《Atmospheric Research》:U-Net-based spatial synergistic correction of gridded summer precipitation forecasts for CMA-MESO in Central China
编辑推荐:
何广新|吴伟|张志刚|马占山|孙娟珍|陈浩楠|罗静佳•本文提出了一种U-Net模型,用于对中国中部地区CMA-MESO夏季降水预报进行空间协同校正。•所设计的混合损失函数能够兼顾数值精度与空间模式的一致性。•通过Grad-CAM分析发现,随着预报提前期的增加,该模型对特征的关注点
何广新|吴伟|张志刚|马占山|孙娟珍|陈浩楠|罗静佳
- •
本文提出了一种U-Net模型,用于对中国中部地区CMA-MESO夏季降水预报进行空间协同校正。
- •
所设计的混合损失函数能够兼顾数值精度与空间模式的一致性。
- •
通过Grad-CAM分析发现,随着预报提前期的增加,该模型对特征的关注点会从动态特征转向热力学特征。
引言
降水作为地球大气系统中的重要组成部分,直接影响着全球水资源的分布与循环。它不仅是自然的水分输送机制,更是维持生态平衡、农业生产以及社会经济稳定的关键因素(IPCC,2021)。在全球气候系统中,降水通过大气水汽凝结、云形成和地表沉积等过程推动水文循环的动态演变。由于全球70%以上的可耕地依赖自然降雨,降水的变化会直接影响作物产量和粮食安全,任何异常情况都可能引发连锁反应,导致经济损失和社会不稳定。鉴于降水的重要性,人类一直致力于提高天气预报的准确性,以主动降低潜在风险。早期的天气预报系统主要依靠持续性预报(Mittermaier,2008)、统计气候学方法(Agbo,2021)和类比预报(Chattopadhyay等人,2020)等方法,但在处理极端天气时往往难以提供高分辨率的时空信息。相比之下,数值天气预报(NWP)(Lorenc,1986)作为现代预报的主流方法,实现了从经验性方法到科学方法的重大转变。通过建立大气动力学和热力学的数学模型,并在超级计算机上求解偏微分方程组来模拟未来天气的发展,NWP能够提供从几小时到几周不等的精确预报时效。然而,尽管NWP在现代预报系统中占据主导地位,但它仍面临参数化方案存在误差以及计算资源受限等挑战,因此需要不断的技术创新来克服这些问题(Bauer等人,2015)。
为弥补数值模型固有的系统性偏差,气象学家们开发了一系列传统的气象要素预报校正方法,如频率匹配法(Dang等人,2024)、多模型集合预报法(Wei等人,2022)以及贝叶斯模型平均法(Darbandsari和Coulibaly,2022)。频率匹配法通过调整预报分布的累积分布函数,使其与观测数据相匹配,从而有效降低量值偏差。但该方法忽略了预报与观测之间的条件依赖关系,且对时空相关性处理不足(Hamill和Whitaker,2006)。多模型集合预报法通过整合多个数值预报模型的输出结果来降低不确定性,但这种方法需要大量的计算资源;如果各成员模型之间的偏差相似,就无法从根本上解决非线性误差问题(Scheuerer和Hamill,2015)。贝叶斯模型平均法则通过后验权重整合预报结果,能够提供可靠的置信区间,但在非平稳条件下其泛化能力较弱,且对于高度非线性的强降水事件容易产生平滑偏差(Raftery等人,2005)。总体而言,这些传统校正方法大多基于线性或参数化假设,在面对降水具有重尾分布特征(极端值出现频繁)以及复杂的大气动力学约束时存在局限性,无法完全捕捉降水过程的复杂非线性演化规律(Fernández和Sáenz,2003)。随着人工智能技术的快速发展,以机器学习为代表的方法因其强大的非线性映射能力和高维特征提取能力,在气象要素预报校正领域展现出巨大潜力(Sun等人,2019;Sun等人,2021;Zhang等人,2022)。