深度學(xué)習(xí)網(wǎng)絡(luò)在降水相態(tài)判識和預(yù)報(bào)中的應(yīng)用*

黃驕文 蔡榮輝 姚 蓉 王勝春 滕志偉

1 湖南省氣象臺，長沙 410118 2 氣象防災(zāi)減災(zāi)湖南省重點(diǎn)實(shí)驗(yàn)室，長沙 410118 3 湖南師范大學(xué)信息科學(xué)與工程學(xué)院，長沙 410081

提 要： 利用1996—2015年中國的高空探測資料和地面觀測數(shù)據(jù)，挑選發(fā)生降水的數(shù)十萬個(gè)樣本將其分為降雨和降雪兩類事件，抽象為二分類問題，采用深度學(xué)習(xí)網(wǎng)絡(luò)技術(shù)構(gòu)建降水相態(tài)判識模型，并用2016—2017年的數(shù)據(jù)進(jìn)行測試檢驗(yàn)，針對2018年1月下旬中國一次大范圍雨雪天氣過程進(jìn)行個(gè)例檢驗(yàn)，在此基礎(chǔ)上探討了深度學(xué)習(xí)網(wǎng)絡(luò)在降水相態(tài)判識和預(yù)報(bào)中的應(yīng)用。主要結(jié)論如下：基于深度學(xué)習(xí)網(wǎng)絡(luò)判識模型的判識準(zhǔn)確率為98.2%，雨、雪的TS評分分別為97.4%和94.4%，相應(yīng)空報(bào)率為1.7% 和2.0%，漏報(bào)率為1.0%和3.7%，較傳統(tǒng)指標(biāo)閾值法的判識準(zhǔn)確率有較大提高；個(gè)例檢驗(yàn)顯示，基于實(shí)況探空數(shù)據(jù)的模型判識結(jié)果與降水相態(tài)實(shí)況在全國基本保持一致，歐洲中期數(shù)值預(yù)報(bào)中心(ECMWF)的降水相態(tài)預(yù)報(bào)產(chǎn)品和模型的預(yù)報(bào)結(jié)果對全國的降水相態(tài)都表現(xiàn)出較好的預(yù)報(bào)能力，而對雨雪分界線的預(yù)報(bào)，模型的預(yù)報(bào)結(jié)果較ECMWF總體上更接近實(shí)況。測試結(jié)果表明，模型較好地提取了雨、雪降水相態(tài)的結(jié)構(gòu)特征，深度學(xué)習(xí)網(wǎng)絡(luò)在降水相態(tài)判識和預(yù)報(bào)中的應(yīng)用具有可行性和一定的優(yōu)勢，可為降水相態(tài)的客觀判識和預(yù)報(bào)提供重要技術(shù)支撐。

引 言

隨著社會(huì)的發(fā)展，冬季降水對人們的生產(chǎn)生活造成的影響愈發(fā)嚴(yán)重(馬宗晉，2009)。一次冬季降水過程中可能同時(shí)包含多種降水相態(tài)或不同降水相態(tài)之間的轉(zhuǎn)換，而不同降水相態(tài)的致災(zāi)性是不一樣的。例如24 h累計(jì)降水量達(dá)到5 mm時(shí)，如果降水相態(tài)是雨，則只是小雨天氣，對城市運(yùn)行和社會(huì)生產(chǎn)生活的影響不大；如果降水相態(tài)是雪，天氣表現(xiàn)為大雪，致災(zāi)性會(huì)大大提升；而如果降水相態(tài)是凍雨或者冰粒時(shí)，這種冰凍天氣帶來的影響則可能是致命的。即使是很弱的降雪過程，如果降水相態(tài)預(yù)報(bào)出錯(cuò)，也會(huì)給城市運(yùn)行帶來嚴(yán)重的不利影響(孫繼松等，2003；蔣建瑩等，2005)。因此，冬季降水相態(tài)的判識和預(yù)報(bào)問題非常關(guān)鍵，這對滿足精細(xì)化天氣預(yù)報(bào)需求、進(jìn)一步提升防災(zāi)減災(zāi)能力具有重要意義。

