黃驕文 蔡榮輝 姚 蓉 王勝春 滕志偉

1 湖南省氣象臺，長沙 410118 2 氣象防災減災湖南省重點實驗室，長沙 410118 3 湖南師范大學信息科學與工程學院，長沙 410081

提 要： 利用1996—2015年中國的高空探測資料和地面觀測數(shù)據(jù)，挑選發(fā)生降水的數(shù)十萬個樣本將其分為降雨和降雪兩類事件，抽象為二分類問題，采用深度學習網(wǎng)絡技術構建降水相態(tài)判識模型，并用2016—2017年的數(shù)據(jù)進行測試檢驗，針對2018年1月下旬中國一次大范圍雨雪天氣過程進行個例檢驗，在此基礎上探討了深度學習網(wǎng)絡在降水相態(tài)判識和預報中的應用。主要結論如下：基于深度學習網(wǎng)絡判識模型的判識準確率為98.2%，雨、雪的TS評分分別為97.4%和94.4%，相應空報率為1.7% 和2.0%，漏報率為1.0%和3.7%，較傳統(tǒng)指標閾值法的判識準確率有較大提高；個例檢驗顯示，基于實況探空數(shù)據(jù)的模型判識結果與降水相態(tài)實況在全國基本保持一致，歐洲中期數(shù)值預報中心(ECMWF)的降水相態(tài)預報產品和模型的預報結果對全國的降水相態(tài)都表現(xiàn)出較好的預報能力，而對雨雪分界線的預報，模型的預報結果較ECMWF總體上更接近實況。測試結果表明，模型較好地提取了雨、雪降水相態(tài)的結構特征，深度學習網(wǎng)絡在降水相態(tài)判識和預報中的應用具有可行性和一定的優(yōu)勢，可為降水相態(tài)的客觀判識和預報提供重要技術支撐。

引 言

隨著社會的發(fā)展，冬季降水對人們的生產生活造成的影響愈發(fā)嚴重(馬宗晉，2009)。一次冬季降水過程中可能同時包含多種降水相態(tài)或不同降水相態(tài)之間的轉換，而不同降水相態(tài)的致災性是不一樣的。例如24 h累計降水量達到5 mm時，如果降水相態(tài)是雨，則只是小雨天氣，對城市運行和社會生產生活的影響不大；如果降水相態(tài)是雪，天氣表現(xiàn)為大雪，致災性會大大提升；而如果降水相態(tài)是凍雨或者冰粒時，這種冰凍天氣帶來的影響則可能是致命的。即使是很弱的降雪過程，如果降水相態(tài)預報出錯，也會給城市運行帶來嚴重的不利影響(孫繼松等，2003；蔣建瑩等，2005)。因此，冬季降水相態(tài)的判識和預報問題非常關鍵，這對滿足精細化天氣預報需求、進一步提升防災減災能力具有重要意義。

我國冬季降水相態(tài)主要包括雨、雪、雨夾雪、凍雨、冰粒等。近幾十年來，國內外學者開展了很多關于降水相態(tài)方面的研究，得到了不少有益的成果。Lownde et al(1974)提出用1000～850 hPa的位勢厚度值來區(qū)分雨雪。Heppner(1992)在此基礎上，增加850～700 hPa的位勢厚度值來識別雨、雪、凍雨和冰粒。Bernstein(2000)、李江波等(2009)、漆梁波和張瑛(2012)、張琳娜等(2013)、孫燕等(2013)和余金龍等(2017)通過個例研究給出了一些降水相態(tài)的判識指標和閾值，其中多是包括近地面氣溫、位勢厚度等單個指標或多個指標的組合，較好的指標對降雪的判識準確率在80%左右。但是，在前人的研究中，降水相態(tài)判識的指標閾值在不同區(qū)域存在差異，不具有普適性。降水相態(tài)的形成與整個大氣層結中的溫、濕度及其平流變化等有關(楊舒楠等，2017)，簡單的指標閾值法往往表征某些方面的特性，不能很好地體現(xiàn)整層大氣之間復雜的關系，并且不同指標判識結果不一致時，也無法取舍。

