摘要 基于歐洲中期天氣預報中心(the European Centre for Medium-Range Weather Forecasts，ECMWF)2015年2月8日—2016年12月31日中國華東及華南地區(qū)24～168 h預報時效的逐日24 h累積降水集合預報資料，利用前饋神經(jīng)網(wǎng)絡建立NN(Neutral Network)模型及NN-GI(Neutral Network-Geographic Information)模型進行概率預報試驗，并對兩個模型輸出的概率預報結(jié)果進行評估。結(jié)果表明，經(jīng)NN模型和NN-GI模型訂正后，降水概率預報結(jié)果得到明顯改進，在168 h預報時效時，降水概率預報的CRPS值與原始集合預報相比分別下降了約16.00%、21.27%。與NN模型相比，NN-GI模型由于考慮到各格點的地理信息差異，在區(qū)域內(nèi)預報技巧整體改進更優(yōu)。這表明，在利用機器學習方法改進降水預報時，在模型中加入各個格點的地理信息非常重要。

　　關鍵詞降水;概率預報;神經(jīng)網(wǎng)絡;地理信息;ECMWF集合預報

　　隨著人類活動對氣候變化的影響日益顯著，暴雨等極端天氣事件頻發(fā)，對人民生命及財產(chǎn)安全造成重大影響，人們對降水預報準確性的要求也越來越高。同時，準確的降水預報是制定科學合理的政府決策的重要前提，也是人民生命財產(chǎn)安全的重要保證。因此，提高降水預報準確性，減小預報誤差一直是氣象業(yè)務和科研工作的重點。但是，降水受到多種不同尺度天氣系統(tǒng)的共同作用，這使得降水相較于其他氣象要素，預報難度更大，是天氣預報和氣候預測中最具挑戰(zhàn)性的氣象要素之一。

　　由于大氣是一個高度非線性的混沌系統(tǒng)，誤差會隨著數(shù)值預報模式積分時間的增加而增加，從而導致預報的不確定性(Lorenz et al.，1965)。另外，數(shù)值預報模式在處理大氣中物理過程，如微物理過程、邊界層過程、陸面過程等，往往通過假設、近似、參數(shù)化等方法對這些作用進行簡化，從而對預報結(jié)果產(chǎn)生影響(Moghim and Bras，2017)。比如，云物理過程、積云對流參數(shù)化等方案就對降水預報，特別是由中尺度系統(tǒng)引起的暴雨預報產(chǎn)生重要影響(崔文君等，2016)。不同的參數(shù)化方案得到的云微物理特征相關變量存在較大差異，而多方案集成方法能夠有效地降低這種不確定性，使得模擬結(jié)果更加穩(wěn)定(智協(xié)飛等，2020a)。因此，近年來數(shù)值預報逐漸由確定性預報轉(zhuǎn)變?yōu)槎喑蓡T集合預報。與確定性預報相比，基于Epstein動力隨機預報理論(Epstein，1969)和Leith蒙特卡羅預報法的集合預報(Leith，1974)能夠模擬大氣可能的變化，從而更加接近大氣的實際狀況。20世紀90年代后，隨著大規(guī)模并行計算機的發(fā)展，集合預報系統(tǒng)在美國國家環(huán)境中心(National Centers for Environmental Prediction，NCEP)和歐洲中期天氣預報中心投入業(yè)務運行，隨后成為這兩個中心數(shù)值天氣預報的重要組成部分。

　　集合預報由于初值擾動、模式設置等方面的原因，常存在一階系統(tǒng)偏差及二階離散度偏差(蘇翔和袁慧玲，2020)，所以對集合預報進行評估及偏差訂正具有重要意義。國內(nèi)外學者嘗試采用多種方法對集合預報進行后處理(Applequist et al.，2002;Hamill et al.，2004;張海鵬等，2020;智協(xié)飛和趙忱，2020)，從而提高預報的準確性。智協(xié)飛等(2016)通過建立降水的分級回歸統(tǒng)計降尺度模型，獲得更加精細化的預報結(jié)果;王姝蘇等(2018)在此基礎上，采用Schaake Shuffle方法重建降水丟失的空間相關性和時間連續(xù)性，使之更接近實況觀測。智協(xié)飛和呂游(2019)將全國分為7個子區(qū)域，并分別用頻率匹配法進行訂正，有效減少了降水預報的誤差。Ji et al.(2020)嘗試將基于對象的診斷方法(the Method for Object-based Diagnostic Evaluation，MODE)用于多模式集合預報，發(fā)現(xiàn)該方法能夠較好地保留降水的空間相關性，使降水落區(qū)更加完整。但是，這些方法僅得到一些確定性的預報結(jié)果，難以包含實際大氣可能發(fā)生的各種情況。對于降水而言，能夠定量計算不同量級降水出現(xiàn)的可能性大小，即采用概率預報，較傳統(tǒng)的確定性預報具有更大的應用價值(林春澤等，2013)。

　　近年來，隨著計算機技術(shù)的發(fā)展及相關理論的完善，機器學習方法廣泛應用于氣象領域中，如短時臨近預報(Shi et al.，2015;陳元昭等，2019)、空氣質(zhì)量預報(張庭玉，2018)、統(tǒng)計降尺度(任梅芳等，2018;商琪等，2020)、臺風路徑分類(耿煥同等，2017)及云圖分類(韓丁等，2011;李林等，2015;胡凱等，2017)等方面。其中，神經(jīng)網(wǎng)絡模型可以從訓練期的數(shù)據(jù)中，深入挖掘輸入數(shù)據(jù)和目標數(shù)據(jù)之間的關系，從而對新的數(shù)據(jù)進行分類、預測等處理。Liu and Racah(2016)利用卷積神經(jīng)網(wǎng)絡，對熱帶氣旋、大氣環(huán)流和鋒面現(xiàn)象進行識別，準確率達到99%、90%和89.4%。最近，智協(xié)飛等(2020b)和Peng et al.(2020)利用深度學習方法對地面氣溫進行多模式集成預報，所得結(jié)果優(yōu)于傳統(tǒng)超級集合等線性統(tǒng)計后處理方法。陳昱文等(2020)使用Stacking方法將人工神經(jīng)網(wǎng)絡模型和長短期記憶神經(jīng)網(wǎng)絡模型進行集成，建立ALS(ANN-LSTM-Stacking)模型，以均方根誤差為損失函數(shù)，對地面氣溫進行偏差訂正，在氣溫預報誤差較大的區(qū)域和氣溫峰值預報有顯著的訂正效果。Rasp and Lerch(2018)針對德國地區(qū)2 m氣溫48 h預報，建立神經(jīng)網(wǎng)絡，得到其概率分布的均值及方差，從而求得其氣溫的概率分布。所得結(jié)果與EMOS方法相比，在連續(xù)分級概率評分上有較大改進。目前基于神經(jīng)網(wǎng)絡的概率預報研究主要集中于氣溫等正態(tài)分布的氣象要素中，對于降水這種非正態(tài)分布的氣象要素研究較少。

　　推薦閱讀：建筑工程師期刊《地理信息世界》雜志投稿格式