深圳市氣象局臨近預(yù)報(bào)技術(shù)進(jìn)展

陳元昭 蘭紅平 劉琨

（深圳市氣象局，深圳 518030）

0 引言

基于雷達(dá)數(shù)據(jù)的雷暴識(shí)別追蹤和外推預(yù)報(bào)方法是最早出現(xiàn)的臨近預(yù)報(bào)技術(shù)[1]。20世紀(jì)50年代，Ligda[2]首先開始了雷達(dá)回波外推進(jìn)行臨近預(yù)報(bào)研究，此后臨近預(yù)報(bào)技術(shù)得到不斷發(fā)展，主要體現(xiàn)在一些預(yù)報(bào)方法的提出。單體質(zhì)心法的核心是首先將整個(gè)雷暴單體視為一個(gè)三維的單體，然后對(duì)單體進(jìn)行識(shí)別、分析后，再進(jìn)行追蹤，采用擬合外推法來做雷暴的臨近預(yù)報(bào)[3-5]。交叉相關(guān)法是通過計(jì)算整塊回波不同區(qū)域的連續(xù)時(shí)次的相關(guān)系數(shù)，采用最優(yōu)相關(guān)法，來獲得回波的運(yùn)動(dòng)矢量場，然后通過這些運(yùn)動(dòng)矢量場來預(yù)報(bào)回波未來的位置和形狀。交叉相關(guān)法的優(yōu)勢在于它的計(jì)算方法相對(duì)簡單，不但可以跟蹤對(duì)流降水，還可以對(duì)層狀云降水進(jìn)行追蹤[6-8]，在氣象業(yè)務(wù)部門一度得到廣泛應(yīng)用[9-10]。但交叉相關(guān)法對(duì)強(qiáng)度和形狀隨時(shí)間變化很快、局地生成的回波，常會(huì)出現(xiàn)跟蹤失敗的情況[11-12]。近年來，基于雷達(dá)的臨近預(yù)報(bào)方法發(fā)展迅速，中國氣象局在完成災(zāi)害性天氣短時(shí)臨近預(yù)報(bào)系統(tǒng)（SWAN）[13]的基礎(chǔ)上進(jìn)一步完善了強(qiáng)對(duì)流天氣的監(jiān)測技術(shù)，研發(fā)了基于閃電和衛(wèi)星產(chǎn)品的臨近預(yù)報(bào)產(chǎn)品[14]。光流法是計(jì)算機(jī)視覺領(lǐng)域中的重要方法[15]，近年來該方法在天氣臨近預(yù)報(bào)領(lǐng)域得到廣泛應(yīng)用[16]，但對(duì)于西風(fēng)帶系統(tǒng)，尤其是颮線的預(yù)報(bào)，光流法存在一定的局限性[17]；而未來幾年以雷達(dá)外推技術(shù)為主的臨近預(yù)報(bào)將繼續(xù)在業(yè)務(wù)中應(yīng)用[18-19]。近年來，隨著計(jì)算能力、信息技術(shù)和智能算法技術(shù)的不斷突破，人工智能技術(shù)備受社會(huì)各界的高度重視，發(fā)展迅猛[20-21]，基于深度學(xué)習(xí)的智能天氣臨近預(yù)報(bào)方法也受到氣象領(lǐng)域的高度關(guān)注。

本文主要從技術(shù)角度對(duì)深圳市氣象局的臨近預(yù)報(bào)技術(shù)的發(fā)展歷程進(jìn)行回顧總結(jié)。第一部分主要介紹交叉相關(guān)法、光流法、粒子濾波臨近預(yù)報(bào)方法以及雷達(dá)基數(shù)據(jù)質(zhì)量控制方法，第二部分主要介紹基于生成對(duì)抗網(wǎng)絡(luò)（generative adversarial networks，GAN）[22]的人工智能臨近預(yù)報(bào)方法，最后對(duì)不同方法的優(yōu)缺點(diǎn)進(jìn)行總結(jié)和討論。

1 基于運(yùn)動(dòng)矢量場的臨近預(yù)報(bào)方法研究進(jìn)展

深圳市氣象局臨近預(yù)報(bào)方法的研究始于2006年，在引進(jìn)和吸收了國內(nèi)外對(duì)流風(fēng)暴追蹤技術(shù)算法的基礎(chǔ)上，2008年研發(fā)了交叉相關(guān)臨近預(yù)報(bào)方法，并應(yīng)用到2011年深圳世界大學(xué)生運(yùn)動(dòng)會(huì)氣象服務(wù)中。隨后逐漸研發(fā)了局部約束光流法、粒子濾波融合法等臨近預(yù)報(bào)技術(shù)。以上述方法為核心搭建了臨近預(yù)報(bào)決策支持平臺(tái)（PONDS）系統(tǒng)，并在業(yè)務(wù)中實(shí)時(shí)運(yùn)行，對(duì)廣東地區(qū)的強(qiáng)對(duì)流天氣過程進(jìn)行實(shí)時(shí)監(jiān)測和臨近預(yù)報(bào)，成為深圳市氣象局三大核心業(yè)務(wù)系統(tǒng)之一。

