Page 141 - 《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 699

图3 三个模型2019 -2022年平均降水量空间分布的预测结果（单位： mm·d ）
-1
（a）表示实况降水分布， （b） SST-ConvLSTM模型的预测结果， （c） ConvLSTM的预测结果， （d） NCC的预测结果
黑色方框和红色方框大小均为3个格点， 分别表示实况降水量占比最大和最小格点所在的区域
-1
Fig. 3 The forecasted spatial distribution of average precipitation for the three models from 2019 to 2022. Unit： mm·d .
（a） column represents the distribution of real data， （b） the forecasted distributions of SST-ConvLSTM， （c） the forecasted
distributions of ConvLSTM， （d） the forecasted distributions of NCC. The black square and the red square， both spanning
3 grid points， represent the regions where the real precipitation percentage is highest and lowest， respectively
常， 则到了 2022 年的降水量的空间分布则显得相 预测中都呈现出较为一致的降水分布模式， 具有明
对平均， 分布趋势并没有之前三年明显。图 3（b）列 显的局部特征。然而， 这些特征并不完全符合实况
展示了 SST-ConvLSTM 模型的降水预测分布。该 数据的分布情况。例如， 该模型预测降水量较低的
模型在捕捉降水量的空间分布特征上表现良好， 可 地区主要集中在东北部， 而其他地区的降水分布则
以更好地捕捉到真实分布的空间特征与变化趋势， 较为均匀， 这与实况数据中观察到的分布特征存在
相比之下， 图 3（c）列的 ConvLSTM模型虽然也在一 明显差异。
定程度上呈现了与实况数据相似的分布趋势， 但预 在捕捉降水极值方面（图 3）， 所有子图上的黑
测效果并不显著， 其降水分布相对更为均匀， 未能 框和红框分别标识了实况降水量最大值和最小值
充分体现出实况降水中高低降水量的差异。图 3 所在的区域。为了更直观地展示和比较模型的表
（d）列则是 NCC的降水预测分布。该模型在每年的 现， 本文计算了这些框内三个格点降水量的平均