湖南省主汛期5—8月降水过程延伸期智能预报
doi: 10.13878/j.cnki.dqkxxb.20250105002
曾玲玲1 ， 谭桂容1 ， 赵辉2,3 ， 张祎1 ， 黄超2 ， 费麒铭1
1. 南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心,江苏 南京 210044
2. 湖南省气候中心,湖南 长沙 410119
3. 洞庭湖国家气候观象台,湖南 岳阳 414000
基金项目: 湖南省气象局创新发展专项(CXFZ2024-FZZX36) ； 国家自然科学基金项目（42175035；42175034）
Extended-range intelligent forecasting of precipitation processes during the main flood season (May-August) in Hunan Province
ZENG Lingling1 ， TAN Guirong1 ， ZHAO Hui2,3 ， ZHANG Yi1 ， HUANG Chao2 ， FEI Qiming1
1. Key Laboratory of Meteorological Disaster,Ministry of Education/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters,Nanjing University of Information Science and Technology,Nanjing 210044 ,China
2. Hunan Provincial Climate Center,Changsha 410119 ,China
3. Dongting Lake National Climate Observatory,Yueyang 414000 ,China
摘要
延伸期预报(提前10~30 d的天气预报)是目前尚未解决而又亟需解决的预报问题之一。本文利用2005—2022年湖南省97站逐日降水资料以及次季节至季节(subseasonal-to-seasonal,S2S)欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并分别以2005—2018年和2019—2022年为训练验证和独立预测年。基于模式的降水与环流预报产品,首先采用分级累积概率匹配和低频阈值法,对模式降水预报进行订正;然后通过分析大尺度环流特征与降水场的耦合关系,结合卷积神经网络(convolutional neural network,CNN)技术,分别构建基于ECMWF和NCEP动态预报产品的降水预测模型;最后对多种模型的预测结果进行集成,优化预测结果。试验结果表明,经过订正的两种模式延伸期降水预报的准确性均有显著提升,其中NCEP模式预报技巧的改进大于ECMWF模式。具体而言,订正后的NCEP模式单站降水预报TS评分提升38.5%,区域降水评分提升43.9%;ECMWF模式的TS评分提升14.0%,区域降水评分提升24.2%。独立预测表明,ECMWF模式预报的准确性要优于NCEP模式,特别是15 d预报时效前。CNN模型在15~30 d预报中展现出超越单一数值模式的预测能力,基于动力模式和CNN模型优势的集成预测在整个延伸期预报时效内均展现出较高的预报技巧。
Abstract
Extended-range forecasting (i.e.,weather predictions with lead times of 10—30 days) remains a major challenge in meteorology.This study utilizes daily precipitation data from 97 meteorological stations in Hunan Province from 2005 to 2022,along with subseasonal-to-seasonal (S2S) forecast products from the European Centre for Medium-Range Weather Forecasts (ECMWF) and the National Centers for Environmental Prediction (NCEP).The dataset is divided into a training and validation period (2005—2018) and an independent prediction period (2019—2022) to investigate extended-range precipitation forecasting.To address the systematic biases inherent in numerical models for extended-range forecasting,this study proposes a two-stage correction scheme.In the first stage,a hierarchical cumulative probability matching method is employed to adjust the forecast distribution and reduce systematic errors.In the second stage,a low-frequency threshold method is applied to further refine the forecasts,particularly for extreme precipitation events.Building upon this bias-corrected dataset,a convolutional neural network (CNN) model is developed to capture the coupling relationships between large-scale circulation patterns and precipitation fields.The CNN models are trained separately using the ECMWF and NCEP forecast products.Experimental results show that bias correction significantly improves the accuracy of extended-range precipitation forecasts for both models,with the NCEP model exhibiting greater improvement.Specifically,the threat score (TS) for single-station precipitation forecasts from the NCEP model increases by 38.5%,while its regional precipitation score improves by 43.9%.In comparison,the TS for the ECMWF model improves by 14.0%,and its regional precipitation score increases by 24.2%.Independent predictions indicate that the ECMWF model generally outperforms the NCEP model,particularly before for lead times of less than 15 days,although the performance gap narrows as the lead time increases.Furthermore,CNN-based models demonstrate superior forecasting skill compared to standalone numerical models,particularly for lead times of 15—30 days,where their advantages become more pronounced.In long-term extended-range precipitation forecasting,the CNN model,trained on historical data,effectively identifies precursor signals of precipitation,thereby significantly improving forecast accuracy.To further optimize forecasting performance,an integrated prediction approach is proposed.This method combines the corrected numerical model forecasts with the CNN-based forecasts using a weighted integration technique,balancing the strengths of each model while minimizing errors.The integrated forecasts exhibit high predictive skill across the entire 10—30 days extended-range period,providing a reliable basis for operational precipitation forecasting.Future research will focus on extending the model to regions with diverse climatic conditions,exploring more advanced machine learning techniques,and incorporating additional predictive factors closely related to precipitation.These efforts aim to enhance the model’s generalizability and forecasting precision.
