基于历史降雨数据的印度季风降雨预测技能与数值天气预报预测的比较

印度夏季风是一个高度复杂且关键的天气系统，直接影响印度次大陆超过十亿人的生计。由于季风的内在非线性及其对多尺度驱动因素（包括局部陆气相互作用和大规模海气现象）的敏感性，准确的短期预报仍然是一个重大的科学挑战。在本研究中，我们解决了印度夏季月份每日降雨量的预报问题，重点关注一天和三天预见期。我们使用了 Autoformers，这是一种专为时间序列预报设计的基于深度学习的 Transformer 架构。这些模型在印度气象部（1901--2023 年）的历史网格降水数据上进行了训练，空间分辨率分别为 $0.25^\circ \times 0.25^\circ$ 和 $1^\circ \times 1^\circ$。模型还纳入了来自 ECMWF 再分析数据集的辅助气象变量，即云量、湿度、温度、土壤湿度、涡度和风速。$0.25^\circ \times 0.25^\circ$ 的预报以 ECMWF 高分辨率集合系统（HRES，被广泛认为是最准确的数值天气预报器）为基准，而 $1^\circ \times 1^\circ$ 的预报则以美国国家环境预测中心（NCEP）的预报为基准。我们进行了全国范围的评估以及针对印度主要城市的局部分析。结果表明，基于 Transformer 的深度学习模型始终优于 HRES 和 NCEP 以及其他气候学基准。具体而言，与我们的模型相比，HRES 和 NCEP 模型的预报在单日预测中的误差分别高出约 22% 和 43%，在三天预测中的误差分别高出超过 27% 和 66%。