基于深度学习的京津冀地区精细尺度降水临近预报研究*

曹伟华 南刚强 陈明轩 程丛兰 杨 璐 吴剑坤 宋林烨 刘瑞婷

北京城市气象研究院，北京，100089

北京城市气象工程技术研究中心，北京，100089

Institute of Urban Meteorology，China Meteorological Administration，Beijing 100089，China Beijing Urban Meteorological Engineering Research Center，Beijing 100089，China

1 引 言

降水临近预报对城市内涝和山洪地质灾害预警及应急响应至关重要。传统降水临近预报方法主要是基于雷达回波的外推预报，其中基于雷暴单体追踪的外推预报和基于区域追踪的外推预报是应用最广的两种方法。基于雷暴单体追踪的外推预报主要针对对流性降水，能够给出雷暴单体演变的特征信息，代表性算法有TITAN、SCIT（Dixon，et al，1993；Johnson，et al，1998）。基于区域追踪的外推预报，是在假设满足拉格朗日守恒的条件下，通过追踪雷达前面连续时刻移动矢量进而对未来短时间的演变进行外推预报，主要有基于交叉相关的追踪算法（Tracking Radar Echoes by Correlation，TREC）（Rinehart，et al，1978；Li，et al，1995）、半拉格朗日外推算法（Staniforth，et al，1991；Germann，et al，2002）。尽管这些外推预报技术已在多国业务系统中得到应用（Mueller，et al，2003；陈明轩等，2010；Haiden，et al，2011），但由于方法仍存在局限，其外推预报的能力随预报时效延长会迅速下降，且对于非平流性降水的预报效果要弱于平流性降水，尤其是针对非平流导致的局地雷暴生长和消亡过程，其预报能力存在明显不足（Wilson，et al，1998）等。另外，一些新的技术方法，比如统计、外推预报与数值预报融合技术、传统机器学习等也逐渐在降水临近预报中开始应用（Sokol，et al，2013；Sun，et al，2014；Chen，et al，2017；Han，et al，2017）。但由于精细尺度降水本身包含复杂的非线性过程，并且非平流降水的生消演变问题也仍然是预报的难点，因此目前这些传统的方法对非平流性降水的临近预报也存在诸多困难。

近年来，人工智能技术迎来第三次发展浪潮，深度学习作为新兴方法被引入气象领域（Shi，et al，2015；孙健等，2021）。深度学习是一种深层的机器学习模型，对于挖掘数据内部特征及物理规律更有优势，而且在高时空分辨率雷达图像临近预报方面已初见成效。Shi 等（2015）首次提出使用卷积长短期记忆网络（ConvLSTM）做香港地区降水临近预报，试验证实其临近预报效果优于传统光流法。Chen 等（2020）通过改进ConvLSTM 模型在上海及周边地区雷达回波预测中取得较好效果。Ayzel 等（2019，2020）研究提出的全卷积神经网络模型（DozhdyaNet）及RainNet 网络模型对雷达回波临近预报比光流法预报更优。郭瀚阳等（2019）应用改进的循环神经网络（GRU）对京津冀地区1 h 雷达回波演变特征的预测表明，其预报评分高于传统的临近预报方法。韩丰等（2019）采用循环神经网络进行1 h 雷达反射率临近预报试验表明，其对反射率强度变化有一定预报能力。以上研究表明，深度学习方法在多个地区的雷达回波临近预报方面已初步表现出一定的应用潜力。

京津冀地区北靠燕山山脉，西倚太行山，地形复杂，对流旺盛。目前，北京市气象局研发的快速更新多尺度分析和预报系统之集成子系统（RMAPSIN）已实现京津冀地区高时空分辨率三维网格气象要素客观分析和0—12 h 地面要素及降水的业务快速更新预报。然而其对于降水的临近预报依然是假设在满足拉格朗日守恒条件下，采用交叉相关方法基于前面连续时刻降水分析场的演变规律进行传统的外推预报（程丛兰等，2019；曹伟华等，2019），因而该业务系统对非平流（如热对流）导致的局地降水生消演变过程的临近预报能力还比较有限。为进一步提升京津冀地区强降水临近预报能力，本研究引入滚动式的深度学习RainNet 模型，研究建立两种滚动预报方式，通过与传统外推预报方法进行对比，分析了深度学习RainNet 模型在京津冀地区精细尺度降水临近预报中的性能。