延伸期预报是连接短期天气预报和长期气候预测的关键环节，对于预测极端气象事件和制定防灾减灾策略具有重要意义。自2013年世界气象组织启动次季节至季节预测计划（subseasonal-to-seasonal，S2S）以来，多模型数据集促进了该领域的研究。然而，与成熟的短期天气预报和长期气候预测相比，延伸期预报的研究和应用仍处于起步阶段，预报技巧通常在1周内相对较高，而2~4周时效内则较低（Vitart et al.，2017; de Andrade et al.，2019; 章大全等，2019）。因此，探索延伸期预报的理论研究和技术开发、提高其预报的准确性是十分必要的。
延伸期预报面临的主要挑战在于可预报性来源的复杂性及预报方法的局限性，尤其是在降水预报方面，其难度尤为显著。研究表明，中纬度陆地区域在第二至第四周的降水预报技巧显著下降（Li and Robertson，2015; Liu and Wang，2015; DelSole et al.，2017; Liang and Lin，2018; Tapiador et al.，2019; Krishnamurthy and Stan，2022）。Peng et al.（2023）对欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）2016—2022年的S2S预测模型进行了逐年评估，发现降水预测的技巧提升幅度有限，且模型的逐年更新并未显著提高降水预报的技能。由于不同数值模式在物理过程和初始条件上的差异，其降水预报表现各异。而多模式集成的降水预报产品能够充分利用各模式的优势，尤其在复杂环境下提升整体预报精度（钱磊等，2022; 周海等，2022; 王会军等，2024）。因此，建立多模式集成预测系统以有效纠正预报偏差、提供更准确和稳健的降水预报显得尤为重要。Li et al.（2024）提出的一种结合经验分位数映射（empirical quantile mapping，EQM）和伯努利-伽玛-高斯模型（Bernoulli-Gamma-Gaussian，BGG）的方法，显著提升了ECMWF、NCEP（National Centers for Environmental Prediction）和CMA（China Meteorological Administration）三个数值模型的降水预报精度。尽管如此，多模式集成预报在大降水量级的预报中仍存在局限，这主要是由于集成方法对异常值的平滑处理以及极端降水事件样本数据的不足（吉璐莹等，2025）。为此，研究者开发了多种创新的预报方法以克服数值模式预报的局限性。结合动力与统计的预测方法在提高延伸期降水预报的准确性方面显示出较高的潜力（蔡金圻等，2021; Liu et al.，2022; Wang et al.，2022; 张可越等，2023）。如时空投影模型（spatial-temporal projection model，STPM）在预测5~30 d的低频降水事件中展现了一定的预报技巧（Hsu et al.，2015; Zhu et al.，2015）。随着机器学习技术的进步及其在气象领域的广泛应用，其在降水预报中也显示出显著优势（黄超等，2022; Vitart et al.，2022; 游立军等，2022; Deng et al.，2023; Xie et al.，2023; Zhang et al.，2023; Chen et al.，2024）。例如，叶宇辰（2023）、叶宇辰等（2024）通过机器学习方法对中国夏季降水进行延伸期预报试验，结果表明其在预报准确率上有了明显提升。张弛等（2024）利用神经网络模型、基于低分辨率气象场实现了高分辨率降水分布的预报，结果表明网络模型对美国东北部日降水分布具有一定的预报能力。机器学习方法在数值模式预报的后处理和校正方面发挥了重要作用（Scheuerer et al.，2020; 陆振宇等，2022; Guo et al.，2024; Horat and Lerch，2024; Tian et al.，2024）。例如，Li et al.（2022）提出一种基于卷积神经网络（convolutional neural network，CNN）的统计后处理方法，通过整合空间信息和多种辅助预测因子，提高了集合降水预报的准确性，尤其在暴雨预报方面表现突出。近年来，越来越多的研究者探索将人工智能技术应用于动力统计预测模型，以期提升延伸期降水预报的准确性（Nie and Sun，2024）。Lü et al.（2024）提出了将神经网络技术与统计集成模型相结合的创新混合方法，该方法在极端降水事件的预报技巧上表现突出。这些研究表明，机器学习技术在提高延伸期降水预报准确性方面具有巨大的潜力。
湖南省地处中国中部（108°47′~114°15′E，24°38′~30°08′N; 图1），地形主要由山地和丘陵构成，属于亚热带季风气候区，具有温暖湿润的气候特征，年降水量丰富，尤其在5—8月主汛期，降水尤为频繁。本文选取湖南省97个气象站在5—8月期间的逐日降水量数据，在模式降水预报订正的基础上，结合CNN技术，建立湖南省5—8月延伸期的逐日降水滚动预报模型，以提高区域降水天气过程的预报技巧，为湖南省的防汛减灾工作提供参考。
图1湖南省地形和观测站点（单位:m）
Fig.1Topography of Hunan Province and locations of observation stations (units:m)
1 资料和方法
1.1 资料
本文使用2005—2022年5—8月期间的观测数据和再分析资料，包括:1）湖南省97个气象站点的逐日降水观测数据; 2）由美国国家环境预报中心和国家大气研究中心（National Centers for Environmental Prediction/National Center for Atmospheric Research，NCEP/NCAR）提供的全球逐日再分析资料，涵盖500 hPa位势高度场（70°~140°E，10°~60°N）、200 hPa风场（90°~130°E，20°~50°N）以及700和850 hPa风场（100°~120°E，5°~35°N），空间分辨率为2.5°×2.5°。其中，本文识别了站点降水的缺测和异常值，并用邻近站点的平均值进行替换，以确保数据的连续性和完备性。
本文还使用了S2S模式预报数据，这些数据来自ECMWF（51个集合预报成员）和NCEP（16个集合预报成员）。ECMWF的S2S数据仅在每周一和周四进行回报，存在时间不连续的问题，因此本文通过插值法将该数据处理为逐日起报（Yang et al.，2018），该方法对模式预报的评估几乎没有影响。本文用到的S2S数据包括湖南省降水、500 hPa位势高度场以及200、700、850 hPa风场，它们与再分析资料的时间范围一致。实际计算时，将2005—2022年的数据划分为2部分:训练验证期（2005—2018年5—8月）; 独立预测期（2019—2022年5—8月）。由于NCEP的S2S数据在2011—2014年存在缺失，为了保证模型训练样本量的一致性，从2001年开始递补数据至2022年。同时，S2S资料的水平分辨率为1.5°×1.5°，为了与再分析资料的空间分辨率保持一致，采用双线性插值法将其插值成2.5°×2.5°。
1.2 预报技巧评估指标
选取均方根误差（root mean square error，RMSE）、平均绝对误差（mean absolute error，MAE）以及时间相关系数（temporal correlation coefficient，TCC），定量评估模式和方法对延伸期降水的预报能力。其中RMSE和MAE的定义为:
Erms=1M∑i=1M Vpre,i-Vobs,i2,
(1)
Ema=1M∑i=1M Vpre,i-Vobs,i
(2)
式中：Vpre，i为i样本预报值；Vobs，i为i样本观测值；M为实际参加评估的区域格点数。
针对强降水过程事件，采取威胁评分（threat score，TS；St）进行点对点评估，St定义为：
St=NhNh+Nf+Nm
(3)
式中：Nh表示预报正确的次数；Nf为空报次数；Nm为漏报次数。此外，本文采用了Mao et al.（2023）详细介绍的方法，对湖南省区域降水过程进行评估。该方法通过区分降水过程长短的不同进行评分，能够有效评估区域持续性降水过程的预报技巧。具体选取历史样本中日降水量达到10 mm/d的中雨量级以上的降水日进行评估，并基于此确定相应的百分位阈值。文中无论是TS评分还是区域降水过程评分，均采用这一降水量阈值进行评估。单站强降水事件被定义为日降水量达到或超过该阈值的情况，全省范围内的强降水过程定义为单日超过6个站点出现强降水事件，持续时间在1 d及以上。强降水过程预报质量Q评分的计算公式（Mao et al.，2023）为：
