近日，我院梁忠民教授研究团队的博士生张团团在《Hydrology and Earth System Sciences》和《Journal of Hydrology》发表降水预报统计后处理与多源降水融合的系列研究成果。

降水的形成主要受大尺度环流系统（例如，西太平洋副热带高压和南亚高压），和当地地形及气象因素（例如，高程、比湿度和风速风向）影响。针对复杂因素影响下的降水预报及误差校正问题，论文提出了一种基于大尺度环流分型与时空深度模型的预报降水统计后处理方法（图1），首先采用自组织图（SOM）对大尺度环流模式进行分型，在此基础上采用时空深度学习模型（CNN+LSTM）对每种环流模式下的局部降水进行校正：卷积神经网络（CNN）用来考虑周围地形和气象因素（风速、大气压、比湿等）对中心格点降水的影响，长短期记忆神经网络（LSTM）用来考虑前期降水对当天降水的影响。以淮河流域为例，研究结果表明：该方法不仅可以有效捕捉西太平洋副热带高压西移与北扩（影响淮河流域夏季降水）的影响，而且显著提高了预报降水的准确性，使均方根误差降低26.58%。本研究可为延长水文预报有效预见期提供支撑。

除了对预报降水进行偏差校正外，本研究也对实测降水开展融合校正研究。考虑到地面站网、雷达、卫星遥感和再分析降水产品都存在各自的优缺点，将多源降水有效融合，充分利用各自的优势，可为水文模型提供更加精准的降水输入。因此，论文提出了一种基于Stacking与EMOS-CSG的多源降水融合方法（图2），首先采用地理加权回归方法（GWR）对原始卫星观测降水数据（包括TMPA-3B42RT、CMORPH、GSMaP_NRT、PERSIANN）进行降尺度，并采用Stacking集成算法，分别对每种卫星观测降水数据进行偏差校正；在此基础上，应用左移截尾伽马分布的集成模型输出统计方法（EMOS-CSG)对偏差校正结果进行融合。研究结果表明：与原始卫星降水观测数据相比，融合后的降水结果不仅准确反映了降水的时空分布，而且精度得到显著提升。研究结果可为提高区域降水监测与估算能力提供重要参考。

上述研究受到了国家自然科学基金重点项目（41730750）、面上项目（41877147）和江苏省研究生科研与实践创新计划等项目的支持。

相关论文链接：

[1]Zhang Tuantuan, Liang Zhongmin, Li Wentao, et al. Statistical post-processing of precipitation forecasts using circulation classifications and spatiotemporal deep neural networks[J]. Hydrology and Earth System Sciences, 2023, 27(10): 1945-1960.https://hess.copernicus.org/articles/27/1945/2023/hess-27-1945-2023.html

[2] Zhang Tuantuan, Liang Zhongmin, Wang Haijun, et al. Merging multisatellite precipitation products using stacking method and the censored-shifted gamma ensemble model output statistics in china's Beimiaoji basin[J]. Journal of Hydrology, 2023, 618: 129263.

https://www.sciencedirect.com/science/article/pii/S0022169423002056?via%3Dihub

图1 预报降水统计后处理方法示意图

图2 多源降水融合方法示意图