高原气象

高原气象 >

2025 , Vol. 44 >Issue 3: 694 - 704

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00088

基于深度学习提升中国西南地区夏季降水短期气候预测的研究

  • 张淏元 ,
  • 乔盼节 ,
  • 刘文奇 ,
  • 张永文
展开
  • 昆明理工大学理学院数据科学研究中心，云南 昆明 650500
张永文（1989 -）， 男， 云南大理人， 副教授， 主要从事复杂系统理论和方法， 机器学习， 气候和极端事件的预测等研究E-mail：

张淏元（1999 -）， 男， 辽宁铁岭人， 硕士研究生， 主要从事机器学习在地球科学中的应用研究. E-mail：

收稿日期: 2024-02-15

  修回日期: 2024-08-14

  网络出版日期: 2025-05-21

基金资助

国家自然科学基金项目(12305044)

云南省基础研究计划项目(CB22052C173A)

收起

Using Deep Learning to Improve Short-term Climate Prediction of Summer Precipitation in Southwestern China

  • Haoyuan ZHANG ,
  • Panjie QIAO ,
  • Wenqi LIU ,
  • Yongwen ZHANG
Expand
  • Data Science Research Center，Faculty of Science，Kunming University of Science and Technology，Kunming 650500，Yunnan，China

Received date: 2024-02-15

  Revised date: 2024-08-14

  Online published: 2025-05-21

Copyright

© Editorial Department of Plateau Meteorology （CC BY-NC-ND）
Fold

摘要

近年来， 中国西南地区， 包括云贵川渝等地， 频繁受到气候变化引发的洪涝灾害， 造成了严重的人员伤亡和巨大的财产损失， 这些灾害的频发与降水异常密切相关。尽管传统的统计方法和大气模式在降水预测方面已有一定成效， 但面对降水数据复杂的时空特征， 仍缺乏有效的处理手段。随着机器学习技术的发展， 融合了卷积神经网络（Convolutional Neural Network， CNN）和长短期记忆网络（Long Short-Term Memory， LSTM）的卷积长短期记忆网络（Convolutional Long Short-Term Memory， ConvLSTM）在研究时空序列问题方面表现较为突出， 特别是在降水预测领域。为了更准确地预测中国西南地区未来一年的夏季降水（降水短期气候预测）， 本文构建了一个融合全球海表温度和中国西南地区降水数据的数据集， 采用ConvLSTM进行训练， 并将其命名为SST-ConvLSTM。该模型不仅能够捕捉实况降水数据中的时空特征， 而且能够从全球海表温度数据中学习到一些信息， 从而增强降水短期气候预测的准确性。研究结果显示： 相较于不考虑海表温度的ConvLSTM和大气模式， SST-ConvLSTM模型在中国西南地区夏季降水短期气候预测方面具有显著优势。（1）在数值方面， SST-ConvLSTM模型的预测结果与实况降水数据最为接近， 且变化趋势相似。相比之下， ConvLSTM和传统大气模式的预测结果均存在一定程度的偏差。（2）在空间分布上， SST-ConvLSTM模型同样表现较好。其预测结果与实况降水数据的分布较为一致， 能够准确反映降水在空间上的分布。（3）在模型评估中， 本文采用了三种评估指标对SST-ConvLSTM模型的性能进行了评价。结果显示， SST-ConvLSTM模型在各项评估指标上均表现较好， 取得了最佳成绩。这些发现为未来西南地区的降水预测研究提供了重要的参考和启示。

关键词： 降水预测; 深度学习; ConvLSTM; 海表温度; 西南地区

本文引用格式

张淏元 , 乔盼节 , 刘文奇 , 张永文 . 基于深度学习提升中国西南地区夏季降水短期气候预测的研究[J]. 高原气象, 2025 , 44(3) : 694 -704 . DOI: 10.7522/j.issn.1000-0534.2024.00088

Abstract

In recent years， Southwestern China， including Yunnan， Guizhou， Sichuan， and Chongqing， has been frequently hit by flood disasters caused by climate change， resulting in severe casualties and enormous property losses.The occurrence of these disasters is closely related to abnormal precipitation.Although traditional statistical methods and atmospheric models have achieved certain effectiveness in precipitation forecasting， effective approaches for dealing with the complex spatiotemporal characteristics of precipitation data are still lacking.With the development of machine learning technology， the convolutional long short-term memory network （ConvLSTM）， which integrates convolutional neural networks （CNN） and long short-term memory networks （LSTM）， has shown outstanding performance in addressing spatiotemporal sequence problems， particularly in the field of precipitation forecasting.In order to more accurately predict the summer precipitation in the southwestern region of China for the next year （short-term climate prediction of precipitation）， this study constructed a dataset by integrating global sea surface temperature and precipitation data in Southwestern China.The ConvLSTM was used for training and named SST-ConvLSTM.This model not only captures the spatiotemporal characteristics in real precipitation data but also learns some information from global sea surface temperature data， thereby enhancing the accuracy of short-term climate prediction of precipitation.The results show that compared to ConvLSTM that does not consider sea surface temperature and a traditional atmospheric model， SST-ConvLSTM model has significant advantages in short-term climate prediction of summer precipitation in Southwestern China.（1） Numerically， the predictions of the SST-ConvLSTM model are closest to the real precipitation data， with similar trend changes.In contrast， both ConvLSTM and the traditional atmospheric model show certain deviations in their predictions.（2） Spatially， the SST-ConvLSTM model also performs well.Its predictions are consistent with the spatial distribution of real precipitation data and accurately reflect the spatial distribution of precipitation.（3） In model evaluation， three evaluation metrics were used to assess the performance of the SST-ConvLSTM model.The results show that the SST-ConvLSTM model performs well in all evaluation metrics and achieves the best scores.These findings provide important references and insights for future research on precipitation prediction in Southwestern China.

