2024年上半年，中国海洋大学“筑峰人才工程”第一层次教授、未来海洋学院院长、深海圈层与地球系统前沿科学中心/物理海洋教育部重点实验室李建平科研团队在Journal of Geophysical Research: Atmospheres期刊发表大气河研究的系列文章，使用深度学习算法对未来大气河的发生进行预报，并对未来情景下大气河降水进行误差校正，以此来改善大气河降水的预估。成果由李建平教授和海洋与大气学院“青年英才工程”第一层次赵阳教授为共同通讯作者的团队合作完成。其中，题为“East Asia atmospheric river forecast with a deep learning method: GAN‐UNet”的论文，荣获2024年第一季度“Wiley中国开放科学高贡献作者”荣誉。

　　鉴于大气河与极端降水的密切联系，能否准确地预报未来几天内大气河的发生和发展状况，不仅关乎灾害天气的防范和资源调配，还直接影响着民众的生产生活秩序和社会稳定, 对人类的生活生产有着重要意义。为了探究深度学习在大气河短期预报中的应用情况，该研究选择了大气河发生频繁的东亚陆地地区进行探索。东亚地区不仅大气河密集，而且影响天气的系统多样，这为深度学习模型的应用提供了复杂多变的场景，对预测模型的准确性和鲁棒性提出了挑战。开展该地区的大气河预报研究不仅能够为深度学习技术的发展提供实践验证，对提升天气预报水平也有重要的现实意义。

　　为了能够准确地预报大气河，本研究提出了完全由数据驱动的深度学习模型GAN-UNet，并分别从东亚地区大气河的发生、位置和强度三个方面验证模型性能。模型运行结果表明，GAN-UNet在大气河强度方面的预报误差略大于AM（GAN-UNet和ECMWF结果的均值），AM的预报误差最小，ECMWF、NCEP和ECCC模型的预报都偏大，而随着预报时间的增加，所有5个模型的预报值与真实值之间的强度差异增加。值得注意的是，AM的误差均值最小，而GAN-UNet模型的误差均值略大于ECMWF，但小于NCEP和ECCC。此外，对大气河的发生过程和发生位置两方面的验证结果也表明，GAN-UNet和AM的预报在大气河所有强度区间中都表现出较好的准确性，尽管在最大区间中，包括数值模型和深度学习模型在内的所有模型和真实值差异都很大，但在使用固定值替换最大区间的值后，通过与真实值相比，GAN-UNet和AM在强度预报中的差异仍然最小。研究以一个发生在东亚地区的大气河事件作为范例，测试结果显示，虽然在预报后期所有五个模型的性能都会变差，但GAN-Unet和AM均可以得出相对较好的结果，特别是在预报早期。这些发现对于深入理解大气河预报模型的性能以及改进数值模型的准确性具有重要意义。

图1. 不同预报模型在15天内预报的大气河强度与观测值的误差。EC和KJ分别代表中国东部和日韩地区。圆圈内的数字表示每个圆圈对应的大气河强度差值。

图2. 数值预报模型与深度学习算法得到的未来15天的大气河预报结果对比

　　上述研究介绍的深度学习模型有助于更好地预报未来的大气河发生及发展情况，鉴于大气河及极端降水之间高度的相关性，研究可能为提高降水预报的准确性提供新的思路。相关工作得到科技部国家重点研发计划项目、崂山实验室项目和山东省重大基金等共同资助。

文章引用：

TIAN Y., Y. Zhao*, J. -P. Li, B. Chen, L. Deng, and D. -W. Wen, 2024：East Asia Atmospheric River Forecast with a Deep Learning Method: GAN‐UNet. Journal of Geophysical Research: Atmospheres, 129(5). https://doi.org/10.1029/2023JD039311.

TIAN Y., Y. Zhao*, J. -P. Li*, H. -X. Xu, C. Zhang, L. Deng, Y. -J. Wang, and M. Peng, 2024: Improving CMIP6 Atmospheric River Precipitation Estimation by Cycle‐consistent Generative Adversarial Networks. Journal of Geophysical Research: Atmospheres, 129(14), e2023JD040698.　https://doi.org/10.1029/2023JD040698.

荣誉证书

荣誉证书