第二届未来大气科学论坛

准确的精细化降水0-6小时短临预报对防灾减灾及社会经济发展至关重要。尽管传统外推算法和数值天气预报都取得显著成果，但“百米级、分钟级”时空尺度的降水预报仍面临巨大挑战，尚无法满足“定点、定时、定量”的高要求。本研究以京津冀地区为例，首先基于降水外推预报和数值模式降尺度，实现500米分辨率、逐10分钟快速更新的无缝隙融合集成（RISE）格点定量降水预报，然后应用人工智能（AI）算法进一步订正和提升RISE降水预报性能。采用京津冀500米分辨率RISE数据，在1-3h外推预报时效，将逐小时降水场转化为“图像到图像转换”任务，在U²-Net框架基础上构造全新多层次上采样融合模块（HUFM）并引入CA坐标注意力机制，以动态融合策略构建了高分辨率降水智能外推预报模型RISE-Net。在4-6h融合预报时效，提出了基于极端梯度提升算法的降水等级归类分段式机器学习模型SCR-XGBoost，开展每日逐一小时起报的机器学习降水预报订正方法研究。使用准确率（AC）、平均绝对误差（MAE）、均方根误差（RMSE）、相关系数（CC）、威胁评分（TS）、公平威胁评分（ETS）、偏差评分（BS）和海德克技能评分（HSS）开展对比检验评估。结果表明，RISE-Net模型不仅优于RISE传统交叉相关外推预报，而且也优于U-Net和U²-Net深度学习模型。与原始RISE预报相比，RISE-Net强降水阈值TS、ETS、HSS分别改进了48.86%、52.02%、46.02%，且BS更接近最优值1。消融试验表明，HUFM有助于显著减少预测误差，而CA的作用相对较小，但两者的联合使用可进一步提高精细化降雨预报能力和预报稳定性。SCR-XGBoost模型相比于RISE能够显著提升预报性能，模型订正后的RMSE和MAE预报误差减小6.49%-23.21%，CC和AC大幅提高35.38%-84.39%，并且分段式订正方法对超过20mm/h阈值的强降水预报订正效果优于其他等级降水。针对AI算法在降水预报中的应用，研究指出引入HUFM及CA机制可以增强深度学习网络的目标定位、精细化空间分布特征识别和恢复能力，引入降水等级归类和分段式机器学习订正算法可以显著提升降水预报技巧，尤其是提升高影响极端强降水预报准确性。上述研究结果不仅可为高时空分辨率定量降水短临预报提供一些新思路，而且也有助于提升京津冀超大城市群气象防灾减灾水平。

降水临近预报、人工智能、RISE、京津冀