我國冬季降水相態(tài)主要包括雨、雪、雨夾雪、凍雨、冰粒等。近幾十年來，國內(nèi)外學(xué)者開展了很多關(guān)于降水相態(tài)方面的研究，得到了不少有益的成果。Lownde et al(1974)提出用1000～850 hPa的位勢厚度值來區(qū)分雨雪。Heppner(1992)在此基礎(chǔ)上，增加850～700 hPa的位勢厚度值來識別雨、雪、凍雨和冰粒。Bernstein(2000)、李江波等(2009)、漆梁波和張瑛(2012)、張琳娜等(2013)、孫燕等(2013)和余金龍等(2017)通過個(gè)例研究給出了一些降水相態(tài)的判識指標(biāo)和閾值，其中多是包括近地面氣溫、位勢厚度等單個(gè)指標(biāo)或多個(gè)指標(biāo)的組合，較好的指標(biāo)對降雪的判識準(zhǔn)確率在80%左右。但是，在前人的研究中，降水相態(tài)判識的指標(biāo)閾值在不同區(qū)域存在差異，不具有普適性。降水相態(tài)的形成與整個(gè)大氣層結(jié)中的溫、濕度及其平流變化等有關(guān)(楊舒楠等，2017)，簡單的指標(biāo)閾值法往往表征某些方面的特性，不能很好地體現(xiàn)整層大氣之間復(fù)雜的關(guān)系，并且不同指標(biāo)判識結(jié)果不一致時(shí)，也無法取舍。

近些年來，計(jì)算機(jī)運(yùn)算的能力得到不斷提升，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用也得到推廣。氣象部門積累了海量實(shí)況數(shù)據(jù)，因而人工神經(jīng)網(wǎng)絡(luò)在氣象上的應(yīng)用擁有廣泛的發(fā)展空間(Ortiz-Garcíaa et al，2014；Young et al，2017；李文娟等，2018)。董全等(2013)通過對比人工神經(jīng)網(wǎng)絡(luò)法和線性回歸法發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)法對降水相態(tài)的預(yù)報(bào)效果更優(yōu)。彭霞云等(2018)利用決策樹和隨機(jī)森林算法對浙江省冬季降水個(gè)例進(jìn)行研究發(fā)現(xiàn)，隨機(jī)森林算法可使降雪的判識準(zhǔn)確率得到明顯提高。陳雙等(2019)基于云頂溫度、中層融化參數(shù)、低層濕球溫度構(gòu)建的決策樹判別模型，可較好地提升臨界氣溫下雨、雪的判別準(zhǔn)確率。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)網(wǎng)絡(luò)模型采用分層無監(jiān)督訓(xùn)練方法，模型學(xué)習(xí)能力大大增加，可在大量的數(shù)據(jù)中自動(dòng)提取相應(yīng)的特征(韓豐等，2019；黃小玉等，2019；郭瀚陽等，2019)。相比于傳統(tǒng)的機(jī)器學(xué)習(xí)手動(dòng)提取特征，深度學(xué)習(xí)有著更強(qiáng)的特征學(xué)習(xí)能力，能提取到更加豐富準(zhǔn)確的信息，分類和預(yù)報(bào)效果獲得極大的提升。因此，本文擬采用深度學(xué)習(xí)網(wǎng)絡(luò)，研究其在我國冬季降水相態(tài)判識和預(yù)報(bào)中的應(yīng)用。

1 數(shù) 據(jù)

1.1 數(shù)據(jù)說明

本文采用1996—2018年共23年逐日08時(shí)和20時(shí)(北京時(shí)，下同)的高空探空數(shù)據(jù)和地面觀測填圖資料，其中1996—2015年共20年的探空數(shù)據(jù)和地面觀測資料作為模型的訓(xùn)練集，以此建立基于深度學(xué)習(xí)網(wǎng)絡(luò)的降水相態(tài)判識模型，2016—2017年冬季(12月至次年2月)數(shù)據(jù)作為降水相態(tài)判識模型的統(tǒng)計(jì)學(xué)檢驗(yàn)樣本集，2018年數(shù)據(jù)集作為該模型的天氣學(xué)個(gè)例檢驗(yàn)樣本集，高空探空數(shù)據(jù)為中國120個(gè)探空站數(shù)據(jù)，站點(diǎn)分布如圖1所示；2018年逐日08時(shí)和20時(shí)起報(bào)的歐洲中期數(shù)值預(yù)報(bào)中心(ECMWF)的降水相態(tài)預(yù)報(bào)產(chǎn)品，空間分辨率為0.125°×0.125°，用來在天氣學(xué)個(gè)例預(yù)報(bào)檢驗(yàn)中與模型的預(yù)報(bào)結(jié)果進(jìn)行對比檢驗(yàn)。文中所涉及的地圖是基于審圖號為GS(2017)3320號的中國地圖制作，底圖無修改。

圖1 中國120個(gè)探空站的分布Fig.1 Distribution of 120 sounding stations in China

降水相態(tài)的預(yù)報(bào)包含了晴雨預(yù)報(bào)和發(fā)生降水后的相態(tài)預(yù)報(bào)兩個(gè)問題，晴雨預(yù)報(bào)的偏差會(huì)影響降水相態(tài)的預(yù)報(bào)偏差，為了簡化問題，本文降水相態(tài)判識模型的構(gòu)建和檢驗(yàn)只針對出現(xiàn)降水的站點(diǎn)和地區(qū)。

