深度學(xué)習(xí)模型對(duì)武漢地區(qū)雷達(dá)回波臨近預(yù)報(bào)的檢驗(yàn)評(píng)估

袁凱，龐晶，李武階，李明

(武漢市氣象臺(tái)，武漢 430040)

引 言

對(duì)流天氣臨近預(yù)報(bào)通常是指對(duì)某一區(qū)域雷暴及其產(chǎn)生的災(zāi)害性天氣未來0～2 h之內(nèi)發(fā)生、發(fā)展、演變和消亡的預(yù)報(bào)，在氣象災(zāi)害防御中具有極其重要的地位。陳明軒等(2004)、俞小鼎等(2012)和程叢蘭等(2013)對(duì)強(qiáng)對(duì)流臨近預(yù)報(bào)方法進(jìn)行了詳細(xì)分析和闡述，認(rèn)為目前強(qiáng)對(duì)流天氣臨近預(yù)報(bào)主要有以下兩種方法：基于雷達(dá)回波的外推技術(shù)和數(shù)值天氣預(yù)報(bào)技術(shù)。數(shù)值預(yù)報(bào)雖然已經(jīng)在氣象領(lǐng)域得到了廣泛應(yīng)用，但仍存在其自身的局限性(Weisman et al.，2010；許冠宇等，2020)，特別是在臨近預(yù)報(bào)應(yīng)用方面，不僅需要復(fù)雜的物理計(jì)算過程，準(zhǔn)確率低，而且在精細(xì)化程度方面難以滿足業(yè)務(wù)需求(郭瀚陽等，2019；吳劍坤等，2019；田剛等，2021)，因此，天氣雷達(dá)仍然是對(duì)流天氣臨近預(yù)報(bào)的主要工具。目前業(yè)務(wù)上應(yīng)用的臨近預(yù)報(bào)方法主要是基于雷達(dá)數(shù)據(jù)的雷暴識(shí)別跟蹤和自動(dòng)化外推預(yù)報(bào)技術(shù)(鄭永光等，2015)，主要包括：單體質(zhì)心法(Dixon et al.，1993)、交叉相關(guān)法(Rinehart and Garvey，1978)和光流法(Gibson，1950)。

大量研究表明，單體質(zhì)心法由于其較大的計(jì)算量和只適用于強(qiáng)對(duì)流風(fēng)暴的“先天性缺陷”，導(dǎo)致其預(yù)報(bào)準(zhǔn)確率再難以有較大幅度的提高(徐月飛等，2011)；交叉相關(guān)法沒有考慮深對(duì)流系統(tǒng)通常伴隨較強(qiáng)的垂直運(yùn)動(dòng)，因此該方法僅適用于緩慢變化的層狀云降水系統(tǒng)，而對(duì)快速增長或消散的強(qiáng)對(duì)流系統(tǒng)的預(yù)報(bào)效果并不理想(陳明軒等，2007；徐亞欽等，2011)；光流法可以較為準(zhǔn)確地得到雷暴的整體運(yùn)動(dòng)趨勢，但對(duì)于熱帶降水系統(tǒng)尤其是臺(tái)風(fēng)系統(tǒng)，光流法預(yù)報(bào)效果不如交叉相關(guān)法，其基本模型較實(shí)況仍存在不少誤差，比如要求圖像遵循灰度不變形假設(shè)，求解光流場時(shí)也只適用于回波運(yùn)動(dòng)較小的情況，對(duì)于快速移動(dòng)的回波誤差仍然較大(韓雷等，2008；張蕾等，2014；曹春燕等，2015)。