近些年來，計算機運算的能力得到不斷提升，人工神經(jīng)網(wǎng)絡的應用也得到推廣。氣象部門積累了海量實況數(shù)據(jù)，因而人工神經(jīng)網(wǎng)絡在氣象上的應用擁有廣泛的發(fā)展空間(Ortiz-Garcíaa et al，2014；Young et al，2017；李文娟等，2018)。董全等(2013)通過對比人工神經(jīng)網(wǎng)絡法和線性回歸法發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡法對降水相態(tài)的預報效果更優(yōu)。彭霞云等(2018)利用決策樹和隨機森林算法對浙江省冬季降水個例進行研究發(fā)現(xiàn)，隨機森林算法可使降雪的判識準確率得到明顯提高。陳雙等(2019)基于云頂溫度、中層融化參數(shù)、低層濕球溫度構建的決策樹判別模型，可較好地提升臨界氣溫下雨、雪的判別準確率。隨著深度學習技術的發(fā)展，深度學習網(wǎng)絡模型采用分層無監(jiān)督訓練方法，模型學習能力大大增加，可在大量的數(shù)據(jù)中自動提取相應的特征(韓豐等，2019；黃小玉等，2019；郭瀚陽等，2019)。相比于傳統(tǒng)的機器學習手動提取特征，深度學習有著更強的特征學習能力，能提取到更加豐富準確的信息，分類和預報效果獲得極大的提升。因此，本文擬采用深度學習網(wǎng)絡，研究其在我國冬季降水相態(tài)判識和預報中的應用。

1 數(shù) 據(jù)

1.1 數(shù)據(jù)說明

本文采用1996—2018年共23年逐日08時和20時(北京時，下同)的高空探空數(shù)據(jù)和地面觀測填圖資料，其中1996—2015年共20年的探空數(shù)據(jù)和地面觀測資料作為模型的訓練集，以此建立基于深度學習網(wǎng)絡的降水相態(tài)判識模型，2016—2017年冬季(12月至次年2月)數(shù)據(jù)作為降水相態(tài)判識模型的統(tǒng)計學檢驗樣本集，2018年數(shù)據(jù)集作為該模型的天氣學個例檢驗樣本集，高空探空數(shù)據(jù)為中國120個探空站數(shù)據(jù)，站點分布如圖1所示；2018年逐日08時和20時起報的歐洲中期數(shù)值預報中心(ECMWF)的降水相態(tài)預報產品，空間分辨率為0.125°×0.125°，用來在天氣學個例預報檢驗中與模型的預報結果進行對比檢驗。文中所涉及的地圖是基于審圖號為GS(2017)3320號的中國地圖制作，底圖無修改。

圖1 中國120個探空站的分布Fig.1 Distribution of 120 sounding stations in China

降水相態(tài)的預報包含了晴雨預報和發(fā)生降水后的相態(tài)預報兩個問題，晴雨預報的偏差會影響降水相態(tài)的預報偏差，為了簡化問題，本文降水相態(tài)判識模型的構建和檢驗只針對出現(xiàn)降水的站點和地區(qū)。

1.2 數(shù)據(jù)預處理

在將數(shù)據(jù)集輸入到深度學習網(wǎng)絡模型中進行訓練前，需要對數(shù)據(jù)集進行預處理。首先，挑選出中國探空站和對應地面觀測數(shù)據(jù)，將同一時間的探空數(shù)據(jù)與地面填圖資料進行一一匹配。隨后，將高空所有探空特性層的氣象要素自下向上按層編排，與該對應時次站點的地面填圖要素進行合并，最后拼接成一條長序列數(shù)據(jù)條，作為訓練模型標準的輸入數(shù)據(jù)條。

由于高空和地面的氣溫和露點溫度是影響降水相態(tài)變化的關鍵因子，為了避免選取多個氣象因子帶來的樣本損失，突出關鍵氣象因子的作用，本文模型訓練集采用的氣象要素只包括地面氣溫、露點溫度，以及高空的氣壓、氣溫和露點溫度。根據(jù)地面觀測資料中的天氣現(xiàn)象編碼，將降水相態(tài)分為雨(包括降雨和凍雨)和雪(包括純雪和雨夾雪)兩類，其中雨、雪降水相態(tài)對應的天氣現(xiàn)象編碼如表1所示。

