基于深度學(xué)習(xí)的天氣雷達(dá)回波序列外推及效果分析*

黃興友 馬玉蓉 胡蘇蔓

1. 南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，南京，210044

2. 南京信息工程大學(xué)，南京，210044

1 引 言

臨近預(yù)報(bào)是指對(duì)0—2 h的短時(shí)間內(nèi)天氣現(xiàn)象變化的預(yù)報(bào)（Browning，1982）。天氣雷達(dá)探測(cè)資料具有較高的時(shí)間和空間分辨率，成為臨近預(yù)報(bào)的主要工具。傳統(tǒng)的雷達(dá)回波外推方法主要有交叉相關(guān) 算 法（Tracking Radar Echoes by Correlation，TREC）（Li，et al，1995）、單體質(zhì)心法（The Strom Cell Identification and Tracking，SCIT）（Witt，et al，1993）和 光 流 法（Optical Flow）（Ayzel，et al，2019）。TREC是通過(guò)計(jì)算雷達(dá)回波資料在連續(xù)時(shí)次的空間最優(yōu)相關(guān)，得到對(duì)流系統(tǒng)不同位置的移動(dòng)矢量特征，并基于這些獲得的移動(dòng)矢量對(duì)雷達(dá)回波進(jìn)行外推預(yù)報(bào)（陳明軒等，2007），該方法對(duì)變化較快的對(duì)流性降水的預(yù)報(bào)效果差，張亞萍等（2006）提出了一種基于差分圖像的相關(guān)方法追蹤雷達(dá)回波運(yùn)動(dòng)（Difference Image based Tracking Radar Echo by Correlations，DITREC），消除了TREC矢量場(chǎng)中由于回波快速變化而導(dǎo)致的無(wú)序矢量，在使用導(dǎo)出的DITRE場(chǎng)預(yù)報(bào)降水場(chǎng)時(shí)，其精度依賴于所采用的Z-I關(guān)系。SCIT主要用于雷暴單體的識(shí)別追蹤，其在識(shí)別了三維雷暴單體后對(duì)單體質(zhì)心路徑進(jìn)行追蹤，適用于對(duì)強(qiáng)雷暴單體的追蹤和臨近預(yù)報(bào)（俞小鼎等，2012），但丟失了弱回波信息。光流法是通過(guò)計(jì)算雷達(dá)回波的光流場(chǎng)得到回波的運(yùn)動(dòng)矢量場(chǎng)，并基于運(yùn)動(dòng)矢量場(chǎng)對(duì)雷達(dá)回波進(jìn)行外推。該方法與交叉相關(guān)算法不同之處在于光流法立足于變化，而不是選定不變特征（曹春燕等，2015），但是其在計(jì)算光流矢量和外推兩步時(shí)存在累積誤差。這些方法僅根據(jù)若干個(gè)時(shí)刻的雷達(dá)回波圖像推測(cè)下一時(shí)刻的回波位置，且忽略了實(shí)際情況下雷達(dá)回波中的中小尺度大氣系統(tǒng)的運(yùn)動(dòng)非線性，存在對(duì)歷史雷達(dá)資料利用率不足和外推時(shí)效較短的局限。