1.2 數(shù)據(jù)預(yù)處理

在將數(shù)據(jù)集輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練前，需要對數(shù)據(jù)集進(jìn)行預(yù)處理。首先，挑選出中國探空站和對應(yīng)地面觀測數(shù)據(jù)，將同一時(shí)間的探空數(shù)據(jù)與地面填圖資料進(jìn)行一一匹配。隨后，將高空所有探空特性層的氣象要素自下向上按層編排，與該對應(yīng)時(shí)次站點(diǎn)的地面填圖要素進(jìn)行合并，最后拼接成一條長序列數(shù)據(jù)條，作為訓(xùn)練模型標(biāo)準(zhǔn)的輸入數(shù)據(jù)條。

由于高空和地面的氣溫和露點(diǎn)溫度是影響降水相態(tài)變化的關(guān)鍵因子，為了避免選取多個(gè)氣象因子帶來的樣本損失，突出關(guān)鍵氣象因子的作用，本文模型訓(xùn)練集采用的氣象要素只包括地面氣溫、露點(diǎn)溫度，以及高空的氣壓、氣溫和露點(diǎn)溫度。根據(jù)地面觀測資料中的天氣現(xiàn)象編碼，將降水相態(tài)分為雨(包括降雨和凍雨)和雪(包括純雪和雨夾雪)兩類，其中雨、雪降水相態(tài)對應(yīng)的天氣現(xiàn)象編碼如表1所示。

表1 雨、雪降水相態(tài)對應(yīng)的天氣現(xiàn)象編碼Table 1 Weather code corresponding to precipitation type of rain and snow

在模型訓(xùn)練過程中，每個(gè)輸入數(shù)據(jù)條包含了不同的氣象因子，而這些氣象因子的量綱和數(shù)值量級都是不一樣的。如果在模型訓(xùn)練中直接使用原始的數(shù)據(jù)值，就會(huì)突出數(shù)值較高的氣象因子在模型訓(xùn)練中的作用，相對削弱數(shù)值水平較低因子的作用。因此，為了消除不同氣象因子之間的量綱和數(shù)量級的影響，本文對所有輸入的氣象因子分別進(jìn)行標(biāo)準(zhǔn)化處理：采用歸一化處理，對原始數(shù)據(jù)進(jìn)行線性變換，將數(shù)據(jù)統(tǒng)一映射到0～1的區(qū)間上，轉(zhuǎn)換公式為：

式中：X為輸入的氣象因子序列，X*為標(biāo)準(zhǔn)化后的新序列，max(X)和min(X)分別為該因子序列的最大值和最小值。

1.3 數(shù)據(jù)質(zhì)量控制

在樣本數(shù)據(jù)輸入前，還需對其進(jìn)行嚴(yán)格的質(zhì)量控制。本文高空探空數(shù)據(jù)選取的是自下向上依次6個(gè)特性層的數(shù)據(jù)，不同海拔高度的站點(diǎn)選取的特性層也不一樣，例如在低海拔地區(qū)的湖南長沙站，6個(gè)特性層選取的是1000、925、850、700、500和400 hPa，而在高海拔地區(qū)的西藏拉薩站，選取的是500、400、300、250、200和150 hPa。在此過程中，將由站點(diǎn)海拔高度過高等原因?qū)е略撎娇照緮?shù)據(jù)不足6個(gè)特性層的樣本剔除，當(dāng)選取的數(shù)據(jù)樣本中的氣象要素存在缺測，也將該條數(shù)據(jù)樣本進(jìn)行剔除，同時(shí)還將包含奇異值，即超出該氣象因子的正常閾值范圍的數(shù)據(jù)樣本剔除。最終，得到輸入模型中的雨和雪兩類降水相態(tài)的訓(xùn)練集和測試集，樣本集數(shù)量如表2所示。

表2 雨、雪降水相態(tài)的樣本數(shù)(單位：個(gè))Table 2 Samples corresponding to precipitation type of rain and snow

