郑超昊，尹志伟，曾钢锋，许月萍，周鹏，刘莉

(1.浙江大学 建筑工程学院，浙江 杭州 310058；2.台州市水利局 浙江 台州 318000；3.台州市水利水电勘测设计院有限公司 浙江 台州 318000)

降水是水循环的重要组成部分，也是地表水文过程的基本驱动元素[1].降水预报是进行流域水文预报、水资源规划以及防洪防汛等研究的基础资料.降水时空差异性大，因此如何获取高精度、高分辨率的降水预报是水文领域一大难题[2].确定性降水预报无法完全模拟大气过程和初始场资料观测误差的影响，降雨预报的模式逐渐从确定性预测转向多成员集合预报，以集合的形式来描述未来降雨发生的概率情况[3].由于初值扰动、模式设计、集合成员数等方面的不完善因素，导致集合预报产品存在预报误差、集合成员离散度低的问题[4]而无法直接使用，必须运用后处理方法提升集合预报的可靠性和准确性，才能保证高质量的降水预报信息供给[5].

在对数值降水预报的统计后处理方法研究上，代刊等[6]系统介绍了定量降水集合预报的统计学后处理技术；Zhao等[7]评估了分位数映射方法对季节性降雨预测的校正；Andrew等[8-9]发现，参数化后处理方法贝叶斯联合概率建模的校正效果较全面.深度学习方法的学习和泛化能力出色[10]，具有非线性关系数据处理能力和数据稀疏地区较好表现的独特优势，在偏差纠正后处理研究中被广泛应用[11]：Qiu等[12]以多任务卷积神经网络考虑时间序列和站点之……