后处理方法可以降低数值天气预报（NWP）的系统性偏差。通常，降水后处理方法依赖于数值天气预报（NWP）网格预报产品，在准确预报局地站点降水方面表现不佳。

　　近日，Atmospheric Research在线发表了题为“Deep-learning post-processing of short-term station precipitation based on NWP forecasts”的文章。论文基于华北地区390个气象站的观测降水和ECMWF-HRES短期（0-3天）预报数据，利用深度学习算法构建了一个基于站点的降水后处理模型（Station-based Precipitation Post-processing Model，SPPM）。此模型将多层大气预报变量和以气象站为中心的小区域地理变量作为预报因子，研究使用逐层相关传播（Layer-wise Relevance Propagation，LRP）技术验证了预测因子的敏感性。

　　实验结果显示，在2021年夏季的测试数据集上，站点降水后处理模型（SPPM）在多个降水阈值下的TS评分相较于ECMWF预报均有所提升，尤其在强降水的预报中表现出显著的提升效果，且虚报小雨事件较少。模型改进主要集中在华北地区的中部、东部和南部，但在站点稀疏且训练数据相对稀缺的西部站点上，提升效果相对较小。

　　通过对模型可解释性结果的分析，发现ECMWF的降水预报对SPPM模型的决策产生了重要影响；其余变量中，低层环流场和地形信息较为重要，它们通常在很多华北地区强降水个例中起到重要作用。这项可解释性研究方法为其他气象AI模型的可解释性研究提供了有益的参考，为建立更可靠、可解释的气象预报模型提供了一个应用示范。

　　该研究成果近期发表于地球-大气科学领域期刊Atmospheric Research (JCR Q1，IF=5.5）。中国科学院大气物理研究所夏江江副研究员为论文通讯作者，刘祺（在读博士）为论文第一作者。项目得到了国家自然科学基金（42275158）、河北省重点研发计划（21375404D）、国家自然科学基金青年科学基金（42005124）的共同资助。

文章链接：https://doi.org/10.1016/j.atmosres.2023.107032

图1 ECMWF和SPPM的降水预报结果（世界时2021年7月21日12时起报）

图2 LRP方法得到的可解释性结果