2 方 法

2.1 深度神經(jīng)網(wǎng)絡(luò)算法

深度神經(jīng)網(wǎng)絡(luò)(deep neural network，DNN)是一種人工神經(jīng)網(wǎng)絡(luò)(Hinton et al，2006)，包含多個(gè)隱藏層，根據(jù)神經(jīng)元的特點(diǎn)可分為多層感知機(jī)(multi-layer perception，MLP)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)等，不管它是線性還是非線性的關(guān)系，DNN能夠在數(shù)據(jù)之間找到正確的計(jì)算關(guān)系，通過在各個(gè)層之間的計(jì)算，得到每個(gè)輸出結(jié)果的概率。通過訓(xùn)練識別降水相態(tài)的DNN，將遍歷給定的數(shù)據(jù)集并計(jì)算每一種降水相態(tài)的概率，用戶查看結(jié)果并選擇最好的概率(高于某個(gè)閾值)，返回對應(yīng)建議的標(biāo)簽。這樣每種降水相態(tài)的計(jì)算操作被認(rèn)為是一個(gè)層，復(fù)雜的DNN有許多層，因此被稱為深層神經(jīng)網(wǎng)絡(luò)。

DNN按不同層的位置劃分，其內(nèi)部的神經(jīng)網(wǎng)絡(luò)層可以分為三類：輸入層、隱藏層和輸出層(圖2)，其中第一層是輸入層，最后一層是輸出層，而中間的層數(shù)都是隱藏層。DNN通常是前饋網(wǎng)絡(luò)，其中數(shù)據(jù)從輸入層流向輸出層而不會(huì)回送。首先，DNN創(chuàng)建虛擬神經(jīng)元的映射，并將隨機(jī)數(shù)值或“權(quán)重”分配給它們之間的連接，權(quán)重和輸入相乘并返回0～1的輸出。如果網(wǎng)絡(luò)沒有準(zhǔn)確識別特定模式，算法將調(diào)整權(quán)重，直到它確定了正確的數(shù)學(xué)運(yùn)算，以充分處理數(shù)據(jù)。目前，包括計(jì)算機(jī)視覺、語音識別和機(jī)器人在內(nèi)的諸多人工智能應(yīng)用已廣泛使用了深度神經(jīng)網(wǎng)絡(luò)，DNN在很多人工智能任務(wù)中表現(xiàn)出了當(dāng)前最佳的準(zhǔn)確度，因此本文采用DNN構(gòu)建降水相態(tài)判識模型。

“微型探究”策略引導(dǎo)：設(shè)計(jì)“微型探究”問題時(shí)必須考慮學(xué)生已有的認(rèn)知，找準(zhǔn)探究情境與教學(xué)內(nèi)容之間的有效結(jié)合點(diǎn)，設(shè)計(jì)出合理的、具有思考價(jià)值的若干個(gè)問題串，通過“微型探究”，讓學(xué)生體驗(yàn)數(shù)學(xué)家對數(shù)學(xué)概念的抽象過程，領(lǐng)悟探索知識的思維方法，由“知其然”發(fā)展到“知其所以然”，并體會(huì)蘊(yùn)涵其中的數(shù)學(xué)思想方法，從而實(shí)現(xiàn)學(xué)習(xí)價(jià)值的最大化和最優(yōu)化.

圖2 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖(龐勇，2003)Fig.2 Structure diagram of deep neural network (Pang, 2003)

2.2 降水相態(tài)判識模型

通過大量訓(xùn)練試驗(yàn)，本文基于DNN的降水相態(tài)判識模型共設(shè)置5層神經(jīng)網(wǎng)絡(luò)，其中輸入層主要提取經(jīng)過預(yù)處理和質(zhì)量控制后的數(shù)據(jù)。在輸入層中對數(shù)據(jù)進(jìn)行歸一化處理，消除不同氣象因子量綱和數(shù)量級的影響，在使用梯度下降的方法求解最優(yōu)問題時(shí)，歸一化后還可加快梯度下降的求解速度，即提升模型的收斂速度。經(jīng)過輸入層后，數(shù)據(jù)將通過3個(gè)隱藏層進(jìn)行一系列變換，隱藏層節(jié)點(diǎn)數(shù)分別設(shè)置為500、100和20個(gè)，最后在到達(dá)輸出層，得到模型的分類結(jié)果。線性整流函數(shù)(rectified linear unit，ReLU)，又被稱為修正線性單元，通常指代以斜坡函數(shù)及其變種為代表的非線性函數(shù)，是人工神經(jīng)網(wǎng)絡(luò)中常用的一種激活函數(shù)(Krizhevsky et al，2012)。本文使用ReLU作為激活函數(shù)，設(shè)置初始為0.001的自適應(yīng)學(xué)習(xí)率，得到前向傳播的結(jié)果，結(jié)合對數(shù)損失函數(shù)(李航，2012)的方法對比結(jié)果與實(shí)況的差別，使用自適應(yīng)矩估計(jì)(adaptive moment estimation，Adam)優(yōu)化算法(Kingma and Ba，2014)進(jìn)行反向傳播，更新權(quán)重，每次訓(xùn)練選取的樣本數(shù)設(shè)為200個(gè)，共設(shè)置2 000次迭代，通過反復(fù)訓(xùn)練，尋找最優(yōu)的結(jié)果，最終得到基于DNN的降水相態(tài)判識網(wǎng)絡(luò)模型。