針對(duì)上述傳統(tǒng)方法存在的問(wèn)題，引入神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)回波的外推，神經(jīng)網(wǎng)絡(luò)模型具有強(qiáng)大的非線性映射能力，且對(duì)數(shù)據(jù)的利用率大幅度提高（高雋，2003）。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于臨近預(yù)報(bào)，目前還處于起步階段，中外學(xué)者在這方面展開(kāi)了一定的探索。馮漢中等（2004）運(yùn)用支持向量機(jī)（Support Vector Machine，SVM）實(shí)現(xiàn)了降水量的預(yù)報(bào)。陳家慧等（2000）嘗試將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于雷達(dá)回波的臨近預(yù)報(bào)中，BP模型較好的記憶聯(lián)想功能展現(xiàn)了運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)資料外推的可行性。郭尚瓚等（2017）將多層感知器（Multilayer Perceptron，MLP）和光流法兩個(gè)模式集成后實(shí)現(xiàn)了預(yù)測(cè)某區(qū)域36 min內(nèi)的降雨概率。郭瀚陽(yáng)等（2019）使用卷積GRU（Gated Recurrent Unit，門控循環(huán)單元）對(duì)雷達(dá)回波進(jìn)行外推，并與傳統(tǒng)雷達(dá)回波區(qū)域跟蹤外推臨近預(yù)報(bào)方法（TREC）進(jìn)行效果對(duì)比，結(jié)果表明，深度學(xué)習(xí)模型更具有優(yōu)勢(shì)。Klein等（2015）在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNNs）結(jié)構(gòu)上增加了動(dòng)態(tài)卷積層，生成兩個(gè)預(yù)測(cè)概率向量實(shí)現(xiàn)對(duì)降水回波的預(yù)測(cè)。施恩等（2018）在Klein等（2015）提出的動(dòng)態(tài)卷積層的基礎(chǔ)上加入循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）構(gòu)建了循環(huán)動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)（Recurrent Dynamic Convolutional Neural Networks，RDCNN），該網(wǎng)絡(luò)在預(yù)報(bào)準(zhǔn)確率和預(yù)報(bào)時(shí)效兩方面均取得較好效果。傳統(tǒng)的長(zhǎng)、短時(shí)記憶單元（Long Short-Term Memory，LSTM）無(wú)法實(shí)現(xiàn)對(duì)空間特征的提取，針對(duì)這個(gè)問(wèn)題，Shi等（2015）將輸入到狀態(tài)及狀態(tài)到狀態(tài)之間的變化改為卷積操作，提出了卷積LSTM（ConvLSTM）網(wǎng)絡(luò)，為了適應(yīng)實(shí)際情況中大部分運(yùn)動(dòng)的非時(shí)、空恒定，Shi等（2017）改進(jìn)了模型，引入具有可學(xué)習(xí)卷積的TrajGRU（軌跡GRU）模型。Singh等（2017）也通過(guò)在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加卷積結(jié)構(gòu)來(lái)適應(yīng)雷達(dá)回波圖像的時(shí)、空依賴性，實(shí)現(xiàn)了基于雷達(dá)回波圖像序列的預(yù)測(cè)。韓豐等（2019）對(duì)采用神經(jīng)網(wǎng)絡(luò)和相關(guān)交叉算法進(jìn)行雷達(dá)臨近預(yù)報(bào)的長(zhǎng)期和個(gè)例檢驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)在20 dBz和30 dBz檢驗(yàn)項(xiàng)上的準(zhǔn)確率顯著提高。Wang等（2017）提出了基于LSTM單元改進(jìn)的STLSTM單元（Spatiotemporal LSTM），并將其應(yīng)用于一個(gè)新的端到端模型Predrnn。Agrawal等（2019）將降水預(yù)報(bào)看作由圖片至圖片的轉(zhuǎn)換問(wèn)題，并利用一種U-net結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)預(yù)報(bào)目的，是一種利用數(shù)據(jù)驅(qū)動(dòng)、完全不使用大氣物理模型來(lái)建立的短時(shí)臨近降水預(yù)報(bào)模型。S?nderby等（2020）開(kāi)發(fā)的模型MetNet可以預(yù)測(cè)未來(lái)8 h內(nèi)的降水量。神經(jīng)網(wǎng)絡(luò)模型具有一定的通用性，雷達(dá)回波外推問(wèn)題同時(shí)可以類比于視頻幀畫面內(nèi)容的預(yù)測(cè)問(wèn)題，Lotter等（2016）提出的采用CNN+LSTM結(jié)構(gòu)設(shè)計(jì)的PredNet，可以很好地學(xué)習(xí)視頻的特征、并可用于雷達(dá)回波的外推預(yù)報(bào)。Wang等（2019）將三維卷積和RNN集成為Eidetic 3D LSTM單元，使得該網(wǎng)絡(luò)具有較好的對(duì)早期活動(dòng)的識(shí)別能力。張德正等（2019）通過(guò)加深由卷積門控循環(huán)單元（GRU）構(gòu)成的神經(jīng)網(wǎng)絡(luò)中的卷積層來(lái)提升對(duì)空間結(jié)構(gòu)信息細(xì)節(jié)的表征能力，該網(wǎng)絡(luò)不僅可以實(shí)現(xiàn)視頻幀的預(yù)測(cè)還可以實(shí)現(xiàn)對(duì)雷達(dá)回波的外推預(yù)測(cè)。

