10–30天延伸期预报长期以来为天气预报（<10天）与气候预测（>30天）之间的预报缝隙，当前国际上参与WMO次季节–季节预测（S2S）的业务模式对区域降水的预报技巧有限，例如对2021年7月河南暴雨的预测技巧仅有1–2周。模式预报偏差来源复杂，动力模式的改进亦需要大量的人力和计算资源；研制有效的延伸期统计预报模型成为另一个有效途径。

为提高我国东部降水及其极端事件的延伸期预报技巧，我院徐邦琪教授团队基于卷积神经网络（CNN）与门控神经元（GRU）构建了三种不同框架的深度学习模型。通过深度学习技术，有效挖掘前期（-30至-1天）预报因子的时空演变过程与后期（未来30天）中国东部降水之间的关系，进一步进行建模和预报试验，最后采用最优预报因子集成方法，提高模型的预报稳定度和预报技巧。深度学习模型的集合预报评估显示，其在提前20–30天的预报中，对中国东部降水距平（图1）以及相关极端降水事件（图2）的预测能力优于当前ECMWF与CMA的S2S业务预测模式。深度学习模型之所以具有较高的预报技巧，主要原因在于其能够有效识别中国东部降水次季节变化的潜在可预报性来源。

该模型已在多家业务单位进行业务运行，且提前25天成功地预报出2022年华南前汛期强降水过程，显示出深度学习技术在延伸期预报领域的应用前景。

论文信息：

Xie, J., P.-C. Hsu, Y. Hu, M. Ye, and J. Yu, 2023: Skillful extended-range forecast of rainfall and extreme events in East China based on deep learning. Weather Forecast., 38, 467–486. DOI: 10.1175/WAF-D-22-0132.1

图1  独立预报期间（2013–2019年，1281个预报时次）不同深度学习模型（从左到右：EPS1、EPS2和EPS3，详见文章）和CMA、ECMWF的S2S业务模式，在不同预报时效（由上到下：提前10、15、20、25和30天，即提前2–6候）中的时间相关系数技巧。打点表示相关性通过99%置信水平检验。

图2  同图1，但为预测极端降水事件的Heidke技能评分（评分大于0表示有效预报，评分越高表示预报技巧越好）