2.3 檢驗(yàn)方法

本文利用實(shí)況資料構(gòu)建基于深度學(xué)習(xí)網(wǎng)絡(luò)的降水相態(tài)判識模型，對該模型的檢驗(yàn)分為兩個(gè)部分，一部分是基于實(shí)況數(shù)據(jù)進(jìn)行實(shí)況判識檢驗(yàn)，另一部分是基于ECMWF未來24 h預(yù)報(bào)數(shù)據(jù)，對模型輸出的預(yù)報(bào)結(jié)果和ECMWF降水相態(tài)產(chǎn)品進(jìn)行預(yù)報(bào)對比檢驗(yàn)。模型預(yù)報(bào)結(jié)果和ECMWF降水相態(tài)預(yù)報(bào)產(chǎn)品均采用最近鄰點(diǎn)插值法，將離站點(diǎn)最近的網(wǎng)格點(diǎn)數(shù)據(jù)賦值給該站點(diǎn)，實(shí)現(xiàn)格點(diǎn)數(shù)據(jù)向站點(diǎn)數(shù)據(jù)的轉(zhuǎn)化。檢驗(yàn)中判識準(zhǔn)確率、TS(threat score)評分、空報(bào)率和漏報(bào)率計(jì)算公式如下：

式中：NA為實(shí)況出現(xiàn)時(shí)的判識正確站(次)數(shù)，NB為實(shí)況未出現(xiàn)但模型判識出現(xiàn)的站(次)數(shù)，NC為實(shí)況出現(xiàn)但模型判識不出現(xiàn)的站(次)數(shù)，ND為實(shí)況未出現(xiàn)時(shí)的判識正確站(次)數(shù)。

3 結(jié)果檢驗(yàn)

3.1 統(tǒng)計(jì)學(xué)檢驗(yàn)

2016—2017年冬季，我國120個(gè)探空站08時(shí)和20時(shí)發(fā)生降水的樣本共有3 281個(gè)，其中降雨樣本2 222個(gè)，降雪樣本1 059個(gè)(表2)。通過計(jì)算模型的判識準(zhǔn)確率以及降雨和降雪的TS評分、漏報(bào)率和空報(bào)率，對基于深度學(xué)習(xí)網(wǎng)絡(luò)的降水相態(tài)判識模型進(jìn)行檢驗(yàn)。結(jié)果顯示，模型的判識準(zhǔn)確率可達(dá)98.2%，其中有3 221個(gè)樣本判識正確，60個(gè)樣本判識錯(cuò)誤，出錯(cuò)的樣本主要集中在我國南方地區(qū)，模型在湖南郴州站和貴州貴陽站判識出錯(cuò)的頻次最高，均出現(xiàn)了5次判識錯(cuò)誤(圖3)。統(tǒng)計(jì)學(xué)檢驗(yàn)的結(jié)果顯示(圖4)，降雨和降雪的TS評分分別達(dá)到了97.4% 和94.4%，空報(bào)率分別為1.7%和2.0%，漏報(bào)率為1.0%和3.7%，在錯(cuò)判的樣本中，有39個(gè)樣本實(shí)況為降雪，模型判識為降雨，還有21個(gè)樣本實(shí)況為降雨，模型判識為降雪。指標(biāo)閾值法對降雪的判識準(zhǔn)確率很少有超過90%的(漆梁波和張瑛，2012；張琳娜等，2013；孫燕等，2013；余金龍等，2017；彭霞云等，2018)，相較于傳統(tǒng)指標(biāo)閾值法，模型的判識準(zhǔn)確率有較大提升?？梢?，基于深度學(xué)習(xí)網(wǎng)絡(luò)的降水相態(tài)判識模型對實(shí)況數(shù)據(jù)表現(xiàn)出良好的判識性能。

圖3 基于2016—2017年冬季樣本模型判識出錯(cuò)的探空站點(diǎn)頻次(單位：次)Fig.3 Frequency of sounding stations with the model giving incorrect identification based on the winter samples during 2016-2017

圖4 基于2016—2017年冬季樣本的雨、雪相態(tài)統(tǒng)計(jì)學(xué)檢驗(yàn)結(jié)果Fig.4 Statistical test results of rain and snow based on the winter samples during 2016-2017

3.2 北方天氣個(gè)例檢驗(yàn)

