降水短临预报特别是对极端降水事件的预报至关重要。传统短临预报主要基于风暴识别追踪或者流场外推，但是这些方法通常存在模型过于简单导致准确率快速下降的问题。深度学习（DL）的最新进展显示出提高预报精度和预测低强度降水事件的潜力。然而，这些深度学习模型通常难以满足对极端天气如风暴事件或者强对流的预报，并且存在预报的雨区和真实的雨区不一致的情况。为了应对这些挑战，本研究尝试将气象中的一些关键特征和先验知识引入深度学习模型中。

针对风暴的复杂多尺度时空变化提取和表征不足的问题，我们提出了一种新的多尺度（CM）深度学习框架，包括捕捉尺度变化的灵活注意力模块和确保多尺度时空一致性的定制损失函数（见图1）。CM框架被应用于风暴事件数据集（SEVIR）。代表性的案例表明，CM框架保留了风暴的空间特征，并充分预测了强烈的风暴，即使是更长的预测。定量评估表明，应用我们的框架的所有模型都可以将1小时短临预报的技巧评分提高8.5%至42.6%。这个框架证明了在使用DL时对气象变量的多尺度时空特征进行建模的重要性。

图1.多尺度深度学习框架示意图。（a） 用于短临预报的传统层级式编码器-解码器模型结构。（b）添加了多尺度注意力模块的模型结构。（c） 使用离散小波变换（DWT）分解和计算不同尺度的损失函数。

该成果以“A Customized Multi-Scale Deep Learning Framework for Storm Nowcasting”为题发表于《Geophysical Research Letters》。论文第一作者为硕士生杨尚上，通讯作者为袁慧玲教授，本研究受到国家自然科学基金面上项目（42075187），南京大学高性能计算中心等的支持。

Yang, S., & Yuan, H. (2023). A customized multi-scale deep learning framework for storm nowcasting. Geophysical Research Letters, 50, e2023GL103979. https://doi.org/10.1029/2023GL103979