Q=∑i=1r SiK+Nm
(4)
其中：Si为预报正确的降水过程评分；r为预报正确的降水过程次数；Nm为漏报的降水过程次数；K为预报有降水过程的次数。
同时引入Brier评分（Brier score，BS；Sb）、ROC曲线下面积（area under the receiver operating characteristic curve，AUROC）指标，以检验模式和方法在延伸期降水的概率预报能力，BS评分表现为预报概率与真实观测概率的偏差，其公式为：
Sb=1L∑i=1L Pi-Oi2
(5)
其中：L为二态分类事件的样本数；Pi为第i个样本点被检验事件的预报概率；Oi为第i个样本的观测概率，超过阈值（阈值同上）时值为1，否则为0。BS范围为0~1，值越小表明预测的准确性越好。AUROC是ROC曲线围成的面积，可作为ROC曲线的技巧评分，AUROC大于等于0.5说明概率预报有正技巧，越接近1，预报技巧越好。
1.3 降水订正算法
在气象要素的预报中，数值模式延伸期降水预报普遍存在系统性偏差，且随着预报时效的增加，偏差趋于更加显著。模式对延伸期强降水事件，尤其是极端降水事件的预报明显低估（智协飞等，2016; 牛若芸，2019; 张海鹏等，2020）。鉴于此，本文在前人对降水偏差订正的基础上，提出了一套两阶段的订正方案。首先，考虑到偏差在不同区域和不同降水量级上的差异，使用分级概率匹配法调整预报分布以更好地匹配观测数据的统计特性，从而减少系统偏差。随后，采用低频阈值法对概率匹配后的预报结果进行二次订正。低频阈值法通过设定特定的阈值来识别和调整预报中的极端降水事件，以期更好地反映实际降水过程。
分级累积概率分布订正不同于普通概率订正，其将湖南省区域站点的历史降水样本划分为22个量级区间，具体为0 mm、0~＜5 mm、5~＜10 mm、······、95~＜100 mm以及100 mm以上。对于每个量级，计算其平均降水量（Rn）和平均累积概率密度（Fn），其中n为1~22。订正后降水量（Rc）的计算公式为：
(6)
其中：f代表预测降水量的累积概率密度。
低频阈值法订正是先对预报结果应用5 d滑动平均以提取其低频变化特征。选择5 d作为滑动平均的时间窗口是基于其在捕捉降水过程中低频变化方面表现较优。这一时间尺度既能有效捕捉降水事件的发展趋势，又能避免因时间窗口过短而引入过多随机噪声，或因时间窗口过长而模糊重要的短期变化。特别是在延伸期逐日降水预报中，本文尝试过几种不同时间窗口，发现过长的时间窗口可能导致强降水事件的识别不够精确，无法准确定位到特定时间段内。接下来，本文根据降水量的不同阈值确定相应的低频降水量百分比阈值。对于那些根据预测的逐日降水量未能达到设定的强降水阈值，但通过5 d滑动平均得到的低频分量达到相应低频百分比阈值的个例，本文将其判定为降水过程日，实现二次修正。
1.4 CNN预测模型的建模思路
本文采用与奇异值分解（singular value decomposition，SVD）的STPM相似的方法，通过分析大尺度环流特征与气象要素在同一时间段内的耦合关系，提取出具有明确物理意义的预测因子，从而提高了预报的稳定性和准确性（张可越等，2023）。本文选取500 hPa位势高度场（70°~140°E，10°~60°N）、200 hPa风场（90°~130°E，20°~50°N）、700和850 hPa风场（100°~120°E，5°~35°N）以及850 hPa势函数场（0°~360°，20°S~20°N）为基本因子场。
首先，对历史因子场（Xob）和目标降水场进行SVD分解，其中因子场和降水场均被处理为标准化距平场。分解得到历史因子的空间场（Vob）和时间场（Tob），再将模式预测的各因子场（Xpre）投影到空间场（Vob）上，得到相应的预测时间系数（Tpre）（谭桂容等，2012）：
Xob=VobTob,
(7)
Tpre =Vob Xpre o
(8)
针对区域性强降水过程日的降水和因子场进行SVD分解，并选取累计解释方差超过90%的空间模态。
基于提取的预测因子集与实际降水场，构建一个CNN模型（图2；Ham et al.，2019）。在模型选择和参数设置过程中，本文进行了敏感性实验，包括替换模型、加入注意力机制或改变模型的结构设计和参数设置等，来确保模型的有效性和稳定性，最后基于模型的训练效率和对结果的验证，确定了以下模型的设置。模型由两个卷积层、两个最大池化层和两个全连接层组成，第一个卷积层的输出通道数为7，第二个卷积层的输出通道数为10，卷积层中卷积核的大小为3×3，池化核的大小为2×2，第一个全连接层（输出层）有4个神经元，第二个有1个神经元，对应于预测的降水值。同时为了防止过拟合，即避免模型在训练集上表现良好但在测试集上性能下降的问题，在全连接层中引入Dropout正则化（Hinton et al.，2012）。具体在训练过程中，50%的特征输出通过Dropout层时会被随机丢弃，以减少模型对局部特征的依赖，从而提高其泛化能力。模型的激活函数选用了ReLU函数，该函数具有非线性特性，能够将负值置为零，正值保持不变，从而引入非线性变换，且其在计算上相对简单，有利于加速模型的训练过程。学习率设定为0.01，训练500个周期。
在实施过程中，本文针对湖南省97个气象站点的目标降水进行训练建模（一个站点对应一个模型），并对每个站点的数据进行了独立的训练和验证。通过将预报值与实际观测值之间的均方误差（mean squared error，MSE）定义为损失函数，并利用Adam优化器结合反向传播算法来调整网络的参数，以最小化模型的预测误差。在每个训练周期结束后，如果验证集上的误差达到新低，本研究会保存当前的最佳模型。这种训练策略不仅提高了模型的稳定性，而且增强了模型对不同站点数据的适应性。
1.5 最优集成算法
通过分析训练阶段降水预测与观测之间的偏差，使用一种加权集成方法，优化模式和CNN模型降水预测的准确性（图2）。该方法包括以下2个步骤:第一，计算湖南省97个站点在训练期间的降水预报与观测之间的平均偏差，根据偏差排序分布，统计确定参与最终集成的百分比阈值。第二，对于参与最终集成的降水预测样本，通过评估不同的权重组合，选择具有最高TS评分的权重系数，作为最优权重系数。同时只追求TS评分会导致降水空报过多，从而放大其潜在误差，因此在动态选择权重系数的过程中考虑引入空报率，只选取空报率低于70%的权重系数。该集成方法综合考虑了多个指标，旨在平衡各个预测方法的贡献，避免因过分依赖单一预测标准而导致误差放大（钱磊等，2022）。
图2降水过程的延伸期智能预报技术流程
Fig.2Workflow of the extended-range intelligent forecasting technology process for precipitation events
2 结果分析
2.1 模式订正效果评估
模式延伸期降水预测普遍与实际观测存在偏差，如图3所示，ECMWF和NCEP模式原始预报技巧均较低，尤其是NCEP模式表现得更加不理想。两者原始预报技巧在不同区域和不同降水量级上表现出明显的差异（图略），对中雨及以上量级，ECMWF模式在整个湖南省中部、北部大部分地区的预报技巧较NCEP模式更高。采用分级偏差订正方案对ECMWF和NCEP两种模式延伸期降水预报进行了逐时效订正，由2015—2018年湖南省主汛期降水预报评分（图3）可见，无论是单站的降水预报，还是区域降水预报，订正后的预报效果均有改进。订正后，单站的降水预报TS评分显著提高，且随着预报时效的增加，TS评分的下降趋势减缓。即订正后随着预报时效的增加，TS评分的提升幅度增大。其中ECMWF模式TS评分平均提升14.0%，NCEP模式TS评分提升更加显著，为38.5%（图3a）。上述结果表明，采用的订正方案对提高延伸期降水预报技巧具有积极作用，尤其在长时效预报中效果更加明显。区域降水过程的预报技巧也有较大提高（图3b），其中ECMWF模式预报技巧平均提升24.2%，NCEP模式平均提升43.9%。即两种模式订正后对区域性降水过程的预报能力均有明显提高，但ECMWF模式订正后的提升幅度相对较小，这可能与其原本具有相对较高的延伸期降水预报技巧、从而改进空间相对较小有关。
