基于卷积门控循环单元神经网络的临近预报方法研究

基于天气雷达资料的外推预报是灾害天气0~2 h临近预报基础,本文以业务应用为目标,应用广东省2015-2018年11部新一代多普勒雷达反射率拼图资料,研究了基于卷积门控循环单元神经网络ConvGRU的临近预报方法,采用多损失函数加权与分级加权的策略,基于ConvGRU框架建立三层自编码模型(Encoder-Decoder)的雷达回波临近预测模型,进行未来2 h逐6 min、连续20帧雷达回波图的预测,并与业务上已经应用的交叉相关法、光流法和粒子滤波法的临近预报结果对比,进行典型个例分析和长时间检验。结果表明,基于ConvGRU方法对强对流天气具有较好的预报效果,对雷达回波位置、强度和形状与实况更接近,表明深度学习方法通过对时间序列数据的学习,能较好地把握强回波区域的特征,在一定程度上能够相对比较准确地预报较强回波范围,但该方法预报雷达回波图像存在损失空间细节信息的局限,且对层状云降水的预报效果较差;ConvGRU方法的临界成功指数(CSI)和命中率(POD)评分高于传统的交叉相关法、光流法和粒子滤波法,且虚警率(FAR)评分为最小,在业务中具有广泛的应用前景。     

基于深度学习的强对流高分辨率临近预报试验

强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。      

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估

近年来，人工智能技术在图像识别领域取得了突破性进展，为探寻人工智能模型在武汉地区雷达回波临近预报中的应用价值，本文利用湖北武汉市2015—2020年雷达回波和降水量观测资料，对PredRNN++、MIM、CrevNet和PhyDNet 4种深度学习模型进行雷达回波临近预报训练，并基于2021年汛期雷达回波资料进行雷达回波临近预报。在此基础上，通过降水强度和降水面积指数筛选降水过程，并以均方误差（Mean Square Error, MSE）、结构相似性指数（Structural Similarity Index Measurement, SSIM）、命中率（Probability of Detection, POD）、空报率（False Alarm Rate, FAR）和临界成功指数（Critical Success Index, CSI）为指标，检验评估上述4种深度学习模型和光流法对2021年汛期武汉地区雷达回波的临近预报性能。结果表明：（1）整体来看，MIM模型的MSE最小、POD最高，MIM和PredRNN++模型的SSIM并列最高；所有深度学习模型的FAR均低于光流法，且Phy...     

光流法及其在临近预报中的应用

介绍了一种全新的对流临近预报外推算法——光流法。主要是通过计算雷达回波的光流场得到回波的运动矢量场,并基于运动矢量场对雷达回波进行外推从而达到预报的目的。光流法立足于变化,在计算光流场时既考虑连续时次回波的变化,又考虑相邻位置回波的变化。因此,基于该算法的外推临近预报具有一定的物理意义。利用中值滤波等方法对雷达资料进行质量控制,有效地抑制了噪声等的影响。个例对比分析表明:经过中值滤波等质量控制后回波更平滑,边沿更清晰,回波质量明显改善,能够获得比较真实的雷达回波,也得到了方向更加一致、更加平滑的回波运动矢量场。光流法给出的30、60 min内雷达回波的位置、形状的外推预报和对应时次实况较接近,预报结果具有较好的业务指示意义。对光流法和交叉相关法预报结果进行的定量对比评价表明,对移动型局地生成及强度和形状随时间变化很快的回波,光流法预报效果优于交叉相关法。光流法可以弥补传统的交叉相关法的缺陷,能提升对流临近预报系统的性能。     

变分回波跟踪算法及其在对流临近预报中的应用试验

目前业务上0—1 h对流天气临近预报仍旧以客观外推为主,采用不同外推算法,得到雷达回波以及降水的外推临近预报。以业务应用为目标,开展了变分回波跟踪算法在强对流天气临近预报中的应用研究。利用京津冀地区的8部新一代多普勒天气雷达逐6 min雷达组网拼图资料,选取2016—2018年夏季发生在京津冀地区的18个典型对流个例,开展变分回波跟踪算法和交叉相关法的0—1 h临近预报对比试验及检验评估。与传统的交叉相关法相比,变分回波跟踪算法采用变分技术求解雷达回波运动矢量场,在计算中使用两个严格的约束条件,运用迭代法进行求解,其得到的运动矢量场更为准确。结果表明,变分回波跟踪算法优于传统的交叉相关法,得到的30、60 min内雷达回波的形状、位置及强度的外推预报和实况更接近,定量检验评分更高:（1）京津冀地区4次典型对流天气过程临近预报对比试验表明,和交叉相关法相比,变分回波跟踪算法可以更好地预报出未来1 h内雷达回波的位置、形态和强度。（2）通过对18个典型对流个例定量检验,发现当雷达回波强度阈值为35和45 dBz时,无论是30或是60 min外推预报,变分回波跟踪算法的命中率（POD）和临界成功指数（CSI）都明显高于交叉相关法,且虚警率（FAR）更低;分天气类型定量检验发现,绝大多数天气类型,变分回波跟踪算法外推预报效果优于交叉相关法。      

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

基于ConvLSTM的广西短临降水预报

针对传统雷达回波外推算法在快速增长或消散降水过程预报精度较低的问题,利用华南雷达回波拼图资料数据,建立ConvLSTM回波外推模型,对广西区域范围进行短临降水预报研究.采用气象业务中的正确率(POD)、临界成功指数(CSI)及误报率(FAR)评判标准检验预报模型,并将ConvLSTM与光流法的预报结果进行对比分析.结果 表明,ConvLSTM模型的CSI、POD分别比光流法提高0.06和0.059,而FAR下降了0.058.ConvLSTM方法比光流法的回波外推预报准确率高,该方法可为广西短临降水预报提供新的参考.     

深度学习方法预测阿克苏地区冰雹云雷达回波个例分析

利用2021—2022年4—9月阿克苏地区冰雹云的雷达回波资料，基于轨迹GRU模型和GAN模型共同构建一个深度学习的回波外推模型，应用于强对流（冰雹）天气监测预警。采用分阈值和预报时效的评估方法，对深度学习的回波外推模型预测回波的效果进行分析，结果表明：（1）在30 min预测时间内，随反射率阈值增加，临界成功指数（CSI）和命中率（POD）逐渐降低，虚警率（FAR）先降低后升高，FAR在反射率阈值为35dBZ时最低。（2）在反射率阈值为35 dBZ和相同外推时效的情况下，基于深度学习的回波外推模型和光流法相比，CSI提高0.05~0.15，POD提高0.05~0.15，FAR降低0.05~0.12。（3）在预测反射率阈值为35 dBZ的强对流单体移动路径方面，基于深度学习的回波外推模型与TITAN法相比，预测的单体移动路径会更接近实况单体移动路径。     

基于雷达回波区域跟踪算法的临近预报技术进展

目前,临近预报技术主要包括外推技术、数值预报技术以及概念模型预报技术等。而业务上主流的临近预报技术以外推为主,主要以雷达资料为基础,采用雷达回波单体质心跟踪算法或雷达回波区域跟踪算法,得到雷达回波以及降水的临近外推预报。本文详细介绍了3种基于雷达回波区域跟踪算法(交叉相关回波跟踪算法、光流法和变分回波跟踪算法)的临近预报技术的国内外研究进展和基本原理。大量的研究和业务实践结果表明,雷达回波区域跟踪算法作为临近预报专家系统的核心部分,在对流天气临近预报方面有较好的可预报性,在临近预报业务时效内,外推预报结果和实况接近,优于数值模式预报。而通过对算法的不断改进,可以提升各临近预报专家系统在临近预报方面的性能。随着天气雷达技术的不断进步,天气雷达在硬件和软件两方面都逐步改进,雷达资料的数据质量明显提高,在对流天气临近预报上,基于雷达回波的区域跟踪技术会凸显其明显优势。     

基于多尺度特征深度学习的短临降水预报

雷达回波外推是短临降水预报的一种重要方法。针对雷达回波外推中随着外推时间的增加而出现回波演变信息丢失这一问题,本文提出一种多尺度特征融合的深度学习短临降水预报模型(以下简称为MSF2)。首先,采用多尺度的卷积核对网络的浅层信息进行特征提取,弥补单一特征检测带来的不足。其次,将不同维度的特征信息进行拼接及通道混洗,进一步增强特征图通道之间的信息流通和信息表达能力。最后,将特征图中的多尺度信息进行融合,从而有效保留不同尺度的特征信息。利用华南雷达回波拼图资料数据,在3种不同降水强度（5 mm/h、10 mm/h和25 mm/h）下进行降水预报研究,并与光流法和ConvLSTM两种主流算法进行了对比。结果显示,在3种不同降水强度条件下,MSF2在所有评价指标（命中率POD、临界成功指数CSI、误报率FAR）中表现最优,这表明引入多尺度机制能改善模型的特征提取能力。相比于目前主流的光流法和ConvLSTM,本文提出的模型对于短临降水预报具有较好的适用性和较高的预报精度,而且实现了业务化运行。     

结合中尺度模式物理约束的雷达回波临近外推预报方法研究

研究设计了一种结合中尺度模式物理约束的雷达回波临近智能外推预报方法,该方法在外推预报时效(0—2 h)内即利用中尺度高分辨率模式信息对外推进行约束.首先将模式风场和雷达回波轨迹风场融合成融合风场,然后利用融合风场光流外推形成动力约束外推;并在此基础上利用模式诊断产品和雷达历史资料通过投票回归器集成多种深度学习算法构建回...     

基于深度学习的京津冀地区精细尺度降水临近预报研究

精细尺度降水的临近预报对于提升现代城市内涝和山洪地质灾害预警能力具有重要意义。深度学习作为一种新兴方法,在挖掘数据内部特征及物理规律方面更具优势,近年来在天气雷达图像领域的应用已初见成效。为进一步提升精细尺度降水的临近预报能力,基于深度学习网络模型RainNet,研究建立了两种滚动预报方式,开展了京津冀地区1 km分辨率精细尺度降水滚动式临近预报试验和对比分析。 试验结果表明:与传统基于交叉相关的外推预报相比,深度学习网络模型RainNet总体可以明显改进降水1 h临近预报的绝对误差和相关系数;两个RainNet相结合的滚动预报方式对1.04 mm/（10 min）及以下阈值降水,在10—50 min预报性能一致优于传统的交叉相关外推预报。深度学习模型对降水消亡过程的时、空演变趋势刻画更好,尤其更适用于降水消亡过程的临近预报。采用两个RainNet模型相结合的滚动式预报方式优于单一模型滚动预报方式。      

基于雷达回波最大重叠率的一种临近降水预报方法

基于天气雷达的临近降水预报是雷达短时预报业务系统的重要组成部分,本文在回顾雷达临近降水预报技术发展的基础上,充分考虑新一代天气雷达高时间、空间分辨率的优点,提出两个相邻时刻雷达回波具有最大重叠率的移向、移速是与降水系统整体的移向、移速密切相关的论点,再用此移向、移速对当前雷达回波进行平移,最后采用九点平均的回波生消模型...     

A nowcasting technique based on application of the particle filter blending algorithm

To improve the accuracy of nowcasting, a new extrapolation technique called particle filter blending was configured in this study and applied to experimental nowcasting. Radar echo extrapolation was performed by using the radar mosaic at an altitude of 2.5 km obtained from the radar images of 12 S-band radars in Guangdong Province, China. The first bilateral filter was applied in the quality control of the radar data; an optical flow method based on the Lucas–Kanade algorithm and the Harris corner detection algorithm were used to track radar echoes and retrieve the echo motion vectors; then, the motion vectors were blended with the particle filter blending algorithm to estimate the optimal motion vector of the true echo motions; finally, semi-Lagrangian extrapolation was used for radar echo extrapolation based on the obtained motion vector field. A comparative study of the extrapolated forecasts of four precipitation events in 2016 in Guangdong was conducted. The results indicate that the particle filter blending algorithm could realistically reproduce the spatial pattern, echo intensity, and echo location at 30- and 60-min forecast lead times. The forecasts agreed well with observations, and the results were of operational significance. Quantitative evaluation of the forecasts indicates that the particle filter blending algorithm performed better than the cross-correlation method and the optical flow method. Therefore, the particle filter blending method is proved to be superior to the traditional forecasting methods and it can be used to enhance the ability of nowcasting in operational weather forecasts.