低频高强事件：降水预测的三重失衡
降水预测是农业生产与防灾减灾的核心课题。依中国气象局指导，日降水量 0~25 mm 的小雨与中雨属常规降水，超过 25 mm 乃至数百毫米的大雨、暴雨与大暴雨则属极端降水。前者量大值低、规律稳定，后者低频高强、时空分布复杂。2019 年华北干旱与 2020 年长江流域持续强降雨造成的农业损失表明，准确捕捉极端降水才是预报方法的实际效能所在，而现有深度学习模型在这一环节普遍失效。
常规与极端样本极度不平衡
极端降水事件发生频率低但社会影响大，常规降水数据占比过高，训练样本中常规样本达 94.8%。这种分布特性使模型在训练过程中过度拟合高频常规特征，严重削弱了对低频高强事件的预测能力；而极端事件数据匮乏，又进一步限制了模型对此类事件的学习空间。
传统损失函数回归均值
均方误差（MSE）等通用回归损失在优化中倾向最小化全局误差，促使模型优先拟合更常见的常规降水，在统计意义上提升典型案例准确率，却在面对极端降水时严重低估。消融实验中 MSE、MAE 与 Huber 损失的 CSI 与 POD 均为 0，意味着模型彻底丧失对灾害性极端天气的预警能力。
特征权重静态难以自适应
传统神经网络依赖训练期间固定的权重调节各特征贡献，缺乏对特征重要性的动态评估与上下文自适应调整。不同气候带、不同降水强度下各气象要素的作用差异显著：云量在常规降水时判别力最强，极端降水时却因云层饱和而失效。静态权重无法反映这种情境变化。
极端事件极度稀疏
窗口长度 10 天
上海·深圳·台北·天津
二分类与损失加权分界
CWBiLSTMNets：五段式建模链路
本文针对极端降水预测精度不足的难题，提出融合复合损失函数、自适应权重分配模块与混合神经网络架构的集成建模方案，技术路线遵循「数据预处理 → 特征工程 → 模型构建 → 损失优化 → 预测输出」的完整流程：在损失函数层面动态结合 MSE 与分位数损失实现对不同降水强度的自适应加权，在网络架构层面通过 CNN-BiLSTM 提取多尺度时空特征，并引入自适应权重分配模块强化对关键气象要素的关注。
数据预处理与统计检验
先以 ADF 检验判断序列平稳性、以 Ljung-Box Q 检验排除白噪声，8 项气象数据的两类检验 p 值均小于 0.001，表明序列平稳且具备可预测性；再对高度偏态的日降水量作对数降噪变换 y=log(1+y)，稳定方差并削弱极端值干扰；随后用 Min-Max 归一化统一量纲，并以滑动窗口采样（窗口大小 10）将连续 10 天气象数据映射为第 11 天的降水量标签。
1D-CNN 时间特征提取
时间特征提取模块由 2 个一维卷积层（Convd1 神经元 32、Convd2 神经元 128）与 1 个批归一化层组成，负责从气温、湿度、云量、海平面气压、风向、风速、露点等气象时间序列中提取局部短期特征，并将输出特征图交由后续模块做重要性重标定。
自适应权重分配模块
该模块以可训练权重 W 与输入特征张量 X 做哈达玛乘积 X'=X⊙W，依据各特征对降水预测结果的贡献自动调整权重，使模型动态识别并强化影响较大的特征。权重在训练过程中习得，并将 128 个卷积通道按输入特征顺序分为 7 组，分别对应温度、湿度、气压、云量、风向、风速与露点，从而具备可解释性。
BiLSTM 双向时间建模
时间建模模块由 2 个双向长短期记忆网络（BiLSTM1 神经元 512、BiLSTM2 神经元 32）组成，同时利用历史与未来双向上下文信息捕捉长期时序依赖与时间动态特征；其后接 Dense1 512、Dense2 128、Dense3 32 三层全连接完成回归输出，优化器采用 AdamW，学习率 0.001。
复合损失函数优化
复合损失由均方误差项 f1 与分位数损失项 f2 加权合成：Loss=(1-w)·f1+w·f2，权重 w=sigmoid[β·(y−α)] 由实测值与阈值之差动态给出，阈值 α 取 25 mm。当降水量超过阈值后分位数损失权重显著加大，迫使模型学习降水分布尾部；Sigmoid 形式的平滑切换避免了硬阈值分段的梯度不连续，实现中对极端降水损失再赋予 5 倍权重因子。
