-
题名基于深度学习的京津冀地区短时降水预报订正
- 1
-
-
作者
王玉虹
孔德璇
朱寿鹏
张南
季焱
张珊
徐焕
-
机构
中国气象局雄安大气边界层重点开放实验室
河北省气象与生态环境重点实验室
河北省气象台
贵州省山地气象科学研究所
南京气象科技创新研究院
中国气象局交通气象重点开放实验室/江苏省强对流灾害风险预警重点实验室
无锡学院大气与遥感学院
安徽省六安市气象局
-
出处
《应用气象学报》
北大核心
2025年第3期257-267,共11页
-
基金
河北省自然科学基金项目(D2021304003,D2024304006)
环渤海区域科技协同创新基金项目(QYXM202201)。
-
文摘
基于2022-2024年汛期综合分析与短时临近预报系统(Integrated Nowcasting through Comprehensive Analysis System,INCA)降水预报以及京津冀降水观测数据,采用U-Net深度学习模型,结合TS评分和均方误差的加权函数作为损失函数,对3~12 h短时降水预报进行订正,开展包含降水季节特征、日变化特征、区域特征以及影响短时强降水的热力条件、动力条件在内的多种因子影响对比试验。结果表明:考虑多种因子影响的深度学习模型比单一因子深度学习模型对原始预报改进更明显,可提高所有量级降水的TS评分;3~12 h预报中,各量级降水的TS评分最大提升幅度分别为0.07、0.06、0.06、0.03;预报技巧改进明显的空间范围随降水强度(R)增大而减小,对于R≥0.1 mm·h^(-1)和R≥5 mm·h^(-1)量级降水,京津冀大部分地区TS评分得到提升,对于R≥10 mm·h^(-1)和R≥20 mm·h^(-1)量级降水,京津冀东部地区TS评分得到提升.
-
关键词
深度学习
U-Net模型
损失函数
影响因子
预报订正
-
Keywords
deep learning
U-Net model
loss function
influence factors
forecast correction
-
分类号
P457
[天文地球—大气科学及气象学]
-
