Прогноз кратковременных осадков с высокой точностью является важной поддержкой в предотвращении и минимизации последствий бедствий в регионе Большого залива Гуандун-Гонконг-Макао. В данном исследовании использована сверточная нейронная сеть (CNN, convolutional neural network) для построения модели прогноза вероятности кратковременных осадков с повышенной детализацией. Модель использует данные метеорологических прогнозов GFS (Global Forecast System) в качестве входной информации для получения параметров распределения вероятности осадков в течение 3 часов на различных станциях региона и оценки эффективности прогноза в различных экспериментах. Результаты показали: 1) В детерминированных прогнозах каждая из попыток в определенной степени уменьшила ошибки исходного прогноза GFS, при этом эксперимент CNN-PR дополнительно укрепил пространственные характеристики и достиг лучших результатов (RMSE=3.31 мм). Эксперименты SINGLE (без использования глобальной информации) и CNN0 (без пространственного извлечения признаков) показали слабые результаты; 2) В вероятностных прогнозах общая калибровка экспериментов была хорошей, а эксперимент CONTROL показал наилучший общий рейтинг (CRPS=0.69 мм). За исключением экспериментов SINGLE и CNN0, остальные эксперименты имели определённую способность различать события осадков, причем эксперимент TREND, включающий временную эволюцию, показал наилучшую способность различать сильные осадки; эксперимент CNN-PR продемонстрировал наилучшую калибровку условий интервала, но за счет потери остроты прогноза; 3) Во всех экспериментах наблюдается недооценка сильных осадков, уровень вероятностного прогноза ограничен двумя внутренними противоречиями: "общая-калибровка интервала" и "калибровка-острота". Данное исследование может служить методологической основой для применения точного вероятностного прогноза кратковременных осадков в регионе Большого залива Гуандун-Гонконг-Макао.

Сверточная нейронная сеть; понижение масштаба; большой залив; кратковременные осадки