基于多要素3D特征提取的短期定量降水預報技術研究

摘要 由于空間分辨率有限、物理參數化方案不夠完善、泛化性較弱等原因，使得傳統業務數值天氣模式 （NWP）在定量降水預報中存在固有偏差，而深度學習神經網絡具有強大的非線性擬合能力、能夠自主性學習到任務相關的關鍵特征、泛化性較高等優勢，有望改善現狀.為此，本文提出一種基于多要素3D特征提取的短期定量降水預報技術.基于歐洲中期天氣預報中心（ECMWF）提供的高分辨率ECMWF-HRES（EC-Hres）模式預報數據，構建3D-QPF（3D-Quantitative Precipitation Forecast）語義分割模型，通過先分類后回歸的耦合框架，捕捉多種降水相關要素數據的3D空間特征，得到與降水實況數據間的非線性關系，并增加準確率和召回率損失函數，進一步提升模型對偏態數據的預報效果.實驗結果表明，3D-QPF的逐日累積降水預報不僅在晴雨量級（0.1 mm/（24 h））準確率評分穩定增長，在暴雨量級（50 mm/（24 h））的準確率評分也有明顯提升，暴雨量級較EC-Hres的TS評分最高提升了15.8%，RMSE優化達到18.71%.經過長期檢驗，3D-QPF模型與EC-Hres、中國氣象局全球模式（CMA-GFS）預報以及2D-Unet和3D-Unet等經典網絡模型相比做出了有效的預報訂正效果.此外，隨著預報時效延長至72 h，模型的優化效果仍能夠保持相對穩定.

關鍵詞 定量降水預報;語義分割;偏態數據;耦合方式

中圖分類號P457.6;TP18

文獻標志碼A

0 引言

傳統的數值天氣預報（Numerical Weather Prediction，NWP）方法^[1]需要大量的氣象觀測數據和計算資源來支撐其復雜的氣象動力學模擬，但隨著時間的推移，數據的精度和存儲方式可能發生變化，導致長期維護數據的完整性變得更加困難;且傳統NWP使用的物理參數化方案對特定環境較為敏感，需根據不同的天氣狀況、地理和氣候等條件進行調整.因此，NWP方法難以統一適用于各種氣候條件，在預報準確性和泛化性上出現瓶頸^[2].

近年來，計算機中數據的存儲能力、計算能力呈指數級提升，深度學習憑借其高效的數據處理能力^[3]，可有效改善物理機制的不確定性，在氣象上的應用逐漸增加.從優化或替代模式參數化方案的“軟”AI，到針對數值模式進行后處理的“中度”AI，目前已發展至通過深度學習模型由實況觀測數據直接預報的“硬”AI預報方式^[4].如FuXi^[5]、Pangu^[6]、MetNet等^[7]大模型，均脫離數值模式預報，直接采用多層等壓面、多要素的再分析網格實況數據與預報數據之間的多元非線性關系搭建模型^[8-9]，在短中期、延伸期的部分要素的預報效果與主流NWP效果持平或更優，但由于輸入因子、預報尺度及模型選擇等問題，存在對極端天氣、中小尺度系統（城市熱島、強對流等）、下墊面地形等影響考慮不足的問題.最新研究發現，大模型在預報降水、2 m氣溫、10 m風時并未達到理想效果^[10]，但在臨近時效的降水、氣溫、風等要素預報中，“硬”AI已有較為成熟的方案和應用.如Wang等^[11-12]提出并改進的PredRNN和PredRNN++模型，在LSTM的基礎上增強網絡對雷達回波圖序列中空間變形和時間變化的學習能力；韓瑩等^[13]通過增加加權寬度學習系統（BLS），改善臨近降水預報中存在的過擬合、時滯等現象.在短中期預報中，由于實況與預報的時間間隔較遠、關聯性較弱，數值模式中的大氣物理過程難以替代，故更傾向于“中度”AI預報方式.溫度、濕度等常規氣象要素在大量觀測數據下呈現趨向正態分布的特征，為深度學習方法提供了相對容易的預測條件^[14-15].而降水、風速等氣象要素中存在發生頻率相對較低的極端事件（如強降水、颶風等），導致數據呈現出強偏態分布且具有長尾分布，且上述生成過程受局部地形、氣象系統相互作用、對流及云微物理過程等多方面影響，故降水、風速等在短中期預報中需要引入更多的相關輸入因子^[16-17].在深度學習模型選擇上，以CNN（卷積神經網絡）^[18]為基礎的模型憑借其結構簡單穩定、訓練速度快、泛化能力強等優勢，相較GAN^[19]、Transformer^[20]、Deffusion^[21]為基礎的復雜模型結構，在預報準確率提升上展現出廣闊的應用前景.史加榮等^[22]通過在特征提取前增加集合經驗模態分解（EEMD），將風向序列提前分解為多個分量，改善風向序列的隨機性和不平穩性等問題;Song等^[23]在U-Net結構中加入殘差結構和注意力，以增強模型在格點降水預報中的空間關注度.研究表明，在短期定量降水預報研究中，將CNN與數值模式相結合的“中度”AI預報方式擁有巨大潛力^[24].

