《Frontiers in Climate》:Improved seasonal precipitation forecasts for the Blue Nile Basin: a deep learning approach
编辑推荐:
季节性降水预报对于东非农业和水资源管理等气候敏感部门至关重要。然而,由于系统性误差和空间分辨率不足以捕捉局部特征,区域尺度的季节性预报应用需要后处理。当前统计方法在空间一致性和极端事件表征方面仍存在局限性。在此,研究人员提出一种基于自适应傅里叶神经算子(Ada
季节性降水预报对于东非农业和水资源管理等气候敏感部门至关重要。然而,由于系统性误差和空间分辨率不足以捕捉局部特征,区域尺度的季节性预报应用需要后处理。当前统计方法在空间一致性和极端事件表征方面仍存在局限性。在此,研究人员提出一种基于自适应傅里叶神经算子(Adaptive Fourier Neural Operator, AFNO)架构的深度学习方案——Seasonal AFNOCast,用于对青尼罗河流域(埃塞俄比亚和苏丹的跨界流域)的SEAS5降水预报进行偏置校正和降尺度。研究人员将Seasonal AFNOCast与已建立的统计方法——偏置校正与空间分解(Bias Correction and Spatial Disaggregation, BCSD)——进行对比,使用2017-2023年的预报进行评估。结果显示,两种方法均显著改善了降水分布、空间格局以及相对于原始SEAS5的连续秩概率技能得分(Continuous Ranked Probability Skill Score, CRPSS)(约0.3)。尽管在整个评估期内相对于气候态改进有限(CRPSS约0.03),两种方法在3月至5月(March–May, MAM)——一个高度可变但对决策至关重要的关键季节——均显示出明显的技能增强。即使在经过后处理后,降水开始期的可预测性在季节尺度上仍具挑战性,但本研究发现后处理方法应用中的关键差异:BCSD在短提前期表现最佳,而Seasonal AFNOCast在较长提前期保持更高技能,并显示改进了高强度降水和空间频率特征的表征。此外,Seasonal AFNOCast生成预报的速度比BCSD快5-20倍,使其特别适合业务应用。研究人员的发现表明,深度学习可以补充和扩展传统后处理方法,改进季节性预报以用于后续应用,并在极端事件表征、空间一致性以及计算效率关键的情况下支持水文和农业决策。
**论文解读文章**
**研究背景、问题与意义**
季节性降水预报对于东非地区的农业和水资源管理至关重要,尤其是在青尼罗河流域——一个横跨埃塞俄比亚和苏丹的复杂地形区,其降水时空变异性极大。全球季节预报系统(如欧洲中期天气预报中心(ECMWF)的SEAS5)在区域应用中面临系统性偏差、漂移以及粗分辨率导致无法捕捉局部特征的问题。传统的统计后处理方法如偏置校正与空间分解(Bias Correction and Spatial Disaggregation, BCSD)虽能改善预报,但存在局限性:经验分位数映射逐像素独立校正,忽略空间邻域交互;极端事件的预测能力不足;为保持时间相关性而使用宽时间窗口(约30天)估计累积分布函数(Cumulative Distribution Function, CDF),降低了季节转换期的预报技巧。深度学习(Deep Learning, DL)在天气预报中展现出巨大潜力,尤其是傅里叶神经算子(Fourier Neural Operator, FNO)架构在降尺度任务中表现优异,但将DL应用于季节预报后处理的研究尚不充分。因此,研究人员旨在开发一种基于自适应傅里叶神经算子(Adapted Fourier Neural Operator, AFNO)的深度学习方案——Seasonal AFNOCast,以偏置校正和降尺度SEAS5降水预报,克服传统方法在空间一致性、极端事件表征和计算效率方面的不足,并评估其在青尼罗河流域的表现。该论文发表在《Frontiers in Climate》。
