摘 要: 本研究评估了卷积神经网络(CNNs)在东非地区季节降水降尺度预测中的适用性. 为此, 针对南京信息工程大学气候预测系统1.0版本(NUIST-CFS1.0)提供的超前1个月的1982–2020年6–9月(JJAS)降水季节预测结果, 本研究设计了一系列试验, 去比较不同CNN网络配置并部署了对预测结果进行降尺度的最优网络结构, 同时也对网络进行了超参数优化, 引入了覆盖更大空间区域的预测因子, 这些预测因子包含了与东非地区降水过程密切相关的大尺度环流信息. 最后, 基于确定性预测和概率预测的评估指标, 本研究验证了原始模式降水预测结果与采用降尺度后的降水预测结果, 以及他们对于重现观测到的降水极值及降水指示指数的能力. 结果显示, 基于CNN的降尺度方法持续改进了原始模式的预测结果, 与观测相比, 降尺度预测在表征平均降水和极端降水的空间分布方面偏差更小, 结果更准确. 此外, 基于CNN的降尺度方法可获取更准确的降水极值及降水指示指数的预测结果, 降低了原始模式预测中出现的显著相对偏差. 而且, 本文结果显示, 基于CNN的降尺度方法可在东非大部分区域的降水预测中获得高于原始模式的预测技巧评分. 研究结果展现了CNN网络在东非地区季节降水降尺度预测, 尤其是在改进预测产品方面的潜在适用性, 后者对于终端用户来说十分重要.