Key words： precipitation forecasting; deep learning; ConvLSTM; sea surface temperatures; Southwestern China

1 引言

根据中国气象局的气象一级地理区划， 西南地区主要包括四川、 重庆、 贵州和云南， 这些地区约占中国陆地面积的27%（Lin et al， 2015）。近几十年来， 全球气候发生了显著变化， 导致西南地区频繁遭受自然灾害， 特别是干旱和洪水灾害（Gao and Sang， 2017）。这些极端事件导致了西南地区大量人员伤亡和财产损失（Wei et al， 2018）。因此， 西南地区的气象灾害已成为中国气象研究界的重点研究对象（Ma et al， 2013）。
未来， 由于气候变化， 西南地区的极端干旱事件将呈激增趋势， 同时极端洪水事件的频率也将增加（Wang et al， 2014； 陈子凡等， 2022， 向楠等， 2023）， 而干旱和洪水等自然灾害的根源在于降水的异常（Feng et al， 2014； Chou et al， 2018）。深入探究西南地区的降水趋势， 有助于揭示灾害事件背后的潜在机制。事实上， 西南地区的降水模式呈现出明显的时空特征， 近40年降水整体呈下降趋势， 四季空间分布特征各异， 降水存在突变现象， 偏旱年份相对多于偏涝年份（Zhang， 2001； Shi et al， 2015a）。而西南地区的降水预报极具挑战性， 因为它受到东亚季风和印度季风的共同影响， 这些季风会将印度洋和太平洋的湿润空气输送到西南地区（Qian et al， 2002； Wang et al， 2015， 2018； Xia et al， 2020）。此外， 全球海表面温度与西南地区降水量之间存在复杂的遥相关关系， 被视为西南地区降水异常的早期预警信号（Jiang et al， 2017； Qiao et al， 2021）。
降水预报的常见方法分为三种： 统计方法、 大气模式和二者的融合（Michaelides et al， 2009）。在统计领域， Lim et al（2012）运用独立分量分析进行东亚降水预测， 并提出了基于正则化相关分析的框架。在大气模型领域， 郭渠等（2017）利用国家气候中心第二代季节性预测模型的历史预测数据， 检验了该模型对中国东部夏季降水的预测能力， 并应用了降尺度技术来增强模型的降水预报能力。在融合领域， Koster et al（2004）发现土壤湿度可作为北半球夏季降水预测模型的预测因子。实际上， 气象数据呈现出强烈的周期性、 随机性、 多维性和多尺度特征， 这使得使用传统方法对其进行分析和处理极具挑战性（李祥等， 2020）。此外， 物理过程的参数化过程中引入的偏差也进一步影响了统计方法和大气模式预测结果的准确性问题（Kusiak et al， 2009）。
近年来， 机器学习方法在气象预测领域中越来越受欢迎（Behrang et al， 2010； Mellit et al， 2013； Ho et al， 2014； Voyant et al， 2017）。贾何佳等（2022）提出机器学习方法对西南地区干旱监测的综合模型， 该模型考虑多种致灾因素， 较好地反映了干旱的空间分布和旱情。贺倩等（2022）利用机器学习方法对中国的气象数据进行插值中， 发现精度明显高于传统的插值方法。在降水预测方面， Shi et al（2015）开发了深度学习模型——卷积长短期记忆（Convolutional Long Short Term Memory， ConvLSTM）对香港的降雨进行了预测和评估， 发现该模型对于这类时空数据的表现尤为出色。许多研究者已经开发了多种基于ConvLSTM的降水预测新方法， 例如， Liu et al（2022）利用反射和雷达反演风场作为ConvLSTM的输入， 而Kim et al（2017）则使用多通道雷达数据对ConvLSTM进行训练。因此， 基于ConvLSTM， 结合西南地区的降水与全球海表温度的遥相关关系， 本文提出了一个名为SST-ConvLSTM的模型。该模型不仅可以捕捉降水的显著时空特征， 还可以利用海表温度来提高降水的长期（年度尺度）预测准确性。

2 数据来源与方法介绍

2.1　数据来源

降水数据集由美国国家海洋和大气管理局（NOAA）的物理科学实验室（PSL）提供（https： //downloads.psl.noaa.gov/Datasets/cpc_global_precip/）。本文选择了中国西南地区（24°N -33°N， 100°E -108°E）在1982年1月1日至2022年12月31日的日降水量数据， 其分辨率为1°×1°。同样地， 全球海表温度数据也是从NOAA获取（https： //psl.noaa.gov/data/gridded/data.noaa.oisst.v2.highres.html）， 分辨率为0.25°×0.25°， 时间范围一致。实验对象主要为西南地区夏季（即每年5月1日至9月30日）的降水情况。经过筛选和处理， 共收集到了6273天的有效数据。其中， 1982 -2018年的数据（共5661天）作为训练集， 而2019 -2022年的数据（共612天）则作为测试集。
为了更好地评估SST-ConvLSTM模型的预测性能， 本文中把该模型与国家气候中心（NCC）的大气模式的预测结果进行了比较分析。NCC模型的数据是从国家气候中心MODES季节性模型的数据演变而来的， 它是一个综合的建模系统， 涵盖了大气、 海洋、 陆地和海冰等多个模块， 并在中国大陆夏季降水气象预测方面表现出色（Wu et al， 2010； 董敏等， 2013）。该数据最初以格点格式呈现， 为了方便各种数据集的比较， 该模型的格点数据被插值为站点数据。在本文中， 选取了西南地区的NCC模型的预测结果， 以该结果作为代表模式预测的基准进行比较， 文中将预测结果均简称为NCC。该数据可向作者通过邮件索取。
文中涉及的地图制作是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2019）1822的中国地图制作， 底图无修改。