近年來，以深度學(xué)習(xí)模型為代表的人工智能技術(shù)在圖像識(shí)別和視頻領(lǐng)域取得了突破性進(jìn)展，由于其解決復(fù)雜問題和非線性建模的突出能力，眾多學(xué)者將其引入到雷達(dá)回波的臨近預(yù)報(bào)中，并取得了良好的效果(許小峰，2018)。Shi等(2015)提出了卷積長短期記憶單元網(wǎng)絡(luò)模型(Convolutional LSTM Network，ConvLSTM)，結(jié)果表明ConvLSTM優(yōu)于普通的光流法；Wang等(2017)提出了PredRNN模型，并在此基礎(chǔ)之上提出了PredRNN++模型(Wang et al.，2018)，結(jié)果顯示PredRNN++效果較ConvLSTM有明顯的提升；陳元昭等(2019)研究了基于生成對(duì)抗網(wǎng)絡(luò)的臨近預(yù)報(bào)方法，結(jié)果表明其對(duì)中等強(qiáng)度回波的預(yù)報(bào)效果較好。陳訓(xùn)來等(2020)利用卷積門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型(Convolutional Gated Recurrent Unit，ConvGRU)對(duì)雷達(dá)回波進(jìn)行臨近預(yù)報(bào)，結(jié)果表明ConvGRU模型對(duì)強(qiáng)對(duì)流天氣具有較好的預(yù)報(bào)效果，業(yè)務(wù)中具有廣泛的應(yīng)用前景；顧建峰等(2020)采用TrajGRU模型，建立了重慶地區(qū)三維雷達(dá)回波智能預(yù)報(bào)系統(tǒng)，并將其業(yè)務(wù)化，結(jié)果顯示深度學(xué)習(xí)模型在回波演變的臨近預(yù)報(bào)方面具有明顯優(yōu)勢。

雖然基于深度學(xué)習(xí)的臨近回波預(yù)報(bào)技術(shù)已經(jīng)取得了令人欣喜的成果，各種模型都表現(xiàn)出特有的預(yù)報(bào)性能，但以往的研究大多集中在對(duì)比分析深度學(xué)習(xí)模型與傳統(tǒng)外推預(yù)報(bào)方法預(yù)報(bào)效果的優(yōu)劣性以及討論不同天氣類型下深度學(xué)習(xí)模型的適應(yīng)性等方面(陳元昭等，2019；陳訓(xùn)來等，2020；顧建峰等，2020)，而雷達(dá)回波的發(fā)生、發(fā)展和移動(dòng)是非常復(fù)雜的，同一天氣型之下可以生成面積不同、強(qiáng)度差異顯著的回波；不同天氣型之下有時(shí)也可以生成面積和強(qiáng)度相近的回波，因此本文選取在常規(guī)數(shù)據(jù)集中表現(xiàn)良好、計(jì)算成本較低、內(nèi)部結(jié)構(gòu)差異較大且新穎的四種深度學(xué)習(xí)模型PredRNN++、MIM、CrevNet和PhyDNet(其中后兩種模型是視頻監(jiān)測領(lǐng)域最新模型，尚未應(yīng)用于雷達(dá)回波的外推預(yù)報(bào))，利用武漢地區(qū)近8 a來的雷達(dá)和降水資料，通過定義回波面積指數(shù)，檢驗(yàn)和評(píng)估深度學(xué)習(xí)模型對(duì)武漢地區(qū)不同面積雷達(dá)回波的臨近預(yù)報(bào)能力，可為深度學(xué)習(xí)模型在武漢地區(qū)雷達(dá)回波臨近預(yù)報(bào)的應(yīng)用研究提供參考。

1 資料

本文使用的資料包括以下兩種：(1)2012年6月1日—2019年12月31日武漢市5個(gè)基本站和14個(gè)自動(dòng)站的逐日和逐小時(shí)降水資料，氣象觀測站和雷達(dá)站點(diǎn)的空間分布如圖1所示。(2)相應(yīng)時(shí)段內(nèi)湖北東部地區(qū)新一代多普勒天氣雷達(dá)組合反射率因子拼圖產(chǎn)品，其范圍為覆蓋湖北東部地區(qū)的以武漢雷達(dá)站為中心、邊長為256 km的正方形區(qū)域，經(jīng)緯度范圍分別為113.098°—115.648°E，29.247°—31.797°N,時(shí)間分辨率為6 min，空間分辨率為1 km×1 km。

