基于多要素3D特征提取的短期定量降水预报技术研究

摘要

由于空间分辨率有限、物理参数化方案不够完善、泛化性较弱等原因，使得传统业务数值天气模式(NWP)在定量降水预报中存在固有偏差，而深度学习神经网络具有强大的非线性拟合能力、能够自主性学习到任务相关的关键特征、泛化性较高等优势，有望改善现状.为此，本文提出一种基于多要素3D特征提取的短期定量降水预报技术.基于欧洲中期天气预报中心(ECMWF)提供的高分辨率ECMWF-HRES(EC-Hres)模式预报数据，构建3D-QPF(3D-Quantitative Precipitation Forecast)语义分割模型，通过先分类后回归的耦合框架，捕捉多种降水相关要素数据的3D空间特征，得到与降水实况数据间的非线性关系，并增加准确率和召回率损失函数，进一步提升模型对偏态数据的预报效果.实验结果表明，3D-QPF的逐日累积降水预报不仅在晴雨量级(0.1 mm/(24 h))准确率评分稳定增长，在暴雨量级(50 mm/(24 h))的准确率评分也有明显提升，暴雨量级较EC-Hres的TS评分最高提升了15.8%,RMSE优化达到18.71%.经过长期检验，3D-QPF模型与EC-Hres、中国气象局全球模式(CMA-GFS)预报以及2D-Unet和3D-Unet等经典网络模型相比做出了有效的预报订正效果.此外，随着预报时效延长至72 h,模型的优化效果仍能够保持相对稳定.

关键词

定量降水预报 / 语义分割 / 偏态数据 / 耦合方式