这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
该研究由Mingheng Jiang、Bin Weng、Jiazhen Chen、Tianqiang Huang、Feng Ye和Lijun You共同完成。研究团队主要来自福建师范大学计算机与网络安全学院、福建省大数据安全技术研究院、福建省公共服务大数据挖掘与应用工程技术研究中心、福建省气象信息中心以及福建省强天气重点实验室。该研究于2024年1月24日在线发表在《Journal of Hydrology》期刊上，文章编号为130720。
研究领域主要涉及气象学与深度学习技术的交叉应用，特别是降水预测的后处理（post-processing）方法。降水预测对人类社会和经济发展至关重要，但降水受多种复杂因素影响，预测难度较大。传统的数值天气预报（Numerical Weather Prediction, NWP）模型存在系统性误差，因此需要通过后处理技术减少偏差，提高预测的可靠性。近年来，深度学习方法在降水后处理领域取得了一定成功，但针对中短期（72小时以上）降水预测的后处理研究相对较少。因此，本研究旨在开发一种新的后处理模型，以提升中短期降水预测的准确性。
研究流程包括以下几个主要步骤：
模型设计与开发
研究提出了一种名为TransLSTMUnet的模型，该模型结合了卷积神经网络（CNN）、Transformer和卷积长短期记忆网络（ConvLSTM）的优势。首先，模型使用卷积操作提取局部气象特征；其次，通过Transformer架构增强这些特征的全局空间信息；最后，利用ConvLSTM进一步提取时间信息。此外，针对降水强度分布不均衡的问题，研究设计了一种新的损失函数——分位数加权均方误差（Quantile Weighted Mean Squared Error, QWMSE），该函数在模型训练阶段同时考虑正常降水和强降水。
数据集与预处理
研究使用的数据来自欧洲中期天气预报中心（ECMWF）提供的TIGGE数据集，空间分辨率为0.5°×0.5°，时间间隔为6小时。研究区域为中国东南部，该区域人口密集、经济发达，气候以亚热带季风气候为主，年降水量较高。研究还对观测数据进行了预处理，包括空间对齐、插值以及异常值处理。
模型训练与评估
研究将2007年至2021年汛期（4月至10月）的数据分为训练集（2007-2018年）、验证集（2017-2018年）和测试集（2019-2021年）。模型训练采用Adam优化器，初始学习率为0.0001，并在第10和第30个epoch时降低学习率。训练过程中采用了一种参数选择机制，以防止过拟合。最终，研究通过均方根误差（RMSE）、准确率（ACC）和威胁评分（TS）等指标评估模型性能。
实验结果与分析
实验结果表明，TransLSTMUnet在所有后处理基线模型中表现最优，显著提升了TIGGE预测的性能。具体来说，TransLSTMUnet将ACC指标提高了12.14%，并将24小时累积降水的TS评分分别提高了8.30%（0.1 mm）、9.77%（10.0 mm）、31.60%（25.0 mm）和51.25%（50.0 mm）。此外，研究还通过案例分析展示了TransLSTMUnet在强降水事件预测中的优越性。
模型性能提升
TransLSTMUnet在所有评估指标上均优于传统统计方法、机器学习方法和深度学习模型。特别是在强降水预测方面，TransLSTMUnet的表现尤为突出。
损失函数优化
提出的QWMSE损失函数有效缓解了降水分布不均衡对模型训练的影响，在正常降水和强降水预测中均表现出色。
气象因子的重要性分析
研究发现，总降水量（TP）是预测强降水最重要的因子，而低气压层（850 hPa）的气象因子对模型性能的提升贡献最大。此外，增加更多的气象因子并不一定能提高模型性能，这可能是因为因子之间存在相关性。
研究提出了一种基于Transformer增强的时空神经网络模型TransLSTMUnet，并设计了一种新的损失函数QWMSE，用于中短期降水预测的后处理。研究结果表明，通过增强气象因子的时空表示能力，可以显著提高降水预测的准确性。此外，研究还强调了在模型构建中合理选择输入因子的重要性。
创新模型设计
TransLSTMUnet首次将CNN、Transformer和ConvLSTM结合，用于降水预测的后处理，显著提升了模型的时空特征提取能力。
新型损失函数
QWMSE损失函数首次同时考虑正常降水和强降水，有效解决了降水分布不均衡对模型训练的影响。
广泛的应用价值
该研究不仅为降水预测提供了新的方法，还为其他水文领域的研究提供了借鉴，展示了深度学习技术在水文应用中的潜力。
研究还分析了不同气象因子对模型性能的影响，并提出了在模型构建中合理选择输入因子的建议。此外，研究通过案例分析和敏感性分析，进一步验证了模型的鲁棒性和泛化能力。
这篇研究为降水预测领域提供了重要的理论和方法支持，具有较高的科学价值和应用前景。