1.1 雷達(dá)資料處理

深圳臨近預(yù)報(bào)采用廣東省12部S波段天氣雷達(dá)（分別位于廣州、深圳、韶關(guān)、珠海、清遠(yuǎn)、陽江、河源、汕尾、汕頭、梅州、湛江、肇慶）2.5 km高度的反射率因子雷達(dá)拼圖資料。雷達(dá)的虛假回波經(jīng)常出現(xiàn)在低層，選取2.5 km高度的回波拼圖作為預(yù)報(bào)的初始場。這一層的雷達(dá)回波既能代表華南地區(qū)對(duì)流的水平分布特征，同時(shí)在很大程度上避免了虛假回波和地物雜波的影響。為計(jì)算方便，雷達(dá)資料從極坐標(biāo)格式利用最近鄰居法和垂直方向的線性內(nèi)插法相結(jié)合的插值法插值到三維直角坐標(biāo)系中。拼圖的時(shí)間間隔為6 min。拼圖前對(duì)雷達(dá)基數(shù)據(jù)資料進(jìn)行質(zhì)量控制，剔除了超折射、地物等的影響。

1.2 交叉相關(guān)臨近預(yù)報(bào)方法

交叉相關(guān)法的核心就是通過計(jì)算連續(xù)時(shí)次雷達(dá)回波不同區(qū)域的最優(yōu)空間相關(guān)系數(shù)，來確定回波在過去的移動(dòng)矢量特征。交叉相關(guān)法把整個(gè)數(shù)據(jù)區(qū)域劃分成若干小區(qū)域，然后在相鄰時(shí)刻雷達(dá)回波圖像的小區(qū)域之間計(jì)算相關(guān)系數(shù)，通過最大相關(guān)系數(shù)確定相鄰時(shí)刻圖像中的區(qū)域?qū)?yīng)關(guān)系，進(jìn)而確定回波區(qū)域的平均運(yùn)動(dòng)。一個(gè)簡單的示意圖如圖1所示。將相鄰時(shí)刻（t1，t2）雷達(dá)反射率因子回波圖像（圖1），分別劃分成若干大小相同的子區(qū)域。對(duì)于t1時(shí)刻的一個(gè)子區(qū)域A，對(duì)應(yīng)t2時(shí)刻回波圖像的候選區(qū)域（大小由平均風(fēng)速?zèng)Q定），將所有可能的子區(qū)域分別與A做相關(guān)計(jì)算，相關(guān)系數(shù)R表示為：

圖1 交叉相關(guān)法示意圖 Fig. 1 Cross-correlation approach

式中，1和2分別是1和2時(shí)刻的反射率因子，是一個(gè)子區(qū)域內(nèi)象素點(diǎn)的數(shù)量。t2時(shí)刻相關(guān)系數(shù)最大的子區(qū)域B即為與A匹配的子區(qū)域。將A和B的中心位置連接起來，即為回波運(yùn)動(dòng)矢量。

交叉相關(guān)法僅利用最近兩個(gè)時(shí)次的雷達(dá)回波獲得的運(yùn)動(dòng)矢量場是不穩(wěn)定的，用這種風(fēng)場外推的預(yù)報(bào)結(jié)果也具有較大誤差。雷達(dá)標(biāo)定、地物及異常傳播的電磁波受到阻礙物遮擋、衰減、雷達(dá)波束的不完全充塞等隨機(jī)因素是出現(xiàn)這種誤差的主要原因。在進(jìn)行運(yùn)動(dòng)矢量場計(jì)算時(shí)，需要抑制風(fēng)場中的這些噪聲干擾，以提高回波預(yù)報(bào)穩(wěn)定性和準(zhǔn)確性。在交叉相關(guān)法中利用卡爾曼濾波法改進(jìn)雷達(dá)回波交叉相關(guān)算法[23]，具體算法見[24-25]，計(jì)算中考慮了過去0.5～1h的回波趨勢。從效果上看，提升了回波預(yù)報(bào)的穩(wěn)定性[23]。