四城市日尺度气象观测
数据来自 Visual Crossing 公司，涵盖上海（31°N, 121°E）、台北（25°N, 121°E）、深圳（22°N, 114°E）3 个亚热带季风气候区与天津（39°N, 117°E）1 个温带季风气候区，时间范围为 2001 年 1 月 1 日—2024 年 3 月 12 日，时间分辨率 1 天。每地含降水量、温度、湿度、海平面气压、云量、风向、风速、露点温度 8 项气象数据，各地观测样本 8 471 条，滑动窗口后生成 8 462 个样本，按 70% / 30% 划分训练与测试（5 930 / 2 532）。
评价指标与运行环境
构建双层次评价指标体系：以 RMSE 与 MAE 衡量全量级降水拟合能力，以气象领域通用的临界成功指数 CSI=TP/(TP+FP+FN) 与命中率 POD=TP/(TP+FN) 专项评估日降水量不小于 25 mm 极端事件的捕捉性能，预测值按 25 mm 阈值二值化后统计命中、误报与漏报。实验基于 TensorFlow 与 Keras 框架，硬件为 AMD Ryzen 9 5900HX、16 GB 内存与 NVIDIA GeForce RTX 3060；所有预测结果为 3 次独立实验运行的平均值。
极端降水捕捉能力的全面领先
通过消融实验与对比实验验证复合损失函数与自适应权重分配模块的有效性：消融实验在上海地区展开，对比实验覆盖上海、深圳、天津与台北 4 个城市，与 CNN-BiLSTM、CNN-LSTM、LSTM 及 Transformer 模型进行系统比较。结果显示，模型在整体误差与对比模型保持相近水平的同时，将极端降水预报能力提升一个量级。
较 CNN-BiLSTM 提升 138%
较 LSTM 提升 424%
与对比模型相近
常规降水精度稳定
| 模型 | RMSE / mm（四地平均） | MAE / mm（四地平均） | CSI（平均） | POD（平均） |
|---|---|---|---|---|
| CWBiLSTMNets（本文） | 13.97 | 7.25 | 0.139 6 | 0.409 2 |
| CNN-BiLSTM | 12.42 | 3.69 | 0.058 7 | 0.069 2 |
| CNN-LSTM | 11.93 | 4.33 | 0.026 8 | 0.033 9 |
| Transformer | 10.39 | 3.46 | 0.066 8 | 0.073 6 |
| LSTM | 13.40 | 4.35 | 0.060 2 | 0.078 1 |
| 消融配置（上海地区） | RMSE / mm | MAE / mm | CSI | POD |
|---|---|---|---|---|
| 复合损失函数（完整模型） | 12.70 | 6.64 | 0.142 0 | 0.414 0 |
| 移除自适应权重分配模块 | 18.51 | 7.83 | 0.087 2 | 0.252 3 |
| MSE 损失函数 | 11.47 | 4.00 | 0 | 0 |
| MAE 损失函数 | 12.13 | 4.00 | 0 | 0 |
| Huber 损失函数 | 11.53 | 4.08 | 0 | 0 |
| Quantile 损失函数 | 12.55 | 7.57 | 0.025 0 | 0.027 0 |
| 气象要素通道组 | 常规降水（<25 mm） | 极端降水（≥25 mm） | 权重变化幅度 / % |
|---|---|---|---|
| 云量 | 0.480 7 | 0.014 5 | -97.0 |
| 露点 | 0.090 9 | 0.248 7 | +173.8 |
| 风向 | 0.029 4 | 0.127 7 | +334.6 |
| 温度 | 0.042 9 | 0.109 8 | +156.1 |
| 湿度 | 0.070 0 | 0.140 5 | +100.7 |
| 气压 | 0.127 4 | 0.190 9 | +49.9 |