**主要关键技术方法**
1. **模型架构**:Seasonal AFNOCast采用混合自适应傅里叶神经算子-卷积(Adapted Fourier Neural Operator-Convolutional, AFNO-Conv)架构。包含两个3D卷积编码器块(上采样后)、一个AFNO3D块(在傅里叶变换中纳入时间维度,包含层归一化、位置嵌入和前馈MLP)、随机失活层(p=0.1)以及两个对称解码器卷积块,并通过跳跃连接保留原始输入和AFNO前状态信息。最终卷积将时间维度压缩为1,输出(成员, 纬度, 经度)张量,使用ReLU激活确保非负降水值。模型通过torch.vmap向量化并行处理各集合成员,并传递集合标准差作为共享不确定性信息。
2. **训练设置**:训练数据来自ECMWF的ERA5-Land再分析数据(分辨率约11 km)作为参考和训练目标,SEAS5季节预报(分辨率约26 km)作为输入。训练期1981–2010(74,820样本),验证期2011–2016(18,060样本),测试期2017–2023(15,480样本)。每月的模型单独训练,采用Adam优化器(学习率0.0003,批大小4),损失函数为连续秩概率得分(Continuous Ranked Probability Score, CRPS),促使模型生成校准的集合预报,而非均值平方误差(Mean Squared Error, MSE)损失。
3. **评估方法**:使用确定性指标(均方根误差RMSE)、概率指标(CRPS、连续秩概率技能得分CRPSS、相对操作特征曲线ROC及曲线下面积AUC、Brier分数BS)以及空间谱指标(径向平均功率谱密度RAPSD)进行综合评价。极端事件定义为降水≥40 mm/day(99百分位)和≥120 mm/day(99.9百分位),使用±3天时间窗口;降水开始期定义为连续三日湿日(≥1 mm/day)且累积≥20 mm,且后续21天内无干期(连续7天<1 mm/day),基于4月初始化的预报评估。
**研究结果**
**3.1 物理一致性与空间模式**
- **3.1.1 单日集合成员的定性分析**:通过可视化比较,发现两种后处理方法均能捕捉参考数据(ERA5-Land)中特征性的空间格局(如西北-东南降水梯度及埃塞俄比亚高地的局部降水峰值)。但Seasonal AFNOCast展现出更大灵活性,能够根据空间和时间上下文自适应修正,例如重构原始预报中缺失但参考中存在的降水结构,而BCSD基于分位数映射的修正更刚性。
- **3.1.2 径向平均功率谱密度(RAPSD)**:在MAM和JJAS季节,所有方法的光谱形状相似,但Seasonal AFNOCast与ERA5-Land的偏差更小(MAM:10 dB×Δ(log
10 wavelength);JJAS:7 dB×Δ(log
10 wavelength)),而BCSD偏差更大(15和10 dB×Δ(log
10 wavelength)),表明DL模型在较小空间尺度上更准确地再现参考数据的谱特征。
- **3.1.3 日尺度和月尺度的偏置校正分布**:通过直方图评估,原始SEAS5显著低估高强度降水(月尺度最大约30 mm/day),而BCSD和Seasonal AFNOCast均有效校正此偏差,各集合成员紧密跟随参考分布(包括极端尾部)。AFNOCast在15–25 mm/day范围内轻微高估,但整体两种方法均改善了原始预报的分布。
**3.2 后处理季节预报的预测技巧**
- **3.2.1 总体预测技巧与提前期依赖性**:确定性分析显示,两种后处理方法均将原始RMSE降低30%以上(BCSD: 2.44 mm/day;AFNOCast: 2.36 mm/day),AFNOCast略优。概率指标CRPS方面,BCSD(均值1.02)略优于AFNOCast(均值1.12),均优于原始SEAS5(1.92)。CRPSS相对原始SEAS5,两种方法中位数约0.3。但提前期依赖性不同:在提前月0(lead month 0),BCSD中位数CRPSS约0.5,优于AFNOCast(约0.4);但从提前月3开始,AFNOCast优势显现,尤其在长提前期。相对气候态的CRPSS中位数仅略大于0(BCSD: 0.04;AFNOCast: 0.02),表明整体改进有限,但BCSD在提前月0达0.2,AFNOCast在长提前期接近0.1。空间分析显示,MAM季节两种方法均明显优于气候态,其中BCSD在短提前期、AFNOCast在长提前期(如8月和9月)表现更好。ROC曲线AUC分析表明,原始SEAS5存在微弱但可检测的大尺度信号,后处理增强此信号;BCSD在多数月份和提前期具备更优的区分能力(尤其短提前期),而AFNOCast在7月及更长提前期表现最佳,例如7月AUC值≥0.6维持至提前月5。