2.2　ConvLSTM

通常情况下， 面对序列问题， 一般倾向于采用长短期记忆网络（LSTM）模型来解决。然而， 当处理具有明显时空关联性的时空序列问题时， LSTM的表现受到一定限制（Sutskevere et al， 2014）。这是因为LSTM难以有效捕捉空间位置关系。此外， 由于LSTM的输入为一维数据， 难以充分反映空间状态信息。因此， 在处理时空序列数据时， LSTM的性能可能并不理想。为了弥补这一缺陷， 基于LSTM理论， Shi et al （2015b）提出了ConvLSTM。与传统的LSTM相比， ConvLSTM在考虑时空关联性方面表现更出色。它通过引入卷积操作， 使模型能够更好地捕捉空间特征， 从而提高对时空序列问题的建模能力。这使得ConvLSTM成为处理时空序列数据的有效选择， 特别是在需要同时考虑时间和空间关系的场景中表现突出。ConvLSTM的方程表达式如下：
i t = σ ( W x i * X t + W h i * H t - 1 + W c i ∘ C t - 1 + b i ) f t = σ ( W x f * X t + W h f * H t - 1 + W c f ∘ C t - 1 + b f ) C t = f t ∘ C t - 1 + i t ∘ t a n h ( W x c * X t + W h c * H t - 1 + b c ) o t = σ ( W x o * X t + W h o * H t - 1 + W c o ∘ C t + b o ) H t = o t t a n h ( C t )
式中： i t， f t， o t分别为输入门， 遗忘门和输出门； C t为单元状态； H t为隐藏状态； W为权重； b为偏差； X t为输入信息的数量； t a n h为一种激活函数双曲正切函数； *表示卷积算子； ∘表示哈达玛乘积。
ConvLSTM中的记忆单元 C t是该模型的关键创新， 因为它在时间维度上存储和维护状态信息。记忆单元 C t的数据流受到三个门的调控， 这三个门分别是遗忘门 f t、 输入门 i t和输出门 o t。这些门的作用是决定如何通过保留或丢弃信息来更新细胞状态。首先， 遗忘门 f t负责从先前的细胞状态中过滤掉不相关的信息， 仅保留相关的信息， 并将其传递给输入门。遗忘门的作用在于筛选出对当前情境无关的过去信息， 从而保持记忆单元的灵活性。接着， 输入门 i t根据当前的输入信息来添加新的信息到细胞状态中。输入门的操作使得ConvLSTM能够灵活地吸收当前时刻的重要信息， 从而适应不同的输入条件。最后， 输出门 o t通过对更新后的细胞状态应用激活函数 t a n h， 并乘以门值， 计算得到隐藏状态 H t。这个过程使得ConvLSTM能够有效地输出经过时间和空间关联调控后的最终结果。输出门的激活函数和门值的乘法操作起到对细胞状态进行筛选和调控的作用， 确保最终的隐藏状态能够精准地捕捉到输入序列中的关键信息。总之， ConvLSTM通过遗忘门、 输入门和输出门的联动操作， 实现了对时空序列中状态信息的动态管理和更新， 为处理具有强时空关联性的问题提供了强大的建模能力。

2.3　SST-ConvLSTM

图1（a）展示了本文中用于处理时空序列数据的神经网络模型结构。为了验证本文所述训练过程在泛化性能上的提升， 同时保持一定的高精度预测， 本文选择了一个相对简单的网络结构进行实验。该网络基于ConvLSTM架构， 适用于预测和分类任务， 由四个ConvLSTM2D层构成， 每个层包含64个大小为3×3的滤波器。第一层具有特定的输入形状， 并在最终层添加了Conv3D层， 以确保输出形状与输入形状相匹配。
图1 ConvLSTM的神经网络示意图（a）， ConvLSTM的预测过程（b）， 以及SST-ConvLSTM模型的预测过程（c）

Fig.1 Schematics of the neural network of ConvLSTM （a）， forecasting process of ConvLSTM （b）， and forecasting process of the proposed SST-ConvLSTM model （c）