表1 雨、雪降水相態(tài)對應的天氣現(xiàn)象編碼Table 1 Weather code corresponding to precipitation type of rain and snow

在模型訓練過程中，每個輸入數(shù)據(jù)條包含了不同的氣象因子，而這些氣象因子的量綱和數(shù)值量級都是不一樣的。如果在模型訓練中直接使用原始的數(shù)據(jù)值，就會突出數(shù)值較高的氣象因子在模型訓練中的作用，相對削弱數(shù)值水平較低因子的作用。因此，為了消除不同氣象因子之間的量綱和數(shù)量級的影響，本文對所有輸入的氣象因子分別進行標準化處理：采用歸一化處理，對原始數(shù)據(jù)進行線性變換，將數(shù)據(jù)統(tǒng)一映射到0～1的區(qū)間上，轉換公式為：

式中：X為輸入的氣象因子序列，X*為標準化后的新序列，max(X)和min(X)分別為該因子序列的最大值和最小值。

1.3 數(shù)據(jù)質量控制

在樣本數(shù)據(jù)輸入前，還需對其進行嚴格的質量控制。本文高空探空數(shù)據(jù)選取的是自下向上依次6個特性層的數(shù)據(jù)，不同海拔高度的站點選取的特性層也不一樣，例如在低海拔地區(qū)的湖南長沙站，6個特性層選取的是1000、925、850、700、500和400 hPa，而在高海拔地區(qū)的西藏拉薩站，選取的是500、400、300、250、200和150 hPa。在此過程中，將由站點海拔高度過高等原因導致該探空站數(shù)據(jù)不足6個特性層的樣本剔除，當選取的數(shù)據(jù)樣本中的氣象要素存在缺測，也將該條數(shù)據(jù)樣本進行剔除，同時還將包含奇異值，即超出該氣象因子的正常閾值范圍的數(shù)據(jù)樣本剔除。最終，得到輸入模型中的雨和雪兩類降水相態(tài)的訓練集和測試集，樣本集數(shù)量如表2所示。

表2 雨、雪降水相態(tài)的樣本數(shù)(單位：個)Table 2 Samples corresponding to precipitation type of rain and snow

2 方 法

2.1 深度神經(jīng)網(wǎng)絡算法

深度神經(jīng)網(wǎng)絡(deep neural network，DNN)是一種人工神經(jīng)網(wǎng)絡(Hinton et al，2006)，包含多個隱藏層，根據(jù)神經(jīng)元的特點可分為多層感知機(multi-layer perception，MLP)、卷積神經(jīng)網(wǎng)絡(convolutional neural networks, CNN)、循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network，RNN)等，不管它是線性還是非線性的關系，DNN能夠在數(shù)據(jù)之間找到正確的計算關系，通過在各個層之間的計算，得到每個輸出結果的概率。通過訓練識別降水相態(tài)的DNN，將遍歷給定的數(shù)據(jù)集并計算每一種降水相態(tài)的概率，用戶查看結果并選擇最好的概率(高于某個閾值)，返回對應建議的標簽。這樣每種降水相態(tài)的計算操作被認為是一個層，復雜的DNN有許多層，因此被稱為深層神經(jīng)網(wǎng)絡。

DNN按不同層的位置劃分，其內部的神經(jīng)網(wǎng)絡層可以分為三類：輸入層、隱藏層和輸出層(圖2)，其中第一層是輸入層，最后一層是輸出層，而中間的層數(shù)都是隱藏層。DNN通常是前饋網(wǎng)絡，其中數(shù)據(jù)從輸入層流向輸出層而不會回送。首先，DNN創(chuàng)建虛擬神經(jīng)元的映射，并將隨機數(shù)值或“權重”分配給它們之間的連接，權重和輸入相乘并返回0～1的輸出。如果網(wǎng)絡沒有準確識別特定模式，算法將調整權重，直到它確定了正確的數(shù)學運算，以充分處理數(shù)據(jù)。目前，包括計算機視覺、語音識別和機器人在內的諸多人工智能應用已廣泛使用了深度神經(jīng)網(wǎng)絡，DNN在很多人工智能任務中表現(xiàn)出了當前最佳的準確度，因此本文采用DNN構建降水相態(tài)判識模型。

