应用物理结合的人工智能方法提升“21•7”河南极端强降水预报
image: (a) 实况降水; (b) 多模式降水EvolutionNet订正结果; (c) ECMWF预报降水, (d) CMA-SH9预报降水; (e) CMA-3KM预报降水. 图中棕色等值线为地形高度, 单位: mm。 view more
Credit: ©《中国科学》杂志社
近日，《中国科学：地球科学》发表了中国气象局气象干部培训学院钟琦教授与姚秀萍教授、浙江省气象台张智察助理工程师等研究人员共同取得的研究成果。该团队以2021年河南“21·7”极端降水事件为对象, 基于异常物理特征分析和多模式预报偏差理解, 通过在神经网络损失函数中采用与降水物理和数据特征更相适的优化指标和约束,显著提升了降水预报的强度。
具体而言，通过以不可微分的多阈值TS均值作为损失函数，BIAS作为约束，利用多目标优化免疫进化算法优化模型参数，在“21·7”极端降水预报的临近滚动订正和基于历史长序列的降水订正中取得显著效果.模型通过学习异常物理特征与强降水的关系，可显著提升降水预报的强度，但降水落区难以调整且易带来较大空报，这可能与极端降水事件过程中稳定维持的异常环流和物理特征包含较大尺度信息，与模式降水偏差一致，且极端降水样本稀少，采用的算法复杂度较低有关。通过多模式降水的机器学习融合，有潜力提取各模式降水预报精细结构的优势，显著改进降水落区预报，但降水强度提升有限.基于“好而不同”的多模式融合结合适量异常特征可达成综合调整强降水落区和降水强度。
未来如何充分利用卫星、雷达等多源观测，理解多模式降水预报的偏差特征和物理成因， 引入更高维度多模式特征和与强降水更为密切的异常物理特征，值得继续探索; 构建综合表达多模式信息和异常特征的网络模型，实现物理与智能技术深度融合是未来提升强降水预报的重要探索方向。
原文信息：
钟琦, 张智察, 姚秀萍, 侯劭禹, 傅慎明, 曹勇, 敬林果. 2024. 应用物理结合的人工智能方法提升“21·7”河南极端强降水预报. 中国科学: 地球科学, 54(5): 1680–1701.