基于UNet架构的精细化对流降水预报后处理模型研究及其在加那利群岛的应用

本研究针对数值天气预报(NWP)模型在降水预测中存在的误差问题，创新性地采用UNet深度学习架构对WRF集合预报进行后处理。通过比较CSGD-EMOS、AnEn等传统方法与UNet-PCA/FS/DS等新型模型的性能，发现UNet模型能显著提升小时尺度降水预报精度(CRPSS提升15%)，并证实地形高度图(HGT)对模型预测具有关键影响。该研究为复杂地形区域降水预报提供了可推广的深度学习解决方案。

　　

降水预报一直是气象领域的重大挑战，特别是在加那利群岛这类地形复杂的区域。尽管数值天气预报(NWP)模型如WRF能够提供高分辨率的对流允许尺度预报，但由于初始条件误差、数值近似和物理过程参数化等限制，其降水预测仍存在显著偏差。更棘手的是，大气系统的混沌特性使得单一确定性模拟无法量化预测不确定性。为此，气象学界发展出集合预报系统，通过多物理参数组合（如MYJ/YSU边界层方案、Thompson/Morrison微物理方案）生成25种WRF模拟结果，但如何有效校准这些集合预报成为关键难题。

传统后处理方法如采用截断平移伽马分布(CSGD)的集合模型输出统计(EMOS)和类比集合(AnEn)虽有一定效果，但存在线性假设限制和空间泛化能力不足等问题。近年来，机器学习技术为突破这些局限提供了新思路，特别是卷积神经网络(CNN)在提取空间特征方面展现优势。然而，针对小时尺度降水概率预测(PQPF)，如何平衡计算效率与预报精度仍是待解难题。

加那利群岛气象研究所等机构的研究人员创新性地将UNet架构应用于1km分辨率的WRF集合预报后处理。该研究对比了三种降维策略：基于相关性的特征选择(FS)、主成分分析(PCA)和基于积分梯度(IG)的通道筛选(DS)，输入数据包含25个WRF成员降水预测和地形高度场(HGT)，输出为CSGD分布的三个参数(μ,σ,δ)。通过15个月的观测数据验证(130个气象站)，发现UNet-FS模型在连续排序概率评分(CRPS)上较原始集合提升15%，且在空间泛化测试中保持稳定性能。

关键技术方法包括：1)构建四层嵌套域WRF集合预报(最内层1km分辨率)；2)开发改进的UNet架构预测CSGD参数，采用自定义CRPS损失函数；3)应用积分梯度技术量化输入特征贡献度；4)采用五折交叉验证评估空间泛化能力；5)比较PCA/FS/DS三种降维方法对25个WRF成员的压缩效果。

3.1.1 整体指标分析
通过CRPS、BSS等概率指标和MAE、RMSE等确定性指标的系统评估，发现所有UNet变体均显著优于原始集合。特别值得注意的是，在0.1mm降水阈值的BSS评分中，UNet-FS达到0.25，而传统AnEn方法仅为0.18。可靠性分析显示UNet模型的预期校准误差(ECE)最低(0.03)，显著优于EMOS(0.05)和原始集合(0.07)。

3.1.2 输入敏感性
积分梯度分析揭示地形高度(HGT)对UNet预测的影响权重达42%，远高于任何单一WRF成员(均<8%)。在降维模型中，GFS_uwtc(最优单成员)和GEM_uwtc(次优成员)的贡献度突出，证实模型能自动识别高质量成员。

3.2 空间泛化性能
五折交叉验证表明，UNet模型在未参与训练的气象站上仍保持正技巧分数，MAESS维持在0.15-0.18之间。但极端降水(99百分位)预测改进有限，反映深度学习模型对罕见事件捕捉的固有难度。

3.3 训练站密度影响
当训练站数量从104个缩减至26个时，CRPSS仅下降12%，证实模型具有较强的稀疏数据学习能力。但极端降水预测性能下降明显，BSS(99th)从0.08降至-0.02，凸显密集观测网络对捕捉局地强降水的重要性。

该研究通过创新性地融合UNet架构与集合预报后处理，为复杂地形区的小时尺度降水预测提供了新范式。三大核心发现具有重要实践价值：首先，证实仅需10个精选WRF成员(UNet-FS)即可保持预报质量，大幅降低计算成本；其次，揭示地形数据在降水降尺度中的核心作用，为后续研究指明方向；最后，建立的端到端概率预测框架可直接输出CSGD参数，便于业务系统集成。值得注意的是，研究提出的CRPS正则化方法(公式7)有效解决了训练不稳定性问题，这对推广深度学习在气象后处理中的应用具有普适意义。未来研究可探索融合更多动力因子(如垂直积分水汽输送IVT)或尝试EBXII等新型分布，以进一步提升极端降水预测能力。