- **3.2.2 降水强度依赖的技巧**:按日降水强度分箱的CRPS分析显示,低至中等强度(≤40 mm/day)时BCSD略优;但对于≥40 mm/day的高强度事件,AFNOCast的CRPS持续更低,且差异随强度增大而扩大,表明DL方法在表征分布尾部方面具备明显优势。
**3.3 极端事件预测**
通过基于阈值的Brier分数(BS)评估极端事件(>40 mm/day)和非常极端事件(>120 mm/day)的预测能力。2019年(高极端频率)和2022年(低频率)的案例分析表明,BCSD在2022年8月错误预测高概率极端降水,而AFNOCast更保守且与观测更一致;2019年5月至6月中旬,AFNOCast捕捉到高概率,而BCSD低估。年平均BS显示,对于>40 mm事件,AFNOCast(0.316)与BCSD(0.317)几乎持平;对于>120 mm事件,AFNOCast(0.376)略优于BCSD(0.386)。尽管年际变异性高,AFNOCast在表示极端事件方面表现出一定优势。
**3.4 降水开始期预测技巧**
基于4月初始化的预报,评估青尼罗河流域(以巴哈达尔点为例)的降水开始期。原始SEAS5能捕捉大致趋势(如2020/2022年偏晚),但中位开始期变异性降低(最大偏差11天),集合离散度宽达80天。两种后处理方法对中位开始期的改变微小,总体预报倾向于气候平均值。像素级Brier分数显示,仅当时间容忍窗口达到±15天时,BS才降至约0.25(即超过气候态技巧),表明在更细时间分辨率上准确预测雨季开始期仍具挑战。两种方法之间差异微小。
**讨论与结论总结**
**讨论部分**:Seasonal AFNOCast在再现空间降水模式方面与BCSD相当,但RAPSD显示其在较小尺度上略有改进。整体预报技巧分析揭示了提前期依赖性差异:BCSD在短提前期更好,而Seasonal AFNOCast在长提前期持续保持技巧,尤其在极端降水事件上表现更优(CRPS和BS均支持)。这与DL模型能够从空间和时间上下文学习修正有关,而非逐像素刚性调整。然而,在降水开始期预测方面,两种方法均未显著提升,可能由于月度训练策略限制了时间上下文整合,以及季节预报中固有的系统性时间偏差。计算效率方面,Seasonal AFNOCast在GPU上仅需1.75分钟,CPU上7分钟,远快于BCSD的约30分钟(并行化),使其适合资源限制的业务环境。
**结论部分(翻译)**:本研究展示了后处理提升季节降水预报的潜力,通过系统性校正偏差、细化空间结构以及相对于原始预报和气候态提高预报技巧。针对青尼罗河流域,研究人员证明了基于深度学习的后处理方法Seasonal AFNOCast能够有效降尺度和偏置校正SEAS5降水预报,改进与参考降雨分布在日和月尺度上的一致性。在确定性和概率性指标上,后处理带来了清晰且一致的技巧提升。RMSE降低确认了系统误差的有效校正,而CRPS和CRPSS的改善表明整个预测分布更贴近参考。比较两种后处理方法发现互补优势:确定性上,Seasonal AFNOCast的RMSE比BCSD低约0.1 mm/day;概率分析显示其整体CRPSS表现与BCSD相当,但在第一个预报月(提前月0)未达BCSD水平,而在长提前期(提前月4至6)优于BCSD。这种长提前期的技巧提升对于气候敏感决策(如农业规划或水库调度)可能特别有价值。后处理还显著改善了预报的空间特征,Seasonal AFNOCast更精细地捕捉小尺度特征和极端降水事件,这点在极端事件检测(Brier分数)和高降水技巧(CRPS)中均有体现。尽管相对于气候态的改进整体温和,但两种方法在MAM季节显著提升了预报技巧,BCSD在短提前期提供主要改进,而Seasonal AFNOCast在长提前期持续保持技巧,尤其在8月和9月。此外,Seasonal AFNOCast的计算效率优势显著,预测时间仅为BCSD的5%–23%。然而,限制仍然存在:两种方法的技巧从根本上受限于SEAS5输入中的大尺度可预测信息;降水开始期和日极端降水的定时和定位技巧有限。未来研究应探索整合额外预测因子(如大尺度大气模式)以增强信息内容。本研究突出了基于深度学习的后处理在复杂地形区域提升季节预报的潜力,结合竞争性技巧和高效业务部署,为面向影响的预报提供了有前景的基础,适用于支持适应、备灾和可持续资源管理的下一代气候服务。