在利用深度學習訂正NWP的短期降水預報任務中，想要獲得準確率更高的客觀降水預報效果，需在模型中針對要素非正態分布、樣本失衡、生成過程復雜（影響因子較多）、物理可解釋性較弱等問題進行具體的優化調整.本實驗模型（3D-QPF）整體采用先分類后回歸的耦合框架，以減少極端值樣本與大樣本的數量差距.在分類模型中以語義分割模型Unet為基礎，通過增加3D殘差注意力模塊及模型結構的優化，對大氣系統中復雜三維特征的捕捉能力和對損失函數的調整以增強模型對強降水等小樣本事件的關注度.基于大量實驗驗證，3D-QPF模型在針對EC-Hres數據的24～72 h后24 h的累計降水量預報訂正任務中，相較EC-Hres、中國氣象局全球模式（CMA-GFS）預報以及2D-Unet和3D-Unet等經典網絡模型預報效果相比，在晴雨量級（降水量：0.1 mm/（24 h））至暴雨量級（降水量：50 mm/（24 h））上均獲得更高的準確率.本文結構如下：第2節介紹數據資料;第3節詳細介紹3D-QPF模型及各個模塊;第4節對不同數據處理方式和模塊組合的實現效果進行分析，并與EC-Hres模式及CMA-GFS模式預報結果進行對比;第5節給出結論與展望.

1 數據資料

1.1 輸入模式數據

本文選擇使用由歐洲中期天氣預報中心（ECMWF）提供的2018—2022年全球高分辨率ECMWF-HRES（EC-Hres）模式預報數據^[25-26]，包括位勢高度、氣溫、相對濕度、風速、2 m氣溫、地形等與降水生成過程密切相關的氣象要素，涵蓋地面層及13個標準等壓面層的預報信息.由于NWP受網格分辨率的限制，在較低的網格分辨率中可能無法充分捕捉大氣中的小尺度變化過程，迫使NWP在一定程度上簡化描述大氣中眾多物理過程，這也被稱為“初始條件不確定性”，同時對于預報后續復雜對流過程更是會帶來一系列“累計誤差”^[27].即便是在較高分辨率下，不同對流活動、地形所對應的物理化參數方案等均需做出適應性的調整.上述原因使得EC-Hres模式預報時存在一定的系統性偏差，需要進行后續訂正來消除此類偏差^[28].

地面層和高空層要素的原始空間分辨率分別為0.125°×0.125°和0.25°×0.250°，統一雙線性插值為0.1°×0.1°（1°約為111 km，網格數據大小為171×251）.本文研究區域為我國中東部地區，該區域涵蓋溫帶季風氣候、亞熱帶濕潤性季風氣候和熱帶季風氣候，夏季高溫多雨，同時城市的經濟發展與當地降水情況之間存在較高的相關性^[29].預測區域橫跨20°～37°N，98°～123°E（圖1）.實驗采用2018—2021年合計4年預報數據構建訓練集，2021年7—9月數據為驗證集，2022年整年的數據作為測試集.輸入的EC-Hres預測因子如表1所示.

1.2 標簽觀測降水量

CLDAS（Global Land Data Assimilation System）是中國氣象局國家氣象信息中心研發的一種地面氣象觀測數據同化系統，整合了地面站點觀測資料、衛星遙感資料和歐洲中期天氣預報中心數值預報資料等多源資料.通過多重網格變分融合與同化技術（STMAS）融合全國３萬多個觀測站數據^[30]，結合最優插值（OI）、概率密度函數匹配（CDF）、物理反演和地形校正等技術，生成高質量的地面氣象要素數據^[31].CLDAS產品主要包含溫度、壓力、風速、降水量、濕度和太陽短波輻射等.該數據集覆蓋亞洲區域，具體范圍包括0°～65°N，60°～160°E，并采用0.05°×0.05°的空間分辨率.研究表明，相較國際同類別產品，GLDAS產品在許多區域具有更高的精度和可靠性^[32-33].本文使用CLDAS的逐日累積降水實況作為訓練標簽，并將CLDAS標簽雙線性插值為0.1°×0.1°，與模式因子的處理一致.

2 3D-QPF深度學習模型

2.1 三維空間特征提取

降水預報是一個有較高的非線性復雜度的任務，其生成和變化涉及多種氣象因素間的相互作用和地理條件的影響，如果僅考慮簡單擬合NWP的降水預報數據與降水觀測，未對降水預報數據提供任何補償信息，模型也無法學習到相關要素的復雜影響關系，從而難以提升極端降水的預報效果.同時，傳統的氣象預報模型通常是不考慮高度層關系的二維結構，而三維模型能更有效地捕捉到大氣系統中的空間特征及不同高度下各氣象變量之間的關系，可以更好地提取諸如低壓系統、切變線、鋒面等降水相關天氣系統的不同垂直和水平三維分布特征^[24，34]，這在“Pangu”大模型中已得到充分驗證^[6].因此，在數據整合中增加空間維度，按要素種類、高度層將二維平面構造為四維數據，實現在大氣系統的三維空間中建模，將所有二維卷積、池化等操作三維化，以更好地提取降水從生成至消散的演化過程.

2.2 耦合主體框架

本文提出了一種3D多要素降水預報訂正模型3D-Quantitative Precipitation Forecast（3D-QPF）（如圖2所示，圖中方塊下的數字代表當前特征圖維度的）.將EC-Hres模式預報數據作為輸入要素因子，利用短期預報時效（24 h/48 h/72 h）氣象要素數據與對應的CLDAS標簽數據24 h累積降水量分別構建3套模型，進行獨立訓練和預測.

該模型由分類和回歸2個部分耦合而成：1）分類部分采用3D-Unet架構^[35]，并對其進行優化擴展，包括殘差CBAM（ReConv CBAM，圖2中黃色箭頭）、3D池化層（Max Pooling，圖2中紅色箭頭）、3D雙線性上采樣等（UPCC，圖2中深綠色箭頭），該部分進行分類任務的訓練，以預測降水量的離散級別;2）回歸部分采用CNN（圖2中淺綠色箭頭），利用分類任務中得到的各離散級別對累計降水量做精細化擬合任務.通過這種耦合方式，可有效減少極端值樣本與大樣本之間的數量差距，從而改善模型易受到大樣本（無雨及晴雨情況）的影響的問題，使得模型預報準確率得到提升.