本研究采用帶有Causal-LSTM單元組成的神經(jīng)網(wǎng)絡(luò)模型（Wang，et al，2018）作為網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)雷達(dá)回波的外推。為消除降水的不平衡和提高對(duì)強(qiáng)回波的預(yù)測(cè)準(zhǔn)確率，使用帶權(quán)重的損失函數(shù)訓(xùn)練網(wǎng)絡(luò)模型，在訓(xùn)練過(guò)程中賦予強(qiáng)回波較大的權(quán)重來(lái)提升對(duì)強(qiáng)回波區(qū)域的預(yù)報(bào)能力，并通過(guò)測(cè)試集和4個(gè)個(gè)例對(duì)該預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)和光流法進(jìn)行對(duì)比評(píng)估。

2 方 法

2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸且所有節(jié)點(diǎn)（循環(huán)單元）按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)（Goodfellow，et al，2016）。該網(wǎng)絡(luò)包括前饋通路和反饋通路，由于反饋通路的存在，神經(jīng)元的輸出信號(hào)經(jīng)過(guò)一個(gè)或幾個(gè)時(shí)間步長(zhǎng)之后能夠重新作為其他神經(jīng)元或自身輸入，進(jìn)而增強(qiáng)了網(wǎng)絡(luò)處理時(shí)間序列的能力。圖1為一個(gè)簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)Fig.1 Recurrent neural network

圖中，x是神經(jīng)網(wǎng)絡(luò)的輸入，y是神經(jīng)網(wǎng)絡(luò)的輸出，h是神經(jīng)網(wǎng)絡(luò)隱含層的輸出，u是輸出層到隱含層的權(quán)重矩陣，v是隱含層到輸出層的權(quán)重矩陣，w是記憶單元到隱含層的權(quán)重矩陣。計(jì)算公式如下

式中，f、g表示激勵(lì)函數(shù)，xt是當(dāng)前時(shí)刻的輸入，ht-1是 前一時(shí)刻隱含層的輸出，ht是當(dāng)前時(shí)刻隱含層的輸出，yt是當(dāng)前時(shí)刻網(wǎng)絡(luò)的輸出。

2.2 網(wǎng)絡(luò)模型

與傳統(tǒng)LSTM單元相比，其優(yōu)點(diǎn)在于：①輸入與狀態(tài)以及狀態(tài)與狀態(tài)的轉(zhuǎn)化改變?yōu)榫矸e操作，整個(gè)網(wǎng)絡(luò)就可以在解決時(shí)間依賴問(wèn)題的同時(shí)提取圖像的空間特征；②三個(gè)級(jí)聯(lián)的形式加深了網(wǎng)絡(luò)的深度，增加更多的非線性操作使得特征放大，更有利于捕捉短期動(dòng)態(tài)變化和突發(fā)情況。

2.3 損失函數(shù)

雷達(dá)回波外推的主要目的是實(shí)現(xiàn)降水回波特征變化的臨近預(yù)報(bào)，利用深度學(xué)習(xí)進(jìn)行雷達(dá)回波外推雖然取得了一些令人驚喜的結(jié)果，但仍舊處于起步階段，行業(yè)內(nèi)尚未達(dá)成對(duì)該種模型評(píng)判的統(tǒng)一標(biāo)準(zhǔn)。在現(xiàn)有的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)降水模型中，多使用單一閾值判別降雨與否（Shi，et al，2015）。不同強(qiáng)度的降水對(duì)人類活動(dòng)產(chǎn)生的影響程度均不同，例如強(qiáng)降水出現(xiàn)的頻率低但是影響較大，考慮到這種不平衡性，Shi等（2017）將雨強(qiáng)劃分為6個(gè)等級(jí)，并給不同強(qiáng)度的降水賦予不同的權(quán)重。

