受东亚夏季风的影响，极端降水是华南地区夏季最严重的灾害性天气之一，对人民的生命财产安全造成了极大的威胁。因此，可靠的降水预报对防灾减灾至关重要。近年来随着统计模型和动力模式的发展，华南夏季降水的天气预报和短期气候预测都得到了明显改善，但介于两者之间的次季节预报仍处于发展的起步阶段，预报技巧十分有限，亟待进一步探索和提高。

我院智协飞教授团队提出了一种基于U-Net神经网络的深度学习模型，利用ECMWF次季节模式输出的降水和大气环流预报产品来生成更加准确的华南夏季次季节降水预报产品。为了提高模型对于极端降水的捕获能力，本研究引入了一种基于均方根误差和TS评分的加权损失函数。总体而言，该模型能有效提高华南夏季1-4周降水预报的综合性能，且在极端降水事件预测上也有良好的表现，极端降水的3-4周预报HSS较ECMWF预报提高了5%左右，较传统的分位数映射方法（QM）有显著优势。预报因子重要性分析表明，U-Net模型的1周预报技巧主要来源于降水预报产品，但大气环流场预报的重要性随着预报时效的延长而迅速增加。因此，结合数值模式预报产品和深度学习框架对于提高次季节降水预报技巧具有很好的应用前景。

在国家自然科学基金项目（42275164、42205162 和 42105030）支持下，这项工作由我院博士研究生吕阳及其导师智协飞教授，以及南京气象科技创新研究院朱寿鹏博士等合作者共同完成，近日论文发表于《Geophysical Research Letters》杂志上。

团队理论联系实际，高度重视成果转化，为此还获批了一项次季节台风生成预报方法发明专利。发明提取台风不同时间尺度的周期性信号，滤除多余的噪声，并对各时间尺度周期性信号分别诊断可预报性来源，避免了不同尺度信号之间的相互影响，且能更好地捕获物理过程；搭建多通道卷积神经网络，先基于再分析资料一次训练，再基于模式预报资料展开迁移学习，模型具有高度非线性和强鲁棒性，有较高的预报技巧，对于政府部门的防灾减灾具有重要作用。

图1 (a) ECMWF、QM 和 U-Net 1-4周降水预报的平均均方根误差和 (b)时间相关系数

图2 极端降水事件的评估 (a) Heidke 技巧评分 （b）命中率POD （c）误报率POFD （d）空报率FAR

图3 影响因子重要性分析

论文信息：

Lyu Y, Zhu S, Zhi X, et al. 2023: Improving subseasonal-to-seasonal prediction of summer extreme precipitation over southern China based on a deep learning method. Geophysical Research Letters, 50, e2023GL106245. https://doi. org/10.1029/2023GL106245.