图32015—2018年ECMWF模式与NCEP模式在湖南省主汛期降水预报的TS评分（a）和区域降水过程评分（b）
Fig.3(a) TS scores and (b) regional precipitation process scores for precipitation forecasts during the main flood season in Hunan Province, as produced by the ECMWF and NCEP models from 2015 to 2018
2.2 湖南省延伸期降水预报
本文基于ECMWF和NCEP模式预测的环流产品，利用基于SVD的CNN方法，分别构建预测模型。限于篇幅，为评估模型的预测效果，这里仅给出独立预报期间（2019—2022年）各模型的预报评分，以下模式预报为本研究订正后的结果。
2.2.1 基于CNN_ECMWF模型的预报技巧评估
以下评估给出了订正后ECMWF模式、结合CNN的ECMWF模型（CNN_ECMWF）以及两者集成方法的降水预报技巧评分结果。在10~12 d的预报时效内，ECMWF模式表现出较高的预报技巧（图4a、图5和图6）。但随着预报时效的延长，ECMWF模式的预报技巧显著下降。相比而言，CNN_ECMWF模型的预报技巧逐渐超越ECMWF模式，特别是在20 d以上的预报时效中，其技巧的下降幅度较慢，主要表现在单站的TS（图4a）、TCC评估（图6）的评分上。这说明，CNN模型在长期预报中表现出更强的预报优势。在区域降水过程的预报上，CNN_ECMWF模型同样展现出较ECMWF模式更高的技巧（图4b），平均技巧提升幅度达20%以上。这表明，CNN_ECMWF模型能够更好地捕捉区域降水过程的空间分布特征和演变规律，提高了区域降水预报的准确性。尽管两种模型的集成方法在TS评分上表现较佳（图4a），但在部分年份的区域降水过程评分中，其表现却不及CNN_ECMWF模型（图4b），这可能是因为集成方法主要优化了单站预测的技巧，而在区域降水预测方面仍有待改进。
图42019—2022年ECMWF模式、CNN_ECMWF模型及其集成预报在湖南省主汛期降水的TS评分（a）和区域降水过程评分（b）
Fig.4(a) TS scores and (b) regional precipitation process scores for precipitation forecasts during the main flood season in Hunan Province, comparing the ECMWF model, the CNN_ECMWF model, and their integrated forecast from 2019 to 2022
图52019—2022年ECMWF模式、CNN_ECMWF模型及其集成预报在湖南省主汛期降水的RMSE（a）和MAE（b）（单位:mm）
Fig.5(a) RMSE and (b) MAE of precipitation forecasts during the main flood season in Hunan Province, as produced by the ECMWF model, the CNN_ECMWF model, and their integrated forecast from 2019 to 2022 (units:mm)
在预报误差的评估中，3种模型的预报效果也存在显著的差异（图5）。10~12 d预报时效内，ECMWF模式的误差低于CNN_ECMWF模型，而从13 d预报时效开始，ECMWF模式的RMSE和MAE均逐渐超过CNN_ECMWF模型，预报技巧降低明显。这进一步说明了ECMWF模式在短期预报中的优势和长期预报中的不足。而集成方法的预报误差最低，在整个延伸期预报时效内，ECMWF模式的最佳RMSE约为12.3 mm，最佳MAE约为8 mm，相比之下，集成方法在10~17 d预报时效内的RMSE低于12.3 mm，在10~13 d预报时效内的MAE低于8 mm。综合来看，CNN_ECMWF模型在前期10~12 d的预报效果要弱于ECMWF模式，说明ECMWF模式在短期降水预报上仍具有一定优势，但随着预报时效的延长，其预报技能骤降，而CNN模型则在长期预报中表现出更强的预报优势，预报技巧的稳定性比模式预报产品更高。
图62019—2022年ECMWF模式、CNN_ECMWF模型及其集成预报在湖南省主汛期降水的TCC
Fig.6TCC of precipitation forecasts during the main flood season in Hunan Province, comparing the ECMWF model, the CNN_ECMWF model, and their integrated forecast from 2019 to 2022
湖南省主汛期预报与观测降水的TCC如图6和图7所示，在10~14 d的预报时效内，ECMWF模式和CNN_ECMWF模型均表现出良好的预测能力，以ECMWF模式预测技巧较好。这主要是因为ECMWF模式在短期预报中能够较好地捕捉大气的初始状态和快速变化过程。然而，在15~30 d的预报时效中，ECMWF模式在湖南省中东部地区的预报技巧下降明显，而CNN_ECMWF模型的预测技巧则表现出一定优势，特别是在25~30 d的预报时效内，ECMWF模式的预测技巧显著下降，而CNN_ECMWF模型仍保持一定的预测技巧。在整个延伸期预报时段内，集成方法表现出较高的预测技巧。在25~30 d时效内，集成预报在湖南中、东部地区TCC小于CNN_ECMWF模型（图7），但总体来看，其TCC技巧持续优于单一的ECMWF模式和CNN_ECMWF模型。上述结果表明，结合动力模式和CNN模型的集成方法，能够充分利用各自的优势，进一步提升预报技巧。
2.2.2 基于CNN_NCEP模型的预报技巧评估
订正后NCEP模式、CNN_NCEP模型以及两者集成预报的评分结果（图8a、图9和图10）显示，在延伸期预报中，3种模型预报技巧随预报时效的增加整体呈现平缓下降趋势，但CNN_NCEP模型的预报技巧下降趋势要慢于NCEP模式，尤其在15 d预报时效后，CNN_NCEP模型表现出较优的预报能力。同时相较于ECMWF模式，NCEP模式在前期10~12 d的预报时效内，并未表现出显著优势，NCEP模式的TS评分和TCC技巧普遍低于0.2，而ECMWF模式则保持在0.2以上。整体来看，TS评分、误差评估和TCC技巧评估均表明集成预报效果最好，其次是CNN_NCEP模型，而NCEP模式的预报能力最弱。在区域降水过程的预报上，CNN_NCEP模型也表现出较优的预测能力（图8b），与NCEP模式相比，其平均技巧提升达18%。此外，CNN_NCEP模型的预报优势随着预报时效的延长更加显著，其在湖南省西南部的预报技巧要明显优于NCEP模式（图11）。
以上评估与基于ECMWF模式的预报模型评估基本一致。综合来看，15 d预报时效内NCEP模式的短期预报技巧要稍弱于ECMWF模式，但两者15 d以上长期预报的预报技巧差距较小，且都弱于CNN模型的预报结果。这说明，动力模式预报在长期预报中有其局限性。在长时间尺度上，大气系统的混沌特性和不确定性因素的影响更加显著，从而导致预报误差增大，尤其对于延伸期强降水预报的复杂过程，动力模式预报的准确率较低。而本研究利用模式对简单环流场的预报进行建模，再进行延伸期降水预报，可以有效弥补动力模式的不足，提高了预报的准确性和可靠性。
2.2.3 概率性预报技巧检验
图12给出了几种降水预报的BS和AUROC评分。可见，ECMWF模式降水预报的BS评分明显低于NCEP模式，且ECMWF模式的AUROC评分明显高于NCEP模式，说明ECMWF模式相比于NCEP模式，降水预报概率与真实观测概率的偏差更小，其对延伸期降水概率预报的技巧更高。同时两种模式CNN模型的BS和AUROC技巧评估均普遍优于动力模式，且随着预报时效的延长，其优势更加显著，其中CNN_NCEP模型的概率预报技巧相较于NCEP模式提升最大，而CNN_ECMWF模型相较于ECMWF模式的提升则较小。两个CNN模型的概率预报技巧差距不大，其中，CNN_NCEP模型的BS评分在20 d预报时效后低于CNN_ECMWF模型，而CNN_ECMWF模型的AUROC评分在15 d预报时效前高于CNN_NCEP模型。集成预报的概率性预报技巧相对模式也有所提高。