首先對(duì)雷達(dá)回波數(shù)據(jù)進(jìn)行了孤立噪音過濾和超折射回波抑制(吳濤等，2013)；其次為盡可能的增多訓(xùn)練和檢驗(yàn)樣本個(gè)數(shù)，使模型能夠?qū)W習(xí)到不同類型的回波特征，同時(shí)降低樣本嚴(yán)重失調(diào)帶來的不利影響，以圖1中站點(diǎn)為基礎(chǔ)，選取上述時(shí)段內(nèi)間，任一站點(diǎn)日降水量大于等于10 mm、小時(shí)降水量大于等于0.6 mm，且組合反射率因子拼圖連續(xù)3 h不間斷的連續(xù)雷達(dá)回波為1個(gè)樣本(如有重疊則算為1個(gè)樣本)，并對(duì)其進(jìn)行切片，實(shí)況輸入連續(xù)的回波10張，預(yù)報(bào)輸出連續(xù)回波20張，共計(jì)得到3 112個(gè)樣本，考慮到各年之間天氣過程的差異性較大，按照4:1的比例隨機(jī)分配訓(xùn)練和檢驗(yàn)樣本，共計(jì)得到2 490個(gè)訓(xùn)練樣本和622個(gè)檢驗(yàn)樣本，由于檢驗(yàn)樣本沒有參與算法的訓(xùn)練和參數(shù)調(diào)整，因此可以客觀地衡量各算法的預(yù)報(bào)能力。

圖1 武漢市觀測站的地理位置分布圖“(●”為國家站，“+”為自動(dòng)站，“▲”為武漢雷達(dá)站)Fig.1 The geographical distribution of Wuhan observation stations(Symbol●represents national station.Symbols+represent automatic stations.Symbol▲represents radar station)

2 模型和檢驗(yàn)方法

2.1 深度學(xué)習(xí)模型簡介

雷達(dá)回波臨近預(yù)報(bào)的本質(zhì)是時(shí)空序列的預(yù)測，在深度學(xué)習(xí)方面可以分為以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)為基礎(chǔ)的兩個(gè)大類，其中以CNN為基礎(chǔ)的模型側(cè)重于對(duì)空間特征的提取，而以RNN為基礎(chǔ)的模型則更偏重于對(duì)時(shí)間特征的捕捉，且存在梯度消失的問題(Wang et al.，2018)。為了兼顧空間特征和時(shí)間信息的均衡性，因此大多數(shù)的深度學(xué)習(xí)模型將CNN和RNN結(jié)合使用，本文采用的四種模型亦如此，其中PredRNN++、MIM模型已經(jīng)應(yīng)用于雷達(dá)回波臨近預(yù)報(bào)，而CrevNet和PhyDNet則是視頻預(yù)測領(lǐng)域最新的模型，尚未應(yīng)用于雷達(dá)回波臨近預(yù)報(bào)。

2.1.1 PredRNN++模型

Shi等(2015)將RNN中傳統(tǒng)的LSTM(Long Short-Term Memory,LSTM)中的全連接層改為卷積層，提出了ConvLSTM模型，該模型將LSTM或GRU中的記憶模塊改造成CNN結(jié)構(gòu)，增強(qiáng)了模型對(duì)空間特征的提取能力。Wang等(2017)在ConvLSTM模型的基礎(chǔ)之上，將可以記憶的單元放置在模型的堆疊結(jié)構(gòu)中，提出了PredRNN模型，為了緩解該模型中梯度容易消失的問題以及提高其對(duì)短時(shí)非線性時(shí)空特征的提取能力，引入了GHU(Gradient Highway Unit，GHU)，該結(jié)構(gòu)使得梯度在第一層和第二層之間高速傳遞，有效抑制了梯度的消失，最終提出了PredRNN++模型(Wang et al.，2018)。

2.1.2 MIM模型

Wang等(2019)為了解決PredRNN中LSTM遺忘門的飽和問題，首次將圖片的信息分為平穩(wěn)信息和非平穩(wěn)信息兩部分，提出了MIM模型，該模型分兩次對(duì)圖片信息進(jìn)行提取，首先由MIM-N結(jié)構(gòu)提取出非平穩(wěn)信息，而后傳遞給MIM-S，MIM-S則利用門控來選擇記憶或忘記非平穩(wěn)信息的多少，同時(shí)通過多層模塊之間相互的差分運(yùn)算，使得非平穩(wěn)信息緩慢降低，從而提取出各種高階的非平穩(wěn)信息，最終將所提取的平穩(wěn)信息和非平穩(wěn)信息相結(jié)合，進(jìn)行輸出與預(yù)測。

