四种机器深度学习算法对武汉地区雷达回波临近预报的检验和评估

基于PredRNN++、MIM、CrevNet和PhyDNet四种机器深度学习算法,利用武汉地区2012—2019年的雷达和降水资料,开展了人工智能技术在武汉地区临近预报中的应用研究,根据均方误差(MSE)、结构相似性指数(SSIM)、命中率(POD)、虚警率(FAR)和临界成功指数(CSI)等指标检验评估了四种机器学...     

深度学习模型对武汉地区雷达回波临近预报的检验评估

基于PredRNN++、MIM、CrevNet和PhyDNet四种深度学习模型,利用武汉地区2012—2019年雷达和降水资料,通过定义回波面积指数,检验评估了四种深度学习模型对武汉地区不同面积雷达回波临近预报的预报性能。结果表明：(1)随着回波强度的增加,所有深度学习模型的预报能力均迅速降低,一般强度回波的命中率(Probability Of Detection,POD)和临界成功指数(Critical Success Index,CSI)远高于强回波,而一般强度回波的虚警率(False Alarm Rate,FAR)则远低于强回波;(2)不论是一般强度回波还是强回波,随着面积增大各深度学习模型的POD均上升,FAR降低,因而CSI得以提高,但这种上升和降低的幅度,在一般强度回波下更显著;(3)无论是一般强度回波还是强回波,同一回波面积之下PredRNN++模型的POD和CSI均最高,CrevNet最低,MIM的FAR均最低,各模型之间的差异在一般强度回波时表现得更加明显,且这种差异性可能主要是由各模型之间不同的内在结构所导致;(4)从时间演变来看,无论何种面积、何种强度的回波,随着...     

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。     

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。     

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.     

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。      

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。     

基于生成对抗网络GAN的人工智能临近预报方法研究

研究设计了基于生成对抗网络(Generative Adversarial Networks,GAN)的人工智能临近预报方法,并进行了业务试验。该方法利用广东12部S波段天气雷达2015—2017年海量雷达拼图资料进行人工智能学习来做临近预报。GAN方法从一系列雷达观测资料中,运用卷积法提取回波图像信息建立预报模型,并通过损失函数训练模型,得到基于人工智能技术的临近预报。对2018年发生在广东地区的4个天气过程的外推预报试验表明,GAN方法对对流天气过程的回波位置、形状及强度的临近预报多数情况下与实况基本一致,具有较好的预报效果。但是该方法预报的回波范围偏大,对层状云降水的预报效果较差。对西风带系统引起的降水,西南季风降水,东风系统引起的降水以及台风降水的18个个例1 h预报的3个级别的回波强度检验发现,GAN方法对中等强度回波的预报较好,但对强回波的预报效果仍有待提高。     

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。      

基于深度学习和雷达观测的华南短临预报精度评估

利用最新的深度学习算法,即卷积长短期记忆(Convolution Long-Short Term Memory)神经网络,构建基于深度学习的人工智能短临预报系统,以广州地区2019年3-5月雷达观测的数据为输入进行训练,然后进行短期1h内的降水预报。利用常用的统计评分指标(探测率POD、误报率FAR、临界成功指数CSI,相关系数CC)检验模型。结果表明,预报结果与实际观测的相关系数在1h内预报均保持在0.6以上,在1h内预报探测率均保持在80%以上,临界成功指数在降水强度为10mm·h^-1时,基本保持在60%,误报率均小于40%。     

广东省后汛期强对流天气潜势预报方法研究

利用2007—2008年两年7—10月广东后汛期强对流天气出现时的雷达资料、对应的GRAPES模式资料以及地市台站上报的强对流天气发生的实况,把瞬时大风〉17.2 m·s^-1、冰雹、龙卷作为强对流发生的依据,对上述数据进行整理。根据广州热带海洋研究所中尺度模式的输出GRAPES资料,结合雷达CAPPI数据,计算单体的各层风速、温度、湿度、有效位能等环境特征量,将单体特征和模式计算的单体环境场要素以及强对流发生实况,通过多元逐步回归方法建立后汛期强对流天气潜势预报方程,据此对发生于广东省后汛期强对流天气（如雷雨大风、冰雹和龙卷风）进行0～1小时临近预报。用预报成功率（POD）、虚假警报率（FAR）和关键成功指数（CSI）衡量方法的预报性能。共有5540个有效样本参与回归计算,31个因子中有12个引入了回归方程,建立的预报方程在阈值取为0.26时,得到的预报成功率POD为0.73,虚假警报率FAR为0.61,关键成功指数CSI为0.338,各项指标均要好于前汛期预报性能;从实际的预报能力来看,在后汛期强对流潜势预报中,后汛期强对流潜势预报方法得到的空报率和漏报率都要低于前汛期,预报效果较好,可用于广东后汛期的强对流天气潜势预报中。     

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。     

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。      

山西省多普勒雷达非降水回波应用研究

本文研究了多普勒天气雷达速度图上非降水回波（不包括地物回波）的空间结构，并对太原雷达站业务运行以来多普勒天气雷达观测到的“非降水回波”的速度特征进行了深入、系统的分析。发现由大气湍流和云滴后向散射所致的非降水回波，虽然强度很弱，但其速度回波却代表了环境风的三维结构，对临近预报有5h～7h的提前量，为临近预报提供了一种新的有效手段。     

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...     

2009年汛期降水性回波特征与临近预报的准确性

基于深圳市自主开发的临近预报系统Tracer,对深圳地区2009年汛期降水性雷达回波的主要参数特征和Tracer的预报准确性进行了初步统计分析。结果表明:主要回波参数(移动方向、移动速度和强度)的分布特征具有明显的规律性,并且与预报准确性有密切的关系。     

U-Net模型在京津冀临近降水预报中的应用和检验评估

利用2018—2019年期间10 min定量降水估计(Quantitative Precipitation Estimation, QPE)实况观测,构建基于U-Net的分钟级临近降水预报模型,实现了京津冀地区未来0~2 h逐10 min降水量滚动预报。以TS、BIAS、POD、SR、FAR作为评价指标,通过检验2020和2021年6—9月长序列以及分析2020年8月12日和2021年7月1日两次强降水个例,表明U-Net模型预报接近实况,局部伴随着一定程度的空报,相较光流法、持续性预报及CMA-MESO模式预报效果有明显提升。具体表现为:当分钟级降水预报不超过10 mm/(10 min)时,U-Net模型明显优于光流法和持续性预报;当小时预报不超过25 mm·h^-1,U-Net模型优于CMA-MESO模式和光流法。然而,当降水强度超过10 mm/(10 min)或 25 mm·h^-1时,U-Net模型存在预报偏弱的情况,可能与强降水样本较少有关。