在雷達(dá)定量測(cè)量降水的過(guò)程中，雷達(dá)反射率因子與雨強(qiáng)存在統(tǒng)計(jì)關(guān)系：Z=AIb，其中I為雨強(qiáng)，單位mm/h，A、b為兩個(gè)統(tǒng)計(jì)常數(shù)。Z-I關(guān)系不僅隨地點(diǎn)、季節(jié)以及降水類型而變，即使在同一次降水過(guò)程中，A、b值也是隨時(shí)間和空間而變化的。降雨預(yù)測(cè)的準(zhǔn)確度依賴于雷達(dá)回波外推的準(zhǔn)確度，即對(duì)降水預(yù)測(cè)模型的評(píng)估歸結(jié)為對(duì)雷達(dá)反射率因子外推準(zhǔn)確率的評(píng)估。在雷達(dá)氣象學(xué)中，一般層狀云降水的雷達(dá)反射率因子在20—30 dBz，對(duì)流云降水一般不低于40 dBz，因此，參考Shi等（2017）的雨強(qiáng)分級(jí)方案，對(duì)不同區(qū)間的雷達(dá)反射率因子賦予不同的權(quán)重，即根據(jù)每個(gè)像素點(diǎn)的雷達(dá)反射率因子大小分配權(quán)重。為消除降水的不平衡并提高對(duì)強(qiáng)回波的預(yù)報(bào)能力，對(duì)強(qiáng)回波賦予更大的權(quán)重以提高其在擬合過(guò)程中的影響程度，使其達(dá)到更好的收斂。

雷達(dá)圖像每個(gè)像素點(diǎn)的回波強(qiáng)度（單位：dBz）的有效預(yù)測(cè)數(shù)值在[0，75 ]。將雷達(dá)圖像有效預(yù)測(cè)數(shù)值劃分為5個(gè)等級(jí)，第1級(jí)的取值區(qū)間為[0，20]（無(wú)雨或毛毛雨）；第2級(jí)的對(duì)應(yīng)取值區(qū)間為（20，30]（小雨）；第3級(jí)的取值區(qū)間為（30，40]（中雨）；第4級(jí)的取值區(qū)間為（40，50]（大雨、暴雨）；第5級(jí)的取值區(qū)間為（50，75]（特大暴雨）。對(duì)不同級(jí)別的雷達(dá)反射率因子分配不同的權(quán)重。在此采用的權(quán)重為

式中，w(x)表 示權(quán)重大小，x表示像素點(diǎn)的回波數(shù)值。

本研究的預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)采用的損失函數(shù)為帶權(quán)重的均方誤差（Es）和帶權(quán)重的平均絕對(duì)誤差（Ea），表達(dá)式如下

式中，N為外推的總時(shí)間步長(zhǎng)(每個(gè)步長(zhǎng)是6 min)，wn,i,j表 示第n時(shí)刻第（i,j） 像素點(diǎn)的權(quán)重，xn,i,j表示真實(shí)值，x?n,i,j表示預(yù)測(cè)值。

在實(shí)際試驗(yàn)中，采用的損失函數(shù)為Es與Ea之和。

3 數(shù)據(jù)集構(gòu)造

3.1 數(shù)據(jù)質(zhì)量控制

試驗(yàn)使用福建、江蘇、河南的新一代S波段多普勒天氣雷達(dá)探測(cè)資料，該雷達(dá)有效探測(cè)距離為230 km，波束寬度為1.0°，反射率因子的距離庫(kù)長(zhǎng)為1 km。為確保樣本數(shù)據(jù)的質(zhì)量，首先對(duì)體掃反射率因子數(shù)據(jù)進(jìn)行質(zhì)量控制，質(zhì)量控制包括濾除孤立噪聲點(diǎn)與填補(bǔ)缺測(cè)值、剔除地物雜波和濾波平滑（莊薇等，2012；黃興友等，2018；馬雷，2018）三個(gè)方面。

3.2 雷達(dá)數(shù)據(jù)格點(diǎn)化

新一代天氣雷達(dá)基數(shù)據(jù)采用極坐標(biāo)的存儲(chǔ)方式，空間分辨率不均勻，近距離的空間分辨率高，遠(yuǎn)距離的空間分辨率低。為了方便后續(xù)的研究，首先根據(jù)肖艷姣（2006）提到的方法將極坐標(biāo)存儲(chǔ)下的數(shù)據(jù)采用徑向和方位上的最近鄰居法與垂直線性內(nèi)插法插值到三維笛卡爾坐標(biāo)系下，網(wǎng)格水平分辨率為1 km×1 km，垂直分辨率也為1 km，生成的CAPPI圖像分辨率為460×460。考慮到對(duì)流層中代表性平均引導(dǎo)氣流的高度，其樣本選用垂直高度為3 km處的CAPPI圖像。