“微型探究”策略引導：設計“微型探究”問題時必須考慮學生已有的認知，找準探究情境與教學內容之間的有效結合點，設計出合理的、具有思考價值的若干個問題串，通過“微型探究”，讓學生體驗數(shù)學家對數(shù)學概念的抽象過程，領悟探索知識的思維方法，由“知其然”發(fā)展到“知其所以然”，并體會蘊涵其中的數(shù)學思想方法，從而實現(xiàn)學習價值的最大化和最優(yōu)化.

圖2 深度神經(jīng)網(wǎng)絡結構示意圖(龐勇，2003)Fig.2 Structure diagram of deep neural network (Pang, 2003)

2.2 降水相態(tài)判識模型

通過大量訓練試驗，本文基于DNN的降水相態(tài)判識模型共設置5層神經(jīng)網(wǎng)絡，其中輸入層主要提取經(jīng)過預處理和質量控制后的數(shù)據(jù)。在輸入層中對數(shù)據(jù)進行歸一化處理，消除不同氣象因子量綱和數(shù)量級的影響，在使用梯度下降的方法求解最優(yōu)問題時，歸一化后還可加快梯度下降的求解速度，即提升模型的收斂速度。經(jīng)過輸入層后，數(shù)據(jù)將通過3個隱藏層進行一系列變換，隱藏層節(jié)點數(shù)分別設置為500、100和20個，最后在到達輸出層，得到模型的分類結果。線性整流函數(shù)(rectified linear unit，ReLU)，又被稱為修正線性單元，通常指代以斜坡函數(shù)及其變種為代表的非線性函數(shù)，是人工神經(jīng)網(wǎng)絡中常用的一種激活函數(shù)(Krizhevsky et al，2012)。本文使用ReLU作為激活函數(shù)，設置初始為0.001的自適應學習率，得到前向傳播的結果，結合對數(shù)損失函數(shù)(李航，2012)的方法對比結果與實況的差別，使用自適應矩估計(adaptive moment estimation，Adam)優(yōu)化算法(Kingma and Ba，2014)進行反向傳播，更新權重，每次訓練選取的樣本數(shù)設為200個，共設置2 000次迭代，通過反復訓練，尋找最優(yōu)的結果，最終得到基于DNN的降水相態(tài)判識網(wǎng)絡模型。

2.3 檢驗方法

本文利用實況資料構建基于深度學習網(wǎng)絡的降水相態(tài)判識模型，對該模型的檢驗分為兩個部分，一部分是基于實況數(shù)據(jù)進行實況判識檢驗，另一部分是基于ECMWF未來24 h預報數(shù)據(jù)，對模型輸出的預報結果和ECMWF降水相態(tài)產品進行預報對比檢驗。模型預報結果和ECMWF降水相態(tài)預報產品均采用最近鄰點插值法，將離站點最近的網(wǎng)格點數(shù)據(jù)賦值給該站點，實現(xiàn)格點數(shù)據(jù)向站點數(shù)據(jù)的轉化。檢驗中判識準確率、TS(threat score)評分、空報率和漏報率計算公式如下：

式中：NA為實況出現(xiàn)時的判識正確站(次)數(shù)，NB為實況未出現(xiàn)但模型判識出現(xiàn)的站(次)數(shù)，NC為實況出現(xiàn)但模型判識不出現(xiàn)的站(次)數(shù)，ND為實況未出現(xiàn)時的判識正確站(次)數(shù)。