2.2.1 3D-Unet分類模型

首先將標簽降水量處理為以下7種常見情況（表2）.日均降水量超過50 mm的降雨情況會對農業、城市排水系統、交通等產生重大影響，故在模型中需重點關注.

基于U-Net模型可以有效捕捉圖像中的多尺度信息及定位目標邊界的優勢，分類任務階段所使用的3D-Unet優化模型同樣由編碼器和解碼器組成.編碼器主要利用3D池化層做下采樣，有選擇性地保留關鍵特征，并降低特征圖的尺寸，在提高泛化性的同時使得后續神經元獲得更大的感知視野.同時，為模型能夠更好地學習到不同要素之間和要素在各垂直高度層之間的關聯性和關注度差異，引入殘差CBAM.編碼器部分最終將特征圖像大小減小到輸入圖像的1/16.解碼器采用3D雙線性上采樣取代原網絡架構中的反卷積模塊，在不引入新參數的情況下擴大特征圖，使得網絡參數量和計算復雜度得到優化，且具有更好的泛化能力.在此過程中，從較低分辨率到較高分辨率特征圖中會引入一些冗余或無關信息，故在上采樣過程中增加殘差CBAM注意力模塊幫助網絡聚焦于重要特征，抑制無關信息，從而實現更精細和準確的特征表示.并通過跳過連接（skip-connection，圖2中灰色箭頭）將底層和高層的特征進行融合，從而實現多尺度的特征表示和傳遞，在緩解梯度消失問題的同時加快訓練收斂.然后利用1×1的卷積層（Conv 1×1，圖2中深藍色箭頭），將結果映射為7個等級的預測概率，取概率最大的級別（argmax，圖2中淺藍色箭頭）作為模型結果輸出.最后，由于預測范圍較廣，周圍點可以提供更多的上下文信息，在模型輸出結果中選取各點及其周圍的3×3區域（共9個點）作為一個局部區域，并從這個局部區域中選擇最大預測級別作為該點分類網絡最后的預測結果.

分類任務中引入的殘差CBAM選擇沿用經典CBAM模型的主體思想，分為通道注意力和空間注意力^[36]，并將其推廣至3D卷積網絡中（圖3）.

通道注意力模塊（Mch，式（1））通過學習不同要素之間的依賴關系，確定各要素對最終特征表示的貢獻程度.使用三維自適應平均池化（圖3中AvgPool）和三維自適應最大池化（圖3中MaxPool）來整合全局信息，然后經多層感知器網絡（圖3中MLP）提高模型的表達能力，將得到的特征信息逐像素求和（圖3中），并采用Sigmoid激活函數（圖3中）將其映射到[0，1]范圍內，最后將得到的通道權重與輸入特征圖相乘（圖3中），使模型更專注于相關性更高的要素特征.

空間注意力部分（Ms，式（2））則通過卷積操作確定哪些高度層對降水量的預測更為重要，需受到更多的關注，生成了包含每個高度層的位置權重信息的注意力圖，大小與輸入特征圖相同.然而，引入CBAM模塊可能會帶來額外的參數和對梯度產生不穩定的影響.為增強模型訓練的穩定性，在CBAM模塊之外添加了一層殘差跳躍連接，將輸入的特征直接添加到輸出中，避免特征信息丟失，確保梯度能夠通過跳躍連接直接反向傳播到較早的層次，有助于提高訓練的穩定性.

Mch=X⊙Sigmod｛MLP（avg（X））+MLP（max（X））｝，（1）

Ms=X⊙Sigmod{Conv^7×7×7（Favg;Fmax）}.（2）

式（1）中：X表示當前網絡層輸入特征圖;⊙表示矩陣點乘;Sigmod表示Sigmoid激活函數;MLP表示多層感知器;avg表示三維自適應平均池化;max表示三維自適應最大池化.式（2）中：Favg、Fmax分別表示取最大值和取平均的操作;Conv^7×7×7表示使用7×7×7的三維卷積核進行卷積操作.

2.2.2 CNN回歸模型

由于在分類任務3D-Unet模型中，獲得的離散降水級別呈現塊狀特性，故在回歸任務中需做出精細化預報.而CNN的分層結構使其能夠逐步提取抽象特征，并通過卷積核滑動窗口來捕捉輸入數據的局部特征，故在擬合非線性關系的回歸任務中常表現出良好的效果.首先對分類模型中得到的離散級別、對應級別發生的概率以及EC-Hres模式預報降水量進行整合、標準化、歸一化以確保數據處于相同的尺度，然后構建一個包含三個卷積層的模型，每個卷積層之后跟著一個ReLU激活函數，使網絡能夠學習并表示更復雜的非線性關系的函數，最后添加一個全連接層，將卷積層提取的特征轉換為最終的輸出，并限制在分類模型預測級別內以保證誤差范圍不會擴大，在保證模型穩定性的同時進一步擬合累計降水量數值.

2.3 損失函數

在深度學習模型中，選擇適用的損失函數對于模型的訓練和性能至關重要.分類任務中常用的損失函數包括交叉熵損失函數（Cross-Entropy Loss，CEL，式（3））和焦點損失函數（Focal Loss），它們在影響模型的收斂速度、性能以及對樣本不均問題的適應能力方面具有不同的優勢.Focal Loss通過降低易分類樣本的權重^[37]而突出難分類的樣本，以解決各類別之間樣本不平衡的問題.但Focal Loss的性能在很大程度上受到其參數gamma的影響，而選擇合適的gamma值較為困難.與之相反，交叉熵損失函數作為一種廣泛應用于多分類任務中簡單而有效的損失函數，在本任務中表現出了較好的基礎性能.