3.3 樣本數(shù)據(jù)集的生成

訓(xùn)練時(shí)采用灰度圖像可以提升訓(xùn)練的效率，因此將CAPPI圖像處理為PNG格式存儲(chǔ)的灰度圖像，再對(duì)CAPPI灰度圖像進(jìn)行裁剪處理，保留圖像中心的400×400區(qū)域。由于樣本質(zhì)量會(huì)對(duì)訓(xùn)練結(jié)果造成影響，面積過(guò)小的回波一般弱且演變快，對(duì)預(yù)報(bào)工作無(wú)太強(qiáng)指導(dǎo)意義，因此在樣本數(shù)據(jù)集構(gòu)造過(guò)程中，對(duì)個(gè)例進(jìn)行篩選，將雷達(dá)有效探測(cè)范圍內(nèi)回波面積覆蓋率大于1/10的個(gè)例選入樣本數(shù)據(jù)集。樣本中每個(gè)時(shí)次保存為一張PNG格式的CAPPI回波強(qiáng)度灰度圖像，每組樣本覆蓋時(shí)長(zhǎng)為4 h（輸入時(shí)長(zhǎng)2 h，預(yù)測(cè)時(shí)效2 h），每組樣本中圖像的時(shí)間間隔為6 min，即每組樣本共有40幅雷達(dá)圖像{x1,x2,x3,···,x20,y1,y2,y3,···,y20}， 其中 {x1,x2,x3,···,x20}為輸入圖像序列， {y1,y2,y3,···,y20}為預(yù)測(cè)圖像的標(biāo)簽。雷達(dá)回波的數(shù)據(jù)范圍是0—75 dBz。圖2為數(shù)據(jù)集構(gòu)造流程。圖3為數(shù)據(jù)集中一組樣本可視化后的圖像，x1—x20是輸入圖像，y1—y20是對(duì)照標(biāo)簽。

圖2 數(shù)據(jù)集構(gòu)造流程Fig.2 Process of constructing data sets

圖3 數(shù)據(jù)集中一組樣本可視化后圖像Fig.3 A group of visualized sample images in the dataset

4 試驗(yàn)結(jié)果與分析

4.1 模型評(píng)價(jià)指標(biāo)

對(duì)測(cè)試集的檢驗(yàn)采用分閾值和預(yù)報(bào)時(shí)效的評(píng)估方法，使用20、30、40、50 dBz作為判別閾值，預(yù)報(bào)時(shí)長(zhǎng)為120 min，每個(gè)預(yù)報(bào)時(shí)間步長(zhǎng)為6 min，使用的評(píng)價(jià)指標(biāo)為臨界成功指數(shù)（CSI）、命中率（POD）、虛警率（FAR）。將預(yù)測(cè)值與觀測(cè)值進(jìn)行逐點(diǎn)對(duì)比，判別每個(gè)像素點(diǎn)是命中點(diǎn)（預(yù)測(cè)值與真值均大于判別閾值）、空?qǐng)?bào)點(diǎn)（預(yù)測(cè)值大于判別閾值而真實(shí)值小于判別閾值）或漏報(bào)點(diǎn)（預(yù)測(cè)值小于判別閾值而真實(shí)值大于判別閾值）。a、b、c分別表示預(yù)測(cè)圖像中的命中數(shù)、空?qǐng)?bào)數(shù)和漏報(bào)數(shù)，三個(gè)評(píng)估指標(biāo)的計(jì)算公式如下

在個(gè)例檢驗(yàn)中采用結(jié)構(gòu)相似性（SSIM）（Wang，et al，2004）來(lái)衡量?jī)煞鶊D像的相似度，SSIM從灰度、對(duì)比度和結(jié)構(gòu)三個(gè)方面來(lái)估計(jì)降質(zhì)圖像的視覺(jué)質(zhì)量。SSIM的計(jì)算公式如下

4.2 測(cè)試集檢驗(yàn)

