天气预报对人们的生产和生活都有巨大的影响。传统的天气预报主要依靠基于第一性原理的数值天气预报模型完成。得益于观测手段、同化算法和物理参数化方法的进步，数值预报模型在过去几十年取得了非常大的进步。然而，这些进步也对计算机的运算速度和存储提出越来越高的要求。

近年来，深度学习方法越来越多地应用于天气和气候研究中，用于模式结果后处理、代替传统模式中较为耗时的模块或者构建独立的统计预报模型。近期，复旦大学大气与海洋科学系陈国兴课题组发表在Geophysical Research Letters上的工作（Chen and Wang, 2022），首次将深度学习方法应用于短时降水预报方面。该工作构建了一种基于三维卷积神经网络的短时降水预报的模型，利用三维气象场预报美国大陆的日降水空间分布。结果表明：一、神经网络模型可以有效预报美国大陆地区的日降水分布，其对5天降水预报的均方根误差要小于当前最优秀的数值预报模型结果；二、将神经网络模型预报结果与传统模型预报结果的加权可以显著改进传统模型的结果；三、神经网络模型的预测过程耗时极短，可通过大规模集合预报进一步提高预报精度。

图1. 基于深度学习的美国大陆降水预报示意图

该工作显示了深度学习在短时天气预报方面的巨大潜力，类似的方法可以应用在其他变量或者场景方面的预报。进一步的工作将使用类似的方法构建针对中国东部地区的短时降水预报模型。

论文信息：

Chen, G.*, and W.-C. Wang, 2022: Short‐term precipitation prediction for contiguous United States using deep learning. Geophysical Research Letters, 49, https://doi.org/10.1029/2022GL097904.