CEL=-1N∑Ni=1［one_hot（yi）×log i］.（3）

式（3）中：N為特征圖總點數;yi為模型輸出未經softmax處理的值，yi∈[0，6];i為模型輸出進行softmax處理后的值，i∈[0，1];one_hot（yi）為真實值的one_hot編碼，本模型為7種分類，如果yi=2，則one_hot（yi）=[0，0，1，0，0，0，0].

由于暴雨數據的樣本相對較少，導致模型預報整體傾向于小量級降水.根據世界氣象組織對定量降水預報準確率的評分標準（TS指標，統計模型正確預報的降水在所有實況降水及預報降水中的占比）^[38]，本文設計了PR損失函數（PRL，式（4）），與Tversky損失函數^[39]（TL，式（5））類似，通過調節準確率（P，式（6））和召回率（R，式（7））使損失函數值最小化來解決模型預測中漏報和空報的問題.但常用于二分類問題中混淆矩陣（包括真正例TP、真負例TN、假正例FP和假負例FN）的值均為離散值，存在不可微分的問題.由此引入Sigmoid函數近似階躍函數，將α閾值級別和預測降水量等級之間做差后經過Sigmoid函數，使其轉化為連續且可微的形式^[40]，然后與標簽降水量等級中大于α閾值級別的點進行點乘運算（式（8）—（11）中使用⊙表示）.本實驗中采用PRL與CEL相結合的損失函數（式（12）中采用L表示），以提升模型對于暴雨事件的關注度.

PRL=1N∑Ni=1［（1-P×R）/（10×P×R-1）］，（4）

TL=

1N∑Ni=11-P×R+γP×R+αP（1-R）+β（1-P）R+γ，（5）

P=TP/（TP+FP），（6）

R=TP/（TP+FN），（7）

TP=1N∑Ni=1［（ytruegt;α）⊙Sigmod（ypre-α）］，（8）

TN=1N∑Ni=1［（ytruelt;α）⊙Sigmod（α-ypre）］，（9）

FN=1N∑Ni=1［（ytruegt;α）⊙Sigmod（α-ypre）］，（10）

FP=1N∑Ni=1［（ytruelt;α）⊙Sigmod（ypre-α）］，（11）

L=CEL+λ×PRL.（12）

圖4 TL與PR損失函數變化趨勢對比

Fig.4 Comparison of Tversky Loss （TL） and Precision-Recall （PR） loss trends

式（4）中：N為樣本數量;P為模型預測準確率;R為模型預測召回率.式（5）中：α、β、γ為超參數，α +β=1且0lt;α，βlt;1，γ=1.式（6）、（7）中：TP為模型預測有雨且標簽預報有雨（真正例）個數;TN為模型預測無雨且標簽預報無雨（真負例）個數;FP為模型預測有雨且標簽預報無雨（假正例）個數;FN為模型預測無雨且標簽預報有雨（假負例）個數.式（8）、（9）、（10）、（11）中：ytrue為標簽降水量等級，α為設定閾值級別，本實驗中設定為5（降水量大于等于25 mm時為第五等級）;ypre為模型預測降水量等級.式（12）中：L表示模型最終損失值;CEL表示模型經CE損失函數得到的部分損失值;超參數λ=0.1;PRL為模型經PR損失函數得到的部分損失值.

由圖4 a可知，TL的值在一定范圍內會先增大后減小，因此當P和R較小時，會出現負優化效果;而圖4 b中PRL在[0，1]范圍內均保持正面優化效果，在調整P和R時更加穩定.

由圖5可知：當R較大、P較小時，模型會傾向于過度預測正例而沒有充分考慮準確率，這時P的導數會急劇上升，迫使損失函數值向圖像的右方（P增大）進行修正，以改善模型的預測結果;相反，當P較大時，損失函數會傾向于將模型的預測結果修正為更高的召回率，驅使損失函數朝著圖像的上方（R增大）進行調整.在模型擬合的過程中，當累計降水量越大時，P和R初始值較小，損失函數值較為接近梯度下降為0的區域.為避免梯度爆炸，在后續梯度更新中步幅調整采用漸進式先增加后減小的策略，在提高模型性能的同時確保模型的穩定性和收斂性.

回歸部分的CNN網絡是通過均方根誤差（RMSE）衡量模型預測的累計降水量與觀測值之間的差異，量化模型的性能，進一步精細化擬合降水量.

RMSE=1N∑ni=1（yi-）2.（13）

式（13）中：yi表示標簽降水量;為模型預測降水量.

2.4 數據分析及處理

在自然天氣中，無雨及晴雨的情況占據絕大多數，使得原始降水數據中包含許多沒有降雨數據的條目，如將原始數據直接輸入會導致模型傾向于預報無降水的情況^[41]（圖6a）.故將數據集中存在晴雨的區域占總預測面積大于50%的樣本篩選出來，同時，為避免減少本就為數不多的暴雨數據，在預報中只要存在暴雨的條目就會被保留（原始數據條目為1 440，篩選晴雨占比大于20%數據條目為1 345，篩選晴雨占比大于50%數據條目為1 323，損耗未產生較大影響）.經數據篩選后（圖6 b）仍呈現為非高斯（非正態）和非對稱分布的偏態數據特性，而在深度學習模型中，權重初始化、算法的優化等均依賴于正態分布的數學特性.本研究應用對數變換（式（14），X為需經對數變換的累計降水量，單位為mm）將EC-Hres模式預報累計降水量數據轉換為接近正態分布的比例，并將全部輸入數據按照要素種類、高度層進行獨立標準化.

