针对偏差的深度学习增强了短期暴雨预报

这对日常生活为何重要

突发性暴雨可能使城市瘫痪、道路被淹并威胁生命安全。然而，即便有今天先进的计算模型，要在一到两天前精确预测暴雨的发生地点和强度仍然很难。该研究提出了一种新的利用人工智能微调现有天气预报的方法，使短期暴雨预报更准确、更有助于中国大范围的防灾准备。

现有预报的不足之处

现代天气模型对大气进行三维模拟，但对降雨过程仍存在困难。暴雨往往高度局地化且极端，模型常常漏掉最强的降雨区域或将其放在错误位置。传统统计方法通过研究长期平均来修正这些误差，假定模型的错误随时间保持稳定。但对受不同天气系统驱动的暴雨（如季风锋面或热带气旋）而言，这一假设往往不成立，导致应急规划者得到的预报可能低估真实风险或产生大量误报。

让 AI 学习不同的目标——偏差

大多数利用深度学习改进降雨预报的方法教神经网络去复现观测到的降雨量。问题在于降雨量不可为负且有时会出现极端大值，这对标准的 AI 训练方法而言统计上不太友好。作者分析了欧洲中期天气预报中心在长江三角洲的预报——该地区人口稠密且易遭洪涝——发现了一个关键模式：即使实际降雨量呈现强烈偏斜的长尾分布，暴雨事件期间预报与观测之差（即偏差）却聚集在接近钟形的、近似高斯的曲线附近。换言之，降雨本身表现得很“任性”，但预报误差却更为规律。

教网络修正误差，而不是生成降雨

基于这一洞见，研究者设计了一个基于 U‑Net 架构的深度学习模型，它输入数十个天气模型变量与地形信息，学习在每个网格点预测偏差——即预报的误差。这个“偏差导向”模型称为 UnetDif，用来估计应把原始预报上调还是下调，并学会抑制不应出现的降雨。作为对比，他们还训练了另一种 U‑Net（UnetOri），直接从相同输入中预测降雨量，这与大多数现有工作类似。两种方法在三个预报时效（约提前1½至2½天）上进行了测试，并用若干标准预报质量指标评估。

对强降雨更明确的警报

在长江三角洲，偏差导向的 UnetDif 大幅改善了日降雨量超过50毫米的预报——这一量级常与严重影响相关。与原始模型相比，它将一项关键准确性指标提高了20%以上，且明显优于直接预测降雨的网络和一种常用的统计校正方法（分位数映射）。UnetDif 在减少漏报强降雨事件方面尤为有效，同时并未显著增加误报率，并能产生与观测到的雨带更匹配的强降雨空间格局。当将相同技术应用于中国其他三个主要多雨区时，偏差导向方法在提高暴雨预报技能方面也保持稳定，有时提升超过30%，表明该方法可在不同气候和地形间迁移。

对未来的意义

通过让神经网络学习模型的误差而非直接学习降雨本身，这项研究把一个统计上尴尬的预报问题转化为 AI 更容易处理的任务。结果是一个相对简单且广泛适用的工具，使短期暴雨预报更可靠——正是那种能帮助主管部门发布更合理警报、管理水库并制定应急响应的改进。尽管由于极端云暴事件极其罕见，其精确预测仍充满挑战，这种以偏差为中心的策略为在极端降雨日益频繁的世界中构建更安全的社区提供了切实且可扩展的路径。

引用: Tang, T., Shen, W., Fu, J. et al. Bias-targeted deep learning enhances short-range heavy rainfall forecasts. npj Clim Atmos Sci 9, 78 (2026). https://doi.org/10.1038/s41612-026-01366-z

关键词: 暴雨预报, 深度学习, 天气模型偏差, 洪水风险, 数值天气预报