图1（b）详细描述了ConvLSTM的训练和预测过程。在本研究中， ConvLSTM所需的输入数据需以矩阵形式表示。因此， 需要将原始降水数据转换为矩阵格式。具体来说， 在为每天的日降水量生成一个降水矩阵时， 其中行索引表示纬度， 从 24 ° N - 33 ° N， 间隔为 1 °， 共生成10行； 列索引表示经度， 从 100 ° E - 108 ° E， 间隔也为 1 °， 共生成9列。最终， 将每日的降水量数据转化为一种标准化的矩阵表示形式， 每个矩阵均为10行9列。矩阵中的每一个元素精确对应着特定日期在某一纬度和经度位置上的降水量。所以， 训练数据的时间范围为1982 - 2018年间每年夏季（5月1日至9月30日）的降水数据， 共涵盖了5661天的降水记录， 再将这些降水数据转换为矩阵的形式并按时间顺序排列， 构成了最终的训练集数据。随后， 将这些矩阵数据输入到ConvLSTM进行模型的训练， ConvLSTM通过不断地学习降水数据的内在规律和特征， 逐步优化其预测能力， 进而来预测2019 -2022年间每年夏季的降水量。本文主要关注中国西南地区每年夏季（5月1日至9月30日）的降水量。在使用ConvLSTM时， 让前一年夏季（5个月）的降水量数据作为输入， 来预测下一年夏季（同样为5个月）的降水量。为了提前更长时间尺度的预报， 在预测过程中， 该模型的输入不涉及仲秋到仲春的大气演变过程。
图1（c）详细展示了本文提出的SST-ConvLSTM模型的训练和预测过程。该模型的核心改进在于创新性地将降水量数据与全球海表温度数据相融合， 以此提升模型的预测性能。为适应ConvLSTM模型的输入需求， 本文首先把海表温度数据转化为矩阵形式。原始数据为全球日平均海表温度， 分辨率为0.25°×0.25°。为确保降水量与海表温度数据在融合过程中能够保持恰当的权重， 本文将原始数据的部分格点过滤， 得到全球分辨率为18°×8.5°（纬度间隔8.5°， 经度间隔为18°）的格点。筛选后， 海温数据矩阵的维度也为10行9列。海温数据矩阵中会包含陆地上的缺失值， 本文统一使用常数1代替， 该常数的取值不影响模型的训练和预测。随后， 本文将对应日期的海温和降雨数据矩阵拼接成一个大小为10行18列的矩阵， 并按照时间顺序排列， 时间跨度为1982 -2018年间每年夏季（5月1日至9月30日）， 构成了新的训练集。这样， 海表温度数据可作为辅助信息提供了与降水量相关的可预测性信息。在进行2019 -2022年间每年夏季的降水量预测时， SST-ConvLSTM模型的输入数据包括前一年夏季（5个月）的海表温度与降水量结合数据， 进而输出下一年夏季（同样为5个月）的预测数据。

2.4　评估方法

本文采用均方根误差（ σ）、 绝对偏差（ B i a s）和平均误差（ M E）来评估降水量预测的准确性（Li et al， 2023）。计算公式为
σ = 1 N ∑ i = 1 N y i - p i 2 1 2 / 1 N ∑ i = 1 N p i
B i a s = ∑ i = 1 N y i - ∑ i = 1 N p i ∑ i = 1 N p i × 100 %
M E = 1 N ∑ i = 1 N ( y i - p i )
式中： N代表样本数量； y i是预测值； p i是真实值。 σ和 B i a s越低表示预测效果越好。 M E的计算结果会存在正值与负值， 当它是正值时越低越好， 而当它是负值时越高越好， 无论是正的还是负的， 均表示预测相对于真实值的倾向。正的平均误差表示模型倾向于高估实际值， 而负的平均误差表明模型倾向于低估实际值。

3 结果分析

在本文的研究中， 共计训练了两个模型， SST-ConvLSTM和ConvLSTM（详见第2.2和2.3节）， 并利用西南地区及全球范围上一个夏季的降水量、 海表温度数据， 以预测西南地区下一个夏季的降水量。

3.1　月均降水量预测

经过分析发现， 如图2（a）和2（e）所示， 在5月， 实况数据呈现逐年攀升的趋势， 而在9月， 则呈现逐年降低的趋势。如图2（b）~（d）所示， 降水量峰值一般集中在每年的6月和7月， 到了8月则整体逐渐下降。而在这三个月中， 随着年份的变化， 降水量呈现出一种先增加后降低的趋势。
图2 2019 -2022年每年5 -9月（a~e）的月均降水量的预测值

Fig.2 Predicted monthly average precipitation from May to September （a~e） each year from 2019 to 2022

而NCC的预测结果却表现得更加稳定， 如图2（a）~（e）红色部分所示， 除了2019年5月和2022年6月的预测结果外， 基本上呈现一种先增加后降低的趋势。在图2（a）和（e）中， 可以观察到5月份整体出现了严重的高估， 而9月份整体出现了严重的低估。这可能归因于实况数据中某些地区发生了极端降水事件， 如图2（d）中2021年的异常降水， 导致局部气候突变， 从而影响了NCC的预测效果。模式预测在长期水平上受到多种因素的影响， 包括海洋、 陆地、 大气、 气溶胶和太阳辐射等。此外， 模式的长期预测水平也与地区和季节相关， 通常在热带地区和冬季的降水预测方面表现较好， 而在中高纬度地区和夏季的降水预测方面则相对较差（White et al， 2017； 林倩等， 2019）。
另一方面， 与实况数据相比， ConvLSTM的预测结果同样呈现出一种相对平均且稳定的缓慢变化趋势。这种趋势使得模型在准确预测较高或较低的降水量时面临一定的困难， 在预测较高降水量时会低估， 而在预测较低降水量时则会高估。在图2（a）~（e）中， 可以观察到ConvLSTM基本上都会出现这种情况， 尤其在图2（b）和（c）中， 即降水量最高的6月和7月， ConvLSTM会整体低估降水量。尽管如此， 仍然可以推测ConvLSTM确实学习到了一些降水数据的复杂时空特征。它能够在一定程度上捕捉降水量的变化趋势和季节性模式。然而， 模型仍存在一些局限性， 例如对于极端降水事件的预测能力有限。这可能与训练数据集不足有关， 导致模型在面对罕见或异常的降水模式时难以作出准确的预测。
为了改进ConvLSTM在长期降水预报性能上的不足和易受极端事件影响的限制， 并同时突破单独训练模型的单一数据集的约束， 本文提出了SST-ConvLSTM模型。该模型巧妙地融合了深度学习模型在处理长时空序列方面的优势以及海表温度和降水变化之间的协同作用， 从而能更有效地捕捉降水的时空特征。研究结果表明， SST-ConvLSTM预测的变化趋势除了图2（e）的2019年外与真实数据基本一致， 在6月和7月的降水量明显激增。值得注意的是， 它更加接近真实数据， 可以较为准确地预测出某些极端降水事件的发生， 如图2（d）的2021年， 并且更加稳定不易受异常降水量的影响。与其他两个模型相比， SST-ConvLSTM展现出更为优越的预测效果。

