SCI一区论文阅读小结之深度学习在气象领域应用（未完待续）

写在前面

最近文献调研，发现一个研究相近的师兄最近发的几篇文章给的启发性很高，阅读文献的同时也对这几篇文章做个总结，以防自己忘记，也分享给大家。

首先，甩出这位大佬的RG:

https://www.researchgate.net/profile/Xuan-Tong-3/research

最近的研究都是将深度学习应用到气象领域的，比如用深度学习反演葵花、风云卫星夜间云相态产品，利用可解释性方法做气候学诊断分析以及利用深度学习订正全球季节预报模式。

论文1.  

Improving Boreal Summer Precipitation Predictions From the Global NMME Through Res34-Unet

利用Res34-Unet改进全球NMME夏季降水预报 

发表时间： 2024.1

发表期刊：Geophysical Research Letters    IF：5.2 (2022)   中科院分区： 1区

网址：

https://www.researchgate.net/publication/377693327_Improving_Boreal_Summer_Precipitation_Predictions_From_the_Global_NMME_Through_Res34-Unet

https://agupubs.onlinelibrary.wiley.com/doi/epdf/10.1029/2023GL106391

核心内容：

全球气候变暖导致洪水和干旱等极端气候事件频率上升，对社会经济构成巨大挑战，威胁人们生活。准确的全球气候预测至关重要，可助人们及时做出应对。目前，季节性预测依赖数值模型，如北美多模式集合（NMME），但模型局限和初始条件不确定性导致预测与实际存在较大差异。因此，高效准确的后处理算法至关重要，传统算法存在局限，且目前大多数着眼于局部区域。全球范围的后处理研究可减少极端气候事件带来的全球损失。基于深度学习算法，我们提出了融合ResNet34和Unet的Res34-Unet算法，用于全球NMME降水预测的后处理。经过后处理的预测结果较原始NMME在各纬度地区都有显著提高，平均可提升45%。

论文2.  

Multidecadal Oceanic Modulation of Summer Precipitation in North China in 1200-Year Global Climate Simulations

利用Res34-Unet改进全球NMME夏季降水预报 

发表时间： 2023.9

发表期刊： Journal of Climate  IF：4.9 (2022)   中科院分区： 2区 （Top）

网址：

https://www.researchgate.net/publication/373591134_Multidecadal_Oceanic_Modulation_of_Summer_Precipitation_in_North_China_in_1200-Year_Global_Climate_Simulations

Multidecadal Oceanic Modulation of Summer Precipitation in North China in 1200-Year Global Climate Simulations in: Journal of Climate Volume 36 Issue 17 (2023)

核心内容：

为了更全面地探究海洋对华北夏季降水年代际变化的影响，我们运用可解释的卷积神经网络对两组 CMIP6 千年耦合模拟进行了分析。在这两组模拟中，基于全球海表温度异常场的年代际信号，我们的可解释卷积神经网络对于华北地区夏季降水异常变化的诊断准确率分别达到了 98% 和 96.6%。更为重要的是，这个网络表明了在正确诊断样本的海表温度异常场中，模型识别出的对华北夏季降水年代际变化有影响的区域确实存在明显的温度异常。进一步的海气诊断分析揭示了与太平洋十年涛动（PDO）相关的北太平洋海面温度异常（SSTA）和与大西洋多年涛动（AMO）相关的北大西洋海面温度异常在华北夏季降水年代际变化中扮演着关键的角色。PDO 和 AMO 对华北夏季降水的调节作用与有限观测和模拟的结果一致，说明这些机制是可靠的。特别值得注意的是，在 PDO 为负值阶段且 AMO 为正值阶段时，降水正异常及其相关的环流异常会更加明显。本研究进一步验证了尽管受限于观测记录等数据集的限制，利用可解释的深度学习方法，卷积神经网络可用于捕获华北夏季降水的多年代变化。