Y→10lg X， X≥0.1;-15，其他.（14）

3 結果與分析

3.1 實驗方案

3D-QPF模型的訓練采用NVidia CUDA庫和NVidia RTX 4090（GPU），Adam優化器^[42]，初始學習率設置為0.001，批次大小為2.在前50個epoch（訓練輪次）期間，保持學習率不變，以充分學習數據的非線性關系.后續以每4個epoch評估一次大于0.1 mm累計降水量的TS評測結果，通過StepLR方法（通過乘法因子降低學習率）自適應調整學習率，如果該評測結果未增長，則將學習率降低為當前值的1/10.整體訓練完成約150個epoch，約24 h.此外，如果評測結果在連續20個epoch內沒有提升，則保存表現最佳的模型權重并提前終止訓練.本實驗中采用TS評分作為主要評估指標，并同時關注Bias（預報降水相對于實況降水的面積偏差）、POD（模型正確預報的降水在所有實況降水中的占比）和FAR（模型在未出現實際降水的情況下誤報的降水在全部預報降水中的占比）等指標，以確保模型的性能優越.每日的降水量預測可以在10 s內完成，使得3D-QPF模型在預測工作中具有高度的適用性和實用性.

3.2 模型架構性能評估

為了驗證本研究提出的3D-QPF模型中各模塊的有效性，以2022年全年24 h預報時效的逐日累積降水量預測數據為例進行消融實驗分析（表3）.1）2D-Unet+RMSE：經典2D-Unet模型與RMSE損失函數直接擬合降水量作為實驗基線;2）2D-Unet+CE：經典2D-Unet模型與CE損失函數做分類任務;3）3D-Unet+CE：經典3D-Unet模型與CE損失函數做分類任務;4）3D+CBAM+CE：在實驗3）的基礎上引入殘差CBAM模塊;5）3D+CBAM+CE+PRL：在實驗4）的基礎上將CE損失函數更換為CE與PRL相結合的損失函數;6）3D-QPF：在實驗5）的基礎上增加CNN回歸模型的耦合處理方式.在后續所有對比實驗中：TS-i，Bias-i，Pod-i分別表示累計降水量大于i（mm）的TS，Bias，Pod評分，如TS-0.1代表累計降水量大于0.1 mm的TS評分;評測指標后↑表示該指標數值越大效果越好，↓表示該指標數值越低效果越好;|1|^*表示該指標數值越接近1效果越好.

由表3可知：實驗1）中直接對降水量值進行擬合時，模型僅能提供粗略的范圍預報，會導致較高的誤報率（Bias-50遠大于1）;將擬合問題轉化為分類問題的實驗2）中，雖在暴雨情況下效果沒有明顯改善，但TS評分呈現整體上升的趨勢;實驗3）中3D模型的改動對強降水事件（降水量大于50 mm）大范圍覆蓋誤報的問題有了明顯好轉，相較實驗1）Bias-50（指標與最優值1.000）的絕對誤差減少了42.25%，RMSE評分降低了10.01%，強調了對大氣系統的三維空間建模的重要性;在增加殘差CBAM模塊的實驗4）中，模型能夠更好地學習到降水的區域特性和各要素間關注度的差異，預測準確率和精確度性能均顯著提升，TS指標整體性能相較實驗1）均有提高，但仍存在強降水預報偏低的問題.為此，在實驗5）中增加PRL損失函數有針對性地優化強降水事件的預測效果，相對于實驗1），TS-50增加了27.27%，Bias-50提升至1.286，在允許出現一定過報的基礎上進一步提升了強降水預報性能.實驗6）中，在增加回歸模型后的耦合模型雖在預測準確率上無法得到提升，但相較實驗1），RMSE下降13.19%.

3.3 數據處理比對評估

為驗證本研究中數據的選擇及其處理方式的有效性，以2022年24 h預報時效的24 h累計降水量預測數據為例，進行對比實驗分析.

根據表4實驗結果，第2組實驗原始降水經深度學習模型訓練后，首先改善高頻樣本（TS-0.1、TS-5）的預報表現，較原始模式（第1組）分別提升1.82%和3.38%，但強降水的TS-50指標反而下降31.72%.在第3、第4組實驗進行了數據篩選和對數處理后，將強偏態分布的原始降水（≥0.1 mm）調整為類正態分布（圖6c），在第4組結果中累計降水量大于50 mm的TS評分（TS-50）較第2組提升38.38%.前4組實驗中僅輸入單一降水要素進行擬合時，在強降水預報上仍不如第1組中EC-Hres模式預報效果好.第5、第6組實驗加入多種相關要素以及3D結構處理后，模型效果再次顯著提升，第6組實驗相較第1組，TS-50提升了15.86%.

3.4 各時效性能評估

為驗證本研究所提出的3D-QPF模型性能，對2022年全年數據的24 h、48 h、72 h后24 h累計降水量從大于0.1 mm至大于50 mm全量級效果檢驗，并與同期國內數值模式預報結果進行對比分析，結果如表5所示.

根據表5的數據，隨著預報時效的增加，輸入數據EC-Hres模式預報效果逐漸降低，但3D-QPF模型的表現相對穩定，在保持TS整體評分效果提升的同時，在累計降水量大于50 mm的災害性降水預報中，24 h、48 h和72 h三種預報時效相較EC-Hres模式結果TS-50分別提升15.86%、5.88%和6.12%，與CMA模式預報相比TS-50分別提升61.53%、51.81%、57.58%.由于輸入的EC-Hres模式預報中累計降水量大于50 mm的數據在整體中占比隨著時效延長逐漸降低，使得模型預報更傾向于小量級降水，導致預報范圍會隨之縮小，在Bias-50上表現為數值逐漸變小.此外，3D-QPF模型降水量擬合的精細化（RMSE）上也表現出顯著提升，在72 h預報時效中，本文模型預測結果較EC-Hres模式預報的RMSE減小18.71%，與CMA模式預報相比，RMSE下降了30.13%.

