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%。     

基于数据产品的风廓线雷达故障识别

风廓线雷达是一种以大气湍流为主要探测对象的晴空测风设备,近年来普遍使用。其资料的应用广泛,对数据产品的可用性要求越来越高。本文以1456D/F型两种布网风廓线雷达为研究对象,收集了22个产品异常个例,并对其进行了分类,分析了数据产品产生异常的原因;基于数据产品异常,总结出识别与分析风廓线雷达故障的经验方法及排查流程。有利于提高省级、台站业务人员识别风廓线雷达异常数据产品的能力,有效保障数据的正常采集与上传,从而为预报服务提供更准确的探测数据。     

基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆(LSTM)的气象预测方法.方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息.通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测.通过实验以及与经典机器学习预测方法的...     

基于神经网络技术的天气雷达超折射回波识别

基于SA多普勒天气雷达资料,从其基本反射率、径向速度和谱宽3个基本产品中提取出6个能反映它们之间差异的特征参量,并对它们进行概率统计分析,作为BP神经网络的识别因子。通过建立适当的训练集对神经网络进行训练,从而得到最优的网络结构,再利用测试集对经过训练的网络做进一步测试,对其识别效果进行评判。结果表明:当神经网络的输入层、隐含层和输出层的神经元个数分别为6、6、2时,能够对超折射回波达到最优的识别效果。最终通过实际个例对识别效果做再次验证。     

基于图像处理技术自动判别雷达异常产品

对雷达产品的实时监控是中国气象局气象探测中心运行监控实时业务工作的重要内容之一,因此实现自动化识别雷达异常产品具有重要的现实意义和研究价值。论述基于图像处理技术实现自动识别雷达异常产品,详细介绍系统实现模型及雷达数据异常自动识别算法,其中主要阐述了特征提取、迭代学习器等相关内容。通过对检测出的雷达产品异常产品分析表明,基于图像处理技术的雷达产品异常自动识别系统可以高效的、实时的检测出异常雷达产品,便于技术人员快速发现雷达异常并及时修复,也可作为雷达维修或雷达升级改造的依据,提高雷达的使用效率。     

基于雷达组合反射率拼图和深度学习的中尺度对流系统识别、追踪与分类方法

中尺度对流系统（Mesoscale Convective System,MCS）是很多对流性天气的主要致灾体,可导致严重的气象和水文灾害,如雷暴大风、冰雹、龙卷风和山洪。对MCS进行准确的识别和追踪,并根据追踪轨迹及获得的MCS特征实现MCS的分类,对灾害天气的分析和预报有重要意义。基于京津冀地区2010—2019年的雷达组合反射率拼图资料,分别使用支持向量机（SVM）、随机森林（RF）、极度梯度提升决策树（XGBoost）和深度神经网络（DNN）4种机器学习方法,研发了京津冀地区MCS的自动识别算法。使用时、空重叠追踪法对识别的MCS进行追踪匹配,得到包含强度、时间和空间信息的MCS追踪数据资料。在区分线状对流系统和非线状对流系统的基础上,进一步从经典的尾随层云（Trailing Stratiform,TS）、前导层云（Leading Stratiform,LS）和平行层云（Parallel Stratiform,PS）三类准线性MCS的概念模型和结构特征出发,根据追踪轨迹计算MCS的运动方向和MCS近似长轴两侧层状云和强对流云的面积占比,建立准线性MCS的分类算法。MCS的识别属于二分分类问题,以命中率（POD）、虚警率（FAR）、临界成功指数（CSI）和准确率（ACC）为评价指标,综合对比各项指标发现DNN模型较SVM、RF和XGBoost模型对MCS的识别效果更好。使用时、空重叠追踪法对DNN模型识别的MCS进行追踪,结合对两个追踪实例的分析,发现本研究所用的算法取得了很好的追踪结果,也进一步说明了深度学习方法识别MCS的准确性和优势。根据追踪轨迹计算某时刻MCS的运动方向,结合识别的层状云和强对流云的分布位置,准确实现了TS、LS和PS型准线性MCS的分类,为准线性MCS的生命史预测及其致灾天气特别是短时强降水的强度、位置和持续时间的客观预报提供了一种技术思路。      

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...     

