文章目录
摘要
本周主要围绕该论文的创新点、Baseline 方法和数据分析结果进行学习。文章的创新在于将 U-Net 用于 IFS 降水预报后处理，并结合多层垂直速度和加权结构损失函数提升强降水预测能力。Baseline 部分通过岭回归和分位数映射进行对照；数据分析表明，U-Net 在强降水识别、空间结构保持和综合评分上表现更优。
Abstract
This week was mainly focused on studying the paper's innovations, baseline methods, and data analysis results. The article's novelty lies in applying U-Net to post-processing of IFS precipitation forecasts and combining multi-layer vertical velocity with a weighted structural loss function to enhance heavy precipitation prediction. The baseline section uses ridge regression and quantile mapping for comparison; data analysis shows that U-Net performs better in heavy precipitation identification, spatial structure preservation, and comprehensive scoring.
文献信息
文献标题：《Deep Learning for Improving Numerical Weather Prediction of Heavy Rainfall》
作者：Philipp Hess 、Niklas Boers
链接：Deep Learning for Improving Numerical Weather Prediction of Heavy Rainfall
出版物：Journal of Advances in Modeling Earth Systems
文章创新点
- 将深度学习用于 IFS 降水预报后处理。
文章不是直接替代数值天气预报模式，而是在 IFS 预报结果基础上，利用 U-Net 学习模式预报与卫星观测降水之间的非线性关系，从而改进强降水预报。 - 输入变量具有物理意义。
模型不仅使用 IFS 预报降水，还引入多层垂直速度场，体现了垂直运动与强降水形成之间的动力联系。 - 采用 U-Net 捕捉降水的多尺度空间结构。
U-Net 能够同时提取大尺度天气背景和小尺度降水细节，适合处理强降水这种空间分布复杂、局地性强的变量。 - 设计了面向强降水的组合损失函数。
WMSE-MS-SSIM 损失函数通过加权 MSE 强化模型对强降水样本的学习，同时利用 MS-SSIM 保持降水场空间结构，使模型既关注降水强度，也关注雨区形态。
Baseline
文中设置了两类 baseline，用来评估所提出的 U-Net 深度学习后处理方法是否真正具有优势。
第一类是岭回归方法，该方法属于较简单的线性模型，主要利用单个网格点的 IFS 集合平均降水作为输入，对降水预报结果进行线性修正。当作者加入垂直速度场并未提升该基线模型的表现，说明简单线性方法难以充分利用复杂的大气动力信息。
第二类是分位数映射方法（QM），这是一种传统偏差订正方法，通过匹配 IFS 模拟降水和观测降水的累积分布函数，将模式预报值转换为更接近观测分布的结果。
Result
在数据分析部分，通过降水频率分布、连续误差指标和强降水事件评分对不同方法进行了比较。
上图通过不同方法的 HSS 评分曲线和降水频率分布对模型效果进行了比较。左上图中，红线表示采用 WMSE-MS-SSIM 损失函数训练的 DNN，其在 95%---99% 高百分位强降水阈值下整体高于 IFS、岭回归和普通 MSE 方法，说明该方法对强降水事件具有更好的识别能力。右上图中，红线随着百分位阈值升高而明显上升，表明降水越极端，该方法相对 IFS 的改进越明显。左下图和右下图进一步显示，IFS 和普通损失函数训练的 DNN 对低降水频率估计偏高、对高降水尾部估计不足，而 WMSE-MS-SSIM 的红线更接近 TRMM 黑线，尤其在高降水尾部表现更好。
加权结构损失函数能够帮助 U-Net 更好地学习强降水分布，并提升强降水事件的预报能力。
从表中可以看出，WMSE-MS-SSIM DNN 的 ME 为 0.135，相比 IFS 的 0.175 有明显改善；CW-SSIM 从 IFS 的 0.359 提升到 0.545，提升幅度达到 51.8%。CW-SSIM 衡量的是空间结构相似性，因此这一结果说明：该模型不仅能减小整体偏差，还能更好地保持降水场的空间结构。但是，Table 1 中 RMSE 最低的是使用 MS-SSIM 损失的 DNN，而不是 WMSE-MS-SSIM。这说明 WMSE-MS-SSIM 并不是单纯追求最小平均误差，而是更重视强降水和空间结构。
在 95% 分位以上强降水事件中，WMSE-MS-SSIM DNN 的 HSS、F1 和 CSI 均高于岭回归和分位数映射方法，说明其强降水识别能力更强。
总结
本文提出了一种基于深度神经网络（DNN）的方法，通过引入加权损失函数（WMSE-MS-SSIM）来改进NWP模型对强降雨事件的预测精度。实验结果表明，该方法在连续预报技能和事件预报技能方面均显著优于传统的后处理方法和单一的损失函数。未来的研究方向包括改进评估指标、扩展到更长的预报时间尺度以及在热带地区进一步提高模型的预报技能。