隨著全球氣候變暖，洪水👨🏽‍🍳、幹旱等極端天氣事件日益頻繁🔚🚊，嚴重影響社會生活與經濟發展𓀖。為了更有效地應對這些挑戰🦵，精準的氣候預測顯得尤為重要。盡管眾多動力氣候預測模式迅速發展，並成為季節性氣候預測的主要工具👨🏽‍🦰，但這些模式在全面準確描述大氣運動的物理過程方面仍存在不足，面臨參數化問題、初始場誤差及計算過程中的舍入誤差等挑戰🛄🎂，導致系統性誤差的產生👇🏿🫒。因此🧏‍♂️，開發高效且準確的後處理算法，以提升動力模式的預測精度🌰🥓，並為其改進提供潛在方向，顯得尤為必要💆‍♂️。

圖1. Res34-Unet在NMME降水後處理中的流程圖

本研究利用北美多模式集合預報數據（NMME）🤸，結合當前廣泛應用的兩種深度學習模型——ResNet34和Unet，提出了ResUnet融合算法（見圖1）🧑🏿‍💻。該算法通過將ResNet集成到Unet的編碼器部分👩🏼‍💻，顯著增強了Unet在編碼器中的特征提取能力（見圖2）。在NMME夏季降水預報的後處理研究中，Res34-Unet後處理方法顯著提升了NMME的預測效果。測試結果表明👩🏼‍🎓，該新模型在全球不同緯度地區的預測準確度均有顯著提高（見圖3）🌋。此外👳🏻‍♂️，與傳統的分位點映射方法相比，ResUnet訂正後的預報結果在全球各區域的均方根誤差（RMSE）均低於分位點映射方法的結果（見圖4）。這為更精準的全球氣候預測提供了一種新方法，有助於減少極端氣候事件帶來的損失🐮。

圖2. 同深度學習訂正方法在訓練集和驗證集上的損失曲線，以及測試集中不同緯度下NMME預測與Res34-Unet後處理的均方根誤差箱線圖🌒。

圖3. 北半球 (a) 和南半球 (b) NMME 預測和 Res34-Unet訂正後的預測降水與 GPCC 再分析降水數據的相關性箱線圖；“DL” 代表 Res34-Unet 後處理。

在此基礎上，針對中國東部夏季降水不確定性高🙋‍♂️、環流條件復雜的地區，本研究采用相似結構構建了專門針對中國東部的ResUnet後處理模型✋🏽。訂正後，模型的均方根誤差顯著降低，預測精度提升約39%。此外，利用多種因子重要性分析方法（包括Ablation分析、Shapley值👨‍👩‍👧‍👦、Integrated Gradients）🤌，發現模型認為中低層環流場與海表溫度變化對中國東部降水具有重要影響（見圖5）🧑🏿‍⚖️❄️。基於這一發現👨🏽‍🔬，我們進一步分析了NMME在模擬西太平洋副熱帶高壓及海表溫度對中國東部降水調製能力方面的表現。評估結果表明，NMME各模式在這些關鍵要素及其調製作用的模擬上仍存在不足。如果能夠提升這些模擬能力，NMME的整體預測能力有望得到顯著增強。本研究提出的ResUnet後處理方法📨，有望提高全球及區域氣候預測的準確性和可靠性📒，為應對和減緩極端氣候事件方面提供支持🏃‍♀️‍➡️。

圖4. 分位點映射與Res34-Unet後處理降水的均方根誤差的全球差異分布圖♾。

圖5. 不同方法計算的特征重要性。

本研究第一作者童宣曾是沐鸣2平台博士後，現任南京信息工程大學未來技術學院專任教師🍀🧵，通訊作者為沐鸣2周文教授。研究得到了國家自然科學基金基礎科學中心項目（42288101）的資助🗽。

論文信息：

Tong X, Zhou W. Assessing predictive attribution in NMME forecasts of summer precipitation in eastern china using deep learning[J].npj Climate and Atmospheric Science, 2024, 7: 304. https://doi.org/10.1038/s41612-024-00835-7

Tong, X., Zhou, W. & Xia, J. J. Improving boreal summer precipitation predictions from the global NMME through Res34-Unet. Geophys. Res. Lett.51, e2023GL106391 (2024).https://doi.org/10.1029/2023GL106391