图72019—2022年ECMWF模式（a）、CNN_ECMWF模型（b）及其集成预报（c）对提前10~14 d（a1—e1）、15~19 d（a2—e2）、20~24 d（a3—e3）、25~30 d（a4—e4）平均的湖南省主汛期TCC技巧（数值为区域平均），以及集成预报与ECMWF模式（d）、CNN_ECMWF模型（e）的TCC技巧差异
Fig.7TCC skills for precipitation forecasts during the main flood season in Hunan Province, averaged over forecast lead times of (a1—e1) 10—14 days, (a2—e2) 15—19 days, (a3—e3) 20—24 days, and (a4—e4) 25—30 days for the period 2019—2022.The skill scores are shown for (a) the ECMWF model, (b) the CNN_ECMWF model, and (c) their integrated forecast.Additionally, the differences in TCC skill scores are shown for (d) the integrated forecast versus the ECMWF model and (e) the integrated forecast versus the CNN_ECMWF model
综上所述，在湖南省延伸期降水过程的预测中，无论是基于ECMWF还是NCEP模式的预测产品，结合CNN模型的预测均显示出较单一动力模式更佳的预报技巧，特别是在15 d及以上的预报时效中，其预报技巧优势更明显; 显示在长期尺度的延伸期降水预报中，基于CNN模型对历史数据的训练和学习，本文建立的降水预报模型能够在一定程度上识别出降水的前期信号，并进一步提高降水预报的准确性。
3 结论和讨论
为了提高延伸期降水预报技巧，本文提出了分级订正方案，并基于ECMWF和NCEP两种模式的预测产品与CNN方法，分别构建了降水预测模型。在此基础上，提出了一种基于多种预测模型的最优集成方案，改善了湖南省延伸期降水预报效果。主要结论如下:
1）运用分级累积概率匹配和低频阈值法对模式降水进行订正，ECMWF和NCEP两种模式对湖南省延伸期降水的预报技巧均有所提高，尤其是NCEP模式的提升更加显著。
图8同图4，但为NCEP模式、CNN_NCEP模型及其集成预报
Fig.8As in Fig.4, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
图9同图5，但为NCEP模式、CNN_NCEP模型及其集成预报
Fig.9As in Fig.5, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
图10同图6，但为NCEP模式、CNN_NCEP模型及其集成预报
Fig.10As in Fig.6, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
2）考虑大尺度环流与区域降水场的耦合关系，分别基于ECMWF和NCEP两种模式的预报产品，结合CNN建立了10~30 d降水预测模型。在湖南省延伸期降水过程的独立预测中，无论是基于ECMWF还是NCEP模式的预测产品，结合CNN的预测模型均显示出较单一动力模式更优的预报技巧，特别是在15 d以上的预报时效中，其预报技巧优势更加明显。ECMWF模式的预报技巧优于NCEP模式，尤其是在前15 d预报时效内，但随着预报时效的延长，两者的差距逐渐减小。基于动力模式和CNN模型优势的最优集成预测在整个延伸期预报时效内均展现出较高的预报技巧。
本文主要针对湖南省进行了区域降水的延伸期预报试验，较好的独立试验预测技巧表明本研究预测模型建立思路是可行的。然而，本文采用的固定时间窗口验证方法在泛化能力评估方面可能存在一定局限，因此，未来研究可考虑采用滚动窗口交叉验证（rolling-origin evaluation，ROE）以增强评估的全面性。此外，为了进一步验证模型方法的普适性和实用性，未来将探讨在其他地区建模的效果，如在地形复杂、气候特征差异显著的地区，考察模型是否能够适应不同的降水过程和天气背景。本文的研究主要集中在汛期，未来将研究模型在非汛期的适用性，分析其在不同季节降水过程中的预报表现，以期实现全年无间断的延伸期降水预报。同时，可通过整合更多数值模式的预报产品来建立预测模型，以丰富延伸期降水预测的产品，从而为多模型集成提供更广泛的选择和更优化的组合。在因子输入阶段，本文主要考虑了大尺度环流和区域降水场的耦合关系，未来可考虑引入更多与降水密切相关的预测因子，如土壤湿度等; 也可考虑通过精细化筛选各因子的最优模式产品，以进一步提升预测因子集的代表性，进而提高模型的预报精度。在机器学习技术方面，虽然本文采用CNN方法并取得了一定的效果，但仍有进一步改进的空间。未来可以考虑探索更先进的深度学习模型，如递归神经网络（recurrent neural network，RNN）或长短期记忆网络（long short-term memory network，LSTM），以挖掘更深层次的时空特征，从而进一步提高预测能力。此外，结合多模型和多算法的集成学习策略，如贝叶斯模型平均（Bayesian model averaging，BMA）、随机森林（random forest，RF）等，可能是提升模型性能的有效途径。
图11同图7，但为 NCEP 模式、CNN_NCEP 模型及其集成预报结果
Fig.11As in Fig.7, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
图122019—2022 年 ECMWF、NCEP 模式及其2种CNN 模型和集成预报在湖南省主汛期降水的BS 评分（a）和AUROC 评分（b）
Fig.12(a) BS scores and (b) AUROC scores for precipitation forecasts during the main flood season in Hunan Province, as produced by the ECMWF and NCEP models, their respective CNN models, and the integrated forecasts from 2019 to 2022
图1湖南省地形和观测站点（单位:m）
Fig.1Topography of Hunan Province and locations of observation stations (units:m)
图2降水过程的延伸期智能预报技术流程
Fig.2Workflow of the extended-range intelligent forecasting technology process for precipitation events
图32015—2018年ECMWF模式与NCEP模式在湖南省主汛期降水预报的TS评分（a）和区域降水过程评分（b）
Fig.3(a) TS scores and (b) regional precipitation process scores for precipitation forecasts during the main flood season in Hunan Province, as produced by the ECMWF and NCEP models from 2015 to 2018
图42019—2022年ECMWF模式、CNN_ECMWF模型及其集成预报在湖南省主汛期降水的TS评分（a）和区域降水过程评分（b）
Fig.4(a) TS scores and (b) regional precipitation process scores for precipitation forecasts during the main flood season in Hunan Province, comparing the ECMWF model, the CNN_ECMWF model, and their integrated forecast from 2019 to 2022
图52019—2022年ECMWF模式、CNN_ECMWF模型及其集成预报在湖南省主汛期降水的RMSE（a）和MAE（b）（单位:mm）