2 数 据

研究数据采用2017—2020 年6—9 月1 km 分辨率逐10 min 间隔的10 min 累积降水分析场，覆盖京津冀地区581 km×511 km。降水分析场是根据京津冀地区8 部新一代天气雷达（北京、天津、石家庄、秦皇岛、沧州、邯郸S 波段及张北和承德C 波段雷达）拼图的反射率（图1），通过采用本地化的ZR关系（陈明轩等，2010）计算获得雷达定量降水估计，并进一步融合京津冀地区3000 余个自动气象站雨量计降水观测资料生成降水分析场，该资料时空分辨率高、质量稳定，在业务中有很好的应用效果。

图1 京津冀地区地形海拔高度 （单位：m） 及8 部天气雷达位置 （“+”表示）Fig.1 Surface elevation （unit：m） around the study area in contiguous North China and the eight radar sites of the operational China Next Generation Weather Radar network are displayed （+ symbols）

通过对原始降水分析场进行整理获得深度学习模型的数据集，如表1 所示，将576 km×496 km范围作为降水临近预报试验的研究区域（图2）。采用2017—2019 年6—9 月的降水分析场作为深度学习网络模型训练集，用于训练和优化深度学习网络模型；采用2020 年6—9 月的降水分析场作为独立样本测试集，用于检验深度学习模型的预报性能，其中，剔除了无降水的样本防止非降水数据对模型训练的影响。数据进行标准化转换是深度学习的常见做法，对原始降水数据X进行对数变换获得标准化数据Xnor

图2 研究区域范围 （虚线矩形框为原始降水分析场的覆盖范围581 km×511 km，实线矩形为裁剪后研究范围576 km×496 km）Fig.2 Study domain （the dotted rectangle is the domain of 581 km×511 km for original precipitation analysis，the rectangle within the solid line is the final study domain of 576 km×496 km）

表1 模型数据集信息Table 1 Main parameters of the datasets

3 方 法

3.1 深度学习RainNet 模型

图3 给出京津冀地区降水临近预报的深度学习RainNet 模型的网络结构，该模型是在U-Net 和SegNet 模 型 基 础 上 进 行 改 进 设 计（Ayzel，et al，2020）。整个RainNet 模型分为编码和解码两部分，编码器通过卷积-池化操作来学习输入数据的特征并逐步缩小其空间分辨率，解码器通过上采样方式将学习到的特征逐步放大到更高的空间分辨率，并附加卷积层进一步深化特征的提取。每个编码器和解码器之间存在跳跃连接，以保证不同特征之间的语义连接。RainNet 模型是一个全卷积网络，包括20 个卷积层、4 个池化层、4 个上采样层和4 个跳跃连接层，并在最后两个编码器中加入Dropout层以降低过拟合进而提升模型的泛化能力。卷积层中统一使用3×3 的卷积核，这是因为较大的卷积核会导致过拟合和增加模型预测的不确定性。RainNet 模型的编码部分包含4 次2×2 最大池化，故输入数据的大小必须为16 的整数倍，因此将原始降水数据处理成576 km×496 km 大小作为模型的输入数据（图2）。

图3 深度学习网络模型的结构Fig.3 Illustration of the RainNet architecture

RainNet 模型通过10 min 降水分析场进行未来10—60 min 滚动式临近预报的关键是进行模型训练和优化，其过程为：首先针对训练集数据读取3 个连续时刻（t−20、t−10、t）的降水分析场作为模型的输入，采用未来某一时刻的降水分析场作为模型真值，进而根据模型降水输入数据进行降水预测；进一步，计算损失函数以刻画模型预测与真值间的偏离程度；最后使用Adam 优化器通过反向传播算法来优化网络参数（Kingma，et al，2015）。模型的损失函数使用降水预测偏差的双曲余弦的对数（Log-Cosh 函数），如式（2）、（3）

