大数据任务有着优异性能的机器学习算法在多个领域中取得了突破性进展。本文利用深度学习方法来预报美国东北部的日降水分布，是将神经网络方法应用到降水预报领域的一次有益尝试。

• 实现了从低分辨率的气象场预报高分辨率的降水。深度学习模型中输入的气象场数据的水平分辨率大约为70 km，输出数据的水平分辨率为25 km。

  
  

• 用到了三种深度学习模型，并且运用集合预报思想，对三种深度学习模型的结果进行集合，得到了预报性能更好的综合模型。

图1 3种神经网络框架结构示意图：(a)VGG；(b)ResNet；(c)GoogleNet

图2 3种模型对美国东北部4个季节的每日降水量预报误差（蓝色、橙色、绿色条形柱分别代表模型VGG、ResNet、GoogleNet的预报误差）

图3 4种不同方法对美国东北部日降水预报结果的RMSE空间分布：(a)ERA24；(b)ERA12；(c)NEP；(d)WP

图4 四种不同方法对2018年2月26日的日降水量(单位：mm／d)预报结果（(a)ERA24；(b)ERA12；(c)NEP；(d)WP）以及CPC地面降水量观测值（e)

期刊简介