天氣預報對人們的生產和生活都有巨大的影響。傳統的天氣預報主要依靠基於第一性原理的數值天氣預報模型完成。得益於觀測手段、同化算灋和物理參數化方法的進步,數值預報模型在過去幾十年取得了非常大的進步。然而,這些進步也對電腦的運算速度和存儲提出越來越高的要求。
近年來,深度學習方法越來越多地應用於天氣和氣候研究中,用於模式結果後處理、代替傳統模式中較為耗時的模塊或者構建獨立的統計預報模型。近期,復旦大學大氣與海洋科學系陳國興課題組發表在Geophysical Research Letters上的工作(Chen and Wang,2022),首次將深度學習方法應用於短時降水預報方面。該工作構建了一種基於三維卷積神經網路的短時降水預報的模型,利用三維氣象場預報美國大陸的日降水空間分佈。結果表明:一、神經網路模型可以有效預報美國大陸地區的日降水分佈,其對5天降水預報的均方根誤差要小於當前最優秀的數值預報模型結果;二、將神經網路模型預報結果與傳統模型預報結果的加權可以顯著改進傳統模型的結果;三、神經網路模型的預測過程耗時極短,可通過大規模集合預報進一步提高預報精度。
圖1.基於深度學習的美國大陸降水預報示意圖
該工作顯示了深度學習在短時天氣預報方面的巨大潜力,類似的方法可以應用在其他變數或者場景方面的預報。進一步的工作將使用類似的方法構建針對中國東部地區的短時降水預報模型。
論文資訊:
Chen,G.*,and W.-C. Wang,2022: Short‐term precipitation prediction for contiguous United States using deep learning.Geophysical Research Letters,49,https://doi.org/10.1029/2022GL097904.