深度学习模型能够从海量数据中学习隐含的模式,超越传统的经验公式,实现更高效的参数化优化。在国际上,Rasp及其同事首次将多层感知器应用于全球气候模型中的参数化优化,这一方法显著提升了降水概率预报的精度(Rasp等人,2018)。Gentine进一步发展了卷积神经网络,用于动态调整转换率权重,从而降低了热带气旋模拟中的误差(Gentine等人,2018)。此后,Transformer、生成对抗网络以及物理信息机器学习等架构也被广泛用于改进云微物理参数化和降水场生成工作(Brenowitz等人,2020;Hess等人,2022;Sarauer等人,2025)。国内研究也紧跟前沿,提出了基于Transformer的加权框架(Yang等人,2024),以及基于深度学习的全球天气预报大型模型,如Pangu-Weather(Liu等人,2025)和FengWu(Chen等人,2025),使得预报精度实现了历史性突破。众多研究表明,神经网络能够有效学习数值预报的误差特征,显著提升降水等气象要素的预报精度(Kim等人,2021;Pan等人,2021)。不过,一些早期的机器学习模型仍存在局限性:例如,支持向量机在长预报时效的大规模校正任务中,其计算复杂度会呈指数级上升(Feng和Chen,2005);而长短期记忆网络虽然能够提升时间相关系数,但由于具有“黑箱”特性且物理可解释性较差,其在观测数据稀少的区域适用性极为有限(Yao等人,2024;Huang等人,2024)。
在此背景下,本研究针对中国气象局区域高分辨率模型CMA-MESO对中国中部地区降水预报所存在的系统性偏差展开研究。为此,我们采用了在图像分割与恢复任务中表现优异的U-Net卷积神经网络。该网络基于“图像到图像”的架构,用于研究网格化降水的空间协同校正问题。通过其独特的编码器-解码器对称结构以及跳跃连接机制,U-Net能够在卷积核滑动过程中有效利用周边信息,建立起中心网格点与周围环境场之间的紧密关联,从而在校正降水数值的同时,最大程度地保持降水场的空间平滑性及精细结构完整性。
章节要点
观测站降水数据
本研究所使用的真实降水数据主要来源于中国气象局建立的密集地面气象观测网。这些观测站通过自动雨量计和翻斗式雨量计实时收集数据,为本研究提供了高时空分辨率的真实数据。
该数据集的优势在于其覆盖范围广,且能够灵敏捕捉复杂的局部天气状况。
分析方法
在本节中,我们首先在不区分预报提前期的情况下,分析该模型的整体校正性能。通过比较原始模型预报结果与使用不同损失函数训练的U-Net模型预报结果——这些损失函数包括单一均方误差损失、Log-Cosh损失以及本研究设计的混合损失函数MUTI——旨在验证混合损失函数在提升数值精度方面的综合效果。
Grad-CAM分析
图10定量展示了模型在处理典型案例时对八项核心气象因子的依赖程度。从顶部的重要性条形图可以看出,复合反射率与U向风速的重要性最高,其标准化重要性得分分别为0.087和0.084。这一结果符合气象学原理,因为复合反射率直接反映了对流强度,而U向风速则决定了水汽的输送情况。
总结
为解决降水量值精度与空间形态特征之间的平衡问题,本章设计了一种混合损失函数,该函数将加权均方误差与可微分的TS评分相结合。实验结果表明,这种函数结合动态权重调度策略,不仅能显著降低数值预报的量值偏差,还能有效抑制降水的虚假扩散现象。
CRediT作者贡献说明
何广新:写作——审稿与编辑,写作——初稿撰写,可视化,验证,软件,方法论,研究。 吴伟:写作——审稿与编辑,写作——初稿撰写,可视化,软件,方法论,研究,正式分析,数据整理,概念构建。 张志刚:写作——审稿与编辑,写作——初稿撰写,可视化,软件,方法论,研究,正式分析,数据整理,概念构建。 马占山:写作——
利益冲突声明
作者声明不存在与本研究相关的利益冲突。
致谢
我们要感谢南京信息工程大学高性能计算中心对本研究提供的支持。同时,也要感谢江苏省气象台为研究提供的雷达回波数据。