La prévision des précipitations à court terme et à échelle fine est un soutien important pour la prévention et la réduction des catastrophes dans la région de la Grande Baie de Guangdong-Hong Kong-Macao. Cette étude utilise un réseau de neurones convolutifs (CNN, convolutional neural network) pour construire un modèle de prévision probabiliste des précipitations à court terme à échelle réduite. Ce modèle utilise les données de prévision du champ de fond météorologique du système de prévision mondiale (GFS, Global Forecast System) comme information d'entrée, afin d'obtenir les paramètres de distribution de probabilité des précipitations sur 3 heures pour chaque station dans la région et d'évaluer les performances des prévisions pour différentes expériences. Les résultats montrent que : 1) Dans les résultats de prévision déterministe, chaque expérience réduit dans une certaine mesure les erreurs de prévision originales de GFS, l'expérience CNN-PR renforçant davantage les caractéristiques spatiales et obtenant les meilleurs résultats de prévision (RMSE=3,31 mm); Les expériences SINGLE (sans inclusion d'informations globales) et CNN0 (sans extraction des caractéristiques spatiales) ont présenté des performances inférieures; 2) Dans les résultats de prévision probabiliste, la performance globale de calibration des expériences était bonne, avec un score global optimal pour l'expérience CONTROL (CRPS=0,69 mm). À l'exception des expériences SINGLE et CNN0, les autres expériences ont montré une capacité discriminative pour les événements de précipitations, avec une capacité discriminative optimale pour les fortes précipitations dans l'expérience TREND incluant des informations d'évolution temporelle; L'expérience CNN-PR a présenté la meilleure calibration conditionnelle par intervalle, mais au prix d'une réduction de la netteté des prévisions; 3) Toutes les expériences ont sous-estimé les résultats des prévisions pour les fortes précipitations, le niveau de prévision probabiliste étant limité par deux contradictions intrinsèques, "calibration globale - calibration par intervalle" et "calibration - netteté". Cette étude peut fournir une référence méthodologique pour l'application opérationnelle de la prévision probabiliste à échelle fine des précipitations à court terme dans la région de la Grande Baie de Guangdong-Hong Kong-Macao.

Réseau de neurones convolutifs; réduction d'échelle; Grande baie; précipitations à court terme