式中，Fi、Oi分 别表示第i个格点的模型预测值和实际观测值，n是降水场格点数。训练完成后，根据优化后的深度学习模型参数，采用测试集样本数据3个连续时刻（t−20、t−10、t）的降水分析场作为RainNet模型的输入，通过滚动式预报方式实现逐10 min 滚动更新的降水预测。

3.2 滚动式预报方式

RainNet 模型采用的滚动式预报方式是将上一个时刻的预报场作为预报下一个时刻降水场的一项输入，该方式简洁、预报灵活高效。以往是采用单一RainNet 模型进行连续的滚动预报（Ayzel，et al，2020）。但随着预报时效延长，预报值作为输入引入模型的误差将逐渐增大，预报性能下降。为改进单一模型滚动方式的不足，提升连续滚动预报能力，将采用两个RainNet 模型相结合的滚动预报方式，具体原理是：第1 个模型采用3 个连续时刻t−20、t−10、t的降水分析场作为模型输入来预测t+10 min的降水，由该模型滚动2 次预报20—30 min 的降水，原理如图4a 所示；第2 个模型同样采用t−20、t−10、t降水分析场作为模型输入，但预测t+40 min的降水，并由该模型滚动2 次预测50—60 min 的降水，如图4b 所示。作为对比，单一模型对10—60 min的连续滚动预报结果将参与对比分析，具体是以t−20、t−10、t时刻降水分析场作为模型输入连续预测t+10 min 后的降水，其连续滚动5 次预报20—60 min 的降水，如图4c 所示。下文图中，统一将两个模型相结合的滚动预报结果记为RainNet，将单一模型预报结果记为RainNet_ori。

图4 基于深度学习网络模型的滚动式临近预报原理示意Fig.4 Schematic diagram of rolling nowcast based on deep learning network model

3.3 传统外推预报方法

基于交叉相关追踪降水或雷达回波的移动矢量进行半拉格朗日外推是一种常用的传统外推预报方法。首先，采用最近两个时次的降水分析场（或雷达回波）通过交叉相关算法（Li，et al，1995；王改利等，2007）计算初始的降水移动矢量场，原理如图5 所示。进一步将生成的降水移动矢量场通过与数值模式500 和700 hPa 的风场进行比较约束，过滤掉不符合实际的伪矢量，从而获得质量控制后的高质量降水移动矢量场（程丛兰等，2019；曹伟华等，2019）。最后，根据上一步质量控制后的降水移动矢量场采用半拉格朗日平流方案（Staniforth，et al，1991）对最新观测的降水分析场进行未来1 h 的逐10 min 外推预报。

图5 交叉相关方法示意 （图a、b 分别代表t、t+Δt 时刻降水场；黑色矩形框代表求交叉相关的像素点区域，r 代表搜索半径，黑色矢量为TREC 矢量，所指向终点代表所匹配的具有最大相关系数的矩形中心）Fig.5 Schematic diagram showing the computation of the TREC （Fig.5a and Fig.5b represent precipitation analysis at time t and t+Δt respectively，r is search radius，the black vector is the TREC vector，the end point of which is the centre of the array at time t+Δt with maximum correlation coefficient）

降水外推预报方案虽对刻画风暴物理机制存在局限（Germann，et al，2002），但由于其简单实用，且对稳定性降水预报可以取得较好的效果，因而已在京津冀地区临近预报业务系统中得到应用。作为对比，本研究将其与深度学习模型进行对比试验，其预报结果记为TREC。