3 結果檢驗

3.1 統(tǒng)計學檢驗

2016—2017年冬季，我國120個探空站08時和20時發(fā)生降水的樣本共有3 281個，其中降雨樣本2 222個，降雪樣本1 059個(表2)。通過計算模型的判識準確率以及降雨和降雪的TS評分、漏報率和空報率，對基于深度學習網(wǎng)絡的降水相態(tài)判識模型進行檢驗。結果顯示，模型的判識準確率可達98.2%，其中有3 221個樣本判識正確，60個樣本判識錯誤，出錯的樣本主要集中在我國南方地區(qū)，模型在湖南郴州站和貴州貴陽站判識出錯的頻次最高，均出現(xiàn)了5次判識錯誤(圖3)。統(tǒng)計學檢驗的結果顯示(圖4)，降雨和降雪的TS評分分別達到了97.4% 和94.4%，空報率分別為1.7%和2.0%，漏報率為1.0%和3.7%，在錯判的樣本中，有39個樣本實況為降雪，模型判識為降雨，還有21個樣本實況為降雨，模型判識為降雪。指標閾值法對降雪的判識準確率很少有超過90%的(漆梁波和張瑛，2012；張琳娜等，2013；孫燕等，2013；余金龍等，2017；彭霞云等，2018)，相較于傳統(tǒng)指標閾值法，模型的判識準確率有較大提升?？梢?，基于深度學習網(wǎng)絡的降水相態(tài)判識模型對實況數(shù)據(jù)表現(xiàn)出良好的判識性能。

圖3 基于2016—2017年冬季樣本模型判識出錯的探空站點頻次(單位：次)Fig.3 Frequency of sounding stations with the model giving incorrect identification based on the winter samples during 2016-2017

圖4 基于2016—2017年冬季樣本的雨、雪相態(tài)統(tǒng)計學檢驗結果Fig.4 Statistical test results of rain and snow based on the winter samples during 2016-2017

3.2 北方天氣個例檢驗

2018年1月下旬，我國各地出現(xiàn)了大范圍的雨雪天氣，其中1月21—22日北方地區(qū)出現(xiàn)雨雪天氣過程，接著24—28日我國南方出現(xiàn)了一次大范圍的低溫雨雪天氣過程。此次過程具有雨雪冰凍范圍廣、嚴寒程度重、持續(xù)時間長等特點，造成了自2008年以來又一次較大范圍的雨雪冰凍災害。

在北方地區(qū)雨雪天氣過程的開始階段(圖5)，從降水相態(tài)的實況可看出，在內蒙古中部、山西北部、河北中北部、北京和天津都出現(xiàn)了降雪，而長江中下游地區(qū)出現(xiàn)大片的降雨區(qū)。21日20時我國探空站共有12個站點發(fā)生降水，其中10個站為降雨，2個站為降雪，模型基于探空站實況數(shù)據(jù)的判識結果與降水相態(tài)實況全部一致，判識準確率為100%。從ECMWF和模型對21日20時降水相態(tài)的預報結果對比可看出(與地面站觀測對比，下文同)，二者均在華北地區(qū)和長江中下游地區(qū)分別預報了降雪和降雨，與降水相態(tài)實況較一致，但存在較大范圍的空報。此時ECMWF對降雨和降雪的TS評分分別為36.8%和12.6%，而模型則分別可達43.4%和20.0%，模型預報結果相對較好。

圖5 2018年1月21日20時中國北方地區(qū)雨雪天氣過程開始階段(a)降水相態(tài)實況(綠點：降雨，藍點：降雪)和模型基于實況的判識結果(數(shù)字1：降雨，數(shù)字2：降雪)，以及(b)ECMWF預報未來24 h的降水相態(tài)產品(綠色：降雨，藍色：降雪)和模型基于ECMWF預報數(shù)據(jù)的未來24 h降水相態(tài)預報結果(點號：降雨，星號：降雪)Fig.5 (a) Real precipitation type (points) and model identification results (numbers) (green dot and number 1: rain， blue dot and number 2: snow), and (b) the ECMWF 24 h products (shaded) and model forecast results (marks) of next 24 h during the beginning stage of rain and snow processes over North China at 20:00 BT 21 January 2018(green and red dots: rain, blue and stars: snow)

圖6 同圖5，但為2018年1月22日08時中國北方地區(qū)雨雪天氣過程結束階段Fig.6 Same as Fig.5， but for the ending stage of rain and snow processes over North China at 08:00 BT 22 January 2018