在變化較為平緩的層狀云降水系統(tǒng)中，從雷達(dá)回波圖像上觀察到的雷暴的外形和移動(dòng)速度變化都不是很劇烈，此時(shí)交叉相關(guān)法的效果較好[11]。但對(duì)強(qiáng)對(duì)流天氣過程，尤其是在雷暴的外形和移動(dòng)速度隨時(shí)間變化很快的情況下，通過簡單的計(jì)算相關(guān)系數(shù)的方法難以保證追蹤的準(zhǔn)確性，交叉相關(guān)法的預(yù)報(bào)效果就會(huì)明顯降低，跟蹤失敗的情況顯著增加，并最終影響預(yù)報(bào)的結(jié)果[11]。所以，對(duì)變化較為劇烈的強(qiáng)對(duì)流降水系統(tǒng)，交叉相關(guān)法有先天的缺陷，需要引入新的方法。

1.3 局部約束光流法臨近預(yù)報(bào)方法

1.3.1 Lucas-Kanade 法計(jì)算光流場

光流法的基本原理是以圖像亮度變化來識(shí)別運(yùn)動(dòng)目標(biāo)和觀測器之間的相對(duì)運(yùn)動(dòng)產(chǎn)生的瞬時(shí)位移。圖像中所有像素點(diǎn)的瞬時(shí)位移就構(gòu)成了圖像的光流場。而光流法的核心就是通過識(shí)別出的連續(xù)圖像系列計(jì)算光流場。簡單的來說，光流場就是類剛體物體的速度矢量場。光流方程如下：

計(jì)算光流場的約束方法通常有Lucas-Kanade局部約束[26]和Horn-Schunk全局約束[27]。局部約束方法是對(duì)某個(gè)點(diǎn)周圍給定小區(qū)域的光流給定限定條件，而全局約束方法是在整個(gè)圖像區(qū)域范圍內(nèi)滿足一定的約束條件。臨近預(yù)報(bào)關(guān)注回波的局地變化，光流法中采用Lucas-Kanade局部約束法作為計(jì)算光流的約束條件。用獲得的光流場進(jìn)行臨近預(yù)報(bào)。

與傳統(tǒng)的交叉相關(guān)法相比，光流法的優(yōu)勢在于立足于變化，而不是選定不變特征再跟蹤不變特征移動(dòng)的方式。

1.3.2 質(zhì)量控制——中值濾波

在光流法中，對(duì)雷達(dá)數(shù)據(jù)的質(zhì)量控制采用中值濾波法。中值濾波是一種非線性平滑技術(shù)，它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值[28]。

2013年4月30日，受鋒面低槽影響，一條颮線自西北向東南橫掃廣東全省。本次過程回波濾波前后對(duì)比可以看出（圖2），濾波前后颮線的長度、形狀、強(qiáng)回波中心等特征大體一致。但可以看出，濾波前（圖2a），颮線后部南端的層狀云回波比較零碎，雜亂。濾波后（圖2b）去噪效果好，圖像清晰，較好地保留了回波的邊緣特征，沒有出現(xiàn)明顯失真。

圖2 2013年4月30日14時(shí)（北京時(shí)，下同）廣東雷達(dá)拼圖光流法追蹤得到的回波：（a）中值濾波前；（b）中值濾波后 Fig. 2 Optical flow method based on the Guangdong multi-radar mosaic at 14:00 BT 30 April 2013: (a) before median filtering; (b) after median filtering

1.3.3 預(yù)報(bào)效果個(gè)例對(duì)比

2014年5月20日中午，一條近東西向的弓形回波從珠江口西側(cè)向東移動(dòng)，追上原位于其東側(cè)的正在減弱的回波。這兩條回波合并后，迅速增加，在珠江口附近發(fā)展成為倒“Y”字形的強(qiáng)回波。給珠江口一帶帶來了局地強(qiáng)降水和短時(shí)雷雨大風(fēng)。

光流法對(duì)這次強(qiáng)降水過程30 min外推預(yù)報(bào)效果較好。從圖3可知，光流法預(yù)報(bào)出了回波合并后強(qiáng)度加強(qiáng)，預(yù)報(bào)的30 min后回波的位置與實(shí)況基本相符，也基本預(yù)報(bào)出了回波的倒“Y”字形結(jié)構(gòu)，只是西南部的回波預(yù)報(bào)比實(shí)況偏弱。

對(duì)華南地區(qū)回波預(yù)報(bào)評(píng)估結(jié)果表明[16]，光流法整體預(yù)報(bào)效果優(yōu)于交叉相關(guān)法，尤其對(duì)移動(dòng)型局地生成的回波及強(qiáng)度和形狀隨時(shí)間變化很快的雷暴。

