东亚季风影响因素示意图“东南西北中”这五大因素可以概括影响东亚季风的主要热力、动力条件，即大气环流和下垫面热状况赤道中东太平洋/太平洋暖池热状况北极海冰、北极涛动和东亚阻塞高压欧亚大陆/青藏高原热状况西太平洋副热带高压热带对流、南海热状况和南半球大气环流
东亚季风影响因素示意图 “东南西北中”这五大因素可以概括影响东亚季风的主要 热力、动力条件，即大气环流和下垫面热状况
汛期降水数值模式预测技巧DA季节气候模式的汛期预报PS评分在70分左右：但ACC（距平相关系数）仍在0.2以下，甚至可能小于0。国际主流数值模式近四年汛期预测评分（ACC，PS)APCC14-modelensemble1.0模式对不同地区的降水预报能力(c)PRECinJUA气温500hPa高度场BCC二代模式对不同地区（全球0.8不同。对中高纬度地区预报技巧热带，北半球热带外，南半球热带较低；0.6外，东亚，南亚）的降水预报0TCC。不同颜色表示不同起报时模式对大气环流、温度等变量预间。200hPa流通测能力远超对降水的预报能力。0.20.0GLTPNETSETEASa上图来源：国家气候中心吴捷等2017,大气科学Wangetal,2009,cD
汛期降水数值模式预测技巧 17 国际主流数值模式近四年汛期预测评分（ACC，PS） 上图来源：国家气候中心; 吴捷等, 2017, 大气科学; Wang et al., 2009, CD BCC二代模式对不同地区（全球， 热带，北半球热带外，南半球热带 外 ， 东 亚 ， 南 亚 ） 的 降 水 预 报 TCC。不 同 颜 色 表 示 不 同 起 报 时 间。 模式对不同地区的降水预报能力 不同。对中高纬度地区预报技巧 较低； 模式对大气环流、温度等变量预 测能力远超对降水的预报能力。 季节气候模式的汛期预报PS评 分在70分左右；但ACC（距平 相关系数）仍在0.2以下，甚至 可能小于0
动力-统计模型汛期降水预测1.统计后处理2.统计降尺度利用历史相似等方案对模式预利用动力模式中具有较高预测技巧的大尺报误差进行订正度环流信息预测降水FODAS系统预测流程大&推围于新角子是流出理发隆正最配用手计正方电生社意式报设全国报式的限/中百事AnB1991-2012年汛期降水与同期东亚SLPFODAS:74分SVD第一模态业务模式：64分动力-统计方法仍依赖对影响机制和模式误差的理解，且样本数量少，效果不够稳定，18封国林等2013.应用气象学报刘颖等2020.气保与环境研究
封国林等, 2013, 应用气象学报; 刘颖等, 2020, 气候与环境研究 动力-统计模型汛期降水预测 FODAS系统 预测流程 1. 统计后处理 利用历史相似等方案对模式预 报误差进行订正 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 50 60 70 80 PS Year 业务模式 FODAS FODAS：74分 业务模式：64分 2. 统计降尺度 利用动力模式中具有较高预测技巧的大尺 度环流信息预测降水 1991-2012年汛期降水与同期东亚SLP SVD第一模态 SLP 降水 18 动力-统计方法仍依赖对影响机制和模式误差的 理解，且样本数量少，效果不够稳定
什么是DeepLearning?手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间。既然手工选取特征不太好，那么能不能自动地学习一些特征呢？答案是能！“深度学习”就擅长做这个事情！DeepLearning=Learningrepresentations/featureswithoutbeingtaught深度学习：学习数据表示的多级方法深度学习是机器学习的一个分支领域，是从数据中学习表示的一种新方法，强调从连续的层（layer）中进行学习，这些层对应于越来越有意义的表示。“深度学习”中的“深度指的并不是利用这种方法所获取的更深层次的理解，而是指一系列连续的表示层
什么是Deep Learning？ Deep Learning = Learning representations / features without being taught 深度学习：学习数据表示的多级方法。 深度学习是机器学习的一个分支领域，是从数据中学习表示的一种新方法，强调从连续的 层（layer）中进行学习，这些层对应于越来越有意义的表示。 “深度学习”中的“深度” 指的并不是利用这种方法所获取的更深层次的理解，而是指一系列连续的表示层。 手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，能不能选取好很 大程度上靠经验和运气，而且它的调节需要大量的时间。既然手工选取特征不太好，那么 能不能自动地学习一些特征呢？答案是能！“深度学习”就擅长做这个事情！
深度学习方法的优势深度学习：通过多个处理层（神经网络）学习抽取合适的特征（预测因子），而不再局限于人工设计模型后的参数优化，称为表示学习（representationlearning）y=f(z)通过激活函数模爱一多拟非线性关系auto(2 sigmoid)1 sgmoid通过反向传播训练神经网络参数，找o.=f(z-到更优的参数组合=Jwux编一锅粉kTH2禁·W=(a)wey烟-纸粉fr HI,=f()2,=w*felnput20Reichsteinetal.,2019,Nature; Lecunetal.,2019,Nature
深度学习方法的优势 20 Reichstein et al., 2019, Nature; Lecun et al., 2019, Nature 深度学习：通过多个处理层（神经网络）学习抽取合适的特征（预测因子），而不再局 限于人工设计模型后的参数优化，称为表示学习（ representation learning ）。 y=f(z) 通过激活函数模 拟非线性关系 通过反向传播训练 神经网络参数，找 到更优的参数组合