3.3 南方天氣個例檢驗

在南方地區(qū)雨雪天氣過程的開始階段(圖7)，從降水相態(tài)的實況可看出，我國南方出現(xiàn)大范圍的雨雪天氣，雨雪分界線呈東西向分布，位置分布在四川北部—重慶北部—湖南北部—湖北東北部—安徽南部—浙江北部一線。25日08時我國探空站共有24個站點發(fā)生降水，其中8個站為降雨，16個站為降雪，此時模型判識準確率為95.8%，降雨和降雪的TS評分分別為88.9%和93.4%?；谔娇照緦崨r數(shù)據(jù)的模型在上海站判識錯誤，上海站實況為降雪，而模型判識為降雨，其他站點模型均判識正確。

圖7 同圖5，但為2018年1月25日08時中國南方地區(qū)雨雪天氣過程開始階段Fig.7 Same as Fig.5， but for the beginning stage of rain and snow processes over South China at 08:00 BT 25 January 2018

從ECMWF和模型對25日08時降水相態(tài)的預報結果對比可看出，二者的預報分歧主要位于四川東部和湖南西北部地區(qū)。從降水相態(tài)實況來看，四川東部主要以降雨為主，只有部分站點轉為降雪，ECMWF預報此時在四川東部全部為降雪，預報與實況存在較大偏差，而模型預報的結果在該地區(qū)表現(xiàn)為降雨，只在北部預報了降雪，與實況更為接近。在湖南西北部地區(qū)的降水相態(tài)實況此時已轉為降雪，ECMWF預報此時在湖南西北部地區(qū)主要以降雨為主，模型預報該地區(qū)為降雪。此時ECMWF對降雨和降雪的TS評分分別為33.7%和41.3%，而模型則分別可達42.4%和52.8%，模型預報結果相對較好。

在南方地區(qū)雨雪天氣過程的持續(xù)階段(圖8)，從降水相態(tài)的實況可看出，此時雨雪分界線呈“V”型分布，位置主要沿四川中部—貴州東部—湖南中部—江西北部—浙江中部地區(qū)分布。27日08時我國探空站共有33個站點發(fā)生降水，其中10個站為降雨，23個站為降雪，此時模型判識準確率為94.0%，降雨和降雪的TS評分分別為81.8%和91.7%。基于探空站實況數(shù)據(jù)的模型在江西南昌站和浙江衢州站判識錯誤，南昌站實況為降雨，模型判識為降雪，衢州站實況為降雪，模型判識為雨，其他站點模型均判識正確。判識出錯站點均出現(xiàn)在雨雪邊界線附近，這些地區(qū)降雨和降雪的溫濕層結曲線比較近似，這可能是導致模型判識出錯的原因。

圖8 同圖5，但為2018年1月27日08時下旬中國南方地區(qū)雨雪天氣過程持續(xù)階段Fig.8 Same as Fig.5， but for the continuous stage of rain and snow processes over South China at 08:00 BT 27 January 2018

從ECMWF和模型對27日08時降水相態(tài)的預報結果對比可看出，二者的預報分歧主要位于雨雪分界線附近地區(qū)。在貴州東部、湖南中部、江西北部和浙江中部地區(qū)，降水相態(tài)的實況顯示該地區(qū)均已轉變?yōu)榻笛?，ECMWF預報仍主要以降雨為主，雨雪分界線的位置預報偏北，與實況存在一定偏差。而模型預報結果顯示在該地區(qū)均為降雪，雨雪分界線的預報與實況基本一致，另外針對四川東南部和重慶西部地區(qū)的預報來看，模型較ECMWF預報的降水區(qū)更大，與實況更吻合。此時ECMWF對降雨和降雪的TS評分均為35.1%，而模型則分別可達40.6%和44.8%，模型預報結果相對較好。

在南方地區(qū)雨雪天氣過程的結束階段(圖9)，從降水相態(tài)的實況可看出，此時雨雪分界線呈東西向分布，位置分布在貴州南部—廣西北部—湖南南部—江西中部—浙江中部一線。28日20時我國探空站共有17個站點發(fā)生降水，其中10個站為降雨，7個站為降雪，判識準確率為100%，模型基于探空站實況數(shù)據(jù)的判識結果與降水相態(tài)實況全部一致。