3.4 检验方法

采用平均绝对误差（MAE）衡量降水预报与降水分析（实况）的差距，采用相关系数（COR）度量降水预报与观测的相似程度，公式如下：

式中，Fi、Oi分别是降水预报值和降水分析值，、分别是Fi、Oi的平均值，n是有效样本量。

同时，采用CSI 评分检验两种方法对不同强度降水的预报性能（Wilks，2011），CSI 范围为0—1，1 代表预报效果最佳，公式如下

式中，hits 代表命中次数，表示预报不小于降水阈值且实况也不小于该阈值的频率；false alarms 代表空报次数，表示预报不小于降水阈值而实况小于该阈值的频率；misses 代表漏报次数，表示预报小于降水阈值而实况不小于该阈值的频率。

4 试验检验

4.1 误差空间分布

从京津冀地区2020 年6—9 月基于交叉相关外推预报和由两个RainNet 模型相结合进行降水临近预报在10—60 min 预报时效的绝对误差空间分布（图6）可以看出，RainNet 模型预报在各预报时效下的绝对误差明显低于交叉相关外推预报的绝对误差，尤其是京津冀南部地区相对于降水外推预报的绝对误差改善更加明显。总体来看，相对于交叉相关外推预报，深度学习RainNet 模型对京津冀地区1 h 内降水临近预报误差更小，且随着预报时效的延长，RainNet 对绝对误差的改进越明显。

图6 2020 年6—9 月的绝对误差空间分布 （单位：mm/（10 min）；a.基于交叉相关的外推预报 （TREC） 绝对误差，b.两个深度学习模型相结合的滚动预报 （RainNet） 绝对误差；下标1—6 分别表示预报时效为10、20、30、40、50、60 min）Fig.6 Spatial distributions of mean absolute error （MAE） during June to Septemper 2020 （unit：mm/（10 min）； a.TREC predictions，b.two rolling RainNet predictions；1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

从京津冀地区两种临近预报方法在2020 年6—9 月10— 60 min 预报时效下降水预报场与分析场的相关系数空间分布（图7）可以看出，两种预报方法的相关系数空间分布趋势整体一致，呈东北—西南走向，在京津冀平原地区降水预报与实况的相关系数较大，即平原地区两者更加接近，而在西北山区的相关系数较小。对比来看，深度学习RainNet模型在各时效的相关系数一致高于交叉相关外推预报的相关系数，而且随着预报时效延长 RainNet模型的相关系数提升更加明显。

续图6Fig.6 Continued

图7 2020 年6—9 月京津冀地区的相关系数空间分布 （a.基于交叉相关的外推预报 （TREC） 相关系数，b.两个深度学习模型相结合滚动预报 （RainNet） 的相关系数；下标1—6 分别表示预报时效为10、20、30、40、50、60 min）Fig.7 Spatial distributions of correlation coefficient during June to September 2020 （a.TREC predictions，b.RainNet predictions；1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

4.2 误差箱线图及不同预报时效的预报性能

续图7Fig.7 Continued

图8、9 分别给出了2020 年6—9 月绝对误差和相关系数的时间序列箱线图，图中黑盒子的上、下边界和白色线分别代表绝对误差的75%、25%、50%分位数，上须和下须分别代表了90%、10%分位数。从图8 可以看出，在10—60 min 的各预报时效下，深度学习RainNet 模型降水预报的绝对误差90%、75%、50%分位数明显低于传统交叉相关外推预报场对应分位数。从图9 的相关系数来看，深度学习RainNet 降水预报场相关系数的90%、75%、50%、25%和10%分位数相比传统交叉相关外推预报均有所提升。

图8 绝对误差的时间序列箱线图（黑色方框的上、下边界为75%、25%分位数，上须和下须分别是90% 和10%分位数，黑盒子中的白线和白三角分别是中位数和均值；a—f.分别是预报时效为10、20、30、40、50、60 min 的结果）Fig.8 Box plots of mean absolute error （the upper and lower of the black box are the quantiles of 75% and 25%，the upper and lower whiskers are 90% and 10% quantiles，the white line and triangle in the black box show the median and mean values，respectively；a—f.the forecast time is 10，20，30，40，50 and 60 min，respectively）