光流法對(duì)西風(fēng)帶系統(tǒng)，尤其是颮線的預(yù)報(bào)仍存在一定的局限性[19]，需要研制新方法來彌補(bǔ)雷達(dá)臨近預(yù)報(bào)技術(shù)在0～1 h的預(yù)報(bào)能力方面的缺陷。

1.4 粒子濾波臨近預(yù)報(bào)方法

1.4.1 粒子濾波法基本原理

粒子濾波（Particle filter）由Carpenter等[29]首次提出，主要是通過非參數(shù)化的蒙特卡洛（Monte Carlo）模擬來實(shí)現(xiàn)遞推貝葉斯（Bayes）濾波估計(jì)。

在進(jìn)行雷達(dá)外推預(yù)報(bào)前需獲得雷達(dá)回波的運(yùn)動(dòng)矢量場。和獲得唯一運(yùn)動(dòng)矢量場不同，粒子濾波算法是利用同一時(shí)次的雷達(dá)回波采用兩種不同的估測方法得到的相同時(shí)次的兩組回波運(yùn)動(dòng)矢量場，然后采用粒子濾波算法對(duì)兩組運(yùn)動(dòng)矢量場進(jìn)行融合，再利用得到的運(yùn)動(dòng)矢量場來進(jìn)行回波的外推預(yù)報(bào)。在粒子濾波算法中，回波矢量場可表示為：

圖3 光流法對(duì)2014年5月20日珠江口附近迅速加強(qiáng)回波預(yù)報(bào)：（a）14時(shí)實(shí)況；（b）14時(shí)的30 min外推預(yù)報(bào)；（c）14：30雷達(dá)回波實(shí)況 Fig. 3 Optical flow method based on the Guangdong multi-radar mosaic on 20 May 2014:(a) real radar echo at 14:00 BT; (b) 30 min extrapolation forecast at 14:00 BT; (c) real radar echo at 14:30 BT

式中，f(x)、h(x)分別為狀態(tài)方程和觀測方程。x(t)、y(t)、m(t)、n(t)分別表示系統(tǒng)的狀態(tài)、觀測值、過程噪聲和觀測噪聲。其中f(x)為采用Lucas-Kanade約束的光流法得到的運(yùn)動(dòng)矢量場，而h(x)采用基于Harris角點(diǎn)算法[30]追蹤回波得到運(yùn)動(dòng)矢量場。

圖4 粒子濾波法流程圖 Fig. 4 Flow chat of particle filtering fusion algorithm

圖4為粒子濾波法流程圖。粒子濾波計(jì)算方法的核心是用一組加權(quán)隨機(jī)樣本（粒子）來近似表示后驗(yàn)概率密度函數(shù)。遞推貝葉斯濾波理論給出了該問題的嚴(yán)格求解。在進(jìn)行求解時(shí)引入了優(yōu)化算法對(duì)粒子濾波參數(shù)進(jìn)行尋優(yōu)，使算法對(duì)整個(gè)參數(shù)空間進(jìn)行高效搜索以獲得最優(yōu)解。相比其他方法，粒子濾波可以得到更優(yōu)化的回波運(yùn)動(dòng)矢量場。粒子濾波利用一系列帶權(quán)值的空間隨機(jī)采樣，來逼近后驗(yàn)概率密度函數(shù)。

1.4.2 質(zhì)量控制—雙邊濾波

1998年，Overton等[31]最先提出了雙邊濾波（bilateral filtering）的概念，它是在基于空間分布的高斯濾波函數(shù)基礎(chǔ)上提出的。傳統(tǒng)高斯濾波僅僅關(guān)注像素的空間距離而忽略了像素值的變化，因此會(huì)在濾除噪聲的同時(shí)造成邊緣的模糊。雙邊濾波在傳統(tǒng)高斯濾波器的基礎(chǔ)上添加了考慮像素值變化程度的權(quán)重。因此，在濾除圖像噪聲的同時(shí)考慮到灰度相似度的信息，使得權(quán)重系數(shù)隨著圖像灰度的變化而改變，有效地保持了圖像邊緣結(jié)構(gòu)，最終能夠進(jìn)行自適應(yīng)的濾波。