基于模糊逻辑的冰雹天气雷达识别算法

该文确定了冰雹天气的5个雷达识别指标和不同季节识别指标对应的隶属函数,采用等权重系数法建立了基于模糊逻辑原理的冰雹天气识别算法。应用雷达回波拼图数据、冰雹灾害报告和常规探空资料,对2008—2012年华北地区103个冰雹样本进行了识别效果检验,给出了识别评分结果、识别提前量和冰雹位置等。结果表明:华北区域性冰雹的识别命中率、虚警率和临界成功指数分别为73.9%,36.4%和51.9%,其中石家庄地区的零散冰雹能够被完全识别,最大直径超过30 mm冰雹对应风暴单体综合识别判据在0.85以上;在空间分布上,被识别到可能出现冰雹的风暴单体区域和实况有冰雹的测站空间分布基本一致,冰雹出现位置一般位于强风暴单体的周边区域;相对单要素识别,综合识别算法识别准确率有所提高,识别范围得到改善,自动化程度也较高;冰雹被识别到的最早时间普遍早于冰雹出现时间,平均提前量为30 min。     

新一代天气雷达产品故障识别及监测预警系统设计实现

新一代天气雷达故障直接影响数据质量,异常产品的产生对短时临近预报预警带来了重大的影响,实现雷达异常产品实时监测具有一定现实意义。本系统采用WinForm 3层架构+ORM模型架构,通过统计纹理分析、灰度图像特征值分析等图像处理技术实现自动识别雷达异常产品。新一代天气雷达产品故障监测预警系统可以实时、高效、准确检测出异常雷达产品,满足强对流天气预警监测、天气雷达故障预警服务预判、天气雷达产品可用性服务等功能要求,从单部雷达产品数据中识别出异常回波,避免进一步影响多雷达组网拼图,对天气雷达组网产品的质量控制具有重要的意义。     

基于深度学习的个性化新闻推荐

由于网络上每天有海量的新闻报道产生,新闻推荐已经成为减轻用户信息负载、实现个性化新闻信息获取的重要途径,并被广泛用于新闻网站和新闻APP中以提升用户体验.不同于传统的商品推荐,在新闻推荐中新的新闻文章产生速度很快,而且新闻的语义信息需要结合整体新闻文本去理解,给传统的基于ID和基于特征的推荐算法带来了很大的挑战.此外,用户的新闻阅读兴趣存在高度多样性和动态性的特点,使得准确的用户建模变得非常困难.本文介绍了一些基于深度学习的个性化新闻推荐算法,并探讨了新闻推荐未来的一些可行的方向.     

L波段高空气象探测雷达探测数据异常的处理

1引言高空气象探测工作在天气预报、防灾减灾、国防、科学研究等方面,都发挥着举足轻重的作用。L波段高空气象探测雷达自动化程度高、硬件高度集成化、探测数据精度上升一个量级而使得高空探测工作达到了一个新的里程碑阶段。但是L波段高空气象探测雷达在高空探测的过程中,由于雷达和仪器等不同原因,经常会出现探测数据异常(接收数据乱码、探测数据飞点)现象。严重阻碍着高空气象探测工作的顺利开展。     

深度学习技术在智能网格天气预报中的应用进展与挑战

中国智能网格天气预报已初步建立0—30 d涵盖基本气象要素的无缝隙气象预报业务体系。近年深度学习技术兴起,给不同领域带来前所未有的变革。同样,深度学习的非线性映射能力、海量信息提取能力、时空建模能力等优势为进一步提升智能网格预报的准确性和精细化水平提供了新的思路和方法。越来越多的研究将深度学习技术应用于智能网格预报的各个方面,包括数值预报订正和解释应用、集合天气预报、相似集合、统计降尺度、纯数据驱动的预报模型和极端天气预报等,并展示出良好的应用潜力。然而,目前深度学习技术在天气预报领域的应用仍处于起步阶段,将其引入智能网格预报业务体系还面临诸多挑战,主要包括算法的选择、算法的数据基础、多源数据融合以及模型的可解释性、可信度、可用性和工程化等。通过回顾近年来深度学习技术在智能网格预报中的应用进展和前景,同时对面临的挑战与应对进行探讨,将有利于促进深度学习技术在天气客观预报领域更好、更稳定的发展。      

利用深度学习填补双偏振雷达回波遮挡

广州S波段双偏振天气雷达低仰角多方位存在遮挡,高仰角也存在部分遮挡。基于卷积神经网络等深度学习方法,构建垂直填补（vertical echo-filling,VEF）和水平填补（horizontal echo-filling,HEF）网络架构,基于两种架构,利用无遮挡区的反射率因子ZH、差分反射率ZDR,差传播相移率KDP构建训练集,填补遮挡区的ZH和ZDR。针对仅0.5°仰角存在遮挡的区域,基于VEF架构,利用上层多个仰角、径向、距离库的三维数据,分距离段训练垂直填补模型。针对遮挡仰角较高的区域,则基于HEF架构,利用同一仰角左右相邻的多个径向、距离库的数据,分遮挡径向训练水平填补模型。根据解释方差、平均绝对偏差和相关系数3个指标和3个个例,对模型效果进行评估。结果表明：ZH填补模型的解释方差最大为0.92,平均绝对偏差最小为1.69 dB,相关系数最高为0.96;ZDR填补模型的解释方差最大为0.92,平均绝对偏差最小为0.12 dB,相关系数最高为0.96。利用该研究构建的深度学习填补架构,可有效填补偏振雷达遮挡区域回波,提高雷达数据质量。     