图9 相关系数的时间序列箱线图（黑色方框的上、下边界为75%、25%分位数，上须和下须分别是90% 和10%分位数，黑盒子中的白线和白三角分别是中位数和均值；a—f.分别是预报时效为10、20、30、40、50、60 min 的结果）Fig.9 Box plots of correlation coefficient （the upper and lower of the black box are the quantiles of 75% and 25%，the upper and lower whiskers are 90% and 10% quantiles，the white line and triangle in the black box show the median and mean values，respectively；a—f.the forecast time is 10，20，30，40，50 and 60 min，respectively）

图10 给出了2020 年6—9 月降水预报与实况的相关系数和绝对误差随着预报时效的变化曲线，图中RainNet 表示由两个深度学习模型相结合进行滚动预报（图4a、b）的结果，RainNet_ori 表示单一深度学习模型完成60 min 的滚动预报（图4c）结果。由相关系数（图10a）来看，10—60 min 各预报时效下，深度学习预报的相关系数均明显高于交叉相关外推预报，且两个深度学习模型相结合进行滚动预报与实况的相关关系更好。随着预报时效延长，深度学习相关系数的提升幅度逐渐增加，在10、20、30、40、50、60 min 时效下，两个深度学习模型相结合的降水预报相比交叉相关外推预报提升幅度分别达到4.0%、8.9%、13.3%、19.6%、24.5%、27.8%。从绝对误差（图10b）来看，10—60 min 各预报时效深度学习的绝对误差一致低于交叉相关外推的绝对误差，且同样两个深度学习模型相结合的绝对误差最小。随着外推时效延长，深度学习对绝对误差的改进幅度增大，10—60 min 两个深度学习模型相结合的绝对误差比交叉相关外推的绝对误 差 分 别 降 低13.6%、 17.5%、 20.9%、 24.3%、26.3%、26.2%。通过对2020 年6—9 月降水过程整体检验发现，深度学习对降水1 h 的临近预报性能整体优于交叉相关外推预报性能，采用两个深度学习模型相结合的滚动预报优于单一模型的滚动预报。

图10 2020 年6—9 月降水临近预报的相关系数 （a） 和绝对误差 （b） 曲线Fig.10 Mean absolute errors （a） and correlation coefficients （b） during June to September 2020

4.3 不同强度降水的预报检验

为进一步了解不同强度降水的临近预报性能，分别计算不同量级降水的CSI 评分（式（6））。结合北京24 h 暴雨蓝色、黄色、橙色预警阈值，将10 min降水量检验阈值设定为0.02、0.49、0.69、1.04 mm，给出不同降水阈值时的评分结果（图11），RainNet_ori为单一深度学习模型的滚动预报结果，代表改进前的RainNet 滚动预报；RainNet 为两个深度学习模型相结合的预报结果，代表改进后的RainNet 滚动预报。可以看出，采用两个RainNet模型相结合的滚动预报优于单一模型的滚动预报，在40—50 min的降水预报得到明显提升，其中0.49 mm/（10 min）阈值下，40 min 预报时效时改进前、后的CSI 评分分别为0.36 和0.40，其对应50 min预报时效改进前、后CSI 评分为0.30、0.34；0.69 mm/（10 min）阈值下，40 min 预报时效改进前、后的CSI 评分为0.31、0.35，其对应50 min 预报时效改进前、后的CSI 评分分别为0.26、0.29。可见，改进后采用两个RainNet 模型相结合的滚动预报可以较好地改善40、50 min 时效的降水临近预报能力，这主要是因为调整了深度学习RainNet 模型在40、50 min 的模型输入。另外，与交叉相关外推预报相比，4 个降水阈值下，两个RainNet 模型相结合的滚动预报方式在10—50 min 的降水预报性能均优于交叉相关外推预报。

图11 2020 年6—9 月不同降水阈值 （a—d） 的CSI 评分曲线Fig.11 Critical success indexes （CSI） for four different intensity thresholds （a—d） during June to September 2020

