光流法以及結(jié)合機器學習在臨近預報中的應用

林 青 潘 寧 劉 銘

?

光流法以及結(jié)合機器學習在臨近預報中的應用

林 青 潘 寧 劉 銘

福建省氣象臺

通過采用Gunnar Farneback的稠密光流跟蹤法對雷達反射率進行2h外推，并結(jié)合半拉格朗日外推方法，保持天氣系統(tǒng)回波的旋轉(zhuǎn)效應，可有效提高回波短臨預測的精準度。結(jié)合該方法外推的回波結(jié)果及歷史降水觀測，采取機器學習中ConvLSTM(空間深度學習)的模型結(jié)合Z-R關(guān)系進行1h降水預測，結(jié)果表明其降水預測的空漏報率低于SWAN業(yè)務(wù)系統(tǒng)QPF預測結(jié)果。

光流法 機器學習 臨近預報

1 概述

強對流天氣是一種多發(fā)生在中小尺度范圍的、伴有劇烈氣流上升運動的災害性天氣。當空氣發(fā)生強烈的垂直運動時，就可能發(fā)生強對流天氣，并且常伴隨有雷雨、大風、冰雹、龍卷風等危害性很強的現(xiàn)象。然而，由于強對流天氣發(fā)生的速度快、范圍小、時間短，如何準確預報出強對流天氣發(fā)生的時間和地點一直是氣象學研究的重點和難點。

為了對強對流天氣進行預測，在氣象研究和業(yè)務(wù)中，臨近預報會根據(jù)短時間內(nèi)雷達回波、云圖演變等，進行推演和判斷，預測未來強對流天氣可能發(fā)生的區(qū)域和時間。一方面，外推判斷依賴人的經(jīng)驗；另一方面，研究如何實現(xiàn)氣象數(shù)據(jù)外推自動化。

早期有拉格朗日持續(xù)性預報、最優(yōu)化相關(guān)系數(shù)的交叉相關(guān)法等，這些方法主要是基于臨近短時間的氣象數(shù)據(jù)做簡單線性的外推，沒有考慮到氣象變化的一些非線性關(guān)系。為了改進回波外推技術(shù)，引入了在計算機視覺領(lǐng)域應用較廣的光流法來追蹤回波的運動。該方法在1950 年由Gibson[1]首先提出，當被觀測的目標和傳感器之間有相對運動時，所觀察到的亮度模式運動稱之為光流。對于變化較快的強對流降水天氣過程，光流法具有明顯的預報優(yōu)勢，曹春燕等[2]研究認為光流法預報效果優(yōu)于SWAN（Severe Weather Automatically Nowcast System）業(yè)務(wù)系統(tǒng)中使用的交叉相關(guān)法。光流法可以彌補傳統(tǒng)交叉相關(guān)法的缺陷，提升對流臨近預報系統(tǒng)的性能。因為在為平緩的層狀云降水系統(tǒng)中，交叉相關(guān)法的效果相對理想。但在強對流天氣中，跟蹤失敗的情況會顯著增加，從而影響到最終的預報結(jié)果，而光流法采用全局平滑的假設(shè)使得風暴單體的追蹤計算在整個區(qū)域內(nèi)都得到了準確的運動矢量。張蕾等[3]利用金字塔分層思想和RPM-SL方案改進HS光流法后發(fā)現(xiàn)，對強對流回波預報具有優(yōu)勢。

2 雷達回波外推方法

2.1 光流法簡介

光流是指空間運動物體在觀察成像平面上的像素運動的瞬時速度，是利用圖像序列中像素在時間域上的變化以及相鄰幀之間的相關(guān)性來找到上一幀跟當前幀之間存在的對應關(guān)系，從而計算出相鄰幀之間物體的運動信息的一種方法。

光流場就是類剛體物體的速度矢量場，光流場與交叉相關(guān)法所求得的運動矢量場在物理意義上是等價的：如果把傳感器從攝像機換成多普勒雷達，被探測的目標從一般的運動物體換成雷達回波，則可以用光流法替代交叉相關(guān)法得到運動矢量場。

2. 2 半拉格朗日外推方法

由于臺風、強天氣中的渦度大，單體運動軌跡都有一定旋轉(zhuǎn)效應，為了解決線性外推不考慮旋轉(zhuǎn)的缺點，采用了半拉格朗日平流方案對雷達回波進行外推。半拉格朗日方法具有良好的穩(wěn)定性和精度，目前已廣泛應用到數(shù)值預報模式和氣候模式，采用RPM-SL ( remapped particle-mesh semi- Lagrangian) 方案外推回波，該方案可保持回波的旋轉(zhuǎn)性，提高回波預報效果。

2.3 應用分析

本文選取兩次對流過程資料，利用光流法對雷達組合反射率因子進行0～2h的外推預報，并與SWAN產(chǎn)品（即交叉相關(guān)法）對比分析。

2.3.1 2017年4月11日福建強對流天氣過程

2017年4月11日福建強對流天氣過程是一般性對流天氣過程，11日，湖南南部到福建中部出現(xiàn)帶狀的強對流天氣分布區(qū)；南面廣東上空出現(xiàn)分散性強對流天氣，閩粵交界地帶也出現(xiàn)明顯的強對流天氣，15時（北京時間）前后回波從江西進入福建省，最強的回波強度在40～45dBZ。30dBZ以上的強回波區(qū)呈現(xiàn)弓形分布（圖略），回波后側(cè)有偏北風侵入，南側(cè)為西南風，總體為弓形回波的結(jié)構(gòu)。

利用光流法結(jié)合拉格朗日跟蹤外推算法，外推預報（圖1c）得到的強對流的形狀、位置和雷達觀測到的實況（圖1a）比較接近。系統(tǒng)較好地預報出了福建中部、南部的回波及福建西部的強回波。當然，比較圖1a、1c也可以看出，回波南段的移動速度偏慢。對比預報和實況可知，光流法基本預報出了最大反射率因子特征的位置。實況回波上的強中心主要分布在西段、中段和南段，西段主要為大面積回波，最強回波約40dBZ左右，中段和南段為類弓形回波，最強回波約為50dBZ。光流法預報后的強回波中心也主要在西段、中段和南段，南段的最強回波比實況偏南，中段相當，但最大值即50dBZ范圍大于實況回波。從本次過程１h預報以及１h后的回波實況對比可知，預報1h以后強回波位置與回波實況比較一致，形狀也與實況比較接近，而SWAN產(chǎn)品（圖1b）盡管回波位置相近，中段強度明顯偏弱偏北。因此利用光流法對大范圍的對流系統(tǒng)1h外推預報也有較大的參考價值。

圖1 2017年4月11日19時(北京時間)福建強對流天氣過程

a——實況回波；b——SWAN 10時預報1h外推回波；c——光流法10時預報1h后的外推回波

2.3.2 2017年4月24日福建對流天氣過程

2017年4月24日，福建省上空出現(xiàn)分散性強對流天氣，強度相對一般，全省多地有局地的對流過程，較11日強度小，風暴主體在浙江境內(nèi)，福建以40dBZ以下回波為主，光流法外推預報（圖2c）得到的強對流的形狀、位置與雷達觀測到的實況（圖2a）比較接近。SWAN產(chǎn)品（圖2b）明顯強度較弱，35dbz以上區(qū)域預報偏少，由此可見對于分散性對流，光流法效果也較SWAN方法理想。

圖2 2017年4月24日22時(北京時間)福建對流天氣過程

a——實況回波；b——SWAN21時預報1h外推回波；c——光流法21時預報1h外推回波

3 臨近降水估測

3.1 算法介紹

近些年來，隨著數(shù)據(jù)的不斷豐富，深度學習應運而生。深度學習可以從大量數(shù)據(jù)中自動學習數(shù)據(jù)的特征，并映射到輸出空間中，在圖像識別、文本預測等領(lǐng)域已經(jīng)取得了非常好的效果。

對于雷達、氣象這樣的時空數(shù)據(jù)，近年來也有一些研究工作。例如，Srivastava等人提出了基于整個圖像的推演模型FC-LSTM[4]，通過將全圖展開為一維向量，并輸入到LSTM模型中，再通過卷積神經(jīng)網(wǎng)絡(luò)預測模型。

雷達回波圖中，可以得到一定范圍內(nèi)每個格點的雷達回波率。根據(jù)Wilson等人[5]的研究，雷達回波率和降水率的關(guān)系可以表示為：

=2001.6

雷達回波圖可以很好地反映地區(qū)的降水量，對預測強對流具有非常重要的作用。但在實際過程中，雷達回波和降水的關(guān)系可能受地理位置、降水類型、發(fā)展過程的影響，系數(shù)值200、指數(shù)值1.6往往需要依靠人工的經(jīng)驗。本方法利用深度學習神經(jīng)網(wǎng)絡(luò)，通過歷史數(shù)據(jù)學習來找到雷達回波和降水強度之間的關(guān)系，實驗結(jié)果證明，該方法可以取得非常好的效果。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，通過疊加卷積層、池化層、RELU層等操作來對圖像進行處理，并生成圖像的特征。

卷積層通過不同的卷積對圖像進行處理，可以生成圖像的局部特征。一幅圖像可能存在各種各樣不同的局部特征，傳統(tǒng)的圖像處理算法SIFT等通過手工提取特征來對圖像進行分類，然而，這一方法不僅需要大量人工的參與，也很難取得很好的效果。近年來，隨著數(shù)據(jù)的不斷增多和GPU處理能力的增速，通過誤差反向傳播的BP算法可以自動學習神經(jīng)網(wǎng)絡(luò)中的卷積核，從而提取更好的圖像特征。圖3展示了一個3×3卷積的示例。

圖3 卷積過程示例

3.2 模型建立

收集2015年12月～2017年6月共19個月的雷達回波圖，建立數(shù)據(jù)集。雷達回波圖為從0dBZ到70dBZ以上的不同等級的基本回波率值?；夭实膁BZ值越高，一般表示該區(qū)域的降雨量越大。在雷達圖中，用前17個月的數(shù)據(jù)作為訓練集，倒數(shù)第二個月的數(shù)據(jù)作為驗證集，最后一個月作為測試集。在對未來天氣進行預測中，我們用過去5個小時的歷史雷達回波圖作為輸入，并預測未來3個小時的雷達回波圖。

實際模型計算時，設(shè)置了以下一些神經(jīng)網(wǎng)絡(luò)參數(shù)：將卷積神經(jīng)網(wǎng)絡(luò)設(shè)置為Alexnet的結(jié)構(gòu)，并去掉了最后的兩層全連接層；模型中一共有6層LSTM（長短期記憶網(wǎng)絡(luò)）層。使用前3層LSTM對輸入進行編碼，并用后3層來對編碼后的隱藏單元進行解碼。對于編碼網(wǎng)絡(luò)層，每層的隱藏單元數(shù)分別為128、64、64。對于解碼網(wǎng)絡(luò)層，每層的隱藏單元數(shù)也為128、64、64。輸入數(shù)據(jù)為訓練過去三個小時每6min（12min）雷達回波，過去三個小時自動站站點累積降水量。通過模型計算未來三個小時每6min雷達回波矩陣，進而換算未來三小時各個站點累積降水量預測。具體步驟為：在該模型中，首先對輸入回波進行兩次卷積，這里假設(shè)在每個卷積核大小的范圍內(nèi)，降水和回波具有相近的關(guān)系。然后對卷積后的結(jié)果進行Z-R積分，積分的參數(shù)是動態(tài)可以優(yōu)化的。最后在用兩層反卷積得到降水輸出結(jié)果。模型的結(jié)果如圖4所示。

圖4 降水量卷積模型

3.3 應用分析

同樣以4月11日強對流天氣過程為例。

圖5為4月11日過程小時降水預測，可見模型預測與實況相對接近，隨著起報時間臨近，強降水范圍與實況更接近，集中在福建南側(cè)，圖5b為預報2h后結(jié)果，強降水范圍接近，但強度偏大，但隨著起報時間接近，明顯強降水范圍減小到與實況一致。

選取2017年4月～6月資料，計算了逐月的TS和漏報率評分（表1），與SWAN產(chǎn)品對比，模型預測TS接近，但漏報率遠小于SWAN產(chǎn)品，因此對模型的業(yè)務(wù)化應用有一定價值。

圖5 2017年4月11日20時1小時降水

a——實況19～20時1h累計降水；b——18時起報預報19～20時1h累計降水；c——19時起報預報19～20時1h累計降水

表1 2017年4～6月逐月的TS和漏報率評分

4 結(jié)論

本文提出了聯(lián)用光流法和拉格朗日外推模型對雷達回波圖進行推演預測。通過兩個對比，發(fā)現(xiàn)方案優(yōu)于SWAN產(chǎn)品，在強度預測上有明顯優(yōu)勢；同時，利用CNN+LSTM的深度學習模型對降水進行預測，結(jié)果也較有參考價值，在后續(xù)的研究中需要更多個例驗證。同時光流法外推和交叉相關(guān)均存在局限，即短時間局地生消預測還有一定難度，需要引入模式動力機制影響改進回波生消的預測方案。

[1] Gibson JJ. The ecological approach to visual perception[M]. Boston: Houghton Mifflin, 1950: 332.

[2] 曹春燕，陳元昭，劉東華，等．光流法及其在臨近預報中的應用[J]．氣象學報，2015, 73(3)：471-480

[3] 張蕾, 魏鳴, 李南, 等. 改進的光流法在回波外推預報中的應用[J]. 科學技術(shù)與工程, 2014,14(32): 133-137.

[4] Srivastava N, Mansimov E, Salakhutdinov R. Unsupervised learning of video representations using LSTMs[C]//International Conference on Machine Learning, 2015: 843-852.

[5] Wilson J W, Brandes E A. Radar measurement of rainfall—A summary[J]. Bulletin of the American Meteorological Society, 1979, 60:1048-1058.

[6] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012(25): 1106-1114.