試驗(yàn)的數(shù)據(jù)集由訓(xùn)練集和測(cè)試集組成，采用的試驗(yàn)數(shù)據(jù)集為福建2018年6—9月、2019年6—9月，江蘇2018年6—9月、2019年6—9月，河南2017年5—9月、2018年6—9月、2020年6—9月SA雷達(dá)體掃資料。表1給出了光流法和預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的指標(biāo)評(píng)估結(jié)果。兩個(gè)網(wǎng)絡(luò)分別在30、60、90、120 min外推時(shí)效下對(duì)20、30、40、50 dBz這4個(gè)反射率閾值進(jìn)行檢驗(yàn)。由表1可知，在相同預(yù)報(bào)時(shí)效的情況下，4個(gè)反射率檢驗(yàn)閾值的臨界成功指數(shù)、命中率均表現(xiàn)為：預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)優(yōu)于光流法，虛警率表現(xiàn)為預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)優(yōu)于光流法。隨著預(yù)報(bào)時(shí)效的延長(zhǎng)，兩個(gè)模型在相同檢驗(yàn)閾值的情況下，均表現(xiàn)為臨界成功指數(shù)、命中率隨著時(shí)間延長(zhǎng)而下降，虛警率隨著時(shí)間延長(zhǎng)而上升，這表明隨著時(shí)間的推移，兩個(gè)模型的預(yù)報(bào)準(zhǔn)確率都在下降。從表1中也可以看出，同一模型在相同預(yù)報(bào)時(shí)效的情況下，對(duì)越強(qiáng)回波的預(yù)報(bào)準(zhǔn)確率越低，但是使用帶權(quán)重的損失函數(shù)訓(xùn)練的預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型在40 dBz和50 dBz檢驗(yàn)閾值項(xiàng)上，臨界成功指數(shù)、命中率較光流法均有所提高，虛警率有所下降，表明預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)對(duì)強(qiáng)回波的預(yù)報(bào)能力高于光流法。

表1 測(cè)試集指標(biāo)檢驗(yàn)Table 1 Quantitative result of testing set

4.3 個(gè)例分析

4.3.1 層狀云降水過(guò)程1

個(gè)例為河南2017年5月3日發(fā)生的一次層狀云降水過(guò)程，運(yùn)用前2 h的雷達(dá)圖像預(yù)報(bào)2 h降水情況。圖4為預(yù)報(bào)時(shí)效為6、30、60、90、120 min的地面實(shí)況、光流法預(yù)測(cè)結(jié)果和預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的外推結(jié)果，從地面實(shí)況（圖4a—e）可以看出，隨著時(shí)間的推移，降水過(guò)程的30 dBz回波面積略有減小，光流法（圖4f—j）在預(yù)報(bào)過(guò)程中，回波形態(tài)基本沒(méi)有變化，而預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的回波（圖4k—o）體現(xiàn)出了30 dBz回波略有減小的趨勢(shì)。從兩個(gè)模型預(yù)測(cè)圖像與地面實(shí)況圖像的結(jié)構(gòu)相似性對(duì)比結(jié)果（圖5）可以看出，在最初的約12 min內(nèi)光流法的預(yù)報(bào)效果優(yōu)于預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)，但是其預(yù)測(cè)準(zhǔn)確率下降較快，而預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)準(zhǔn)確率上一直保持著相對(duì)較高的水平。

圖4 2017年5月3日層狀云降水地面實(shí)況與模型預(yù)報(bào)結(jié)果Fig.4 Comparison between ground truth and forecast on 3 May 2017

圖5 模型預(yù)報(bào)結(jié)果與地面實(shí)況的SSIMFig.5 SSIM of model predicted results and ground truth

4.3.2 層狀云降水過(guò)程2

個(gè)例為河南2018年6月18日發(fā)生的一次層狀云降水過(guò)程，運(yùn)用前2 h的雷達(dá)圖像預(yù)報(bào)2 h降水情況。圖6給出預(yù)報(bào)時(shí)效為6、30、60、90、120 min的地面實(shí)況、光流法預(yù)測(cè)結(jié)果和預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的外推結(jié)果，由于層狀云降水回波變化較為緩慢，在預(yù)報(bào)30 min時(shí)間內(nèi)，兩個(gè)模型的預(yù)報(bào)準(zhǔn)確率均較高?？梢詮牡孛鎸?shí)況（圖6a—e）中看出左下角的小面積回波隨著時(shí)間推移存在分裂現(xiàn)象，光流法的預(yù)報(bào)結(jié)果（圖6f—j）并未體現(xiàn)這種變化的趨勢(shì)，但是預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)（圖6k—o）成功預(yù)報(bào)出了這種回波的變化趨勢(shì)。從兩個(gè)模型預(yù)測(cè)圖像與地面實(shí)況圖像的結(jié)構(gòu)相似性對(duì)比結(jié)果（圖7）可以看出，在最初24 min預(yù)報(bào)時(shí)效內(nèi)，光流法的預(yù)報(bào)結(jié)果要優(yōu)于預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)，但是在預(yù)報(bào)時(shí)效30 min后準(zhǔn)確率下降幅度較大，而預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)準(zhǔn)確率雖然隨著預(yù)報(bào)時(shí)效的推移有所下降，但SSIM一直保持在0.8左右。從預(yù)報(bào)時(shí)效上看，預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)較光流法更具有優(yōu)越性。