3.2　降水量预测的空间分布

随后， 比较了三种模型在空间分布预测能力方面的表现。所有图像的分辨率均为 1 ° × 1 °。基于上文对具体降水数值的详尽比较， 本文在图3中展示了三个模型在四年间的空间分布预测结果。为了便于后续的展示与分析， 本文在每个子图中特别标出了实况降水量最大值和最小值所在的区域， 分别用黑色方框和红色方框加以突出。
图3 三个模型2019 -2022年平均降水量空间分布的预测结果（单位： mm·d-1）（a）表示实况降水分布， （b） SST-ConvLSTM模型的预测结果， （c） ConvLSTM的预测结果， （d） NCC的预测结果黑色方框和红色方框大小均为3个格点， 分别表示实况降水量占比最大和最小格点所在的区域

Fig.3 The forecasted spatial distribution of average precipitation for the three models from 2019 to 2022.Unit： mm·d-1.（a） column represents the distribution of real data， （b） the forecasted distributions of SST-ConvLSTM， （c） the forecasted distributions of ConvLSTM， （d） the forecasted distributions of NCC.The black square and the red square， both spanning 3 grid points， represent the regions where the real precipitation percentage is highest and lowest， respectively

在整体分布方面， 图3（a）列展示了实况降水量的空间分布特征。在夏季， 可以观察到西南地区降水量的东高西低趋势， 从2019 -2021年， 降水的总体分布趋势保持相对稳定， 其中 100 ° E - 104 ° E范围内降水量总体偏低， 而 104 ° E - 108 ° E范围内则偏高。但2021年局部地区出现了较多的极端降水事件， 使得当年的降水分布较为特殊。而由于气候异常， 则到了2022年的降水量的空间分布则显得相对平均， 分布趋势并没有之前三年明显。图3（b）列展示了SST-ConvLSTM模型的降水预测分布。该模型在捕捉降水量的空间分布特征上表现良好， 可以更好地捕捉到真实分布的空间特征与变化趋势， 相比之下， 图3（c）列的ConvLSTM模型虽然也在一定程度上呈现了与实况数据相似的分布趋势， 但预测效果并不显著， 其降水分布相对更为均匀， 未能充分体现出实况降水中高低降水量的差异。图3（d）列则是NCC的降水预测分布。该模型在每年的预测中都呈现出较为一致的降水分布模式， 具有明显的局部特征。然而， 这些特征并不完全符合实况数据的分布情况。例如， 该模型预测降水量较低的地区主要集中在东北部， 而其他地区的降水分布则较为均匀， 这与实况数据中观察到的分布特征存在明显差异。
在捕捉降水极值方面（图3）， 所有子图上的黑框和红框分别标识了实况降水量最大值和最小值所在的区域。为了更直观地展示和比较模型的表现， 本文计算了这些框内三个格点降水量的平均值， 并将三个模型的预测结果与实况数据进行了对比。具体而言， 从2019 -2022年， 实况数据最大值所占格点降水量的平均值分别为9.484、 10.608、 11.896和6.928， 而最小值所占格点降水量的平均值则分别为3.471、 4.041、 3.641和3.107。在表1中， 列出了三种模型的预测结果。经过对比分析， 发现SST-ConvLSTM模型仅在2022年最大值区域的预测时效果略逊于NCC， 在捕捉降水空间分布的综合表现仍是最佳。
表1 三个模型的预测值的最大值与最小值所在方框格点的平均值

Tabel 1 The average values of the maximum and minimum prediction values of the three models within the boxed grid points are presented

模型 时间 最大值/（mm·d-1） 最小值/（mm·d-1）
SST-ConvLSTM 2019 7.796 4.107
2020 12.562 4.399
2021 13.181 4.357
2022 5.993 3.871
ConvLSTM 2019 4.435 4.176
2020 5.911 4.513
2021 6.452 4.421
2022 6.057 3.997
NCC 2019 5.359 6.522
2020 5.622 6.389
2021 7.128 4.399
2022 6.267 5.459

黑体突出表示效果最好（the best performance highlighted）

本文通过对三种模型的预测值空间分布与实况值空间分布之间的绝对误差进行计算， 进一步分析它们在空间方面的预测效果。如图4所示， SST-ConvLSTM模型的误差范围主要集中在-1~2之间， 四年整体平均绝对误差为0.196， 且分布相对均匀稳定， 较接近实况值。ConvLSTM在2022年的误差分布较为均匀， 大部分误差集中在-1~2之间。然而， 在其余三年， 误差波动较大， 尤其在接近边界的局部区域， 低估的误差较大， 四年整体平均绝对误差为-0.674， 偏差较明显。NCC的结果与前述相符， 误差也显示出明显的局部特征， 总体呈现出西部高估、 东部低估的趋势， 四年平均绝对误差为-0.517。此外， ConvLSTM和NCC的预测值主要是在最大值处的偏差较大， 如2019年， ConvLSTM在最大值处的绝对误差为-6.313， NCC则为-5.521。
图4 三个模型2019 -2022年平均降水量预测结果绝对误差的空间分布（单位： mm·d-1）（a） SST-ConvLSTM的绝对误差， （b） ConvLSTM的绝对误差， （c） NCC的绝对误差