研究選取2016年4月13日颮線過程的回波進(jìn)行濾波試驗(yàn)。從濾波前的回波（圖5a）可以看出，強(qiáng)回波的邊界、強(qiáng)回波區(qū)的對(duì)流回波及部分層狀云回波比較零碎、雜亂，部分回波呈鋸齒狀。從濾波后回波對(duì)比可以看出，中值濾波和雙邊濾波后（圖5b和5c）回波的形狀、強(qiáng)回波中心以及強(qiáng)回波后的層狀云回波和實(shí)況大致一樣，強(qiáng)回波的邊緣、強(qiáng)回波中心，后部的層狀云回波變得更平滑、有序。對(duì)比濾波后颮線前沿回波，中值濾波后颮線前沿的回波被削弱，而雙邊濾波較好保留了前沿回波。中值濾波可以改善回波的質(zhì)量，但是會(huì)削弱回波的邊沿，尤其是颮線的邊沿，在進(jìn)行回波運(yùn)動(dòng)矢量場計(jì)算時(shí)，邊沿的風(fēng)矢量場只能由估計(jì)分析得來，從而影響運(yùn)動(dòng)估計(jì)的質(zhì)量。而雙邊濾波在提高回波質(zhì)量的同時(shí)，也很好地保留了回波邊沿，在進(jìn)行運(yùn)動(dòng)矢量計(jì)算時(shí)可以直接獲得該處的風(fēng)矢量場，質(zhì)量相對(duì)來說更可靠。

圖5 2016年4月13日雷達(dá)回波濾波前后對(duì)比：（a）濾波前；（b）中值濾波后；（c）雙邊濾波后 Fig. 5 Comparison between the Guangdong multi-radar mosaic on 13 April 2016: (a) before filtering; (b) after median filtering; (c) after bilateral filtering

1.4.3 運(yùn)動(dòng)矢量場對(duì)比

獲得真實(shí)、平滑的運(yùn)動(dòng)矢量場是進(jìn)行外推預(yù)報(bào)的關(guān)鍵。分別用交叉相關(guān)法、光流法、粒子濾波法追蹤2016年4月13日06：30颮線過程回波的運(yùn)動(dòng)矢量場，其中交叉相關(guān)法和光流法均采用中值濾波法對(duì)雷達(dá)基數(shù)據(jù)進(jìn)行質(zhì)量控制，粒子濾波法采用雙邊濾波進(jìn)行質(zhì)量控制。

該颮線在06：30—07：30的1 h內(nèi)大致呈西北—東南方向移動(dòng)，粒子濾波融合法預(yù)報(bào)的移動(dòng)路徑與實(shí)況大致相同。在實(shí)況中颮線的不同位置移動(dòng)方向有所差別，颮線南段向偏東南方向移動(dòng)，北段向偏東移方向移動(dòng)，東南段介于兩者之間。粒子濾波融合算法追蹤的颮線運(yùn)動(dòng)矢量風(fēng)場（圖6a）中，颮線南段大致為西北氣流控制，北段偏西氣流控制為主，東南段為西北氣流控制，與颮線相應(yīng)位置的移動(dòng)方向基本一致，對(duì)矢量場的刻畫也更精細(xì)。交叉相關(guān)法追蹤的矢量場大致為偏西風(fēng)（圖6b），預(yù)報(bào)了颮線在1 h內(nèi)朝偏東方向移動(dòng)。而光流法追蹤的颮線南段為偏西風(fēng)，北段為西南風(fēng)（圖6c），預(yù)報(bào)颮線在1 h內(nèi)朝偏東北方向移動(dòng)。交叉相關(guān)法和光流法在進(jìn)行運(yùn)動(dòng)矢量追蹤時(shí)，由于質(zhì)量控制的原因，強(qiáng)回波中心或者旋轉(zhuǎn)處運(yùn)動(dòng)矢量會(huì)被周邊的運(yùn)動(dòng)矢量所平滑，導(dǎo)致預(yù)報(bào)的移動(dòng)路徑出現(xiàn)偏差。由此可知，粒子濾波融合法獲得了更接近實(shí)況、更真實(shí)的、更精細(xì)的回波運(yùn)動(dòng)矢量。

圖6 2016年4月13日06：30運(yùn)動(dòng)矢量場對(duì)比：（a）粒子濾波融合法；（b）交叉相關(guān)法；（c）光流法 Fig. 6 Comparison between motion vector field at 06:30 BT 13 April 2016: (a) particle filtering fusion algorithm;(b) cross-correlation approach; (c) optical flow method

檢驗(yàn)結(jié)果表明[19]，粒子濾波法能對(duì)各中天氣類型的回波進(jìn)行較好的預(yù)報(bào)，尤其是颮線預(yù)報(bào)效果好于光流法和交叉相關(guān)法。