Fig.5(a) RMSE and (b) MAE of precipitation forecasts during the main flood season in Hunan Province, as produced by the ECMWF model, the CNN_ECMWF model, and their integrated forecast from 2019 to 2022 (units:mm)
图62019—2022年ECMWF模式、CNN_ECMWF模型及其集成预报在湖南省主汛期降水的TCC
Fig.6TCC of precipitation forecasts during the main flood season in Hunan Province, comparing the ECMWF model, the CNN_ECMWF model, and their integrated forecast from 2019 to 2022
图72019—2022年ECMWF模式（a）、CNN_ECMWF模型（b）及其集成预报（c）对提前10~14 d（a1—e1）、15~19 d（a2—e2）、20~24 d（a3—e3）、25~30 d（a4—e4）平均的湖南省主汛期TCC技巧（数值为区域平均），以及集成预报与ECMWF模式（d）、CNN_ECMWF模型（e）的TCC技巧差异
Fig.7TCC skills for precipitation forecasts during the main flood season in Hunan Province, averaged over forecast lead times of (a1—e1) 10—14 days, (a2—e2) 15—19 days, (a3—e3) 20—24 days, and (a4—e4) 25—30 days for the period 2019—2022.The skill scores are shown for (a) the ECMWF model, (b) the CNN_ECMWF model, and (c) their integrated forecast.Additionally, the differences in TCC skill scores are shown for (d) the integrated forecast versus the ECMWF model and (e) the integrated forecast versus the CNN_ECMWF model
图8同图4，但为NCEP模式、CNN_NCEP模型及其集成预报
Fig.8As in Fig.4, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
图9同图5，但为NCEP模式、CNN_NCEP模型及其集成预报
Fig.9As in Fig.5, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
图10同图6，但为NCEP模式、CNN_NCEP模型及其集成预报
Fig.10As in Fig.6, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
图11同图7，但为 NCEP 模式、CNN_NCEP 模型及其集成预报结果
Fig.11As in Fig.7, but for the NCEP model, the CNN_NCEP model, and their integrated forecast results
图122019—2022 年 ECMWF、NCEP 模式及其2种CNN 模型和集成预报在湖南省主汛期降水的BS 评分（a）和AUROC 评分（b）
Fig.12(a) BS scores and (b) AUROC scores for precipitation forecasts during the main flood season in Hunan Province, as produced by the ECMWF and NCEP models, their respective CNN models, and the integrated forecasts from 2019 to 2022
蔡金圻, 谭桂容, 牛若芸, 2021. 基于迁移CNN的江淮持续性强降水环流分型[J]. 应用气象学报, 32(2): 233-244. Cai J Q, Tan G R, Niu R Y, 2021. Circulation pattern classification of persistent heavy rainfall in Jianghuai region based on the transfer learning CNN model[J]. J Appl Meteor Sci, 32(2): 233-244. DOI: 10. 11898/1001-7313. 20210208. (in Chinese).
Chen L, Zhong X H, Li H, et al., 2024. A machine learning model that outperforms conventional global subseasonal forecast models[J]. Nat Commun, 15(1): 6425. DOI: 10. 1038/s41467-024-50714-1.
de Andrade F M, Coelho C A S, Cavalcanti I F A, 2019. Global precipitation hindcast quality assessment of the subseasonal to seasonal (S2S) prediction project models[J]. Climate Dyn, 52(9): 5451-5475. DOI: 10. 1007/s00382-018-4457-z.
DelSole T, Trenary L, Tippett M K, et al., 2017. Predictability of week-3—4 average temperature and precipitation over the contiguous United States[J]. J Climate, 30(10): 3499-3512. DOI: 10. 1175/jcli-d-16-0567. 1.
Deng Q M, Lu P R, Zhao S Y, et al., 2023. U-Net: a deep-learning method for improving summer precipitation forecasts in China[J]. Atmos Ocean Sci Lett, 16(4): 100322. DOI: 10. 1016/j. aosl. 2022. 100322.
Guo S C, Yang Y, Liu P, 2024. Assimilation of the deep learning-corrected global forecast system fields into the regional model for improving medium-range persistent precipitation forecasts[J]. Atmos Res, 303: 107318. DOI: 10. 1016/j. atmosres. 2024. 107318.
Ham Y G, Kim J H, Luo J J, 2019. Deep learning for multi-year ENSO forecasts[J]. Nature, 573(7775): 568-572. DOI: 10. 1038/s41586-019-1559-7.
Hinton G E, Srivastava N, Krizhevsky A, et al., 2012. Improving neural networks by preventing co-adaptation of feature detectors[J]. arXiv: 1207. 0580v1. DOI: 10. 48550/arXiv. 1207. 0580.