Fig.4 Spatial distribution of absolute errors in the average precipitation forecasts from 2019 to 2022 for the three models.Unit： mm·d-1.（a） the absolute errors of SST-ConvLSTM， （b） the absolute errors of ConvLSTM， （c） the absolute errors of NCC

3.3　模型评估

最后， 比较了三个模型在预测四个不同时间段的降水量方面的性能。为了评估预测的准确性， 采用了三种评估指标： 均方根误差（ σ）、 绝对偏差（ B i a s）和平均误差（ M E）结果详见表2。
表2 三个模型的三种评估结果

Tabel 2 The evaluation results for the three models are as follows

模型 时间 σ B i a s M E
SST-ConvLSTM 2019 1.333 1.061 -0.058
2020 1.329 1.074 -0.075
2021 1.327 0.972 -0.154
2022 0.863 0.707 -0.049
ConvLSTM 2019 1.660 1.244 0.791
2020 1.744 1.231 0.918
2021 1.855 1.328 1.028
2022 1.120 0.850 -0.501
NCC 2019 2.150 1.850 0.692
2020 2.788 2.297 1.137
2021 2.952 2.363 0.915
2022 1.574 1.334 -0.675

黑体突出表示效果最好（the best performance highlighted）

根据表2的数据可以发现， NCC模式虽然具备较好的物理解释性和机理模拟性， 但由于西南地区复杂的气候特征， 在西南地区降水量预测方面的表现在这三种模型中是最差的， 而SST-ConvLSTM和ConvLSTM的预测性能相对较好， 其评估指标的数值也相对较低。其中， SST-ConvLSTM的表现最佳。根据的 M E值， 可以发现， SST-ConvLSTM对于每年夏季五个月的平均降水量预测略微低估， 而另外两个模型除2022年以外都高估了降水量。
总之， 本文的研究结果显示， SST-ConvLSTM在长时间尺度的降水预测方面表现出卓越的性能。特别是在空间分布预测方面， 它相较于NCC模式和ConvLSTM有显著的改进。

4 结论与讨论

本文引入了一种新的基于深度学习的降水预测模型， 即SST-ConvLSTM。该模型能够更好地提取中国西南地区降水的复杂时空特征， 并利用海表温度与降水之间的遥相关关系来增强降水短期气候预测的准确性。在针对各月降水数据的分析中， 可以发现实况降水量在5月呈现逐年增长的趋势， 而到9月则逐渐下降。降水量在6月和7月达到峰值， 随后在8月开始回落。NCC模式在捕捉长期降水趋势上表现稳定， 但在极端降水事件的预测中显现出局限性。相比之下， ConvLSTM提供了相对平稳的预测趋势， 但在高降水量时倾向于低估， 而在低降水量时则易于高估。而SST-ConvLSTM模型结合了深度学习模型和海表温度数据的优势， 能够更准确地捕捉降水的时空变化特征， 尤其在极端降水事件的预测上展现出较强的能力， 其整体预测趋势与实况数据更为接近。在空间分布上， 实况夏季降水量在西南地区呈现东高西低的趋势， 极端降水事件可能导致降水分布呈现特殊模式。SST-ConvLSTM模型在捕捉这些空间分布特征时表现较好， 能够更准确地反映实况降水的变化趋势和极端情况。相比之下， ConvLSTM虽然也呈现出相似的趋势， 但其预测效果相对较弱， 降水分布较为均匀。NCC则表现出较为一致的降水分布模式， 但这种局部特征与实况数据存在明显差异。在预测一些极端降水事件时， 从客观数据来看， SST-ConvLSTM模型的综合表现最佳。分析预测值与实况值空间分布之间的绝对误差时也可发现， SST-ConvLSTM模型的误差相对较小且分布均匀。在评估不同模型对四个时间段降水量的预测性能时， 本文采用了三种指标。在西南地区复杂的气候背景下， NCC的预测性能相对较弱。相比之下， SST-ConvLSTM模型和ConvLSTM的预测性能较好， 其中SST-ConvLSTM表现更为突出。
为了进一步优化SST-ConvLSTM模型在降水短期气候预测中的性能， 本文认为可以从模型架构和数据输入两个关键维度进行精细化的改进。在模型架构方面， 深化网络层次和采用更复杂的网络结构能够增强模型的非线性映射能力， 从而更精准地捕捉降水变化中的复杂特征。同时， 对超参数的调整， 如学习率和批量大小， 能够平衡模型的训练速度和稳定性， 确保模型在迭代过程中不断优化。在数据输入方面， 本文建议可以尝试使用不同分辨率的海表温度和降水数据， 以探索不同尺度信息对预测精度的影响。此外， 通过调整海表温度与降水数据在模型中的权重比例， 可以进一步挖掘两种数据之间的协同作用， 提升模型对降水变化的敏感度和准确性。此外， 考虑到降水变化的局地性特征， 使用与预测区域更为相关的局部海表温度数据也是一个值得探索的方向。
SST-ConvLSTM模型作为创新性的降水预测工具， 在西南地区的降水预测方面已经展现显著的优势。其在捕捉降水时空变化特征、 预测极端降水事件等方面的能力， 使得该模型在降水研究领域具有巨大的应用潜力。因此， 未来的研究可深入探索SST-ConvLSTM模型的性能边界和适用范围， 进一步提升其在降水预测中的准确性和可靠性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Behrang M A， Assareh E， Ghanbarzadeh A， et al， 2010.The potential of different artificial neural network （ANN） techniques in daily global solar radiation modeling based on meteorological data［J］.Solar Energy， 84（8）： 1468-1480.DOI： 10.1016/j.solener.2010.05.009 .