2.1.3 CrevNet模型

Yu等(2020)提出的CrevNet模型，是一種全新的嵌套了三維卷積模塊的雙向可逆自編碼結(jié)構(gòu)，其在一系列正向和反向計(jì)算過程中使得輸入和特征之間建立了一對(duì)一的雙向映射關(guān)系，這種關(guān)系理論上保證了在特征提取過程中不丟失信息，因而保留更多信息進(jìn)行預(yù)測，明顯提高了預(yù)測圖片的清晰度。此外，該模型的內(nèi)存和計(jì)算開銷都較小，對(duì)于硬件要求不高，易于訓(xùn)練和調(diào)試。

2.1.4 PhyDNet模型

Vincent等(2020)提出了PhyDNet模型，該模型參考了MIM模型的基本假設(shè)，將圖片信息分為已知的物理過程和未知因素(包括生消、發(fā)展等)兩個(gè)部分，然后利用Phycell結(jié)構(gòu)來約束模型，以ConvLSTM為主要內(nèi)核來提取未知因素，以卷積過程模擬偏導(dǎo)，從而學(xué)習(xí)到物理過程信息，最后將物理過程信息和未知因素結(jié)合進(jìn)行更好地預(yù)測。

表1列出了應(yīng)用于四種深度學(xué)習(xí)模型的主要超參數(shù)，包括圖片的輸入和輸出長度、損失函數(shù)、迭代次數(shù)、學(xué)習(xí)率函數(shù)、初始學(xué)習(xí)率以及學(xué)習(xí)策略等。為方便對(duì)比分析各深度學(xué)習(xí)模型的預(yù)報(bào)性能，本文使用統(tǒng)一的損失函數(shù)、圖片輸入和輸出的長度以及初始學(xué)習(xí)率。

表1 四種深度學(xué)習(xí)模型的主要超參數(shù)Table 1 Main super parameters of different deep learning models

2.2 檢驗(yàn)方法

為了客觀地評(píng)估各深度學(xué)習(xí)模型的預(yù)報(bào)能力，以實(shí)況回波圖像為基礎(chǔ)，先將實(shí)際回波圖像和預(yù)報(bào)的回波圖像格點(diǎn)化成單獨(dú)的像素點(diǎn)，再逐個(gè)像素點(diǎn)檢驗(yàn)預(yù)報(bào)準(zhǔn)確率，用臨界成功指數(shù)(CSI)、命中率(POD)和虛警率(FAR)對(duì)預(yù)報(bào)結(jié)果進(jìn)行量化評(píng)估，CSI(Ics)、POD(Pod)和FAR(Rfa)的計(jì)算公式如下(陳訓(xùn)來等，2020)

其中，NA、NB和NC分別表示檢驗(yàn)范圍內(nèi)總的預(yù)報(bào)正確像素點(diǎn)數(shù)、總的空?qǐng)?bào)像素點(diǎn)數(shù)和總的漏報(bào)像素點(diǎn)數(shù)。如果預(yù)報(bào)的像素點(diǎn)的強(qiáng)度與實(shí)況回波強(qiáng)度均大于等于K，則記該像素點(diǎn)預(yù)報(bào)正確；如果預(yù)報(bào)的像素點(diǎn)的強(qiáng)度大于等于K，而實(shí)況的回波強(qiáng)度小于K，則記該像素點(diǎn)空?qǐng)?bào)；如果預(yù)報(bào)的像素點(diǎn)的強(qiáng)度小于K，而實(shí)況的回波強(qiáng)度大于等于K，則記該像素點(diǎn)漏報(bào)，其中K為開始檢驗(yàn)的回波強(qiáng)度值。最后，統(tǒng)計(jì)每一張圖片中的NA、NB和NC(表二)。

表2 雷達(dá)回波預(yù)報(bào)與實(shí)況對(duì)照表Table 2 Contrast of radar echo forecasts and observation

