摘要

本文针对长预见期下降水预报精度衰减及强降水识别能力不足的问题，提出了融合LSTM与注意力机制的多模式降水预报框架。以雅砻江流域为研究区，系统比较多种数值模式与融合方法，并将融合降水进一步用于新安江模型径流预报验证。结果表明，所提出的LSTM-A结构在1–7天预见期内表现最优，能够同时提升降水预报精度和水文应用效果。

Abstract

This paper addresses the issues of accuracy degradation in long lead-time precipitation forecasts and insufficient identification capability for heavy precipitation by proposing a multi-model precipitation forecasting framework that integrates LSTM with attention mechanisms. Using the Yalong River Basin as the study area, it systematically compares various numerical models and fusion methods, and further applies the fused precipitation data to validate runoff forecasts using the Xin’anjiang model. The results demonstrate that the proposed LSTM-A structure achieves optimal performance across 1-7 day lead times, simultaneously improving both precipitation forecasting accuracy and hydrological application effectiveness.

题目： 《Deep Learning Integration of Multi-Model Forecast Precipitation Considering Long Lead Times》
作者： Wei Fang, Hui Qin, Qian Lin , Benjun Jia, Yuqi Yang, and Keyan Shen
期刊： Remote Sensing
文章链接： https://doi.org/10.3390/rs16234489

研究背景

现有数值天气预报模式虽然能够提供较长提前期的降水预报，但在复杂地形区域误差较大，且预见期越长精度越低；传统单模式订正和一般机器学习集成方法更偏向改善整体误差，对10 mm/d以上尤其25 mm/d以上强降水的预测能力较弱，难以满足防洪和水文预报需求。本文旨在针对长提前期条件下降水预报精度不足的问题，提出一种多模式降水集成方法，提升不同降水强度下的预报准确性，尤其增强强降水和极端降水的预测能力，同时提高预报结果在流域径流预测中的实用性。

研究方法

作者以雅砻江流域为研究区，先评估ECMWF、CMA、JMA、KMA、NCEP等多种数值模式在1–7天提前期下的降水预报表现，并筛选精度较高的模式作为输入；然后构建LSTM、A-LSTM和LSTM-A三种深度学习集成模型，将注意力机制与LSTM结合实现多模式降水融合；最后通过降水精度评价和驱动新安江模型进行径流预测，检验集成结果的有效性与适用性。

模型架构

作者提出了一个完整的多模式降水预报融合框架，并提出了以下两种基于 LSTM 的融合模型变体

A-LSTM 模型架构

A-LSTM是在输入端加入注意力机制，先对不同模式输入分配权重，再送入LSTM，逻辑是“先加权，再建模”，这种结构的优点是可以在模型一开始就突出更有效的模式信息，更好利用不同原始预报模式在不同情景下的优势。但它的不足也比较明显：如果原始输入本身误差较大，那么即使先做了加权，错误信息还是会进入LSTM，影响后续建模效果。

LSTM-A 模型架构

LSTM-A则是先用LSTM分别学习和订正各模式信息，再在输出端通过注意力机制进行加权融合，逻辑是“先订正，再加权融合”，因此能更充分发挥不同模式的互补优势。

创新点

1. 本文面向长预见期条件下降水预报精度逐渐下降的问题，提出了一个考虑1–7天预见期的多模式降水深度学习融合框架，为提升中长期降水预报精度提供了新的技术路径。
2. 本文将LSTM与注意力机制相结合，设计了A-LSTM和LSTM-A两种耦合结构，尤其是LSTM-A通过“先利用LSTM对各单模式预报进行误差订正，再利用注意力机制进行加权融合”的方式，更充分发挥了不同模式的互补优势，提升了强降水和高值降水的预报能力。
3. 本文不仅从降水站点（或网格）统计指标上评估融合结果，还进一步将融合降水输入新安江模型（XAJ）进行径流预报检验，从“气象预报精度”和“水文应用适用性”两个层面验证了方法有效性，体现了该方法在水文气象耦合应用中的实际价值。

实验设计与结果分析

研究区域为雅砻江，选取2016年至2020年的观测降水、未来1-7天的预报降水和五个水文站的恢复径流序列。构建了LSTM、LSTM-A和A-LSTM三种集成模型，并与传统的机器学习方法（如多重线性回归、支持向量回归、前馈神经网络、最小二乘提升决策树和贝叶斯模型平均）进行比较。通过均方根误差（RMSE）、平均绝对误差（MAE）、相关系数（SCC）等指标评估模型的降水预报准确性，并通过纳什效率系数（NSE）、平均相对误差（MRE）和RMSE评估径流预报的适用性。

各个集成模型在不同强度下的预测降水精度如下图所示

LSTM-A 和 A-LSTM 在所有强度下均优于传统机器学习模型。特别是在的大雨和暴雨级别，传统模型，如 LSBoost, SVR的TS 接近 0，几乎丧失了预报能力，而 LSTM-A 的 TS 约 0.32仍保持了较好的预报技巧，显著降低了漏报率。

五个水文站的预报流量。通过NSE、MRE和RMSE评估其准确性。

综合预测降水量在径流预报中的适用性而言，LSTM-A表现最佳，其NSE超过0.8，MRE低于30%，并且在不同提前时间下的五个水文站的RMSE较小。

结论

为了提高不同强度降水的预测精度并延长有效的提前时间，本研究提出了一种基于深度学习的新颖方法，用于考虑长提前时间的多模型降水预测集成，结合了不同数值天气预报模型的优势。首先，通过连续性和分类指数，对ECMWF、CMA、JMA、KMA和NCEP预报降水在不同强度和提前期下的准确性进行了系统评估。其次，通过结合几种通用建模思路以及注意力机制和LSTM，构建了多模型预报降水集成模型，并获得了整个流域在不同提前期下的综合预报降水。最后，检验了综合预报降水的准确性及其对河流流量的适用性。