中国气象学会气象青年科技交流会暨2021年青年科学家论坛

    基于2016-2019年地面常规气象观测要素、南昌市雷达回波图资料(图1),采用卷积神经网络（Convolutional Neural Networks , CNN）和长短期记忆网络（Long Short-Term Memory, LSTM）构建新的双层嵌套深度学习（Double Ensemble Deep Learning,DEDL）模型预报0-2小时短时强降水,新模型比传统学习模型增加一个数据通道,可同时融合雷达回波和地面气象观测要素。
    2020年南昌市主汛期降水预报试验结果表明：整体而言,DEDL模型命中率（POD）、虚警率（FAR）均优于华东数值预报。对比基于雷达回波的单通道学习（Single Deep Learning,SDL)模型,DEDL模型准确率优势在1-2小时预报时效更加显著（图2、图3）：POD提高63.3%,FAR降低4.3%,能够显著改善常规雷达外推模型1-2小时外推准确率较0-1小时有一定程度下降的缺陷。
    进一步研究了不同天气形势背景下，深度学习模型的表现。选取西南季风强降水（图4）、梅雨锋强降水（图5）、副高控制下雷雨（图6）三个典型个例进行预报性能评估。结果表明：DEDL模型对季风强降水和梅雨锋强降水均有较好的预报,可准确预报逐小时降水随时间强弱变化和极大、极小值的位置及强度；模型对副高控制下热对流触发强降水预报不足,表现一定的延迟,这可能与此类天气形势下强降水易突发,短时间内雨强陡升陡降有关。
    为了解释地面观测气象要素对DEDL模型的影响程度,采用特征因子重要性排序法对不同观测数据进行敏感性分析（图7）。结果显示：0-1h时效各种地面观测数据对模型TS评分均不敏感；而1-2h时效地面观测数据中敏感性有一定提高,其中海平面气压敏感性提升了近1倍,因此DEDL模型1-2小时预报准确率也相对较高。

短时强降水；深度学习；多源观测；双层嵌套