综合来看， RainNet 模型采用滚动的预报方式随着滚动次数增加对预报性能影响较大。由于将上一时刻的预报值作为下一时刻预报的模型输入因子，因而随着预报时效的延长引入模型的误差将随之增大，造成预报性能下降，这是其不足之处。但当模型训练完成以后，其滚动次数可以灵活调整，且无需重新训练优化模型，而且RainNet 模型结构简洁，便于训练。因而结合其特性，设计的两个RainNet 模型相结合的滚动式预报方式改善了40—50 min 的降水预报性能。

4.4 个例分析

上述分析给出了降水外推预报和深度学习预报的整体检验，以及不同强度降水的预报性能。下面将结合降水个例分析不同模型的临近预报表现。

4.4.1 2020 年7 月31 日个例

图12 给出2020 年7 月31 日11 时20 分（世界时，下同）起报的未来10—60 min 的降水临近预报结果及对应降水实况。

在11 时20 分由交叉相关降水外推预报显示，未来1 h（11 时30 分—12 时20 分）京津冀南部地区有降水，降水的落区和强度与当前情况基本保持不变，降水中心的强度为5—10 mm/（10 min）；深度学习模型对未来1 h 逐10 min 的滚动预报显示，11 时20 分—12 时20 分降水落区变化不大但降水强度呈明显减弱的趋势。通过与降水实况对比（图12c）对比，交叉相关外推的降水预报场偏强（图12a），对降水过程的减弱趋势反映不够明显，而深度学习的预报结果则与实际降水强度演变趋势更吻合（图12b）。整体来看，深度学习模型能够更好地体现1 h 内逐10 min 降水强度随时间的演变特征。

图12 2020 年7 月31 日11 时20 分起报10—60 min （a1—a6、b1—b6） 降水临近预报结果及降水实况（c1—c6） （a.交叉相关外推预报，b.深度学习RainNet 预报，c.相应时间的降水实况）Fig.12 Predictions of TREC （a1—a6） and RainNet （b1—b6） as well as corresponding observations （c1—c6） at 11：20 UTC 31 July 2020 （1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

4.4.2 2020 年8 月1 日个例

续图12Fig.12 Continued

图13 给 出2020 年8 月1 日13 时50 分 起 报 的未来10—60 min 降水临近预报结果及对应的降水实况。两种方法在13 时50 分均预报未来1 h（14 时00—50 分）京津冀南部将有明显的降水过程。从降水范围预报来看，小量级降水（0.2 mm/（10 min））的预报范围两者基本一致，基于交叉相关外推预报对2—5 mm/（10 min）量级降水（图中浅黄色）的预报范围比实际略偏大（图13a、c），而深度学习对2—5 mm/（10 min）降水范围预报结果与实况更加接近（图13b、c）。从降水的移动发展趋势来看，逐10 min 交叉相关外推预报显示出14 时00—50 分雨带将逐渐向东北方向发展移动，而降水强度在未来1 h 基本维持不变；但深度学习逐10 min预报显示14 时00—50 分雨带整体将偏向东南方向移动，而降水强度呈逐渐减弱的趋势（图13b），这与实况降水的时空演变（图13c1—c6）更吻合。可以看出，深度学习可以更好地反映降水衰减过程的发展方向、强度变化和降水范围。但相比传统交叉相关外推预报，深度学习的降水预报场比较平滑，这主要是由于深度学习模型基于卷积运算产生了平滑效应。总体来看，深度学习RainNet 对本次降水过程的降水范围、空间移动趋势以及降水强度随时间演变的临近预报表现更好。

图13 2020 年8 月1 日13 时50 分起报10—60 min （a1—a6、b1—b6） 降水临近预报结果及降水实况 （c1—c6）（a.交叉相关外推预报，b.深度学习RainNet 预报，c.相应时间的降水实况）Fig.13 Predictions of TREC （a1—a6） and RainNet （b1—b6） as well as corresponding observations （c1—c6） at 13：50 UTC 1 August 2020 （1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

