Die kurzzeitige Niederschlagsvorhersage auf feiner Skala ist eine wichtige Unterstützung für die Katastrophenprävention und -minderung in der Region Guangdong-Hongkong-Macao Greater Bay. In dieser Studie wird ein Convolutional Neural Network (CNN, gefaltetes neuronales Netzwerk) verwendet, um ein probabilistisches Modell für die herunterskalierte Vorhersage kurzzeitiger Niederschläge zu erstellen. Das Modell verwendet Wetterfeldvorhersagedaten des Global Forecast Systems (GFS, globales Vorhersagesystem) als Eingabeinformationen, um die Parameter der Wahrscheinlichkeitsverteilung für 3-stündige Niederschlagsvorhersagen an verschiedenen Stationen in der Region zu erhalten und die Vorhersageleistung in verschiedenen Experimenten zu bewerten. Die Ergebnisse zeigen: 1) Bei den deterministischen Vorhersageergebnissen reduzierten alle Experimente in gewissem Maße die ursprünglichen Vorhersagefehler von GFS, wobei das CNN-PR-Experiment die räumlichen Merkmale weiter verstärkte und die besten Vorhersageergebnisse erzielte (RMSE=3,31 mm). Die Experimente SINGLE (ohne Einbezug von globalen Informationen) und CNN0 (ohne räumliche Merkmalsextraktion) zeigten eine schlechtere Leistung; 2) Bei den probabilistischen Vorhersageergebnissen war die allgemeine Kalibrierungsleistung der Experimente gut, und das CONTROL-Experiment erzielte die beste Gesamtbewertung (CRPS=0,69 mm). Abgesehen von den Experimenten SINGLE und CNN0 zeigten die anderen Experimente eine gewisse Fähigkeit zur Unterscheidung von Niederschlagsereignissen, wobei das TREND-Experiment, das zeitliche Entwicklungsinformationen einbezog, die beste Fähigkeit zur Differenzierung von Starkniederschlägen aufwies; Das CNN-PR-Experiment zeigte die beste konditionale Kalibrierung im Intervall, jedoch auf Kosten der Schärfe der Vorhersage; 3) Alle Experimente unterschätzten Starkniederschlagsvorhersagen, wobei das Niveau probabilistischer Vorhersagen durch zwei interne Konflikte begrenzt wurde: "Gesamt- und Bereichskalibrierung" sowie "Kalibrierung und Schärfe". Diese Studie kann als methodische Referenz für die betriebliche Anwendung probabilistischer Vorhersagen mit feiner Skalierung kurzzeitiger Niederschläge in der Region Guangdong-Hongkong-Macao Greater Bay dienen.

Convolutional Neural Network; Herunterskalierung; Greater Bay Area; Kurzzeitiger Niederschlag