Horat N, Lerch S, 2024. Deep learning for post-processing global probabilistic forecasts on sub-seasonal time scales[J]. Mon Wea Rev, 152(3): 667-687. DOI: 10. 1175/mwr-d-23-0150. 1.
Hsu P C, Li T, You L J, et al., 2015. A spatial-temporal projection model for 10—30 day rainfall forecast in South China[J]. Climate Dyn, 44(5): 1227-1244. DOI: 10. 1007/s00382-014-2215-4.
黄超, 李巧萍, 谢益军, 等, 2022. 机器学习方法在湖南夏季降水预测中的应用[J]. 大气科学学报, 45(2): 191-202. Huang C, Li Q P, Xie Y J, et al., 2022. Prediction of summer precipitation in Hunan based on machine learning[J]. Trans Atmos Sci, 45(2): 191-202. DOI: 10. 13878/j. cnki. dqkxxb. 20210903001. (in Chinese).
吉璐莹, 智协飞, 季焱, 等, 2025. 基于多模式集成的降水空间结构预报改进研究[J]. 大气科学, 49(1): 257-278. Ji L Y, Zhi X F, Ji Y, et al., 2025. Improvement in precipitation spatial structure prediction based on multi-model ensemble forecasting technology[J]. Chin J Atmos Sci, 49(1): 257-278. (in Chinese).
Krishnamurthy V, Stan C, 2022. Prediction of extreme events in precipitation and temperature over CONUS during boreal summer in the UFS coupled model[J]. Climate Dyn, 59(1): 109-125. DOI: 10. 1007/s00382-021-06120-0.
Li L J, Yun Z D, Liu Y, et al., 2024. Improving categorical and continuous accuracy of precipitation forecasts by integrating Empirical Quantile Mapping and Bernoulli-Gamma-Gaussian distribution[J]. Atmos Res, 298: 107133. DOI: 10. 1016/j. atmosres. 2023. 107133.
Li S H, Robertson A W, 2015. Evaluation of submonthly precipitation forecast skill from global ensemble prediction systems[J]. Mon Wea Rev, 143(7): 2871-2889. DOI: 10. 1175/mwr-d-14-00277. 1.
Li W T, Pan B X, Xia J J, et al., 2022. Convolutional neural network-based statistical post-processing of ensemble precipitation forecasts[J]. J Hydrol, 605: 127301. DOI: 10. 1016/j. jhydrol. 2021. 127301.
Liang P, Lin H, 2018. Sub-seasonal prediction over East Asia during boreal summer using the ECCC monthly forecasting system[J]. Climate Dyn, 50(3): 1007-1022. DOI: 10. 1007/s00382-017-3658-1.
Liu R F, Wang W Q, 2015. Multi-week prediction of South-East Asia rainfall variability during boreal summer in CFSv2[J]. Climate Dyn, 45(1): 493-509. DOI: 10. 1007/s00382-014-2401-4.
Liu Y Z, Cai J Q, Tan G R, 2022. Multi-level circulation pattern classification based on the transfer learning CNN network[J]. Atmosphere, 13(11): 1861. DOI: 10. 3390/atmos13111861.
陆振宇, 孔小翠, 张恒德, 等, 2022. 机器学习对延伸期降水集合预报的订正分析[J]. 现代电子技术, 45(7): 86-91. Lu Z Y, Kong X C, Zhang H D, et al., 2022. Correction analysis of extended monthly precipitation ensemble forecast by machine learning[J]. Mod Electron Tech, 45(7): 86-91. DOI: 10. 16652/j. issn. 1004-373x. 2022. 07. 016. (in Chinese).
Lü Y, Zhu S P, Zhi X F, et al., 2024. Significant advancement in subseasonal-to-seasonal summer precipitation ensemble forecast skills in China mainland through an innovative hybrid CSG-UNET method[J]. Environ Res Lett, 19(7): 074055. DOI: 10. 1088/1748-9326/ad5577.
Mao C M, Zhang J M, Zeng Y X, et al., 2023. An integrated method for extended-range prediction of heavy precipitation process in the flood season over Hunan Province based on S2S models[J]. J Water Clim Change, 14(7): 2122-2132. DOI: 10. 2166/wcc. 2023. 426.
Nie Y B, Sun J Q, 2024. Improving dynamical-statistical subseasonal precipitation forecasts using deep learning: a case study in Southwest China[J]. Environ Res Lett, 19(7): 074013. DOI: 10. 1088/1748-9326/ad5370.
牛若芸, 2019. 基于最优概率的中期延伸期过程累计降水量分级订正预报[J]. 热带气象学报, 35(6): 721-731. Niu R Y, 2019. Categorized correction forecast for accumulative precipitation of heavy rainfall processes based on optimal probability (OPPF) in medium-extended-range forecast time[J]. J Trop Meteor, 35(6): 721-731. DOI: 10. 16032/j. issn. 1004-4965. 2019. 065. (in Chinese).
Peng Y H, Liu X L, Su J Z, et al., 2023. Skill improvement of the yearly updated reforecasts in ECMWF S2S prediction from 2016 to 2022[J]. Atmos Ocean Sci Lett, 16(5): 100357. DOI: 10. 1016/j. aosl. 2023. 100357.
钱磊, 邱学兴, 郑淋淋, 等, 2022. 基于降水空间分布相似的最优集成降水预报及其检验[J]. 暴雨灾害, 41(3): 324-335. Qian L, Qiu X X, Zheng L L, et al., 2022. Prediction and test of optimal integrated precipitation based on similar spatial distribution of precipitation[J]. Torrential Rain Disasters, 41(3): 324-335. DOI: 10. 3969/j. issn. 1004-9045. 2022. 03. 009. (in Chinese).
Scheuerer M, Switanek M B, Worsnop R P, et al., 2020. Using artificial neural networks for generating probabilistic subseasonal precipitation forecasts over California[J]. Mon Wea Rev, 148(8): 3489-3506. DOI: 10. 1175/mwr-d-20-0096. 1.
谭桂容, 段浩, 任宏利, 2012. 中高纬度地区500 hPa高度场动力预测统计订正[J]. 应用气象学报, 23(3): 304-311. Tan G R, Duan H, Ren H L, 2012. Statistical correction for dynamical prediction of 500 hPa height field in mid-high latitudes[J]. J Appl Meteor Sci, 23(3): 304-311. DOI: 10. 3969/j. issn. 1001-7313. 2012. 03. 006. (in Chinese).
Tapiador F J, Roca R, Del Genio A, et al., 2019. Is precipitation a good metric for model performance?[J]. Bull Amer Meteor Soc, 100(2): 223-233. DOI: 10. 1175/BAMS-D-17-0218. 1.