Chou J M， Xian T， Dong W J， et al， 2018.Regional temporal and spatial trends in drought and flood disasters in China and assessment of economic losses in recent years［J］.Sustainability， 11（1）： 55.DOI： 10.3390/su11010055 .

Feng L， Li T， Yu W D， 2014.Cause of severe droughts in Southwest China during 1951-2010［J］.Climate Dynamics， 43： 2033-2042.DOI： 10.1007/s00382-013-2026-z .

Gao J M， Sang Y H， 2017.Identification and estimation of landslide-debris flow disaster risk in primary and middle school campuses in a mountainous area of Southwest China［J］.International Journal of Disaster Risk Reduction， 25： 60-71.DOI： 10.1016/j.ijdrr.2017.07.012 .

Ho H C， Knudby A， Sirovyak P， et al， 2014.Mapping maximum urban air temperature on hot summer days［J］.Remote Sensing of Environment， 154： 38-45.DOI： 10.1016/j.rse.2014.08.012 .

Jiang X W， Shu J C， Wang X， et al， 2017.The roles of convection over the western Maritime Continent and the Philippine Sea in interannual variability of summer rainfall over southwest China［J］.Journal of Hydrometeorology， 18（7）： 2043-2056.DOI： 10. 1175/JHM-D-16-0292.1 .

Kim S， Hong S， Joh M， et al， 2017.Deeprain： Convlstm network for precipitation prediction using multichannel radar data［J］.arXiv preprint arXiv： 1711.02316.DOI： 10.48550/arXiv.1711.02316 .

Koster R D， Dirmeyer P A， Guo Z C， et al， 2004.Regions of strong coupling between soil moisture and precipitation［J］.Science， 305（5687）： 1138-1140.DOI： 10.1126/science.1100217 .

Kusiak A， Zheng H Y， Song Z， 2009.Wind farm power prediction： a data‐mining approach［J］.Wind Energy： An International Journal for Progress and Applications in Wind Power Conversion Technology， 12（3）： 275-293.DOI： 10.1002/we.295 .

Li J Z， Shi Y， Zhang T， et al， 2023.Radar precipitation nowcasting based on ConvLSTM model in a small watershed in north China［J］.Natural Hazards， 1-23.DOI： 10.1007/s11069-023-06193-6 .

Lim Y， Jo S， Lee J， et al， 2012.Prediction of East Asian summer precipitation via independent component analysis［J］.Asia-Pacific Journal of Atmospheric Sciences， 48： 125-134.DOI： 10.1007/s13143-012-0012-8 .

Lin W， Wen C， Wen Z， et al， 2015.Drought in Southwest China： a review［J］.Atmospheric and Oceanic Science Letters， 8（6）： 339-344.DOI： 10.3878/AOSL20150043 .

Liu W， Wang Y Q， Zhong D， et al， 2022.ConvLSTM network-based rainfall nowcasting method with combined reflectance and radar-retrieved wind field as inputs［J］.Atmosphere， 13（3）： 411.DOI： 10.3390/atmos13030411 .

Ma Z F， Liu J， Zhang S Q， et al， 2013.Observed climate changes in southwest China during 1961-2010［J］.Advances in Climate Change Research， 4（1）： 30-40.DOI： 10.3724/SP.J.1248. 2013.030 .

Mellit A， Pavan A M， Benghanem M， 2013.Least squares support vector machine for short-term prediction of meteorological time series［J］.Theoretical and Applied Climatology， 111： 297-307.DOI： 10.1007/s00704-012-0661-7 .

Michaelides S， Levizzani V， Anagnostou E， et al， 2009.Precipitation： Measurement， remote sensing， climatology and modeling［J］.Atmospheric Research， 94（4）： 512-533.DOI： 10.1016/j.atmosres.2009.08.017 .

Qian W， Kang H S， Lee D K， 2002.Distribution of seasonal rainfall in the East Asian monsoon region［J］.Theoretical and Applied Climatology， 73： 151-168.DOI： 10.1007/s00704-002-0679-3 .

Qiao P J， Liu W Q， Zhang Y W， et al， 2021.Complex networks reveal teleconnections between the global SST and rainfall in southwest China［J］.Atmosphere， 12（1）： 101.DOI： 10.3390/atmos12010101 .

Shi P， Wu M， Qu S M， et al， 2015a.Spatial distribution and temporal trends in precipitation concentration indices for the Southwest China［J］.Water Resources Management， 29： 3941-3955.DOI： 10.1007/s11269-015-1038-3 .

Shi X J， Chen Z R， Wang H， et al， 2015b.Convolutional LSTM network： A machine learning approach for precipitation nowcasting［C］.Advances in Neural Information Processing Systems， 28.

Sutskever I， Vinyals O， Le Q V， 2014.Sequence to sequence learning with neural networks［C］.Advances in Neural Information Processing Systems， 27.

Voyant C， Notton G， Kalogirou S， et al， 2017.Machine learning methods for solar radiation forecasting： a review［J］.Renewable energy， 105： 569-582.DOI： 10.1016/j.renene.2016.12.095 .