圖6 2018年6月18日層狀云降水地面實(shí)況與模型預(yù)報(bào)結(jié)果Fig.6 Comparison between ground truth and forecast on 18 June 2018

圖7 模型預(yù)報(bào)結(jié)果與地面實(shí)況的SSIMFig.7 SSIM of model predicted results and ground truth

4.3.3 對(duì)流云降水過(guò)程1

選取河南2020年6月24日發(fā)生的一次颮線天氣過(guò)程，運(yùn)用前2 h的雷達(dá)圖像預(yù)報(bào)2 h降水情況。圖8為預(yù)報(bào)時(shí)效為6、30、60、90、120 min的地面實(shí)況、光流法預(yù)測(cè)結(jié)果和預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的外推結(jié)果，通過(guò)對(duì)比預(yù)測(cè)圖像與地面實(shí)況（圖8a—e），預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)（圖8k—o）與實(shí)況相態(tài)上的相似度較高，光流法（圖8f—j）在半小時(shí)后形變較為嚴(yán)重，且該方法預(yù)測(cè)的回波位置較實(shí)際偏右，而預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)在預(yù)報(bào)位置上與地面實(shí)況對(duì)應(yīng)較好。從兩個(gè)模型預(yù)測(cè)圖像與地面實(shí)況圖像的結(jié)構(gòu)相似性對(duì)比結(jié)果（圖9）可以看出，兩個(gè)模型在最初的18 min內(nèi)都具有較高的預(yù)測(cè)準(zhǔn)確率，但隨著預(yù)測(cè)時(shí)間的推移，預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的SSIM始終高于光流法。

圖8 2020年6月24日對(duì)流云降水地面實(shí)況與模型預(yù)報(bào)結(jié)果Fig.8 Comparison between ground truth and forecast on 24 June 2020

圖9 模型預(yù)報(bào)結(jié)果與地面實(shí)況的SSIMFig.9 SSIM of model predicted results and ground truth

4.3.4 對(duì)流云降水過(guò)程2

選取2018年8月18日發(fā)生在福建的一次對(duì)流云降水過(guò)程，運(yùn)用前2 h的雷達(dá)圖像預(yù)報(bào)后2 h的降水情況。圖10給出預(yù)報(bào)時(shí)效為6、30、60、90、120 min的地面實(shí)況、光流法預(yù)測(cè)結(jié)果和預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的外推結(jié)果，本次的對(duì)流云降水雷達(dá)回波強(qiáng)度最強(qiáng)超過(guò)50 dBz，且持續(xù)時(shí)間較長(zhǎng)。從地面實(shí)況（圖10a—e）可以看出，強(qiáng)回波為塊狀且面積一直保持一定的大小。光流法預(yù)測(cè)的圖像（圖10f—j）中，在預(yù)報(bào)時(shí)效60 min時(shí)，就出現(xiàn)了較大的形變，呈現(xiàn)出明顯的分支狀，但此時(shí)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)外推的雷達(dá)回波（圖10k—o）中強(qiáng)回波為塊狀且保持一定的面積大小。但是預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)在90、120 min預(yù)報(bào)時(shí)間段內(nèi)強(qiáng)回波預(yù)測(cè)的位置較實(shí)際偏右，說(shuō)明該預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)雖然在強(qiáng)回波的預(yù)測(cè)上較光流法有所提升，但預(yù)報(bào)準(zhǔn)確率的提升仍有一定的限制。從兩個(gè)模型預(yù)測(cè)圖像與地面實(shí)況圖像的結(jié)構(gòu)相似性對(duì)比結(jié)果（圖11）可以看出，預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)圖像與地面實(shí)況的相似度總體高于光流法。由于強(qiáng)回波變化較快，兩個(gè)模型對(duì)其預(yù)測(cè)結(jié)果的準(zhǔn)確率均低于層狀云降水預(yù)測(cè)結(jié)果。

