基于历史降雨数据的印度季风降水预测技能与 NCEP-NWP 预报对比
内容提要
深度学习在降水与天气预测中的应用：结合数值天气预报可提升短期全球降水预报；神经网络模型能大范围预测未来降水，性能优于部分物理模型；MetNet系列实现高分辨率、高频次降水预测；LSTM在降雨预测中优于DMD；GAN优化模型可捕捉极端降雨；深度学习方法还能改进月度温度预测和降水后处理。
延伸解读
深度学习与数值预报的互补关系
文章指出，深度学习模型并非完全取代数值天气预报（NWP），而是可以与之结合。例如，混合模型将两者结合后，显著提高了短期全球降水预报的技能并减小了均值偏差。同时，在更长前导时间（4-6周）上，DLWP集合表现良好，但在更短前导时间上稍差于ECMWF。这表明两种方法各有优势，实际应用中需根据预报时效选择或融合。
高分辨率与极端事件预测的进展
MetNet系列模型实现了高达1 km²空间分辨率、每2分钟间隔的未来8小时降水预测，并在大陆尺度上优于NWP长达7至8小时。此外，GAN优化模型能更有效地捕捉极端百分位的全球降雨量，而CAMT框架在极端降水条件下优于传统NWP方法。这些进展说明深度学习在捕捉极端天气方面具有潜力，但文章未提及这些模型在业务化应用中的计算成本或实时性限制。
区域适用性与数据驱动方法的验证
针对印度东北地区118年日降雨数据的研究显示，LSTM在准确性上优于DMD，展现了捕捉复杂非线性关系的能力。文章提出数据驱动和深度学习方法可以显著提高该地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强对气候变化的适应能力。但该结论基于特定区域的历史数据，其普适性仍需在其他地区验证。
Q&A
深度学习在降水预测中相比传统数值天气预报有哪些优势？
深度学习模型在降水预测中表现出更高的准确性和效率。例如，基于神经网络的模型在大范围内预测未来十二小时降水时，比基于物理的HRRR和HREF模型表现更好；MetNet-3在24小时内预测表现优于最先进的概率性数值天气预报模型；GAN优化的FourCastNet能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。
MetNet系列模型在降水预测方面有哪些具体性能？
MetNet能在高达1 km²的空间分辨率下、每2分钟一个时间间隔内预测未来8小时的降水情况，使用轴向自注意力聚合全局上下文，在大陆尺度上预测性能优于数值天气预报长达7至8小时。MetNet-3基于气象观测预测降雨、风、温度和露点，与最先进的概率性数值天气预报模型相比，在24小时内具有更好的预测表现。
LSTM和DMD在降雨预测中的效果对比如何？
使用印度东北地区118年来的日降雨数据比较，LSTM在准确性方面优于DMD，展现了LSTM捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具。
深度学习如何改进数值天气预报的降水后处理？
通过提出PostRainBench多变量NWP后处理基准，介绍了一种简单但有效的渠道注意增强多任务学习框架CAMT，能在极端降水条件下优于传统的数值天气预报方法。此外，基于深度学习的降水后处理方法通过自监督预训练和迁移学习，在区域天气预报中得到了比其他方法更好的结果。
深度学习模型在月度温度预测中有什么应用？
一种基于深度学习模型（UNet++），利用ERA5重分析数据集和全球CMIP6模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。
深度学习与数值天气预报结合的混合模型效果如何？
通过将深度学习和数值天气预报（NWP）相结合，提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。