2 人工智能臨近預(yù)報(bào)方法研究

2.1 人工智能臨近預(yù)報(bào)方法研究進(jìn)展

20世紀(jì)80年代開始，人工智能技術(shù)已經(jīng)在氣象領(lǐng)域得到探索性的應(yīng)用，從氣候資料的處理分析到預(yù)報(bào)產(chǎn)品的制作都有涉足，其中主要有[32]基于人工神經(jīng)網(wǎng)絡(luò)、基于遺傳計(jì)算及其融合算法、基于支持向量機(jī)方法、基于貝葉斯方法等氣象預(yù)報(bào)方法。由于計(jì)算能力、數(shù)據(jù)存儲(chǔ)分析能力、以及人工智能算法等基礎(chǔ)條件的限制，盡管當(dāng)時(shí)的一些成果已顯示出較好的應(yīng)用前景，人工智能技術(shù)在氣象領(lǐng)域的進(jìn)展仍受到了制約[20]。

面對(duì)信息技術(shù)和智能預(yù)報(bào)技術(shù)的快速發(fā)展，國內(nèi)氣象界也在積極探索將智能預(yù)報(bào)技術(shù)與氣象業(yè)務(wù)科技的發(fā)展相結(jié)合，并開展了積極的嘗試。如中央氣象臺(tái)、福建省氣象臺(tái)等氣象部門通過合作開展基于卷積神經(jīng)網(wǎng)絡(luò)、決策樹模型等算法的智能臨近預(yù)報(bào)方法研究。香港天文臺(tái)從2014年開始和香港科技大學(xué)合作開發(fā)基于卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型的深度學(xué)習(xí)降水臨近預(yù)報(bào)方法[33]。通過機(jī)器深度學(xué)習(xí)，模擬雷達(dá)回波未來2 h的移動(dòng)路徑，較傳統(tǒng)基于光流法預(yù)測雷達(dá)回波移動(dòng)具有了新的優(yōu)勢。

2.2 基于生成對(duì)抗網(wǎng)絡(luò)GAN 的智能預(yù)報(bào)技術(shù)

基于生成對(duì)抗網(wǎng)絡(luò)GAN的智能預(yù)報(bào)技術(shù)是從一系列雷達(dá)觀測資料中，運(yùn)用圖像識(shí)別等方法提取知識(shí)和信息建立預(yù)測模型，并通過損失函數(shù)訓(xùn)練模型，輸出產(chǎn)品，進(jìn)行預(yù)報(bào)的人工智能臨近預(yù)報(bào)新技術(shù)。該方法可快速和智能化地識(shí)別回波，從而預(yù)報(bào)未來一段時(shí)間內(nèi)對(duì)流天氣發(fā)生和影響區(qū)域（圖7）。

圖7 基于GAN的人工智能臨近預(yù)報(bào)方法示意圖 Fig. 7 Artificial intelligent nowcasting approach based on GAN

GAN由谷歌大腦團(tuán)隊(duì)的Goodfellow等[22]提出，近幾年在學(xué)術(shù)界受到廣泛的關(guān)注，但目前研究主要集中在傳統(tǒng)的視覺領(lǐng)域，即利用GAN模型生成傳統(tǒng)視覺領(lǐng)域圖片，如鳥、貓、狗等。深圳市氣象局首次使用GAN方法來做回波臨近預(yù)報(bào)。

2.2.1建 模模型時(shí)的，建需立對(duì)及原訓(xùn)始練雷達(dá)圖片進(jìn)行5次卷積[34]。其中第一到第四次卷積分別對(duì)輸入圖片采用卷積層和糾正線性函數(shù)ReLU[35]進(jìn)行卷積，分別獲取圖片特征，第五次卷積采用卷積層和雙曲正切函數(shù)[36]進(jìn)行卷積，獲得第五特征圖，再對(duì)5次獲取的卷積進(jìn)行堆疊完成模型。建模應(yīng)用了2015—2017年共3年的雷達(dá)數(shù)據(jù)。

通過堆疊5個(gè)卷積層從原始圖像中提取的特征，建立預(yù)報(bào)模型，輸出預(yù)報(bào)目標(biāo)，通過計(jì)算預(yù)報(bào)目標(biāo)與真實(shí)目標(biāo)圖像之間的損失函數(shù)，再通過損失函數(shù)對(duì)模型進(jìn)行訓(xùn)練，促使模型向正確的方向優(yōu)化。

嚴(yán)格來說，一個(gè)GAN框架，最少擁有兩個(gè)組成部分，一個(gè)是生成器G（Generator），一個(gè)是判別器D（Discriminator）。生成器G基于模型生成預(yù)報(bào)回波圖像序列。判別器則需要對(duì)生成器生成的圖片進(jìn)行真假判別。在訓(xùn)練過程中，會(huì)把生成器生成的樣本和真實(shí)樣本信息傳遞給判別器D。判別器D的目標(biāo)是盡可能正確地識(shí)別出真實(shí)樣本，和盡可能正確地揪出生成的樣本，也就是假樣本。而生成器的目標(biāo)則和判別器相反，就是盡可能最小化判別器揪出它的概率。

生成器G 和判別器D 組成一個(gè)最小最大游戲（min-max game），在訓(xùn)練過程中雙方都不斷優(yōu)化自己，直到達(dá)到平衡——雙方都無法變得更好，也就是假樣本與真樣本完全不可區(qū)分，從而完成模型的優(yōu)化訓(xùn)練。

GAN方法本身沒有明確的“預(yù)報(bào)”過程。在模型的訓(xùn)練過程中，使用歷史序列雷達(dá)圖片和1 h內(nèi)預(yù)測目標(biāo)的數(shù)據(jù)對(duì)作為訓(xùn)練樣本。這樣模型在訓(xùn)練中學(xué)到的輸出就是未來1 h的預(yù)報(bào)。對(duì)抗學(xué)習(xí)模型見圖8。

圖8 基于GAN的智能臨近預(yù)報(bào)對(duì)抗學(xué)習(xí)外推模型 Fig. 8 Adversarial learning model based on GAN

2.2.2 模型的效果

受南海西北部熱帶低壓和西南氣流的共同影響，2018年6月5日廣東大部分地區(qū)出現(xiàn)了暴雨降水。降水主要出現(xiàn)在5日上午后。低壓外圍的對(duì)流云團(tuán)不斷涌現(xiàn)，給廣東帶來持續(xù)的間歇性降水。

選取當(dāng)日12時(shí)的回波進(jìn)行60 min的外推預(yù)報(bào)試驗(yàn)。對(duì)比這次降水過程雷達(dá)反射率因子拼圖13時(shí)的實(shí)況（圖9c）和智能預(yù)報(bào)方法在12時(shí)起報(bào)的13時(shí)外推預(yù)報(bào)（圖9b），智能預(yù)報(bào)方法預(yù)報(bào)出了主要的四塊回波：粵西一帶的東北—西南向的條狀回波、珠江口西側(cè)的偏西北—東南向的條狀回波、珠江口東側(cè)的回波及粵東沿海的條狀回波。預(yù)報(bào)的回波位置與實(shí)況大致相當(dāng)，但強(qiáng)度偏弱，強(qiáng)回波的范圍偏大。

圖9 2018年6月5日反射率因子拼圖實(shí)況和預(yù)報(bào)：（a）16：12實(shí)況；（b）16：12的60 min預(yù)報(bào)；（c）17：12實(shí)況 Fig. 9 Comparison between the Guangdong multi-radar mosaic on June 5, 2018: (a) real radar echo at 16:12 BT;(b) 60 min forecast at 16:12 BT; (c) real radar echo at 17:12 BT

相對(duì)于天氣過程的非線性、多因子作用的特點(diǎn)，只用雷達(dá)數(shù)據(jù)做預(yù)報(bào)顯然是不夠的。在進(jìn)行模型訓(xùn)練時(shí)，除了雷達(dá)數(shù)據(jù)，還應(yīng)該包含大氣動(dòng)力信息、熱力信息，甚至地形信息等，以提高模型的適應(yīng)能力，提高智能預(yù)報(bào)水平。對(duì)算法的改進(jìn)，可以考慮在模型中加入Dense Net結(jié)構(gòu)、Batch Normalization批歸一化層等，以提高模型的性能。

3 預(yù)報(bào)效果評(píng)估

多年臨近預(yù)報(bào)方法的研究，極大提升了深圳市氣象局臨近預(yù)報(bào)預(yù)警水平。對(duì)流天氣預(yù)警時(shí)間提前量由30 min左右提高到2018年的56 min。為了對(duì)臨近預(yù)報(bào)效果進(jìn)行定量檢驗(yàn)，分別計(jì)算粒子濾波法、光流法和GAN智能臨近預(yù)報(bào)方法的擊中率（POD）、空報(bào)率（FAR）、臨界成功指數(shù)（CSI），具體算法見文獻(xiàn)[16]。選取2018年的18個(gè)降水過程，包括西風(fēng)帶、西南季風(fēng)、臺(tái)風(fēng)降水等，將回波強(qiáng)度分為25～80，35～80，45～80 dBz三個(gè)等級(jí)。結(jié)果如圖10。

圖10 粒子濾波法、光流法及GAN方法1 h預(yù)報(bào)試驗(yàn)結(jié)果擊中率、空報(bào)率和臨界成功指數(shù)對(duì)比 Fig. 10 Comparation of hit rate, false forecasting rate and critical success index (CSI) in 1 hour later forecasting experiment via particle filtering method, optical flow and GAN

由圖10可知，三種方法對(duì)25 dBz以上中等強(qiáng)度回波的POD都在55%以上，其中光流法最高，GAN方法次之，略低于光流法。而成功臨近指數(shù)CSI中，光流法和GAN方法大致相當(dāng)。由此可知，總體優(yōu)勢上，GAN和傳統(tǒng)的光流法大致相當(dāng)。對(duì)光流法，三種強(qiáng)度回波的預(yù)報(bào)效果均好于GAN方法和粒子濾波法，目前業(yè)務(wù)應(yīng)用以光流法為主。但對(duì)不同的過程，三種方法預(yù)報(bào)效果不盡相同，光流法對(duì)局地生成及強(qiáng)度隨時(shí)間快速變化的回波預(yù)報(bào)效果較好，粒子濾波法對(duì)颮線的預(yù)報(bào)效果較好，而GAN方法對(duì)颮線和臺(tái)風(fēng)的預(yù)報(bào)也具有較大的參考價(jià)值。

4 結(jié)論和討論

近些年來，深圳市氣象局逐漸開發(fā)了基于運(yùn)動(dòng)矢量場的交叉相關(guān)法、光流法、粒子濾波融合法臨近預(yù)報(bào)技術(shù)，并與哈爾濱工業(yè)大學(xué)深圳研究生院合作開展了基于生成對(duì)抗網(wǎng)絡(luò)（GAN）的人工智能臨近預(yù)報(bào)方法研究。

基于運(yùn)動(dòng)矢量場的臨近預(yù)報(bào)方法中，三種預(yù)報(bào)方法對(duì)于不同天氣過程各有優(yōu)勢，業(yè)務(wù)中很難有一種方法能很好地做出所有天氣過程的臨近預(yù)報(bào)，對(duì)于不同的天氣過程，只能通過預(yù)報(bào)員的判斷來選擇采用哪種預(yù)報(bào)方法?；谏蓪?duì)抗網(wǎng)絡(luò)（GAN）的人工智能臨近預(yù)報(bào)方法大致可以預(yù)報(bào)1 h的回波，預(yù)報(bào)結(jié)果有一定的參考價(jià)值。

目前，基于雷達(dá)回波的外推臨近預(yù)報(bào)技術(shù)是基于雷達(dá)反射率因子單個(gè)因子，并沒有考慮影響風(fēng)暴生消的動(dòng)力學(xué)、熱力學(xué)等因素，幾乎沒有能力預(yù)報(bào)回波強(qiáng)度的變化，對(duì)于生命史小于預(yù)報(bào)時(shí)效的雷暴，預(yù)報(bào)意義不大。而對(duì)于風(fēng)暴生命史較長的過程，比如超級(jí)單體風(fēng)暴、持續(xù)幾個(gè)小時(shí)的強(qiáng)颮線、由鋒面造成的強(qiáng)降水雨帶以及臺(tái)風(fēng)等大尺度天氣過程，外推臨近預(yù)報(bào)具有一定的現(xiàn)實(shí)意義。

對(duì)于人工智能臨近預(yù)報(bào)方法，災(zāi)害性天氣事件如冰雹、龍卷、臺(tái)風(fēng)等的氣象觀測數(shù)據(jù)目前尚未達(dá)到深度學(xué)習(xí)需要的樣本數(shù)量，所以基于深度學(xué)習(xí)的智能臨近預(yù)報(bào)方法的研究是一個(gè)持續(xù)的過程，需要持續(xù)的投入研究。

對(duì)于臨近預(yù)報(bào)未來發(fā)展主要依賴以下幾方面：一是數(shù)值模式的發(fā)展，將先進(jìn)的外推預(yù)報(bào)方法同快速更新循環(huán)的高時(shí)空分辨率數(shù)值模式預(yù)報(bào)以及二者的融合，是未來強(qiáng)對(duì)流天氣短時(shí)臨近預(yù)報(bào)的重要發(fā)展方向[13]；二是大數(shù)據(jù)的挖掘，發(fā)展基于人工智能的臨近預(yù)報(bào)方法，希望可以尋找到一些規(guī)則并應(yīng)用到業(yè)務(wù)服務(wù)中；三是風(fēng)暴追蹤算法的不斷改進(jìn)；四是預(yù)報(bào)員能力的逐漸提高。