智协飞 张珂珺 田烨 季焱

摘要 基于欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasts，ECMWF）2015年2月8日—2016年12月31日中国华东及华南地区24～168 h预报时效的逐日24 h累积降水集合预报资料，利用前馈神经网络建立NN（Neutral Network）模型及NN-GI（Neutral Network-Geographic Information）模型进行概率预报试验，并对两个模型输出的概率预报结果进行评估。结果表明，经NN模型和NN-GI模型订正后，降水概率预报结果得到明显改进，在168 h预报时效时，降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00%、21.27%。与NN模型相比，NN-GI模型由于考虑到各格点的地理信息差异，在区域内预报技巧整体改进更优。这表明，在利用机器学习方法改进降水预报时，在模型中加入各个格点的地理信息非常重要。

关键词降水;概率预报;神经网络;地理信息;ECMWF集合预报

随着人类活动对气候变化的影响日益显著，暴雨等极端天气事件频发，对人民生命及财产安全造成重大影响，人们对降水预报准确性的要求也越来越高。同时，准确的降水预报是制定科学合理的政府决策的重要前提，也是人民生命财产安全的重要保证。因此，提高降水预报准确性，减小预报误差一直是气象业务和科研工作的重点。但是，降水受到多种不同尺度天气系统的共同作用，这使得降水相较于其他气象要素，预报难度更大，是天气预报和气候预测中最具挑战性的气象要素之一。

由于大气是一个高度非线性的混沌系统，误差会随着数值预报模式积分时间的增加而增加，从而导致预报的不确定性（Lorenz et al.，1965）。另外，数值预报模式在处理大气中物理过程，如微物理过程、边界层过程、陆面过程等，往往通过假设、近似、参数化等方法对这些作用进行简化，从而对预报结果产生影响（Moghim and Bras，2017）。……