3.5 天氣個例分析

為了更加直觀和定量化地展示本研究所提出的3D-QPF模型較EC-Hres模式的優化效果，以24 h、48 h、72 h三種時效累計降水量進行個例對比分析，結果如圖7和表6所示.

由圖7a可以看到長江中下游區域、湖北北部地區及河南南部地區出現大規模強降雨事件.3D-QPF模型三種時效預測結果與標簽預報結果（圖7a）較為接近，而在EC-Hres模式預報中幾乎未能大面積捕捉到極端暴雨事件.在72 h的預報時效中，3D-QPF模型預測結果中雖然暴雨區域覆蓋不夠完整，但總體趨勢仍集中于湖北省北部地區，而在EC-Hres模式預報中將暴雨區域誤報為主要集中在安徽南部區域.由表6可知，3D-QPF模型不僅在三種預報時效中TS-50的評分超EC-Hres模式，在降水量擬合精細化（RMSE）方面也有較大提升.

從測試集中再次抽取個例暴雨天氣情況進行數據詳情比對分析，結果如表7所示.我國南部降水較多，存在較多局部暴雨情況，且易受臺風等強對流天氣影響，表7中共分析5個強對流過程，包括急流、臺風、冷渦等典型強降水系統，本模型3D-QPF整體表現均優于EC-Hres模式預報效果，其中：2022年3月30日24 h預報時效TS-50提升達48.60%;2022年9月3日24 h預報時效RMSE降低44.97%.在5個強對流過程中，24 h預報時效TS-50平均提升22.22%，RMSE平均優化15.99%.

4 結論與討論

本研究提出的3D-QPF模型是一種人工智能降水預報訂正模型，基于傳統U-Net架構，修改其內部結構和對損失函數進行調整，并采用先分級后細化的耦合方式，以提高降水（強降水）預報的準確性.實驗結果表明：3D-QPF模型在短中期降水預報任務中表現出色，優于EC-Hres模式和CMA模式結果，與觀測值的擬合度較高，且具有較高靈活性，可以根據用戶需求使用不同時效數據進行自主訓練，以實現多種時效的降水預報.但在預報任務的優化過程中有以下問題需著重關注：1）訂正前的數據質量決定著模型基礎性能，是決定最終效果的基石，對于自然條件下暴雨數據屬于強偏態數據，需進行一定的預處理使得數據更符合正態分布才能保證模型有效性;2）復雜的對流天氣過程的演化不能僅僅依靠過去時刻已發生的單一數據進行時序推演，需要結合氣象專家知識，選擇相關性較高的氣象要素作為信息補償進行融合預報;3）符合大氣系統三維空間結構的數據建模，相較二維數據能夠使得模型更好地理解天氣現象的演化過程，其中地面因素和高空因素都很重要;4）對于小樣本事件的預測需要針對性地增加模型對該事件的關注度或是預報傾向;5）算法的選擇應與數據基礎、預報對象、運行環境等相匹配，不存在永遠為最優選擇的方法.

本研究方法雖彌補其他模型在捕獲空間信息方面的不足，具備一定的訂正能力，但在使用方法上較為單一.由于算力有限，未通過提取數據的語義信息對模型預報進行直接的信息補償工作，只能利用氣象要素間的相關性對模型進行間接優化，同時，在回歸任務中非線性擬合能力還需進一步提高，尤其是對于大暴雨的擬合精確性，以更好地滿足實際應用需求，盡可能減少極端天氣帶來的生命危險及財產損失.

參考文獻References

［1］杜行遠.數值天氣預報簡介[J].氣象，1979，5（3）：5-8

DU Xingyuan.Brief introduction of numerical weather forecast[J].Meteorological Monthly，1979，5（3）：5-8

[2] 楊絢，代刊，朱躍建.深度學習技術在智能網格天氣預報中的應用進展與挑戰[J].氣象學報，2022，80（5）：649-667

YANG Xuan，DAI Kan，ZHU Yuejian.Progress and challenges of deep learning techniques in intelligent grid weather forecasting[J].Acta Meteorologica Sinica，2022，80（5）：649-667

[3] LeCun Y，Bengio Y，Hinton G.Deep learning[J].Nature，2015，521（7553）：436-444

[4] Chantry M，Christensen H，Dueben P，et al.Opportunities and challenges for machine learning in weather and climate modelling：hard，medium and soft AI[J].Philosophical Transactions Series A，Mathematical，Physical，and Engineering Sciences，2021，379（2194）：20200083

[5] Chen L，Zhong X H，Zhang F，et al.FuXi：a cascade machine learning forecasting system for 15-day global weather forecast[J].NPJ Climate and Atmospheric Science，2023，6：190

[6] Bi K F，Xie L X，Zhang H H，et al.Accurate medium-range global weather forecasting with 3D neural networks[J].Nature，2023，619（7970）：533-538

[7] Snderby C K，Espeholt L，Heek J，et al.MetNet：a neural weather model for precipitation forecasting[J].arXiv e-Prints，2020，arXiv：2003.12140

[8] Tompson J，Jain A，LeCun Y，et al.Joint training of a convolutional network and a graphical"" model for human pose estimation[C]//Proceedings of the 27th International Conference on Neural Information Processing System.December 8-13，2014，Montreal，Canada.ACM，2014：1799-1807

[9] Yan Y，Lee F F，Wu X Q，et al.Face recognition algorithm using extended vector quantization histogram features[J].PLoS One，2018，13（1）：e0190378

[10] Ben-Bouallegue Z，Clare M C A，Magnusson L，et al.The rise of data-driven weather forecasting[J].arXiv e-Print，2023，arXiv：2307.10128

