Page 137 - 《高原气象》2025年第3期

3 期 张淏元等：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 695
2023）， 而干旱和洪水等自然灾害的根源在于降水 反 演 风 场 作 为 ConvLSTM 的 输 入 ， 而 Kim et al
的异常（Feng et al， 2014； Chou et al， 2018）。深入 （2017）则使用多通道雷达数据对 ConvLSTM 进行
探究西南地区的降水趋势， 有助于揭示灾害事件背 训练。因此， 基于 ConvLSTM， 结合西南地区的降
后的潜在机制。事实上， 西南地区的降水模式呈现 水与全球海表温度的遥相关关系， 本文提出了一个
出明显的时空特征， 近 40 年降水整体呈下降趋势， 名为 SST-ConvLSTM 的模型。该模型不仅可以捕
四季空间分布特征各异， 降水存在突变现象， 偏旱 捉降水的显著时空特征， 还可以利用海表温度来提
年份相对多于偏涝年份（Zhang， 2001； Shi et al， 高降水的长期（年度尺度）预测准确性。
2015a）。而西南地区的降水预报极具挑战性， 因为 2 数据来源与方法介绍
它受到东亚季风和印度季风的共同影响， 这些季风
会将印度洋和太平洋的湿润空气输送到西南地区 2. 1 数据来源
（Qian et al， 2002； Wang et al， 2015， 2018； Xia et 降水数据集由美国国家海洋和大气管理局
al， 2020）。此外， 全球海表面温度与西南地区降水 （NOAA）的 物 理 科 学 实 验 室（PSL）提 供（https： //
量之间存在复杂的遥相关关系， 被视为西南地区降 downloads. psl. noaa. gov/Datasets/cpc_global_pre‐
水异常的早期预警信号（Jiang et al， 2017； Qiao et cip/）。本文选择了中国西南地区（24°N -33°N，
al， 2021）。 100°E -108°E）在 1982 年 1 月 1 日至 2022 年 12 月 31
降水预报的常见方法分为三种： 统计方法、 大 日的日降水量数据， 其分辨率为 1°×1°。同样地，
气模式和二者的融合（Michaelides et al， 2009）。在 全球海表温度数据也是从 NOAA 获取（https： //psl.
统计领域， Lim et al（2012）运用独立分量分析进行 noaa. gov/data/gridded/data. noaa. oisst. v2. highres.
东亚降水预测， 并提出了基于正则化相关分析的框 html）， 分辨率为 0. 25°×0. 25°， 时间范围一致。实
架。在大气模型领域， 郭渠等（2017）利用国家气候 验对象主要为西南地区夏季（即每年 5月 1日至 9月
中心第二代季节性预测模型的历史预测数据， 检验 30 日）的降水情况。经过筛选和处理， 共收集到了
了该模型对中国东部夏季降水的预测能力， 并应用 6273 天的有效数据。其中， 1982 -2018 年的数据
了降尺度技术来增强模型的降水预报能力。在融 （共 5661 天）作为训练集， 而 2019 -2022 年的数据
合领域， Koster et al（2004）发现土壤湿度可作为北 （共612天）则作为测试集。
半球夏季降水预测模型的预测因子。实际上， 气象 为了更好地评估 SST-ConvLSTM 模型的预测
数据呈现出强烈的周期性、 随机性、 多维性和多尺 性能， 本文中把该模型与国家气候中心（NCC）的大
度特征， 这使得使用传统方法对其进行分析和处理 气模式的预测结果进行了比较分析。NCC 模型的
极具挑战性（李祥等， 2020）。此外， 物理过程的参 数据是从国家气候中心 MODES 季节性模型的数据
数化过程中引入的偏差也进一步影响了统计方法 演变而来的， 它是一个综合的建模系统， 涵盖了大
和大气模式预测结果的准确性问题（Kusiak et al， 气、 海洋、 陆地和海冰等多个模块， 并在中国大陆
2009）。 夏季降水气象预测方面表现出色（Wu et al， 2010；
近年来， 机器学习方法在气象预测领域中越来 董敏等， 2013）。该数据最初以格点格式呈现， 为
越受欢迎（Behrang et al， 2010； Mellit et al， 2013； 了方便各种数据集的比较， 该模型的格点数据被插
Ho et al， 2014； Voyant et al， 2017）。 贾 何 佳 等 值为站点数据。在本文中， 选取了西南地区的NCC
（2022）提出机器学习方法对西南地区干旱监测的 模型的预测结果， 以该结果作为代表模式预测的基
综合模型， 该模型考虑多种致灾因素， 较好地反映 准进行比较， 文中将预测结果均简称为NCC。该数
了干旱的空间分布和旱情。贺倩等（2022）利用机 据可向作者通过邮件索取。
器学习方法对中国的气象数据进行插值中， 发现精 文中涉及的地图制作是基于中华人民共和国
度明显高于传统的插值方法。在降水预测方面， 自然资源部地图技术审查中心标准地图服务系统
Shi et al（2015）开发了深度学习模型——卷积长短 下载的审图号为 GS（2019）1822 的中国地图制作，
期 记 忆（Convolutional Long Short Term Memory， 底图无修改。
ConvLSTM）对香港的降雨进行了预测和评估， 发 2. 2 ConvLSTM
现该模型对于这类时空数据的表现尤为出色。许 通常情况下， 面对序列问题， 一般倾向于采用
多研究者已经开发了多种基于 ConvLSTM 的降水 长短期记忆网络（LSTM）模型来解决。然而， 当处
预测新方法， 例如， Liu et al（2022）利用反射和雷达 理具有明显时空关联性的时空序列问题时， LSTM