浙江省气象局智能网格团队联合国家气象中心、浙大地球科学学院在Nature旗下期刊发表深度学习提升短期暴雨预报技巧的文章
Tang, T., Shen, W., Fu, J. et al. Bias-targeted deep learning enhances short-range heavy rainfall forecasts. npj Clim Atmos Sci (2026). https://doi.org/10.1038/s41612-026-01366-z研究背景
暴雨的短期（1–3天）预报对公众生活安排和应急管理部门的防灾减灾部署具有重要意义。尽管“盘古”等气象人工智能模型在高度场、风场等大尺度要素的短期预报中已表现出优越性能，但在降雨，尤其是暴雨预报方面，其准确率整体仍不及传统数值预报模式（Numerical prediction model，NWP）。受分辨率限制，NWP须通过参数化方案刻画中小尺度物理过程，难免引入系统性偏差
。对NWP降水预报进行后处理订正，被认为是降低系统性偏差、提升预报准确率的重要途径。近年来，深度学习因其在刻画复杂非线性关系和提取多变量特征方面的优势，被广泛应用于NWP降水预报后处理。
然而，降水天然具有非零–长尾分布特征，暴雨位于分布尾端。以均方误差（Mean Squared Error，MSE）为损失函数时，暴雨样本对模型优化贡献有限，从而制约暴雨预报技巧的提升。针对这一问题，已有研究提出加权MSE、混合模型等方案，虽取得一定效果，但分别面临权重调节复杂、模型参数量过大的问题。为此，本文提出一种简单且多区域验证有效的方案，以期为相关研究提供参考。
降水数据中的“草蛇灰线”
以长三角地区为例（图1a），首先对2019/1/1–2024/12/31的中国气象局多源降水分析数据（China Meteorological Administration Multisource Precipitation Analysis System，CMPAS）进行雨日删选，其次与欧洲中期天气预报中心（ECMWF）确定性预报的逐3h
降水预报进行逐格点对比。以0.1 mm为阈值划分为干、雨，则所有格点可分为干命中、雨虚警和雨命中三类（图1b），其中雨命中进一步分为雨弱报和雨过报。尽管暴雨本身位于长尾分布的末端（图1c），其预报偏差却呈现准正态分布（图1d）。因此，一个自然的问题是：以模式偏差作为学习目标是否能够更充分地利用有限的暴雨样本信息，进而为损失函数优化提供更稳定有效的梯度约束？
两种方案的效果对比
针对这一问题，本研究
保持多任务U-Net架构不变（图2），分别以降水预报偏差（ECMWF-CMPAS）为真值（UnetDif）、以观测降水（CMPAS）为真值（UnetOri）建模。
图2 多任务U-Net模型框架
相较于ECMWF，UnetDif在测试集长三角地区36h、48h和60h时效的暴雨TS评分提升21–30%，邻域技巧评分（FSS）亦显著更高；
UnetOri表现最差（图3）。此外，UnetDif在晴雨准确率，小雨至大雨TS评分上均优于ECMWF。
图3 长三角地区36h时效暴雨（日降水量≥50 mm）预报技巧评估
中国不同区域的适用性研究
在华北、华东、华南和西南地区36h时效暴雨TS评分检验中，UnetDif较ECMWF均有提升，其中华东、华南和西南地区提高23–32%，华北因暴雨样本稀缺仅提高4%（图4）。同时，在华东、华南和西南地区36h时效暴雨FSS评分中，UnetDif亦显著优于ECMWF。
图4 中国四大区域36h时效暴雨预报技巧评估
不足与展望
1、以MSE为损失函数导致订正降水预报平滑，缺失空间细节；2、样本稀缺限制了对大暴雨（≥100mm/
day）预报的提升；3、不同输入特征的重要性将在后续工作中进一步探究。
文章信息
浙江省气象局AI研究成果发表于中科院一区TOP期刊《npj Climate and Atmospheric Science》，并在浙江省气象台开展实时业务应用。浙江省气象台唐韬博士为该论文第一作者，沈文强博士为共同一作，钱浩副高级工程师和罗玲正高级工程师为共同通讯作者，合作作者包括国家气象中心符娇兰正高级工程师和浙江大学地球科学学院博士生何萍。
本研究得到国家自然科学基金气象联合基金、中国气象局能力提升项目、全国暴雨研究开放基金、中国气象局创新发展专项和中国气象局智能预报技术重点创新团队项目等共同资助。
声明：欢迎转载、转发。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，如涉及内容、版权和其他问题，请联系小编(微信：qxxjgzh)处理。
