湖南省主汛期5—8月降水过程延伸期智能预报

摘要

延伸期预报(提前10～30 d的天气预报)是目前尚未解决而又亟需解决的预报问题之一。本文利用2005—2022年湖南省97站逐日降水资料以及次季节至季节(subseasonal-to-seasonal, S2S)欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品，并分别以2005—2018年和2019—2022年为训练验证和独立预测年。基于模式的降水与环流预报产品，首先采用分级累积概率匹配和低频阈值法，对模式降水预报进行订正；然后通过分析大尺度环流特征与降水场的耦合关系，结合卷积神经网络(convolutional neural network, CNN)技术，分别构建基于ECMWF和NCEP动态预报产品的降水预测模型；最后对多种模型的预测结果进行集成，优化预测结果。试验结果表明，经过订正的两种模式延伸期降水预报的准确性均有显著提升，其中NCEP模式预报技巧的改进大于ECMWF模式。具体而言，订正后的NCEP模式单站降水预报TS评分提升38.5%,区域降水评分提升43.9%;ECMWF模式的TS评分提升14.0%,区域降水评分提升24.2%。独立预测表明，ECMWF模式预报的准确性要优于NCEP模式，特别是15 d预报时效前。CNN模型在15～30 d预报中展现出超越单一数值模式的预测能力，基于动力模式和CNN模型优势的集成预测在整个延伸期预报时效内均展现出较高的预报技巧。

关键词

偏差订正 / 卷积神经网络 / 延伸期预报 / 最优集成方法 / 降水预报