深度学习降尺度方法在长期日降雨量集合预报中的应用研究

作者及机构
本研究的通讯作者为Huidong Jin（澳大利亚联邦科学与工业研究组织CSIRO Data61），合作者包括Weifan Jiang（CSIRO Data61与澳大利亚国立大学联合培养）、Minzhe Chen、Ming Li（CSIRO Data61）、K. Shuvo Bakar（CSIRO Data61与悉尼大学联合培养）以及Quanxi Shao（CSIRO Data61）。研究成果于2023年4月14日在线发表于期刊《Stochastic Environmental Research and Risk Assessment》（2023年卷37期，页码3185–3203）。

学术背景

研究领域与动机
季节性气候预报（Seasonal Climate Forecast, SCF）对农业、能源、旅游等气候敏感行业至关重要。然而，全球环流模型（General Circulation Models, GCMs）提供的原始预报空间分辨率较低（约100公里），难以直接应用于区域决策。传统降尺度技术（如分位数映射Quantile Mapping, QM）依赖人工设计的预测因子，而基于深度学习的降尺度方法虽能自动提取特征，但多数假设低分辨率与高分辨率图像来源相同，这与集合预报的实际情况不符。

科学问题
如何通过深度学习技术，将GCMs输出的60公里分辨率降雨集合预报降尺度至12公里，同时提升预报技巧（forecast skill）？

研究目标
1. 选择适合集合预报降尺度的深度学习模型；
2. 通过引入其他气候变量优化模型性能；
3. 评估降尺度结果在长期预报（最长217天）中的准确性与技巧。

研究流程

1. 数据与预处理

数据集
- ACCESS-S1模型：澳大利亚业务化季节性预报系统，提供1990–2012年每日降雨集合预报（11个成员，60公里分辨率，最长217天预见期）。
- BARRA再分析数据：高分辨率（12公里）区域再分析数据，作为降尺度的目标真值。

预处理
- 空间裁剪：覆盖澳大利亚全境（9°S–43.7425°S, 112.9°E–154.25°E）。
- 归一化：将气候变量线性归一化至[0,1]区间。
- 双三次插值（Bicubic Interpolation, BI）：将原始预报升采样至12公里分辨率作为输入。

2. 模型选择与开发

第一阶段：模型筛选
从三种主流单图像超分辨率（Single Image Super-Resolution, SISR）模型中（VDSR、RCAN、ESRGAN），基于连续分级概率评分（Continuous Ranked Probability Score, CRPS）选择最优模型：
- VDSR（Very Deep Super-Resolution）：20层卷积神经网络（CNN），残差学习结构，使用L1损失函数。
- 验证结果：VDSR的CRPS（1.38）优于RCAN（1.53）和ESRGAN（1.68）。

第二阶段：模型优化
提出VDSD（Very Deep Statistical Downscaling）模型，改进如下：
- 多变量输入：引入850 hPa位势高度（Geopotential Height, ZG）作为辅助变量。
- 网络结构：保留VDSR的残差学习框架，输入层扩展为双通道（降雨+ZG），输出层通过卷积生成残差图像后叠加插值结果。
- 训练策略：采用留一验证法（Leave-One-Year-Out），优化目标为最小化CRPS。

3. 性能评估

评估指标
- CRPS技能评分（CRPS-SS）：衡量集合预报整体技巧，对比基准为气候学（Climatology）。
- 平均绝对误差（MAE）：评估单点预报准确性。

测试场景
- 时间范围：2010年与2012年的48个初始化日期。
- 空间范围：澳大利亚陆地区域（排除海洋网格）。

主要结果

1. 降尺度性能

• 2012年测试：VDSD的平均CRPS技能评分为0.0569（6天预见期），显著优于QM（-0.0085）和BI（-0.121）。
  
• 2010年测试（强拉尼娜年）：VDSD仍保持正技能评分（0.0534），但略低于气候学，主因是训练数据与极端降雨年份的分布差异。
  

2. 空间分布改进

• VDSD优势区域：澳大利亚中部干旱区，CRPS技能评分提升显著（图S1）。
  
• 局限性：东部沿海与塔斯马尼亚岛技能评分较低，可能与地形复杂性和模型对极端事件捕捉不足有关。
  

3. 计算效率

• 训练时间：VDSD需16.76小时（NCI超算），但操作阶段仅需0.56小时（PC端），远快于QM（11.21小时）。
  

结论与价值

科学意义
1. 方法创新：首次将CRPS作为深度学习降尺度模型的优化目标，解决了集合预报中低-高分辨率数据源不匹配的问题。
2. 性能突破：VDSD在长期预报中优于传统统计降尺度（QM）和动态降尺度（CCAM），尤其在干旱区表现突出。

应用价值
- 为农业、水资源管理提供高分辨率季节性预报产品。
- 模型开源（GitHub: jiangweifanai/hrscf），支持业务化应用扩展。

研究亮点

1. 跨学科融合：将计算机视觉中的超分辨率技术（SISR）与气象学中的集合预报评估指标（CRPS）结合。
   
2. 可解释性改进：通过引入位势高度变量，增强模型对降雨物理过程的捕捉能力。
   
3. 鲁棒性验证：在极端气候年份（2010–2011拉尼娜事件）中验证模型稳定性。
   

未来方向
- 融合站点观测数据以解决再分析数据偏差；
- 扩展至更高分辨率（如5公里）及其他气候变量（温度、气压）。

（全文约2000字）