574 / 2026-03-23 10:26:20

长江上游夏季降水的次季节预测研究

机器学习,次季节预测,夏季降水,可预测来源

主题1 天气、气候、全球变化、行星大气 > 专题1.4 高影响天气气候事件可预报性及AI算法的应用

        长江上游流域是我国重要的水资源区与水电基地，其夏季降水异常直接影响区域防灾减灾。然而，受复杂地形及多尺度气候因子影响，现有动力模式对该区域次季节尺度（10-60天）降水的预测技巧有限。为提升预测能力，本研究利用1981-2023年多源再分析资料与CN05.1逐日降水数据，采用EOF分析、K-means聚类和门控循环网络（GRU）等方法，系统分析了长江上游夏季降水的时空规律，并构建了次季节智能预测模型。

        研究表明，该区域夏季降水占全年总量60%以上，空间上呈东南多、西北少格局。EOF分析揭示了夏季平均降水的主要空间模态，而旬尺度降水则主要表现为全区一致型和南北偶极型分布。通过K-means聚类，我们将夏季各旬降水距平客观划分为6种典型空间分布型，其聚类结果具有良好的重构能力与类间独立性。

        基于GRU构建的次季节预测模型在提前30天和60天的预报中表现优异。在2014-2023年的独立测试期，其区域平均时间相关系数分别达到0.36和0.40，显著高于同期ECMWF动力模式的技巧（0.03）；均方误差降低了45%-52%。模型成功预测了2022年长江上游的极端干旱事件，其性能也优于多元线性回归和随机森林等传统方法。

         对模型筛选的预报因子溯源分析表明，预测技巧主要源于三个关键物理信号：北半球欧亚大陆的大气波列活动、热带太平洋的季节内振荡以及南太平洋区域的环流异常。这些因子在不同预报时效内贡献一致，构成了模型预测能力的重要物理基础。