深度学习在美国本土短期降水预测中的应用研究

作者及发表信息
本研究由复旦大学大气与海洋科学系的Guoxing Chen（第一作者）与美国纽约州立大学奥尔巴尼分校大气科学研究中心的Wei-Chyung Wang（通讯作者）合作完成，于2022年发表在《Geophysical Research Letters》期刊，标题为《Short-Term Precipitation Prediction for Contiguous United States Using Deep Learning》。

学术背景
科学领域与动机
该研究属于气象学与人工智能的交叉领域。随着全球变暖加剧，极端天气事件（如暴雨、飓风）的频率和强度显著增加，传统数值天气预报模型（Numerical Weather Prediction, NWP）因物理参数化不足和计算资源限制，在降水预测中存在不确定性。深度学习因其自动提取时空特征的能力，为改进短期降水预测提供了新思路。
研究目标
开发基于3D卷积神经网络（CNN）的快速降水预测模型（FPP），验证其在美国本土（CONUS）的预测性能，并探索其与传统NWP模型的融合潜力。

研究流程与方法
1. 数据准备
- 数据来源：
- 气象数据：欧洲中期天气预报中心（ECMWF）的ERA-Interim再分析数据（1980–2018年），覆盖7°–63°N、140°–50°W区域，水平分辨率0.7°×0.7°，包含温度、位势高度、相对湿度、风速等变量。
- 降水数据：美国国家海洋和大气管理局（NOAA）气候预测中心（CPC）的日降水观测数据，分辨率0.25°×0.25°，重采样至ERA-Interim网格。
- 数据划分：39年数据分为训练集（29年）、验证集（5年：1997、2002等）和测试集（5年：1998、2003等），确保涵盖不同气候相位（如ENSO）。

2. 网络架构设计
- FPP神经网络：基于VGG型3D-CNN结构，包含4个3D卷积块和3个全连接层（图1）。输入为单帧3D气象场，输出为未来24小时降水空间分布。
- 创新点：
- 首次将3D-CNN用于短期降水预测，直接学习气象场与降水的非线性关联，无需显式物理参数化。
- 通过通道敏感性测试（排除单一变量）验证输入变量的必要性（图S1）。

3. 后处理优化
- 降水强度校正：针对网络对强降水低估的问题，提出解析式调优方案（公式1），通过参数（a=0.67, b=0.82）增强强降水事件预测，同时最小化对弱降水的影响。
- 多模型融合：将FPP预测（TP）与ERA-Interim 24小时预报（E24）等权重平均（公式2），生成加权预测（WP）。

4. 对比基准
选择三种NWP模型作为基准：
- ERA-Interim 12小时（E12）和24小时（E24）预报
- NASA的MERRA2再分析未校正降水（M6）

主要结果
1. 整体性能
- RMSE对比：FPP原始预测（RP）的域平均均方根误差（RMSE=4.47）优于E24（4.78）和M6（5.14）（图2a–f）。
- 空间一致性：RMSE高值区与CPC观测的强降水区（如东南沿海）重合，反映模型对极端事件的敏感度。

2. 强降水事件预测
- ETS与TS评分：调优后预测（TP）对>25 mm/day降水的ETS显著提升，接近E12水平（图2g–h）。
- 典型案例（2013年1月30日）：TP成功捕捉南部降水峰值，而E24高估中西部降水；融合预测（WP）的ETS（0.32）优于E24（0.25）和E12（0.29）（图3）。

3. 时效性扩展
FPP在1–5天预报中均优于ERA-Interim，且优势随预报时效延长而增大（图4）。

结论与价值
科学意义
- 首次证明深度学习可超越传统NWP模型在短期降水预测中的性能，尤其对强降水事件的改进显著。
- 提出“观测驱动学习”范式，绕过复杂物理参数化，直接挖掘气象场与降水的关联。

应用价值
- 实时预报：FPP的毫秒级推理速度支持大规模集合预报，提升不确定性量化能力。
- 模型融合：WP方案将24小时预报精度提升至12小时水平，为业务预报提供新思路。

研究亮点
1. 方法创新：开发首个基于3D-CNN的短期降水预测模型，填补深度学习在1–5天预报中的空白。
2. 数据利用：39年再分析数据训练确保模型气候代表性。
3. 可扩展性：框架可推广至温度、风场等要素及更高分辨率预测。

其他发现
- 区域差异：FPP在中西部和南部表现更优，东北部冬季预测受雪/混合相降水数据不足限制（图S2–S3）。
- 集合预测：6种网络架构的集合进一步降低RMSE（图S7），验证多模型协同的潜力。

注：文中图表及补充材料可参考原文支持信息，数据公开于UCAR、NOAA和NASA平台。