AERO-Net：基于自编码器残差优化的WRF-ROMS降水数据偏差校正模型

本文提出AERO-Net深度学习框架，通过自编码器（AE）、潜在模块（LM）、残差模块（RM）和校准模块（CM）的协同作用，显著改善了WRF-ROMS（天气研究与预报-区域海洋模型系统）降水预测的时空与幅度偏差。实验表明，该模型将宏观均方根误差（macro RMSE）降低3.6 mm/天，相关系数（CC）提升26.32%，为高分辨率气象水文建模提供了创新解决方案。

　　

Highlight

AERO-Net通过整合自编码器（AE）和残差优化技术，成功解决了WRF-ROMS降水数据中时空与幅度的系统性偏差问题。

AERO-Net概览

该模型以7天WRF-ROMS时序数据（t_-6至t₀）为输入，输出t₀时刻经偏差校正的GPM（IMERG-E）降水数据。其创新性在于：1）AE模块学习观测与模拟数据的潜在空间表征；2）LM模块实现潜空间偏差转换；3）RM模块通过残差提升预测精度；4）CM模块优化近零降水区域的校准。

数据集

研究采用泰国水文信息研究所（HII）的私有数据集，其中GPM（IMERG-E）数据经900个雨量站校正后作为真值，WRF-ROMS模拟数据包含7个气象特征变量。

对比分析

如表2所示，AERO-Net在均方根误差（RMSE）等指标上显著优于传统方法（如分位数映射QM）和其他深度学习模型（如LSTM），宏观平均绝对偏差（macro MAD）降低0.68 mm/天。

结论

AERO-Net通过多模块协同机制，首次实现了WRF-ROMS降水预测中时空与幅度偏差的系统性校正，为气象水文研究和灾害预警提供了可靠技术支撑。