2018年1月下旬，我國各地出現(xiàn)了大范圍的雨雪天氣，其中1月21—22日北方地區(qū)出現(xiàn)雨雪天氣過程，接著24—28日我國南方出現(xiàn)了一次大范圍的低溫雨雪天氣過程。此次過程具有雨雪冰凍范圍廣、嚴(yán)寒程度重、持續(xù)時(shí)間長等特點(diǎn)，造成了自2008年以來又一次較大范圍的雨雪冰凍災(zāi)害。

在北方地區(qū)雨雪天氣過程的開始階段(圖5)，從降水相態(tài)的實(shí)況可看出，在內(nèi)蒙古中部、山西北部、河北中北部、北京和天津都出現(xiàn)了降雪，而長江中下游地區(qū)出現(xiàn)大片的降雨區(qū)。21日20時(shí)我國探空站共有12個(gè)站點(diǎn)發(fā)生降水，其中10個(gè)站為降雨，2個(gè)站為降雪，模型基于探空站實(shí)況數(shù)據(jù)的判識結(jié)果與降水相態(tài)實(shí)況全部一致，判識準(zhǔn)確率為100%。從ECMWF和模型對21日20時(shí)降水相態(tài)的預(yù)報(bào)結(jié)果對比可看出(與地面站觀測對比，下文同)，二者均在華北地區(qū)和長江中下游地區(qū)分別預(yù)報(bào)了降雪和降雨，與降水相態(tài)實(shí)況較一致，但存在較大范圍的空報(bào)。此時(shí)ECMWF對降雨和降雪的TS評分分別為36.8%和12.6%，而模型則分別可達(dá)43.4%和20.0%，模型預(yù)報(bào)結(jié)果相對較好。

圖5 2018年1月21日20時(shí)中國北方地區(qū)雨雪天氣過程開始階段(a)降水相態(tài)實(shí)況(綠點(diǎn)：降雨，藍(lán)點(diǎn)：降雪)和模型基于實(shí)況的判識結(jié)果(數(shù)字1：降雨，數(shù)字2：降雪)，以及(b)ECMWF預(yù)報(bào)未來24 h的降水相態(tài)產(chǎn)品(綠色：降雨，藍(lán)色：降雪)和模型基于ECMWF預(yù)報(bào)數(shù)據(jù)的未來24 h降水相態(tài)預(yù)報(bào)結(jié)果(點(diǎn)號：降雨，星號：降雪)Fig.5 (a) Real precipitation type (points) and model identification results (numbers) (green dot and number 1: rain， blue dot and number 2: snow), and (b) the ECMWF 24 h products (shaded) and model forecast results (marks) of next 24 h during the beginning stage of rain and snow processes over North China at 20:00 BT 21 January 2018(green and red dots: rain, blue and stars: snow)

圖6 同圖5，但為2018年1月22日08時(shí)中國北方地區(qū)雨雪天氣過程結(jié)束階段Fig.6 Same as Fig.5， but for the ending stage of rain and snow processes over North China at 08:00 BT 22 January 2018

3.3 南方天氣個(gè)例檢驗(yàn)

在南方地區(qū)雨雪天氣過程的開始階段(圖7)，從降水相態(tài)的實(shí)況可看出，我國南方出現(xiàn)大范圍的雨雪天氣，雨雪分界線呈東西向分布，位置分布在四川北部—重慶北部—湖南北部—湖北東北部—安徽南部—浙江北部一線。25日08時(shí)我國探空站共有24個(gè)站點(diǎn)發(fā)生降水，其中8個(gè)站為降雨，16個(gè)站為降雪，此時(shí)模型判識準(zhǔn)確率為95.8%，降雨和降雪的TS評分分別為88.9%和93.4%?；谔娇照緦?shí)況數(shù)據(jù)的模型在上海站判識錯(cuò)誤，上海站實(shí)況為降雪，而模型判識為降雨，其他站點(diǎn)模型均判識正確。

圖7 同圖5，但為2018年1月25日08時(shí)中國南方地區(qū)雨雪天氣過程開始階段Fig.7 Same as Fig.5， but for the beginning stage of rain and snow processes over South China at 08:00 BT 25 January 2018

