Page 136 - 《高原气象》2025年第3期
P. 136

第 44 卷  第 3 期                         高     原    气     象                             Vol. 44  No. 3
                2025 年 6 月                       PLATEAU METEOROLOGY                               June， 2025


             张淏元， 乔盼节， 刘文奇，等， 2025.  基于深度学习提升中国西南地区夏季降水短期气候预测的研究［J］. 高原气象， 44（3）：
             694-704.  ZHANG Haoyuan， QIAO Panjie， LIU Wenqi，et al， 2025.  Using Deep Learning to Improve Short-term Climate Predic‐
             tion of Summer Precipitation in Southwestern China［J］. Plateau Meteorology， 44（3）： 694-704.  DOI： 10. 7522/j. issn. 1000-
             0534. 2024. 00088. CSTR: 32265.14.gyqx.CN62-1061/P.2024. 00088.




                            基于深度学习提升中国西南地区夏季

                                       降水短期气候预测的研究



                                          张淏元， 乔盼节， 刘文奇， 张永文

                                       （昆明理工大学理学院数据科学研究中心，  云南  昆明  650500）

                     摘要： 近年来， 中国西南地区， 包括云贵川渝等地， 频繁受到气候变化引发的洪涝灾害， 造成了严重的
                     人员伤亡和巨大的财产损失， 这些灾害的频发与降水异常密切相关。尽管传统的统计方法和大气模式
                     在降水预测方面已有一定成效， 但面对降水数据复杂的时空特征， 仍缺乏有效的处理手段。随着机器学
                     习技术的发展， 融合了卷积神经网络（Convolutional Neural Network， CNN）和长短期记忆网络（Long
                     Short-Term Memory， LSTM）的卷积长短期记忆网络（Convolutional Long Short-Term Memory， ConvL‐
                     STM）在研究时空序列问题方面表现较为突出， 特别是在降水预测领域。为了更准确地预测中国西南地
                     区未来一年的夏季降水（降水短期气候预测）， 本文构建了一个融合全球海表温度和中国西南地区降水
                     数据的数据集， 采用 ConvLSTM 进行训练， 并将其命名为 SST-ConvLSTM。该模型不仅能够捕捉实况降
                     水数据中的时空特征， 而且能够从全球海表温度数据中学习到一些信息， 从而增强降水短期气候预测的
                     准确性。研究结果显示： 相较于不考虑海表温度的 ConvLSTM 和大气模式， SST-ConvLSTM 模型在中国
                     西南地区夏季降水短期气候预测方面具有显著优势。（1）在数值方面， SST-ConvLSTM模型的预测结果与
                     实况降水数据最为接近， 且变化趋势相似。相比之下， ConvLSTM 和传统大气模式的预测结果均存在一
                     定程度的偏差。（2）在空间分布上， SST-ConvLSTM模型同样表现较好。其预测结果与实况降水数据的分
                     布较为一致， 能够准确反映降水在空间上的分布。（3）在模型评估中， 本文采用了三种评估指标对 SST-
                     ConvLSTM 模型的性能进行了评价。结果显示， SST-ConvLSTM 模型在各项评估指标上均表现较好， 取
                     得了最佳成绩。这些发现为未来西南地区的降水预测研究提供了重要的参考和启示。
                     关键词： 降水预测； 深度学习； ConvLSTM； 海表温度； 西南地区
                     文章编号： 1000-0534（2025）03-0694-11   中图分类号： P456.1   文献标识码： A
                     DOI： 10. 7522/j. issn. 1000-0534. 2024. 00088
                     CSTR: 32265.14.gyqx.CN62-1061/P.2024. 00088


              1  引言                                             Sang， 2017）。这些极端事件导致了西南地区大量
                                                                人员伤亡和财产损失（Wei et al， 2018）。因此， 西
                  根据中国气象局的气象一级地理区划， 西南地                         南地区的气象灾害已成为中国气象研究界的重点
             区主要包括四川、 重庆、 贵州和云南， 这些地区约                          研究对象（Ma et al， 2013）。
             占中国陆地面积的 27%（Lin et al， 2015）。近几十                      未来， 由于气候变化， 西南地区的极端干旱事
             年来， 全球气候发生了显著变化， 导致西南地区频                           件将呈激增趋势， 同时极端洪水事件的频率也将增
             繁遭受自然灾害， 特别是干旱和洪水灾害（Gao and                        加（Wang et al， 2014； 陈子凡等， 2022， 向楠等，


                 收稿日期： 2024⁃02⁃15； 定稿日期： 2024⁃08⁃14
                 资助项目： 国家自然科学基金项目（12305044， 12371460）； 云南省基础研究计划项目（CB22052C173A）
                 作者简介： 张淏元（1999 -）， 男， 辽宁铁岭人， 硕士研究生， 主要从事机器学习在地球科学中的应用研究. E-mail： aaa920829946@gmail.com
                 通信作者： 张永文（1989 -）， 男， 云南大理人， 副教授， 主要从事复杂系统理论和方法， 机器学习， 气候和极端事件的预测等研究
                        E-mail： zhangyongwen77@gmail.com
                 © Editorial Department of Plateau Meteorology （CC BY-NC-ND）
   131   132   133   134   135   136   137   138   139   140   141