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。     

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。     

雷达回波外推预报的误差分析

基于天气雷达资料的外推预报是灾害天气临近预报的基础,选取4次强降水过程分析了外推预报的误差.主要分析方法包括3个步骤:(1)采用多尺度回波跟踪方法确定雷达回波的运动场;(2)采用半拉格朗日平流方案对雷达回波进行外推;(3)预报结果和观测结果进行对比.利用去相关时间方法分析了雷达回波的可预报性,利用预报技巧评分和相对绝对误差对外推预报的误差进行了定量分析.此外,还分析了外推预报的误差与尺度之间的关系,以及外推预报中的不确定因素 回波强度变化和回波运动场变化在预报误差中的相对重要性.这4次强降水过程的误差分析表明,预报误差随预报时效的变化基本上是以指数规律递减的,大尺度的降水系统对应较长的持续性,对于发展演变较快、尺度较小的风暴,其持续性较短.     

多普勒雷达风场资料在临近预报中的应用

为了研究对流单体移动的运动学和动力学特征,本文综合应用多普勒雷达反射率因子资料和径向速度资料进行雷达回波的外推预报.采用速度方位显示方法(Velocity Azimuth Display,VAD)和交叉相关法(Tracking Radar Echoes by Correlation,TREC),分别得到设定的8个高度的水平风场,并作为回波的引导风,对相应高度的等高平面位置显示(Constant Altitude Plan Position Indicating,CAPPI)反射率因子进行外推.通过两次降水过程分析比较两种方法的外推结果,表明用这两种方法获得的未来60 min内的回波位置与回波实况较吻合;二者在某些高度上预报的评分接近.从两个个例的外推试验发现,预报效果最好的高度层与实际天气过程有关,关键是与降水回波中水平风的垂直分布有关,而不仅仅限于2.5～3.0 km高度.     

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。     

一种改进后的交叉相关法(COTREC)在降水临近预报中的应用

利用多普勒雷达资料,采用一种改进后的交叉相关法(COTREC)建立了一种降水临近预报方法。COTREC法的基本原理是对传统交叉相关法(TREC)反演的风场进行水平无辐散处理,得到COTREC风场,用新的风场外推得出的回波能够保持平滑连续的形状。但是这种方法也存在缺陷,由于采用水平无辐散限制,使得外推反演得到的风场在不同程度上受到削弱,从而外推后的回波略慢于实况观测的回波。通过引入数值预报平均风场作为TREC风场背景场,较好地解决了TREC风场受到削弱的问题,并用该方法对2007年6月23—24日强雷雨天气和2007年台风“圣帕”两次降水过程进行了预报试验,试验结果表明：采用改进后的交叉相关方法的降水临近预报与雷达实际观测比较一致,可作为台风、强对流等灾害性天气的降水临近预报方法之一。     

多尺度合成的降水临近预报技术

基于我国新一代多普勒天气雷达观测资料,以梅雨锋等大范围降水为主要研究对象,研究了降水临近预报方法.根据暴雨回波的多尺度特征等,研究暴雨回波的尺度滤波,分割、匹配等处理技术;根据不同尺度回波生命史来约束其预报时效,得到分尺度下的降水预报场,实现暴雨回波多尺度的合成降水量临近预报;将分尺度与不分尺度降水预报结果进行了比较.结果表明,针对大范围强降水多尺度合成的降水量临近预报方法,因不同尺度的回波外推考虑了各自运动的特性及其生命史的差异,预报精度有所提高.     

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。