Tian Y, Ji Y, Gao X C, et al., 2024. Post-processing of short-term quantitative precipitation forecast with the multi-stream convolutional neural network[J]. Atmos Res, 309: 107584. DOI: 10. 1016/j. atmosres. 2024. 107584.
Vitart F, Ardilouze C, Bonet A, et al., 2017. The subseasonal to seasonal (S2S) prediction project database[J]. Bull Amer Meteor Soc, 98(1): 163-173. DOI: 10. 1175/bams-d-16-0017. 1.
Vitart F, Robertson A W, Spring A, et al., 2022. Outcomes of the WMO prize challenge to improve subseasonal to seasonal predictions using artificial intelligence[J]. Bull Amer Meteor Soc, 103(12): E2878-E2886. DOI: 10. 1175/BAMS-D-22-0046. 1.
王会军, 戴永久, 杨崧, 等, 2024. 气候系统预测: 基础创新和集成应用[J]. 大气科学学报, 47(2): 161-172. Wang H J, Dai Y J, Yang S, et al., 2024. Climate system prediction: fundamental innovations and integrated applications[J]. Trans Atmos Sci, 47(2): 161-172. DOI: 10. 13878/j. cnki. dqkxxb. 20240303007. (in Chinese).
Wang N, Ren H L, Liu Y, et al., 2022. Multi-predictor ensembles improving seasonal prediction of summer rainfall over the Bohai Sea Rim based on statistical downscaling of BCC_CSM1. 1 m[J]. Atmos Res, 275: 106221. DOI: 10. 1016/j. atmosres. 2022. 106221.
Xie J H, Hsu P C, Hu Y M, et al., 2023. Skillful extended-range forecast of rainfall and extreme events in East China based on deep learning[J]. Wea Forecasting, 38(3): 467-486. DOI: 10. 1175/waf-d-22-0132. 1.
Yang J, Zhu T, Gao M N, et al., 2018. Late-July barrier for subseasonal forecast of summer daily maximum temperature over Yangtze River basin[J]. Geophys Res Lett, 45(22): 12610-12615. DOI: 10. 1029/2018GL080963.
叶宇辰, 2023. 基于机器学习的长江流域夏季延伸期预报及土壤温湿度的可能贡献[D]. 南京: 南京信息工程大学. Ye Y C, 2023. Prediction of summer extension period of Yangtze River basin based on machine learning and possible contribution of soil temperature and humidity[D]. Nanjing: Nanjing University of Information Science and Technology. (in Chinese).
叶宇辰, 陈海山, 朱司光, 等, 2024. 基于机器学习的中国夏季降水延伸期预报及土壤湿度的可能贡献[J]. 高原气象, 43(1): 184-198. Ye Y C, Chen H S, Zhu S G, et al., 2024. Machine learning-based prediction of summer extended-range precipitation and possible contribution of soil moisture over China[J]. Plateau Meteor, 43(1): 184-198. DOI: 10. 7522/j. issn. 1000-0534. 2023. 00025. (in Chinese).
游立军, 翁彬, 高建芸, 2022. 深度学习研究现状及在延伸期预报上的潜在应用初探[J]. 气象科技进展, 12(5): 6-8, 150. You L J, Weng B, Gao J Y, 2022. Research status and potential application of deep learning in extended range forecast[J]. Adv Meteor Sci Technol, 12(5): 6-8, 150. DOI: 10. 3969/j. issn. 2095-1973. 2022. 05. 002. (in Chinese).
张弛, 陈国兴, 杨洪涛, 2024. 利用深度学习预报美国东北部日降水分布[J]. 大气科学学报, 47(1): 55-64. Zhang C, Chen G X, Yang H T, 2024. Using deep learning to predict daily precipitation distribution in the northeastern United States[J]. Trans Atmos Sci, 47(1): 55-64. DOI: 10. 13878/j. cnki. dqkxxb. 20231009006. (in Chinese).
张海鹏, 智协飞, 吉璐莹, 2020. 中国区域降水偏差订正的初步研究[J]. 气象科学, 40(4): 467-474. Zhang H P, Zhi X F, Ji L Y, 2020. A preliminary study on calibration in precipitation forecast over China[J]. J Meteor Sci, 40(4): 467-474. DOI: 10. 3969/2019jms. 0022. (in Chinese).
张可越, 李娟, 徐邦琪, 等, 2023. 中国南方降水及其极端事件的动力-统计相结合延伸期预报[J]. 气象学报, 81(1): 79-93. Zhang K Y, Li J, Hus P C, et al., 2023. The dynamical-statistical extended-range prediction of precipitation and extreme precipitation events over southern China[J]. Acta Meteor Sinica, 81(1): 79-93. DOI: 10. 11676/qxxb2023. 20220061. (in Chinese).
章大全, 郑志海, 陈丽娟, 等, 2019. 10~30 d延伸期可预报性与预报方法研究进展[J]. 应用气象学报, 30(4): 416-430. Zhang D Q, Zheng Z H, Chen L J, et al., 2019. Advances on the predictability and prediction methods of 10—30 d extended range forecast[J]. J Appl Meteor Sci, 30(4): 416-430. DOI: 10. 11898/1001-7313. 20190403. (in Chinese).
Zhang L J, Yang T T, Gao S, et al., 2023. Improving subseasonal-to-seasonal forecasts in predicting the occurrence of extreme precipitation events over the contiguous U. S. using machine learning models[J]. Atmos Res, 281: 106502. DOI: 10. 1016/j. atmosres. 2022. 106502.
智协飞, 王姝苏, 周红梅, 等, 2016. 我国地面降水的分级回归统计降尺度预报研究[J]. 大气科学学报, 39(3): 329-338. Zhi X F, Wang S S, Zhou H M, et al., 2016. Statistical downscaling of precipitation forecasting using categorized rainfall regression[J]. Trans Atmos Sci, 39(3): 329-338. DOI: 10. 13878/j. cnki. dqkxxb. 20151201045. (in Chinese).
周海, 秦昊, 吉璐莹, 等, 2022. 地面气象要素多模式集成预报研究进展[J]. 大气科学学报, 45(6): 815-825. Zhou H, Qin H, Ji L Y, et al., 2022. Research progresses of multimodel ensemble forecast of surface meteorological elements[J]. Trans Atmos Sci, 45(6): 815-825. DOI: 10. 13878/j. cnki. dqkxxb. 20211230001. (in Chinese).
Zhu Z W, Li T, Hsu P C, et al., 2015. A spatial-temporal projection model for extended-range forecast in the tropics[J]. Climate Dyn, 45(3): 1085-1098. DOI: 10. 1007/s00382-014-2353-8.

Address：No.219, Ningliu Road, Nanjing, Jiangsu, China

Postcode：210044

Tel：025-58731158