国防科技大学气象海洋学院彭轩等提出了一种基于结构化的图神经网络降水预报模型GIPMN，改进数值模式短期降水预报。
随着数值天气预报（NWP）理论和技术在最近几十年的快速发展，基于NWP的降水预报的性能有了显著提升。然而，由于降水现象的复杂特性和NWP模型的不确定性，准确的预报仍然具有挑战性。业务上，一般利用统计后处理来对降水预报的偏差进行订正。然而传统的统计模型忽略了具体的天气背景信息，通常只能订正系统性偏差。近年来，基于大数据驱动的深度学习因其强大的非线性拟合能力，越来越多被用于改进NWP降水预报。尽管该类方法可从数值预报产品中学习天气背景信息，然而降水预报误差的高度不确定性使得现有深度学习模型更易出现过拟合。
针对上述问题，彭等人（2023）提出了一种基于结构化的图神经网络降水预报模型GIPMN，通过格点信息传播和融合机制，从数值预报产品中显式地提取多尺度特征，以更好的控制模型的复杂度，避免模型的过拟合。同时，提出了一种多降水等级融合的预报策略，以更好地处理不同类型的降水所表现出差异化特性。在模型训练方面，提出了平衡不同降水强度样本对总训练损失影响的权重设置策略，并设计了一种软分类标签作为真值，将观测到的降水量转换为降水量高于每个阈值的概率。所提出的模型被应用于ECMWF的高分辨率确定性预报（HRES）数据，并在华中中部地区进行了测试，结果表明在常见的预报技巧上GIPMN相比HRES有显著提升，雨量阈值在10mm以上的情况下改善更为显著，10mm的TS和HSS分别比HRES提升45%和38%，20mm的TS和HS分别提升104%和95%。从台风“梅花”等强降水过程的典型个例分析可以发现，GIPMN能更准确地预报强降水区域的强度和运动趋势。
https://doi.org/10.1029/2023JD039011
Peng, X., Li, Q., Chen, L., Ning, X., Chu, H., & Liu, J. (2023). A structured graph
neural network for improving the numerical weather prediction of rainfall. Journal
of Geophysical Research: Atmospheres, 128,
e2023JD039011. https://doi.org/10.1029/2023JD039011
国防科技大学气象海洋学院的彭轩讲师为论文第一作者，国防科技大学气象海洋学院的李骞副教授为通讯作者。论文合作者还包括上海中心气象台的陈磊高级工程师、海中心气象台的储海高级工程师、国防科技大学气象海洋学院宁翔宇和湖南省气象台的刘金卿高级工程师。
论文受国家自然科学基金气象联合基金（U2242201）、国家自然科学基金面上项目（42075139）、青年基金（42105146），湖南省自然科学基金（2021JC0009、2021JJ30773）等项目资助。
JGR Atmospheres 发表能促进和改善我们对大气特性和过程的理解的原创研究文章，包括大气与地球系统其他组成部分的相互作用，以及它们在气候变化中的作用。
2022年影响因子：4.4
5年影响因子：5
从投稿到一审意见的中位数时间：55天点击下方“阅读原文”访问JGR Atmospheres期刊网站，阅读更多精彩内容。
声明：欢迎转载、转发本号原创内容，可留言区留言或者后台联系小编(微信：gavin7576)进行授权。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及作品内容、版权和其他问题，请后台联系小编处理。