续图13Fig.13 Continued

4.4.3 2020 年8 月15 日个例

图14 给 出2020 年8 月15 日03 时 起 报10—60 min 降水外推预报结果。从交叉相关外推预报（图14a）结果来看，03 时10 分—04 时00 分降水向东北方向移动，在移动过程中降水强度变化不大；而深度学习模型的预报（图14b）则显示，降水落区基本保持不变、空间移动不明显，但降水强度呈现明显减弱的趋势。结合相应时间的降水实况（图14c）来看，03 时10 分—04 时00 分京津冀东南部地区有明显降水，且降水落区变化不大，但强度随时间逐渐减弱，整体来看，降水实况与深度学习的临近预报结果比较一致。

图14 2020 年8 月15 日03 时00 分起报10—60 min （a1—a6、b1—b6） 降水临近预报结果及降水实况 （c1—c6）（a.交叉相关外推预报，b.深度学习RainNet 预报，c.相应时间的降水实况）Fig.14 Predictions of TREC （a1—a6） and RainNet （b1—b6） as well as corresponding observations （c1—c6） at 03：00 UTC 15 August 2020 （1—6 represents the forecast time in 10，20，30，40，50 and 60 min，respectively）

续图14Fig.14 Continued

综合个例的预报结果来看，基于交叉相关的降水外推预报由于采用前面时刻的降水移动矢量进行外推，降水预报场基本保持空间平移，而强度变化不大，更适用于范围较大的稳定性降水。相对而言，深度学习RainNet 可以更好地反映降水消亡过程中的时、空演变趋势和强度变化，对降水消亡阶段的临近预报具有一定优势。

5 结论与讨论

为改进精细尺度降水临近预报能力，采用2017—2020 年6—9 月高时、空分辨率降水资料，基于深度学习模型RainNet 开展了京津冀地区降水临近预报试验，与传统交叉相关外推预报方法进行对比分析。试验结果发现：

（1）从2020 年6—9 月降水临近预报的绝对误差和相关系数空间分布来看，深度学习RainNet 模型的整体表现明显优于基于交叉相关的外推预报，尤其对京津冀南部地区降水预报绝对误差改善更加明显。基于RainNet 模型预报的相关系数与交叉相关外推预报的相关系数空间分布趋势比较一致，沿着东北—西南方向的平原地区的相关系数较大，西北部山区的相关系数相对较小，但深度学习的相关系数整体明显优于交叉相关外推预报的相关系数。

（2）深度学习RainNet 的滚动预报方式对预报性能影响较大。单一模型连续进行60 min 滚动预报时，30 min 后模型预报性能衰减较快，而通过两个模型相结合的滚动预报方式改善了模型在40、50 min 预报的输入因子，因而提升了RainNet 模型在40、50 min 的临近预报性能。

（3）从不同预报时效上看，10—60 min 各预报时效上，深度学习预报的绝对误差和相关系数均稳定超过交叉相关外推预报，且随着预报时效延长，深度学习对绝对误差和相关系数的改进幅度逐渐增大，采用两个RainNet 模型相结合进行滚动预报的绝对误差和相关系数均表现最好。

（4）从不同量级降水的预报性能来看，在0.02、0.49、0.69、1.04 mm/（10 min）的降水阈值下，采用两个RainNet 模型相结合的滚动预报方式，10—50 min 各时效的临近预报一致优于交叉相关外推预报，同时，相对于单一RainNet 模型在40—50 min滚动预报也有明显提升。

（5）个例分析发现，深度学习对降水消亡过程的时、空演变趋势预报表现更好，可以更好地刻画降水衰减过程的移动方向、强度变化及降水范围，这与其滚动式预报方式有关，而交叉相关外推预报更适用于发展变化不剧烈的稳定降水。

此外，深度学习RainNet 模型应用于降水临近预报还有待于继续深入完善。RainNet 模型采用的滚动式预报方式优缺点并存，一方面由于其将上一个时刻的预报结果作为下一个时刻预报的输入因子将引入误差，不利于保持长时效滚动预报的准确性，另一方面该滚动预报方式灵活可变，模型便于训练，因而如何合理设计模型的滚动预报方式将影响其预报能力。另外，深度学习降水预报场相对平滑，这方面也有待于进一步改进。