從ECMWF和模型對25日08時(shí)降水相態(tài)的預(yù)報(bào)結(jié)果對比可看出，二者的預(yù)報(bào)分歧主要位于四川東部和湖南西北部地區(qū)。從降水相態(tài)實(shí)況來看，四川東部主要以降雨為主，只有部分站點(diǎn)轉(zhuǎn)為降雪，ECMWF預(yù)報(bào)此時(shí)在四川東部全部為降雪，預(yù)報(bào)與實(shí)況存在較大偏差，而模型預(yù)報(bào)的結(jié)果在該地區(qū)表現(xiàn)為降雨，只在北部預(yù)報(bào)了降雪，與實(shí)況更為接近。在湖南西北部地區(qū)的降水相態(tài)實(shí)況此時(shí)已轉(zhuǎn)為降雪，ECMWF預(yù)報(bào)此時(shí)在湖南西北部地區(qū)主要以降雨為主，模型預(yù)報(bào)該地區(qū)為降雪。此時(shí)ECMWF對降雨和降雪的TS評分分別為33.7%和41.3%，而模型則分別可達(dá)42.4%和52.8%，模型預(yù)報(bào)結(jié)果相對較好。

在南方地區(qū)雨雪天氣過程的持續(xù)階段(圖8)，從降水相態(tài)的實(shí)況可看出，此時(shí)雨雪分界線呈“V”型分布，位置主要沿四川中部—貴州東部—湖南中部—江西北部—浙江中部地區(qū)分布。27日08時(shí)我國探空站共有33個(gè)站點(diǎn)發(fā)生降水，其中10個(gè)站為降雨，23個(gè)站為降雪，此時(shí)模型判識準(zhǔn)確率為94.0%，降雨和降雪的TS評分分別為81.8%和91.7%。基于探空站實(shí)況數(shù)據(jù)的模型在江西南昌站和浙江衢州站判識錯(cuò)誤，南昌站實(shí)況為降雨，模型判識為降雪，衢州站實(shí)況為降雪，模型判識為雨，其他站點(diǎn)模型均判識正確。判識出錯(cuò)站點(diǎn)均出現(xiàn)在雨雪邊界線附近，這些地區(qū)降雨和降雪的溫濕層結(jié)曲線比較近似，這可能是導(dǎo)致模型判識出錯(cuò)的原因。

圖8 同圖5，但為2018年1月27日08時(shí)下旬中國南方地區(qū)雨雪天氣過程持續(xù)階段Fig.8 Same as Fig.5， but for the continuous stage of rain and snow processes over South China at 08:00 BT 27 January 2018

從ECMWF和模型對27日08時(shí)降水相態(tài)的預(yù)報(bào)結(jié)果對比可看出，二者的預(yù)報(bào)分歧主要位于雨雪分界線附近地區(qū)。在貴州東部、湖南中部、江西北部和浙江中部地區(qū)，降水相態(tài)的實(shí)況顯示該地區(qū)均已轉(zhuǎn)變?yōu)榻笛?，ECMWF預(yù)報(bào)仍主要以降雨為主，雨雪分界線的位置預(yù)報(bào)偏北，與實(shí)況存在一定偏差。而模型預(yù)報(bào)結(jié)果顯示在該地區(qū)均為降雪，雨雪分界線的預(yù)報(bào)與實(shí)況基本一致，另外針對四川東南部和重慶西部地區(qū)的預(yù)報(bào)來看，模型較ECMWF預(yù)報(bào)的降水區(qū)更大，與實(shí)況更吻合。此時(shí)ECMWF對降雨和降雪的TS評分均為35.1%，而模型則分別可達(dá)40.6%和44.8%，模型預(yù)報(bào)結(jié)果相對較好。

在南方地區(qū)雨雪天氣過程的結(jié)束階段(圖9)，從降水相態(tài)的實(shí)況可看出，此時(shí)雨雪分界線呈東西向分布，位置分布在貴州南部—廣西北部—湖南南部—江西中部—浙江中部一線。28日20時(shí)我國探空站共有17個(gè)站點(diǎn)發(fā)生降水，其中10個(gè)站為降雨，7個(gè)站為降雪，判識準(zhǔn)確率為100%，模型基于探空站實(shí)況數(shù)據(jù)的判識結(jié)果與降水相態(tài)實(shí)況全部一致。

圖9 同圖5，但為2018年1月28日20時(shí)中國南方地區(qū)雨雪天氣過程結(jié)束階段Fig.9 Same as Fig.5， but for the ending stage of rain and snow processes over South China at 20:00 BT 28 January 2018

從ECMWF和模型對28日20時(shí)降水相態(tài)的預(yù)報(bào)結(jié)果對比可看出，二者的預(yù)報(bào)分歧主要位于湖南南部和江西中部地區(qū)。湖南南部的降水相態(tài)實(shí)況已轉(zhuǎn)為降雪，ECMWF預(yù)報(bào)此時(shí)仍為降雨，雨雪分界線較實(shí)況偏北，而模型預(yù)報(bào)的結(jié)果在該地區(qū)表現(xiàn)為降雪，跟實(shí)況基本一致。從江西中部的雨雪分界線對比來看，ECMWF預(yù)報(bào)產(chǎn)品與實(shí)況基本一致，而模型預(yù)報(bào)的結(jié)果略偏南。此時(shí)ECMWF對降雨和降雪的TS評分分別為50.8%和13.6%，而模型則分別可達(dá)51.9%和22.1%，相較于ECMWF的降水相態(tài)預(yù)報(bào)產(chǎn)品，模型預(yù)報(bào)結(jié)果仍較好。