圖9 同圖5，但為2018年1月28日20時中國南方地區(qū)雨雪天氣過程結束階段Fig.9 Same as Fig.5， but for the ending stage of rain and snow processes over South China at 20:00 BT 28 January 2018

從ECMWF和模型對28日20時降水相態(tài)的預報結果對比可看出，二者的預報分歧主要位于湖南南部和江西中部地區(qū)。湖南南部的降水相態(tài)實況已轉為降雪，ECMWF預報此時仍為降雨，雨雪分界線較實況偏北，而模型預報的結果在該地區(qū)表現(xiàn)為降雪，跟實況基本一致。從江西中部的雨雪分界線對比來看，ECMWF預報產品與實況基本一致，而模型預報的結果略偏南。此時ECMWF對降雨和降雪的TS評分分別為50.8%和13.6%，而模型則分別可達51.9%和22.1%，相較于ECMWF的降水相態(tài)預報產品，模型預報結果仍較好。

通過2018年1月下旬中國一次雨雪天氣個例檢驗發(fā)現(xiàn)，基于深度學習網(wǎng)絡的降水相態(tài)判識模型對實況數(shù)據(jù)的判識結果與降水相態(tài)實況基本一致，判識準確率保持在94%以上。針對整個雨雪天氣過程，ECMWF降水相態(tài)預報產品對降雨和降雪的TS評分分別為31.3%和28.6%，而本模型的預報結果則分別可達40.2%和39.8%。ECMWF降水相態(tài)預報產品和模型的預報結果對中國的降水相態(tài)都有較好的預報能力，但對雨雪分界附近地區(qū)，模型的預報結果較ECMWF總體上更接近實況，表明基于深度學習網(wǎng)絡的降水相態(tài)判識和預報中的應用是合理可行的，并且具有其獨特的優(yōu)勢。

4 結論與討論

本文利用1996—2015年共20年的探空資料和地面觀測資料，應用深度學習網(wǎng)絡技術構建降水相態(tài)判識模型，對2016—2017年的數(shù)據(jù)進行測試檢驗，并用2018年1月下旬中國一次大范圍雨雪天氣過程進行個例檢驗。在此基礎上，對深度學習網(wǎng)絡在降水相態(tài)判識和預報中的應用進行有益探討，主要結論如下：

(1)利用2016—2017年冬季3 281個測試樣本，對基于深度學習網(wǎng)絡判識模型進行統(tǒng)計檢驗，該模型的判識準確率為98.2%，判識出錯的樣本主要集中在我國南方地區(qū)，降雨和降雪的TS評分分別可達97.4%和94.4%，空報率分別為1.7%和2.0%，漏報率分別為1.0%和3.7%，表明該模型較好地提取了雨、雪降水相態(tài)的結構特征，對于降水相態(tài)的判識表現(xiàn)出很好的效果。

(2)2018年下旬雨雪天氣個例的檢驗表明，基于實況數(shù)據(jù)的模型在全國的判識結果與實況基本保持一致，判識準確率保持在94%以上，針對整個雨雪天氣過程，ECMWF預報對降雨和降雪的TS評分分別為31.3%和28.6%，而模型則分別可達40.2%和39.8%，ECMWF降水相態(tài)預報產品和模型的預報結果對全國的降水相態(tài)都有較好的預報能力，針對雨雪分界線的預報，模型的預報結果較ECMWF總體上更接近實況，表征深度學習網(wǎng)絡在降水相態(tài)預報中的應用具有可行性和一定的優(yōu)勢。

本文構建的模型還存在一些不足，可嘗試結合氣象要素指標，進一步提高模型在雨雪分界附近地區(qū)的判識準確率，另外本模型判識和預報的降水相態(tài)只有雨和雪兩類，無法識別和預報雨雪分界附近地區(qū)出現(xiàn)的雨夾雪、凍雨等降水相態(tài)，需要進一步研究細化，改進模型使之具備多種復雜降水相態(tài)的判識和預報能力。