3 回波面積指數(shù)的定義及其計(jì)算

3.1 回波面積指數(shù)的定義

為了定量衡量回波面積的大小，本文參考降水過程綜合強(qiáng)度指數(shù)(王麗萍等，2015；洪國平，2020)中降水面積的定義方式，定義i時(shí)刻回波面積指數(shù)Si如下

其中，ni為i時(shí)刻回波強(qiáng)度Zi在某一區(qū)間的像素點(diǎn)數(shù)，N為總像素點(diǎn)數(shù)。俞小鼎等(2006)研究指出降水回波的強(qiáng)度一般在15 dBz以上，層狀云降水回波的強(qiáng)度則很少超過35 dBz，產(chǎn)生大范圍暴雨的系統(tǒng)在大多情況下都是積云-層狀云混合結(jié)構(gòu)，在大片的層狀云中包含著中尺度積云強(qiáng)雨團(tuán)，而實(shí)際業(yè)務(wù)工作中能夠產(chǎn)生強(qiáng)天氣的對(duì)流風(fēng)暴其回波強(qiáng)度大多都在40 dBz以上，以鑒于此，本文定義20≤Z＜40 dBz的回波為一般強(qiáng)度回波，Z≥40 dBz的回波為強(qiáng)回波，分別討論在這兩種回波強(qiáng)度之下深度學(xué)習(xí)模型對(duì)不同面積指數(shù)回波的預(yù)報(bào)性能。

3.2 計(jì)算步驟

根據(jù)回波面積指數(shù)，對(duì)2 490個(gè)訓(xùn)練樣本分別計(jì)算一般強(qiáng)度回波和強(qiáng)回波的回波面積指數(shù)，再將計(jì)算結(jié)果按從大到小的順序排列，然后依次取75%分位、50%分位和25%分位的值作為大面積、較大面積、中等面積和小面積4個(gè)不同回波面積之間的分界值，分別得到了兩種回波強(qiáng)度下4類回波面積等級(jí)的劃分標(biāo)準(zhǔn)(如表3所示)。按照表3中給出的回波面積等級(jí)劃分標(biāo)準(zhǔn)，對(duì)622個(gè)檢驗(yàn)樣本也同樣進(jìn)行了回波面積等級(jí)的劃分，得到了不同強(qiáng)度回波下各回波面積等級(jí)的檢驗(yàn)樣本數(shù)(如表4所示)，最后根據(jù)分類結(jié)果計(jì)算其具體的預(yù)報(bào)評(píng)分。

表3 不同強(qiáng)度回波的回波面積等級(jí)劃分標(biāo)準(zhǔn)Table 3 Standard for classification of echo areas

表4 不同強(qiáng)度回波下各回波面積等級(jí)的分類檢驗(yàn)樣本數(shù)Table 4 Classification result of echo area under different intensity

4 預(yù)報(bào)結(jié)果評(píng)分

4.1 一般強(qiáng)度回波下不同面積的預(yù)報(bào)評(píng)分

表5給出了一般強(qiáng)度回波下各深度學(xué)習(xí)模型對(duì)不同面積回波預(yù)報(bào)的檢驗(yàn)評(píng)分，從表中可以看出，隨著回波面積的增大，深度學(xué)習(xí)模型的POD均快速上升，而FAR均大幅下降，因此CSI明顯提高。從小面積回波到大面積回波，所有深度學(xué)習(xí)模型的POD和CSI增幅分別達(dá)到了40%和61.4%以上，而FAR的降幅也達(dá)到51.9%以上。以CrevNet模型為例，小面積回波時(shí)該算法的POD僅為0.45，F(xiàn)AR為0.29，CSI為0.38，而大面積回波時(shí)其POD增加至0.73，F(xiàn)AR則降低為0.12，CSI也提高到0.67，顯示出深度學(xué)習(xí)模型對(duì)大面積回波良好的預(yù)報(bào)性能。

