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

 本研究利用1961-2019年江苏省67个站点降水量和气候指数数据集等资料，选取大气环流、海温和积雪等先兆信号的不同组合作为预测因子方案，使用和深度神经网络（DNN）、轻量级梯度提升机（Light GBM）、随机森林（RF）、支持向量机（SVM）和线性回归（LR）等方法建立预测模型，开展江苏夏季降水的预测试验，对预测效果进行对比分析，并探讨了不同预测因子方案对江苏省夏季降水预测结果的潜在影响。具体结论如下：
    （1）1961-2019年江苏夏季降水总体呈现上升趋势，且表现出明显的阶段性变化，近5年中2015-2016年为显著多雨年，2017-2019年为相对少雨年。对比分析了DNN、LightGBM、RF、SVM和LR等预测模型对江苏省夏季降水的预测结果误差特征，发现利用DNN模型对江苏省夏季降水预测具有一定优势。
    （2）不同因子方案的DNN预测结果在训练时段（1961-2014年）的交叉预报检验结果都有很好的表现，但从预测时段（2015-2019年）的独立样本预报检验结果来看，动态权重集合的方案预测效果最好，DNN结合动态权重集合因子方案能够较好地预测江苏夏季降水，独立样本检验PS评分为76.0分，距平符号一致率为62%，ACC的5年均值达到了0.35，其预测结果较为稳定。预测技巧还存在区域差异，其中对江苏中南部的预测技巧更高，具有业务应用价值。
    （3）不同预测因子组合方案的预测结果对比分析表明，单类型因子方案而言，大气环流因子方案优于海温因子和积雪等其他因子方案，在江苏夏季降水预测中占主要贡献，海温因子和积雪等其他因子的贡献在不同年份存在差异；所有因子方案优于大气环流因子方案，说明海温因子和积雪等其他因子在特定年份有正贡献；将所有因子和方案信息进行动态权重集合的方案预测效果最好，说明DNN模型结合动态权重集合方案有助于提升季节预测准确性。
    本研究针对汛期季节预测这一重点与难点，使用DNN方法建立预测模型，有效提升了预测的准确性，为降水季节预测提供了一种可能的参考。文中在对比不同预测因子方案时发现，单独使用海温因子的方案预测效果不佳，且大气环流因子总体优于海温和积雪陆面因子，这可能一方面是海温因子仅考虑了某几个区域平均指数结果有关，而海温对大气和降水的影响需要综合考虑海温的不同发展阶段和空间分布型；另一方面这里的分析主要针对江苏夏季降水，预报对象区域范围较小，关键大气环流因子对局地降水的关系和表征性更为直接，而热带海温异常信号对较小区域范围的降水异常的关系不一定显著。但也需要指出，本文的研究仍是初步的，而深度学习的可解释性范畴仍是计算机领域的热点问题，如何更有效地解释DNN方法预测降水的物理机制仍有待于进一步探索。
 

夏季降水，季节预测，先兆信号，深度神经网络，动态权重集合方案