导语

台风暴雨是夏秋季节我国东部沿海的主要灾害之一。要准确评估台风影响，首先必须回答:某个气象站点的降水，到底是不是台风引起的? 过去，专家人工分析费时费力，而传统客观方法(OSAT)用固定半径的圆形区域圈定台风降水，也无法适应实际雨带的非对称、复杂形态。目前在台风降水分离业务中仍未有可用的客观分离方法。

针对这一难题，近日，上海台风研究所万日金副研究员团队在国际期刊 Artificial Intelligence for the Earth Systems 发表成果，首次将 U-Net卷积神经网络 系统应用于台风降水分离，提出 OUNT(Objective U-Net-based Technique) 方法。该方法无需固定参数，可端到端自动输出，在独立测试期识别精度(IoU，重合率)达 75.5%，较传统OSAT(63.9%)提升11.6个百分点。

核心发现

1.传统OSAT的根本缺陷:圆形框不住真实雨带

以2023年超强台风“杜苏芮”为例(图1)，OSAT以台风中心画同心圆来圈定降水(图1a)，但实际台风降水呈南北走向的狭长“S”形(图1c)，导致圆北边漏报了大量台风降水，圆西边又空报了非台风降水(图1b)。可见固定半径的对称圆形无法捕捉台风降水的复杂形态。而OUNT成功识别出了这条“S”形雨带，表现远优于传统方法(图1d)。

图1 OSAT和OUNT方法对超强台风“杜苏芮”(2023-07-28)的应用。(a) OSAT方法基于圆形的降水分离结果(半径1100 km内红色格点)。 (b) OSAT与专家分析的台风降水对比:紫色圆点表示正确识别的台风降水(IoU为重合率)，蓝色圆点表示误报(FLR为误报率)，红色三角表示漏报(MSR为漏报率)。(c)专家分析的台风降水(红色格点)。(d) OUNT分析的台风降水(红色格点)。

2. OUNT 三大核心技术

多源输入融合:U-Net作为图像分割网络，团队将其改造为气象专用模型，输入三个关键场:降水起始时刻和结束时刻的850 hPa位势高度，以及台风和残涡路径及强度信息。其中，残涡处理尤为关键——台风停编后其残涡仍可带来暴雨(如2023年强台风“海葵”残涡持续降水5天)。团队利用850 hPa 相对涡度场追踪残涡中心，补全路径信息。

动态降水掩膜:研究区域内真正有降水的格点仅占5.5%。OUNT采用“动态掩膜”，让模型把注意力集中在雨区，避免被大量无雨区域干扰，效果提升显著。

最优输入组合:单变量中降水起始时刻850百帕位势高度的模型识别精度IoU最高，说明该时刻环流已蕴含丰富信息;加入结束时刻环流，精度稍有增长。再加入原始台风路径后精度显著提升，因路径提供了空间位置约束;最后加入残涡路径，使模型能识别“无台风编号却有台风降水”的日子，模型识别精度也达到最高。即同时使用起始环流、结束环流、台风路径和残涡路径时，模型效果最好。

3. OUNT 全面优于OSAT:精度提升11.6个百分点

图2对比了训练期、验证期和独立测试期的模型识别精度。独立测试期OUNT的IoU比OSAT高出11.6个百分点，误报率和漏报率都有明显下降。这表明深度学习模型能从位势高度和台风路径中自动提取有效的降水判别特征。

值得注意的是，两个方法的精度时变趋势一致:IoU随时间升高，早期误报率高于漏报率，后期漏报率反超——作者认为这并非模型退步，而是反映了专家标注数据质量的改进——早期专家偏保守，只将非常确定的台风降水标为正例，导致模型易“误报”;后期采用集体会商，标注更全面，模型更多出现“漏报”。



图2传统OSAT与OUNT在不同阶段的精度对比(蓝色为重合率IoU，棕红为漏报率MSR，灰色为误报率FLR)

4.发现专家遗漏的台风降水

在2022年台风“轩岚诺”案例中，OUNT识别出两个被专家原本忽略的台风降水格点(位于长江口附近)，事后天气图分析证实其正确性。这说明OUNT具备辅助人工质检的能力。

5.当前挑战:混合降水问题

日累积降水标签丢失了不同时段、不同系统贡献的细节。如图3的热带风暴“马力斯”案例显示:前半天受切变线影响，后半天受台风影响，模型因学习到“环流需全天持续耦合”的隐式规则而漏报。未来需要3小时甚至1小时高时频数据集。



图3热带风暴“马力斯”(2024-06-01)。(a)专家识别的台风降水(红色);(b) OUNT 识别的台风降水(红色)，绿色为非台风降水;(c-f)四个时次的 850 hPa 环流、位势高度及6小时降水(圆点)

研究启示

本研究首次将U-Net深度学习系统应用于台风降水分离，通过动态掩膜、残涡路径补充和多源融合，使模型自动学习复杂降水分布。该方法将辅助《热带气旋年鉴》业务编制，推动台风降水分析从“经验驱动”迈向“数据与专家知识协同驱动”的新阶段。

论文信息

Wan Rijin, Chen Chen, Lina Bai, Rong Guo, Guomin Chen. A High-Accuracy U-Net Deep Learning Method for Identifying Typhoon-Induced Precipitation. Artificial Intelligence for the Earth Systems, 2025. DOI: 10.1175/AIES-D-25-0079.1

扫码阅读原文