| 风速 | 0.158 8 | 0.167 9 | +5.8 |
深圳表现最优，CSI 达 0.296 3
模型在深圳市实现 CSI=0.296 3、POD=0.571 4，较次优模型 CNN-BiLSTM（0.190 0 / 0.226 2）分别提升 56.0% 与 152.6%；台北地区 POD 达 0.612 2，为所有模型中最高；上海地区 CSI=0.142 0、POD=0.414 0，为对比模型的 5 倍以上。深圳受台风与季风双重影响、极端样本相对充足，复合损失函数的增强作用发挥最为充分。
权重策略随降水强度重构
常规降水下模型主要依赖云量判别（48.07%），其次为风速（15.88%）与气压（12.74%）；转入极端降水后云量通道权重骤降 97.0% 至 1.45%，露点权重提升 173.8% 跃居首位（24.87%），风向提升 334.6%、温度与湿度分别提升 156.1% 与 100.7%。这一调整符合气象学规律：极端降水时云层已达饱和，判别重心转向水汽饱和度与对流不稳定度。
模块消融证实双重机制必要
移除自适应权重分配模块后，RMSE 由 12.70 mm 升至 18.51 mm（增大 45.7%），CSI 由 0.142 0 降至 0.087 2（降低 38.6%），POD 降低 39.1%；复合损失函数相较 Quantile 损失使 CSI 提升 5.68 倍、POD 提升 15.3 倍，而 MSE、MAE、Huber 等通用损失的极端指标全部为 0，印证针对性损失设计不可替代。
单纯依赖先进的模型架构而缺乏针对性的损失函数设计，难以应对极度不平衡的气象数据；通过复合损失函数的动态加权与自适应权重分配模块协同，模型以略微牺牲整体误差的代价，换取了极端降水预报能力的量级提升。
以损失设计与自适应机制补上极端短板
本文提出融合复合损失函数与自适应权重分配模块的降水预测模型 CWBiLSTMNets。复合损失函数通过动态融合均方误差与分位数损失，实现对不同降水强度样本的自适应加权优化；自适应权重分配模块嵌入 CNN-BiLSTM 架构，强化模型对关键气象要素的动态关注能力。两种机制协同作用，在保持常规降水预测精度的同时显著提升极端降水事件的捕捉能力。
复合损失函数实现隐式样本均衡
以 Sigmoid 权重在 MSE 与分位数损失之间平滑切换，对超过 25 mm 阈值的样本显著加大分位数损失权重并赋予 5 倍因子，迫使模型学习降水分布尾部，既保留 MSE 在常规降水段的稳定性，又弥补了对极端信号响应迟钝的问题，缓解常规样本占 94.8% 带来的过拟合。
自适应权重模块兼具性能与可解释性
通过可训练权重与卷积特征的哈达玛乘积，模型自主调整 7 类气象要素的关注度：常规降水下依赖云层覆盖等综合指标，极端降水下聚焦水汽条件与对流强度等关键物理因子。该机制使模型可清晰反映各气象特征在预测中的作用，消融实验证实其对 CSI 的贡献达 38.6%。
跨气候带的鲁棒性验证
在上海、深圳、台北 3 个亚热带季风气候区表现尤为突出，天津这类极端样本极度稀疏的温带季风气候区虽优势受限（CSI=0.036 2、POD=0.039 2），但仍优于全部对比模型，并在整体误差上达到最低水平（RMSE=8.58 mm、MAE=3.27 mm），体现出较强的鲁棒性。
面向防灾减灾的业务化潜力
模型在常规降水精度基本不降的前提下大幅提高极端降水命中率，可直接服务于城市内涝预警、农业灾害防御与流域防洪调度等场景；其双层次评价指标（RMSE/MAE + CSI/POD）也为气象业务中极端事件预报能力的评估提供了可复用的评测框架。工程实现基于 TensorFlow 与 Keras，单卡 RTX 3060 即可完成训练，具备较低的业务部署门槛。
样本稀疏区域与短时预报拓展
在天津等极端降水样本极度稀疏的区域，复合损失函数的增强作用未能充分发挥，模型对极端峰值仍存在一定低估；同时模型以日尺度降水为对象，输入要素限于 8 项常规气象变量，未引入雷达回波、数值模式预报产品等更强外强迫信息。未来可将模型应用于更多气候区域，并探索在短时强降水预报中的应用潜力。