713天气雷达数据标定应用技术的探讨

1　雷达标定的作用　　随着雷达探测能力的提高 ,雷达标定技术的发展 ,对强风暴的识别、大范围定量估测降水能力也随之不断地提高 ,天气雷达效能得到充分的发展。目前我国正在进行的天气雷达标定和数据终端改建项目 ,就是对目前正在业务使用的天气雷达完善其数字处理功能 ,通过规范标定技术 ,提高其定量估测降水能力 ,提高现有数字化雷达测量的准确性和可比性 ,通过标定 ,也使天气雷达台站工作人员对本站雷达观测的可靠性有所了解。2　雷达标定时其回波信号放大选择对数中频放大(对数中放 )　　早期天气雷达的接收机采用线性中频放大器(线性…     

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。     

深度学习在印度洋偶极子预报中的应用研究

印度洋偶极子（IOD）是热带印度洋秋季最强的年际变率,它会通过大气遥相关来影响世界许多地区的气候。目前耦合气候模式对IOD预报技巧仍非常有限,远低于热带太平洋的厄尔尼诺事件的预报技巧。鉴于深度学习具备高效的数据处理能力,本文使用深度学习中的卷积神经网络（CNN）与人工神经网络中的多层感知机（MLP）处理再分析观测资料,从而进行IOD预报。由于当预报初始时刻为北半球冬春季时,对IOD事件的预报技巧较低。因此,为探索CNN的预报能力,本文仅使用三种（1～3月、2～4月、3～5月）初始时刻的海表温度异常（SSTA）作为CNN的输入数据,来预报其后续七个月的印度洋偶极子指数（DMI）、东极子指数（EIOI）和西极子指数（WIOI）。结果表明:CNN对DMI、EIOI和WIOI的有效预测时效均超过了6个月。与现在耦合动力模式相比,CNN模型能够显著提升DMI和EIOI的预报技巧,但对WIOI的预报技巧提升有限。当预报提前时间为7个月时,CNN模型能够比较准确地预报1994、1997与2019年的IOD事件。由于CNN模型能够更好地抓住印度洋海温的空间结构特征,它对IOD事件的预报技巧比传统神经网络MLP高。     

基于雷达反射率因子和雷电定位数据的深度学习雷电预报模型

利用卷积神经网络和门控循环单元(Gated recurrent units)神经网络,基于雷达反射率因子和雷电定位数据开展了雷电预报研究。首先构建了引用注意力机制的基于卷积神经网络和门控循环单元神经网络的深度学习模型(Attention-ConvGRU);然后将雷达反射率因子数据和对应时间段(6 min)的雷电定位数据处理成图像数据后输入深度学习模型,训练出可预报雷电的模型,包括3种模型:单雷电数据模型、单雷达数据模型和雷电-雷达双数据模型;最后开展了预报试验和定量评估。综合评估表明,本文建立的雷电预报模型综合预报准确率达到96.74%,虚警率35.83%,关键成功指数(Critical Success Index,CSI)为0.2072。个例分析表明,预报模型对于具有明显移动趋势的雷暴过程(A类雷暴)的预报效果优于不具有明显移动趋势的雷暴过程(B类雷暴),且随着B类雷暴强度减弱模型预报能力逐渐减弱。     

一种天气雷达相噪异常检测分析方法

相位噪声是脉冲多普勒天气雷达系统的重要性能指标,直接反映雷达系统的相干性.为了透彻理解天气雷达相位噪声指标的物理意义,归纳了天气雷达相位噪声指标异常的排查分析方法,以指导天气雷达机务人员测试排查天气雷达相噪指标异常故障.在深入分析相位噪声物理意义的基础上,根据新一代多普勒天气雷达相噪指标的测试原理和方法,对可能影响雷达系统相位噪声的各种因素进行总结分析,提出了一种天气雷达相噪指标异常的排查分析方法,河源天气雷达相噪超标的故障排除案例证明了该方法的有效性.     

基于深度学习的中国地面气温的多模式集成预报研究

基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。