[11] Wang Y B，Long M S，Wang J M，et al.PredRNN：recurrent neural networks for predictive learning using spatiotemporal LSTMs[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems.December 4-9，2017，Long Beach，California，USA.ACM，2017：879-888

[12] Wang Y，Gao Z，Long M，et al.PredRNN++：towards a resolution of the deep-in-time dilemma in spatiotemporal predictive learning[C]//International Conference on Machine Learning.July 10-15，2018，Stockholm，Sweden.PMLR，2018：5123-5132

[13] 韓瑩，管健，曹允重，等.LSTM-WBLS模型在日降水量預測中的應用[J].南京信息工程大學學報（自然科學版），2023，15（2）：180-186HAN Ying，GUAN Jian，CAO Yunzhong，et al.Application of improved LSTM-WBLS model in daily precipitation forecast[J].Journal of Nanjing University of Information Science amp; Technology （Natural Science Edition），2023，15（2）：180-186

[14] 王紹武.短期氣候預測的可預報性與不確定性[J].地球科學進展，1998，13 （1）：9-15

WANG Shaowu.Predictability and uncertainty in short-term climate prediction[J]Advance in Earth Sciences，1998，13 （1）：9-15

[15] 智協飛，王田，季焱.基于深度學習的中國地面氣溫的多模式集成預報研究[J].大氣科學學報，2020，43（3）：435-446ZHI Xiefei，WANG Tian，JI Yan.Multimodel ensemble forecasts of surface air temperature over China based on deep learning approach[J].Transactions of Atmospheric Sciences，2020，43（3）：435-446

[16] 左洪超，呂世華，胡隱樵.中國近50年氣溫及降水量的變化趨勢分析[J].高原氣象，2004，23（2）：238-244ZUO Hongchao，LYU Shihua，HU Yinqiao.Variations trend of yearly mean air temperature and precipitation in China in the last 50 years[J].Plateau Meteorology，2004，23（2）：238-244

[17] 施能，陳綠文，林振敏.全球降水與區域性季風降水相關分析[J].氣象科技，2002，30（2）：73-79SHI Neng，CHEN Lüwen），LIN Zhenmin.Correlation analysis between global precipitation and regional monsoon precipitation[J].Meteorological Science and Technology，2002，30（2）：73-79

[18] LeCun Y，Bottou L，Bengio Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：2278-2324

[19] Price I，Rasp S.Increasing the accuracy and resolution of precipitation forecasts using deep generative models[C]//International Conference on Artificial Intelligence and Statistics.March 30-April 1，2022，Valencia，Spain.PMLR，2022：10555-10571

[20] Civitarese D S，Szwarcman D，Zadrozny B，et al.Extreme precipitation seasonal forecast using a transformer neural network[J].arXiv e-Print，2021，arXiv：2107.06846

[21] Chen L，Du F，Hu Y，et al.SwinRDM：integrate SwinRNN with diffusion model towards high-resolution and high-quality weather forecasting[J].Proceedings of the AAAI Conference on Artificial Intelligence，2023，37（1）：322-330

[22] 史加榮，緱璠.基于EEMD-CNN-GRU的短期風向預測[J].南京信息工程大學學報（自然科學版），2023，15（5）：568-573SHI Jiarong，GOU Fan.Short-term wind direction forecast via EEMD-CNN-GRU[J].Journal of Nanjing University of Information Science amp; Technology （Natural Science Edition），2023，15（5）：568-573

[23] Song K，Yang G W，Wang Q X，et al.Deep learning prediction of incoming rainfalls：an operational service for the city of Beijing China[C]//2019 International Conference on Data Mining Workshops （ICDMW）.November 8-11，2019，Beijing，China.IEEE，2019.DOI：10.1109/icdmw.2019.00036

[24] Zhou K H，Sun J S，Zheng Y G，et al.Quantitative precipitation forecast experiment based on basic NWP variables using deep learning[J].Advances in Atmospheric Sciences，2022，39（9）：1472-1486

[25] Bauer P，Thorpe A，Brunet G.The quiet revolution of numerical weather prediction[J].Nature，2015，525（7567）：47-55

[26] Hersbach H，Bell B，Berrisford P，et al.The ERA5 global reanalysis[J].Quarterly Journal of the Royal Meteorological Society，2020，146（730）：1999-2049

[27] 宮宇，代刊，徐珺，等.GRAPES-GFS模式暴雨預報天氣學檢驗特征[J].氣象，2018，44（9）：1148-1159GONG Yu，DAI Kan，XU Jun，et al.Synoptic verification characteristics of operational GRAPES-GFS model heavy rain event forecast[J].Meteorological Monthly，2018，44（9）：1148-1159

[28] 邱輝，郭云謙，李帥，等.ECMWF集合降水預報在長江流域應用性能評估[J].人民長江，2020，51（2）：71-76QIU Hui，GUO Yunqian，LI Shuai，et al.Application performance assessment on ECMWF ensemble prediction system in Yangtze River Basin[J].Yangtze River，2020，51（2）：71-76

[29] 陸振宇，孔小翠，張恒德，等.機器學習對延伸期降水集合預報的訂正分析[J].現代電子技術，2022，45（7）：86-91LU Zhenyu，KONG Xiaocui，ZHANG Hengde，et al.Correction analysis of extended monthly precipitation ensemble forecast by machine learning[J].Modern Electronics Technique，2022，45（7）：86-91

[30] 韓帥，師春香，姜立鵬，等.CLDAS土壤濕度模擬結果及評估[J].應用氣象學報，2017，28（3）：369-378HAN Shuai，SHI Chunxiang，JIANG Lipeng，et al.The simulation and evaluation of soil moisture based on CLDAS[J].Journal of Applied Meteorological Science，2017，28（3）：369-378