Wang L， Chen W， Zhou W， 2014.Assessment of future drought in Southwest China based on CMIP5 multimodel projections［J］.Advances in Atmospheric Sciences， 31： 1035-1050.DOI： 10.1007/s00376-014-3223-3 .

Wang L， Chen W， Zhou W， et al， 2015.Teleconnected influence of tropical Northwest Pacific sea surface temperature on interannual variability of autumn precipitation in Southwest China［J］.Climate Dynamics， 45： 2527-2539.DOI： 10.1007/s00382-015-2490-8 .

Wang L， Huang G， Chen W， et al， 2018.Wet-to-dry shift over Southwest China in 1994 tied to the warming of tropical warm pool［J］.Climate Dynamics， 51： 3111-3123.DOI： 10.1007/s00382-018-4068-8 .

Wei L， Hu K H， Hu X D， 2018.Rainfall occurrence and its relation to flood damage in China from 2000 to 2015［J］.Journal of Mountain Science， 15（11）： 2492-2504.DOI： 10.1007/s11629-018-4931-4 .

White C J， Carlsen H， Robertson A W， et al， 2017.Potential applications of subseasonal‐to‐seasonal （S2S） predictions［J］.Meteorological Applications， 24（3）： 315-325.DOI： 10.1002/met. 1654 .

Wu T W， Yu R C， Zhang F， et al， 2010.The Beijing Climate Center atmospheric general circulation model： description and its performance for the present-day climate［J］.Climate Dynamics， 34： 123-147.DOI： 10.1007/s00382-008-0487-2 .

Xia Y， Guan Z Y， Long Y， 2020.Relationships between convective activity in the Maritime Continent and precipitation anomalies in Southwest China during boreal summer［J］.Climate Dynamics， 54（1-2）： 973-986.DOI： 10.1007/s00382-019-05039-x .

Zhang R H， 2001.Relations of water vapor transport from Indian monsoon with that over East Asia and the summer rainfall in China［J］.Advances in Atmospheric Sciences， 18（5）： 1005-1017.DOI： 10.1007/bf03403519 .

陈子凡， 王磊， 李谢辉， 等， 2022.西南地区极端降水时空变化特征及其与强ENSO事件的关系［J］.高原气象， 41（3）： 604-616.DOI： 10.7522/j.issn.1000-0534.2022.00004.Chen Z F ，

Wang L， Li X H， et al， 2022.Spatiotemporal change characteristics of extreme precipitation in Southwestern China and its relationship with Intense ENSO Events［J］.Plateau Meteorology， 41（3）： 604-616.DOI： 10.7522/j.issn.1000-0534.2022.00004 .

董敏， 吴统文， 王在志， 等， 2013.BCC_CSM1.0模式对20世纪降水及其变率的模拟［J］.应用气象学报， 24（1）： 1-11.

Dong M， Wu T W， Wang Z Z， et al， 2013.Simulation of the precipitation and its variation during the 20th century using the BCC climate model （BCC_CSM1.0）［J］.Journal of Applied Meteorological Science， 24（1）： 1-11.

郭渠， 刘向文， 吴统文， 等， 2017.基于BCC_CSM模式的中国东部夏季降水预测检验及订正［J］.大气科学， 41（1）： 71-90.DOI： 10.3878/j.issn.1006-9895.1602.15280.Guo Q ，

Liu X W， Wu T W， et al， 2017.Verification and correction of East China summer rainfall prediction based on BCC_CSM Model［J］.Chinese Journal of Atmospheric Sciences， 41（1）： 71-90.DOI： 10.3878/j.issn.1006-9895.1602.15280 .

贺倩， 汪明， 刘凯， 2022.基于机器学习的气温要素空间插值［J］.高原气象， 41（3）： 733-748.DOI： 10.7522/j.issn.1000-0534.2021.000007.Qian H ，

Wang M， Liu K， 2022.Spatial interpolation of air temperature based on machine learning［J］.Plateau Meteorology， 41（3）： 733-748.DOI： 10.7522/j.issn.1000-0534.2021.000007 .

贾何佳， 李谢辉， 王磊， 等， 2022.基于机器学习的西南地区遥感干旱监测与评估［J］.高原气象， 41（6）： 1572-1582.DOI： 10.7522/j.issn.1000-0534.2022.00006.Jia H J ，

Li X H， Wang L， et al， 2022.Remote sensing drought monitoring and assessment in Southwestern China based on machine learning［J］.Plateau Meteorology， 41（6）： 1572-1582.DOI： 10.7522/j.issn.1000-0534.2022.00006 .

李祥， 张立凤， 王敬囝， 2020.梅雨锋暴雨预报对分辨率与积云参数化的敏感性［J］.暴雨灾害， 39（6）： 637-646.DOI： 10.3969/j.issn.1004-9045.2020.06.012.Li X ，

Zhang L F， Wang J J， 2020.The sensitivity of the prediction of Meiyu torrential rainfall to model resolution and cumulus parameterization［J］.Torrential Rain and Disasters， 637-646.DOI： 10.3969/j.issn.1004-9045.2020.06.012 .

林倩， 陈杰， 李威， 等， 2019.S2 S 次季节到季节预报对全球降水预报的性能评价［J］.水资源研究， 8（6）： 547-556.DOI： 10.12677/jwrr.2019.86062.Lin Q ，

Chen J， Li W， et al， 2019.Performance of sub-seasonal to seasonal （S2S） products for global precipitation forecasts［J］.Journal of Water Resources Research， 8（6）： 547-556.DOI： 10.12677/jwrr.2019.86062 .

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn