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。      

一种改进的循环神经网络雷达图像外推算法

临近强降水预报目的是预测未来两小时内局地降水强度的分布,准确的外推雷达图像可以为临近强降水预报提供准确的时空参考数据。近两年循环神经网络模型应用于天气雷达回波图象外推得到了较好的结果。本文基于分析现有ConvLSTM和TrajGRU模型的基础上,从输入雷达数据层数和修改模型损失函数两个方面对循环神经网络外推模型进行改进,并对业务上的雷达图象序列和竞赛雷达图象序列进行试验。试验结果表明,改进的外推模型能更好地捕捉时空相关性,具有更精确的外推效果。     

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。     

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。      

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。     

交叉相关算法在强对流天气临近预报中的应用

利用"雨燕"临近预报系统的雷达回波外推算法,对三次强对流个例的3 km CAPPI反射率因子、回波顶和垂直累积液态含水量进行0～1小时外推预测,将预测结果和组合阈值比较进行强对流天气预警区域预报试验。资料来源于CINRAD-SB雷达基数据经RPG算法处理得到的雷达产品数据。所用的方法是在扩展后的交叉相关追踪算法基础上实现雷达回波移动预测。试验结果表明:3 km CAPPI反射率因子、回波顶和垂直累积液态含水量雷达产品与实况有较好的吻合,能较好地预报出回波的形状、变化趋势和移动方向,回波的范围、位置和强度中心与实况相似,外推时间越短,预报效果越好。交叉相关追踪算法外推得到的雷达回波结果在0～1 h内是可用的;外推预测结果经过组合阈值的过滤后,得出的强对流天气预警区域预警结果也是可行的,对强对流天气临近预报有一定指示意义。     

长三角地区短时临近融合定量降水预报

通过雷达外推及高分辨率数值模式预报相互订正融合,建立了时效6 h的长三角地区短时临近融合定量降水预报产品。采用一种主流的融合方案,并在外推、模式订正和融合方案上进行改进,完成了基于长三角地区11部雷达反射率组网和数值预报资料的COTREC外推扩展,基于韦伯变换的数值预报强度修正和基于目标识别匹配的位相修正,基于回波尺度和预报时效的动态权重系数调整和基于实况降水的动态Z-R关系选择等技术开发。结果表明融合方法能够延长外推预报时效,订正数值模式预报的强度及位置误差,预报效果总体优于两者。     

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。     

多普勒天气雷达短时预报技术研究进展

简要介绍了短时预报技术的一些概念和基本内容,并就国内外基于多普勒天气雷达的短时预报技术开发进展情况,从临近外推预报和短时数值预报两方面详细叙述了包括雷达资料控制、灾害性天气预警预测、雷达资料同化等技术研究的最新动态。     

临近预报的两种高时空分辨率定量降水预报融合算法的对比试验

长期以来,雷达回波外推技术是0—2 h临近预报系统主要采用的方法,但其实际有效预报时间≤1 h,而中尺度数值模式预报则受平衡约束时间的限制,最初2 h的降水预报无效。为解决上述两种预报的缺陷,目前国际上流行采用外推预报与数值模式预报融合的技术,形成统一的0—6 h格点化的高分辨率无缝隙定量降水临近预报系统。对目前流行的两种融合算法（INCA（Integrated Nowcasting and Comprehensive Analysis System）算法及RAPIDS（Rainstorm Analysis and Prediction Integrated Data-processing System）算法）进行了分析和对比试验,以期为业务应用提供借鉴。RAPIDS算法的核心是用自动气象站雨量融合雷达估测得到的定量降水对模式预报的降水强度和位相进行修正;INCA算法则是用数值模式预报的风场修正外推技术的降水移动矢量。两种方法在0—6 h预报时效内,外推预报的权重均逐渐减小,模式预报的权重逐渐增大,从而实现外推预报和模式预报的平滑过渡。试验结果表明,两种方法对降水雨带和降水强度的预报均优于单一的外推预报或模式预报。集二者的优势研发最优的高时、空分辨率降水预报无缝隙融合算法,将有助于进一步提升高分辨率定量降水0—6 h无缝隙预报水平。      

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 Composite Approach of Radar Echo Extrapolation Based on TREC Vectors in Combination with Model-Predicted Winds

Extending the lead time of precipitation nowcasts is vital to improvements in heavy rainfall warning, flood mitigation, and water resource management. Because the TREC vector (tracking radar echo by correlation) represents only the instantaneous trend of precipitation echo motion, the approach using derived echo motion vectors to extrapolate radar reflectivity as a rainfall forecast is not satisfactory if the lead time is beyond 30 minutes. For longer lead times, the effect of ambient winds on echo movement should be considered. In this paper, an extrapolation algorithm that extends forecast lead times up to 3 hours was developed to blend TREC vectors with model-predicted winds. The TREC vectors were derived from radar reflectivity patterns in 3 km height CAPPI (constant altitude plan position indicator) mosaics through a cross-correlation technique. The background steering winds were provided by predictions of the rapid update assimilation model CHAF (cycle of hourly assimilation and forecast). A similarity index was designed to determine the vertical level at which model winds were applied in the extrapolation process, which occurs via a comparison between model winds and radar vectors. Based on a summer rainfall case study, it is found that the new algorithm provides a better forecast.     

深度学习模型TAGAN在强对流回波临近预报中的应用

近年来深度学习模型在解决对防灾减灾影响巨大且极具挑战性的临近预报问题的应用中日益增多。本文中,我们把临近预报作为一个时空序列预测的任务,将雷达反射率因子作为试验对象,使用基于对抗神经网络（GAN）优化构建的TAGAN深度学习模型预测未来1小时的雷达回波图像,并且与Rover光流法、基于卷积神经网络的3D U-Net模型进行对比试验。选取2018年全球气象AI挑战赛雷达回波数据集进行训练与测试,检验结果表明TAGAN模型在命中率（POD）,虚警率（FAR）,临界成功指数（CSI）以及相关系数等多种评分上要优于传统的光流法和对比的3D U-Net深度学习模型,TAGAN模型在以上的检验评分表现出色,并且随预测时间的增加较之传统光流模型效果更优,这为拓展和提升深度学习模型在临近天气预报中的应用提供了参考依据。