降水预报是防灾减灾和水资源管理的重要基础。然而，数值天气预报模式在强降水，尤其是极端降水事件的预报中仍存在较大偏差。如何提升强降水预报精度，并增强模型在不同区域和预报时效下的适用性，是该领域持续关注的重要问题。

近日，米兰milan官方网站袁慧玲教授课题组在基于深度学习的降水预报偏差订正研究方面取得新进展。该研究提出统一的深度学习框架PrecipFusionNet，通过融合Att-UKAN网络结构、设计多目标损失函数以及引入数据增强策略，实现对短中期降水数值预报结果的有效改进。结果表明，该方法在中国区域1-4天降水预报订正中表现突出：相较原始 GFS 预报，公平技巧评分（ETS）提升35.03%，其中对50 mm/day以上极端降水事件的预报技巧提升达50.42%。

进一步研究表明，所构建的融合损失函数在控制总体降水偏差的同时，可提升模型对强降水事件的识别能力；数据增强策略则增强了模型在不同预报时效和区域条件下的泛化表现。结果显示，在72小时和96小时预报时效上，PrecipFusionNet的ETS水平可分别达到原始GFS在24小时和48小时的预报水平，表明该方法能够有效缩小长时效预报与观测之间的差距。

此外，该模型在北美、中非、大洋洲和南美等不同区域的测试中均表现出较好的迁移能力，体现出较强的时空泛化潜力。研究还将KAN模块引入降水预报后处理任务，在较低计算代价下提升了模型对局地精细降水结构的刻画能力，为深度学习方法在数值天气预报后处理中的应用提供了新的思路。

该研究以“PrecipFusionNet: A unified deep learning model for improving numerical precipitation prediction”为题，发表于《Journal of Geophysical Research: Machine Learning and Computation》。论文第一作者为23级硕士研究生张子逸，通讯作者为袁慧玲教授。

该研究得到国家自然科学基金（U2342218）、教育部基础学科与交叉学科突破计划项目（JYB2025XDXM907）以及南京大学高性能计算中心等支持。

相关论文：

Zhang, Z., Yuan, H.*, 2026: PrecipFusionNet: A unified deep learning model for improving numerical precipitation Prediction. Journal of Geophysical Research: Machine Learning and Computation, 3, e2025JH000887.

https://doi.org/10.1029/2025JH000887

图1 PrecipFusionNet模型总体框架示意图

图2中国区域不同预报时效下GFS预报与PrecipFusionNet模型预测的降水残差分布