[31] 師春香，潘旸，谷軍霞，等.多源氣象數據融合格點實況產品研制進展[J].氣象學報，2019，77（4）：774-783SHI Chunxiang，PAN Yang，GU Junxia，et al.A review of multi-source meteorological data fusion products[J].Acta Meteorologica Sinica，2019，77（4）：774-783

[32] Han S，Liu B C，Shi C X，et al.Evaluation of CLDAS and GLDAS datasets for near-surface air temperature over major land areas of China[J].Sustainability，2020，12（10）：4311

[33] 郭陽，師春香，徐賓，等.CLDAS陸面融合實況數據對天津霧和霾判識的準確性分析[J].干旱氣象，2023，41（4）：657-665GUO Yang，SHI Chunxiang，XU Bin，et al.Accuracy analysis of fog and haze identification based on CLDAS land surface fusion data in Tianjin[J].Journal of Arid Meteorology，2023，41（4）：657-665

[34] 孫繼松，陶祖鈺.強對流天氣分析與預報中的若干基本問題[J].氣象，2012，38（2）：164-173SUN Jisong，TAO Zuyu.Some essential issues connected with severe convective weather analysis and forecast[J].Meteorological Monthly，2012，38（2）：164-173

[35] iekO，Abdulkadir A，Lienkamp S S，et al.3D U-Net：learning dense volumetric segmentation from sparse annotation[M]//Medical Image Computing and Computer-Assisted Intervention.Cham：Springer International Publishing，2016：424-432

[36] Woo S，Park J，Lee J Y，et al.CBAM：convolutional block attention module[M]//Computer Vision-ECCV 2018.Cham：Springer International Publishing，2018：3-19

[37] Lin T Y，Goyal P，Girshick R，et al.Focal loss for dense object detection[C]//2017 IEEE International Conference on Computer Vision （ICCV）.October 22-29，2017，Venice，Italy.IEEE，2017.DOI：10.1109/iccv.2017.324

[38] 陳桂英，趙振國.短期氣候預測評估方法和業務初估[J].應用氣象學報，1998，9（2）：25-28CHEN Guiying，ZHAO Zhenguo.Short-term climate prediction and evaluation method and preliminary business estimation[J].Journal of Applied Meteorological Science，1998，9（2）：25-28

[39] Li X Y，Sun X F，Meng Y X，et al.Dice loss for data-imbalanced NLP tasks[J].arXiv e-Print，2019，arXiv：1911.02855

[40] Larraondo P R，Renzullo L J，Van Dijk A I J M，et al.Optimization of deep learning precipitation models using categorical binary metrics[J].Journal of Advances in Modeling Earth Systems，2020，12（5）：e2019MS001909

[41] Trebing K，Stanczyk T，Mehrkanoon S.SmaAt-UNet：precipitation nowcasting using a small attention-UNet architecture[J].Pattern Recognition Letters，2021，145：178-186

[42] Kingma D P，Ba J.Adam：a method for stochastic optimization[J].arXiv e-Print，2014，arXiv：1412.6980

Short-term quantitative precipitation forecasting based on multi-factor 3D feature extraction

XIONG Wenrui¹ ZHANG Hengde² LU Zhenyu¹ GUO Yunqian²

1School of Artificial Intelligence，Nanjing University of Information Science amp; Technology，Nanjing 210044，China

2National Meteorological Center，Beijing 100081，China

Abstract Traditional Numerical Weather Prediction （NWP） models suffer from inherent biases in Quantitative Precipitation Forecasting （QPF） tasks due to limited spatial resolution，incomplete physical parameterization schemes，and poor generalization capabilities.Deep learning neural networks，with their robust nonlinear fitting capabilities，autonomous learning of task-specific features，and high generalization，hold the potential to address these issues and improve the current state of NWP.Here，we propose a novel short-term QPF approach based on multi-factor 3D feature extraction.Leveraging high-resolution ECMWF HRES （EC-Hres） model forecasting data provided by the European Centre for Medium Range Weather Forecasts （ECMWF），we construct a 3D-QPF semantic segmentation model.This model employs a coupled framework of classification and regression to capture the 3D spatial features of various precipitation-related element data，establishing a nonlinear relationship with actual precipitation data.Furthermore，we incorporate the PR （Precision-Recall） loss function to further enhance the models predictive performance，particularly for skewed data.Experimental results show that the 3D-QPF model achieves a steady increase in accuracy score for daily cumulative precipitation forecast，not only at the light rain threshold （0.1 mm/（24 h）） but also significantly at the rainstorm threshold （50 mm/（24 h）），with a maximum improvement of 15.8% in TS （Threat Score） compared to that of EC-Hres and a reduction in RMSE （Root Mean Square Error） by 18.71%.Upon extended validation，the 3D-QPF model outperforms EC-Hres，China Meteorological Administration Global Model （CMA-GFS） forecasting，and classic network models such as 2D-Unet and 3D-Unet，demonstrating effective prediction correction.Notably，the models optimization performance remains relatively stable even when the forecast lead time is extended to 72 hours.

Key words quantitative precipitation forecasting;semantic segmentation;skewed data;coupled approach

資助項目新疆維吾爾自治區重點研發任務專項（2022B03027）;國家重點研發計劃（2021YFC3000903）;國家自然科學基金重點項目（U20B2061）;中國氣象局創新發展項目（CXFZ2023J001）

作者簡介熊文睿，女，碩士生，主要從事降水預報研究.1246099019@qq.com

張恒德（通信作者），男，博士，正高級工程師，主要從事災害性天氣研究.zhanghengde1977@163.com