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。     

基于FY-4A卫星和随机森林算法的西藏山南市雷电短临预报方法

针对青藏高原地区雷电短临预报缺乏雷达资料的问题,采用FY-4A卫星多通道数据、欧洲中心第5代再分析资料(ERA5)中的对流指数、闪电定位仪资料等多源监测数据,根据雷电的发生、发展机理,提出了18个关键预报因子,利用随机森林算法建立了适用于西藏山南地区的雷电短临预报模型。统计分析各预报因子在有无雷电天气样本中的概率密度分布与随机森林模型得到的特征重要度指标,结果表明提出的预报因子物理意义明确,建立的模型可信度较高。利用随机森林算法分别对未来10 min、20 min、30 min建立雷电预报模型,并与光流外推预报方法进行对比检验,结果表明：随机森林模型预报效果命中率(POD)、临界成功指数(CSI)均高于光流法,空报率(FAR)也相对较低;未来20 min的随机森林预报模型CSI评分最高,整体预报效果最佳。     

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...     

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。     

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。      

0～3小时短时定量降水预报算法研究

利用广东省3 km高度CAPPI雷达反射率因子拼图资料,对2012年6月22日一次降水个例进行0～3 h短时定量降水预报算法研究,以期通过改进算法来提高降水短时预报的准确率。在利用交叉相关算法获取回波移动矢量场后,使用五点平滑及卡尔曼滤波的方法对其进行处理,利用处理后的矢量场对雷达回波进行3 h外推,再进行0～3 h降水量预报。研究结果表明,经过滤波处理后可得到时空连续性更好的回波移动矢量场,滤波后回波外推预报效果明显改善,其临界成功指数（CSI）有所提高,空报率（FAR）显著降低,提高了降水预报准确率。      

基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究

采用傅里叶-梅林变换、多尺度光流法及威布尔分布,对湖北省2020年6—7月4次降水过程雷达回波进行多尺度预报试验及其相位和强度校正。在此基础上,利用双曲正切函数对校正后的模式降水回波预报和雷达回波外推临近预报进行融合。最后,基于预报技巧评分和平均绝对误差及命中率等指标对不同时效、尺度及回波阈值的预报结果进行定量分析。结果表明:(1)融合后的0~3 h降水回波预报在范围和位置上均较模式预报和雷达外推预报改进明显,尤其对强回波预报有明显优势,对对流预报有积极作用;0.01°×0.01°尺度的0~1 h预报效果明显好于其他尺度及预报时效。(2)武汉RUC模式预报效果最差,平均绝对误差(mean absolute error,MAE)最大为6.1~8.2 dBZ,而融合预报效果最好,MAE最小为4.7~6.5 dBZ。0.01°×0.01°尺度下融合预报的命中率(probability of detection,POD)随回波阈值和预报时效增加而降低,而其他尺度下20 dBZ回波阈值的平均POD最大、MAE最小,平均POD(MAE)均高于(低于)其他2种预报。总体来看,融合预报明显优于单一预报,对改进0~3 h定量降水预报有一定参考。     

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。