精准可靠的次季节降水预报对于我国气象灾害的防灾减灾具有重要作用。近年来，深度学习技术在中短期、延伸期预报后处理中都得到了很好的应用，显著地提高了预报技巧。

我院智协飞教授团队成功将U-Net神经网络应用于ECMWF数值模式次季节降水预报的后处理中，得到了更加精准的中国夏季降水次季节预报产品。试验结果表明，U-Net神经网络能显著提高ECMWF的降水预报技巧，且较目前常用的统计后处理方法（基于截断Gamma分布的集合输出统计，CSG-EMOS）具有显著优势。U-Net神经网络将ECMWF降水预报的有效预报时效从2周延伸到4周，并显著提高了极端降水的预报技巧。在此基础上，他们还将UNET和CSG-EMOS相结合，提出了一种新的混合后处理方法（CSG-UNET），在U-Net的基础上进一步提高了模型的分辨能力，进而有效提高预报技巧。对于模型的可解释性研究，他们发现预报的大气环流因子对于2周以后的降水预报尤为重要。CSG-UNET 方法在次季节降水预报方面具有巨大潜力，也可应用于其他大气和海洋要素的次季节预报。

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共同完成，近日论文发表在《Environmental Research Letters》杂志上。此前，团队还利用深度学习方法研究了华南夏季极端降水的预报，发现极端降水的3-4周预报HSS评分较ECMWF预报提高了5%左右，较传统的分位数映射方法也有显著优势。文章刊登在《Geophysical Research Letters》杂志上。

团队高度重视成果转化，为此还申报了一批基于深度学习的次季节预报方法发明专利并获得授权（ZL202110981502.7；ZL202310174997.1；ZL 2023 11518546.1；ZL202410452556.8）。发明的降水预报新方法具有高度非线性和强鲁棒性，极端降水的预报性能得到显著提升。

图1 ECMWF、CSG-EMOS、UNET和CSG-UNET在1-4周预报时效下对于不同降水百分位的BSS

图2 同图1，但针对BS的分解项：可靠性项（BS_reliability）和分辨率项（BS_Resolution）以及相应的技巧评分

论文信息：

Lyu Y, Zhu S, Zhi X, et al. 2024: Significant advancement in subseasonal-to-seasonal summer precipitation ensemble forecast skills in China mainland through an innovative hybrid CSG-UNET method. Environmental Research Letters, 19074055 https://doi.org/10.1088/1748-9326/ad5577

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.