通過2018年1月下旬中國一次雨雪天氣個(gè)例檢驗(yàn)發(fā)現(xiàn)，基于深度學(xué)習(xí)網(wǎng)絡(luò)的降水相態(tài)判識模型對實(shí)況數(shù)據(jù)的判識結(jié)果與降水相態(tài)實(shí)況基本一致，判識準(zhǔn)確率保持在94%以上。針對整個(gè)雨雪天氣過程，ECMWF降水相態(tài)預(yù)報(bào)產(chǎn)品對降雨和降雪的TS評分分別為31.3%和28.6%，而本模型的預(yù)報(bào)結(jié)果則分別可達(dá)40.2%和39.8%。ECMWF降水相態(tài)預(yù)報(bào)產(chǎn)品和模型的預(yù)報(bào)結(jié)果對中國的降水相態(tài)都有較好的預(yù)報(bào)能力，但對雨雪分界附近地區(qū)，模型的預(yù)報(bào)結(jié)果較ECMWF總體上更接近實(shí)況，表明基于深度學(xué)習(xí)網(wǎng)絡(luò)的降水相態(tài)判識和預(yù)報(bào)中的應(yīng)用是合理可行的，并且具有其獨(dú)特的優(yōu)勢。

4 結(jié)論與討論

本文利用1996—2015年共20年的探空資料和地面觀測資料，應(yīng)用深度學(xué)習(xí)網(wǎng)絡(luò)技術(shù)構(gòu)建降水相態(tài)判識模型，對2016—2017年的數(shù)據(jù)進(jìn)行測試檢驗(yàn)，并用2018年1月下旬中國一次大范圍雨雪天氣過程進(jìn)行個(gè)例檢驗(yàn)。在此基礎(chǔ)上，對深度學(xué)習(xí)網(wǎng)絡(luò)在降水相態(tài)判識和預(yù)報(bào)中的應(yīng)用進(jìn)行有益探討，主要結(jié)論如下：

(1)利用2016—2017年冬季3 281個(gè)測試樣本，對基于深度學(xué)習(xí)網(wǎng)絡(luò)判識模型進(jìn)行統(tǒng)計(jì)檢驗(yàn)，該模型的判識準(zhǔn)確率為98.2%，判識出錯(cuò)的樣本主要集中在我國南方地區(qū)，降雨和降雪的TS評分分別可達(dá)97.4%和94.4%，空報(bào)率分別為1.7%和2.0%，漏報(bào)率分別為1.0%和3.7%，表明該模型較好地提取了雨、雪降水相態(tài)的結(jié)構(gòu)特征，對于降水相態(tài)的判識表現(xiàn)出很好的效果。

(2)2018年下旬雨雪天氣個(gè)例的檢驗(yàn)表明，基于實(shí)況數(shù)據(jù)的模型在全國的判識結(jié)果與實(shí)況基本保持一致，判識準(zhǔn)確率保持在94%以上，針對整個(gè)雨雪天氣過程，ECMWF預(yù)報(bào)對降雨和降雪的TS評分分別為31.3%和28.6%，而模型則分別可達(dá)40.2%和39.8%，ECMWF降水相態(tài)預(yù)報(bào)產(chǎn)品和模型的預(yù)報(bào)結(jié)果對全國的降水相態(tài)都有較好的預(yù)報(bào)能力，針對雨雪分界線的預(yù)報(bào)，模型的預(yù)報(bào)結(jié)果較ECMWF總體上更接近實(shí)況，表征深度學(xué)習(xí)網(wǎng)絡(luò)在降水相態(tài)預(yù)報(bào)中的應(yīng)用具有可行性和一定的優(yōu)勢。

本文構(gòu)建的模型還存在一些不足，可嘗試結(jié)合氣象要素指標(biāo)，進(jìn)一步提高模型在雨雪分界附近地區(qū)的判識準(zhǔn)確率，另外本模型判識和預(yù)報(bào)的降水相態(tài)只有雨和雪兩類，無法識別和預(yù)報(bào)雨雪分界附近地區(qū)出現(xiàn)的雨夾雪、凍雨等降水相態(tài)，需要進(jìn)一步研究細(xì)化，改進(jìn)模型使之具備多種復(fù)雜降水相態(tài)的判識和預(yù)報(bào)能力。