圖10 2018年8月18日對(duì)流云降水地面實(shí)況與模型預(yù)報(bào)結(jié)果Fig.10 Comparison between ground truth and forecast on 18 August 2018

圖11 模型預(yù)報(bào)結(jié)果與地面實(shí)況的SSIMFig.11 SSIM of model predicted results and ground truth

5 總結(jié)與討論

文中介紹了神經(jīng)網(wǎng)絡(luò)在雷達(dá)回波外推上的應(yīng)用，并使用帶有Causal-LSTM單元組成的網(wǎng)絡(luò)模型作為架構(gòu)，在此基礎(chǔ)上使用帶權(quán)重的損失函數(shù)訓(xùn)練網(wǎng)絡(luò)模型以消除降水的不平衡性和提高強(qiáng)回波預(yù)報(bào)的準(zhǔn)確度，并與光流法的預(yù)報(bào)結(jié)果進(jìn)行比較，得出以下結(jié)論：

（1）雷達(dá)回波外推的本質(zhì)是時(shí)、空序列的預(yù)測(cè)問(wèn)題，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，可以充分利用大量的歷史數(shù)據(jù)對(duì)雷達(dá)回波進(jìn)行非線性外推。文中使用的預(yù)測(cè)網(wǎng)絡(luò)模型具有提取空間特征的卷積模塊和解決時(shí)間記憶問(wèn)題的改進(jìn)后的LSTM結(jié)構(gòu)單元。結(jié)果表明預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)回波外推的效果優(yōu)于光流法。

（2）考慮到不同降水強(qiáng)度出現(xiàn)的頻率不同，強(qiáng)降水對(duì)人類活動(dòng)影響較大，網(wǎng)絡(luò)在訓(xùn)練過(guò)程中賦予強(qiáng)回波較大的權(quán)重以提高對(duì)強(qiáng)回波的預(yù)報(bào)能力。測(cè)試集檢驗(yàn)結(jié)果表明，預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)2 h的回波外推在40和50 dBz檢驗(yàn)閾值項(xiàng)上，臨界成功指數(shù)、命中率較光流法均有所提高，虛警率有所下降，表明該網(wǎng)絡(luò)對(duì)強(qiáng)回波的預(yù)報(bào)能力高于光流法。

（3）4個(gè)降水過(guò)程個(gè)例表明，光流法和預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)對(duì)層狀云降水過(guò)程的預(yù)報(bào)準(zhǔn)確率均高于對(duì)流云降水，主要是由于層狀云降水回波變化緩慢，對(duì)流云降水強(qiáng)回波變化較快。盡管兩種臨近預(yù)報(bào)方案的預(yù)報(bào)效果隨預(yù)報(bào)時(shí)間的延長(zhǎng)而下降，但是預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)比光流法仍具有優(yōu)越性。

（4）基于深度學(xué)習(xí)外推的4個(gè)降水個(gè)例的預(yù)測(cè)雷達(dá)回波在后期出現(xiàn)模糊現(xiàn)象，可能的原因是雷達(dá)回波的預(yù)測(cè)具有不確定性，隨著時(shí)間的推移，對(duì)細(xì)節(jié)的預(yù)測(cè)難度更大，因此網(wǎng)絡(luò)會(huì)更注重回波整體形態(tài)上的演變，而丟失了細(xì)節(jié)性的紋理。

現(xiàn)在使用的預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型的輸入僅為多個(gè)時(shí)刻雷達(dá)圖像的反射率因子信息，可以考慮加入風(fēng)場(chǎng)信息及數(shù)值預(yù)報(bào)環(huán)境場(chǎng)，使得網(wǎng)絡(luò)可以學(xué)習(xí)到更多的物理變化機(jī)制，對(duì)天氣系統(tǒng)的演變可能有更好的認(rèn)識(shí)，進(jìn)一步提高預(yù)報(bào)的準(zhǔn)確度。同時(shí)，類LSTM單元或卷積模塊也可以進(jìn)一步優(yōu)化，可以通過(guò)加深卷積等來(lái)獲取更豐富抽象的變化特征。