另外，從表5中還可以看到，同一回波面積下不同深度學(xué)習(xí)模型的POD、CSI和FAR存在著一定的差異，具體表現(xiàn)為：在所有類型回波面積的預(yù)報(bào)中，PredRNN++模型的POD和CSI均最高，CrevNet模型最低，而MIM模型的FAR均最低。由于各深度學(xué)習(xí)模型都采用相同的輸入和輸出長度、損失函數(shù)以及初始學(xué)習(xí)率，因此這種差異性可能更多的來源于各模型之間結(jié)構(gòu)的不同，具體言之：PredRNN++模型采用CasualLSTM級(jí)聯(lián)結(jié)構(gòu)來提取回波的短時(shí)非線性變化特征，并引入了GHU單元，該單元可以有效抑制梯度消失的問題，使得其能夠在更深層的網(wǎng)絡(luò)中傳遞信息，從而學(xué)習(xí)到更多的回波移動(dòng)和發(fā)展規(guī)律，因而其POD和CSI最高(Wang et al.，2018)；CrevNet模型采用雙向可逆自編碼器結(jié)構(gòu)，信息保留能力較強(qiáng)，但其采取預(yù)報(bào)圖像和實(shí)況回波圖像相結(jié)合的策略，導(dǎo)致其預(yù)報(bào)的回波位置誤差較其他模型大，因而其POD和CSI最低(Yu et al.，2020)；MIM模型由MIM-N和MIM-S兩部分組成，首先由MIM-N提取局部特征后，傳遞給MIM-S，再由MIM-S提取整體的特征，因此該模型對(duì)于整體回波形狀的學(xué)習(xí)較強(qiáng)，因而其FAR最低(Wang et al.，2019)。

表5 一般強(qiáng)度回波下四種深度學(xué)習(xí)模型對(duì)不同面積回波預(yù)報(bào)的檢驗(yàn)評(píng)分Table 5 The scores of deep learning models for different echo areas under normal intensity echo

圖2給出一般強(qiáng)度回波下PredRNN++模型對(duì)大面積和小面積回波評(píng)分指標(biāo)隨預(yù)報(bào)時(shí)效的演變，可以看到無論是大面積還是小面積回波，隨著預(yù)報(bào)時(shí)效的延長，POD緩慢降低、FAR緩慢增加，因而CSI緩慢降低；而這種降幅和增幅隨著時(shí)效延長會(huì)逐漸變小，60 min之后曲線趨于平緩，這與前人研究結(jié)論一致(陳訓(xùn)來等，2020；顧建峰等，2020)，但大面積和小面積之間同一評(píng)估指標(biāo)的差異卻逐漸增大，例如開始時(shí)刻大面積和小面積回波之間CSI和FAR的差分別為0.146和0.044，到120 min時(shí)這種差異分別增大到了0.361和0.246，表明隨著回波面積的增大，機(jī)器學(xué)習(xí)模型的預(yù)報(bào)能力顯著增強(qiáng)，體現(xiàn)出機(jī)器學(xué)習(xí)模型對(duì)一般強(qiáng)度的大面積回波具有良好的預(yù)報(bào)性能。

圖2 一般強(qiáng)度回波下PredRNN++模型對(duì)大面積和小面積回波評(píng)分指標(biāo)隨預(yù)報(bào)時(shí)效的演變(實(shí)線為大面積，虛線為小面積，預(yù)報(bào)時(shí)效為120 min，分辨率為6 min)Fig.2 The scores for large area and small area echo of PredRNN++model under normal intensity(Solid line for large area and dotted line for small area，The forecast time is 120 min，The interval is 6 min)

4.2 強(qiáng)回波下不同面積的預(yù)報(bào)評(píng)分

表6給出了強(qiáng)回波下各深度學(xué)習(xí)模型對(duì)不同面積回波預(yù)報(bào)的檢驗(yàn)評(píng)分，從表中可以看出，所有深度學(xué)習(xí)模型的POD和CSI較一般強(qiáng)度回波時(shí)明顯降低，而FAR則顯著升高，說明深度學(xué)習(xí)模型對(duì)強(qiáng)回波的預(yù)報(bào)能力較一般強(qiáng)度回波明顯減弱，但隨著回波面積的增加，深度學(xué)習(xí)模型的預(yù)報(bào)能力仍然緩慢增強(qiáng)，仍以CrevNet模型為例，小面積回波時(shí)該模型的POD為0.19，F(xiàn)AR為0.88，CSI為0.09，而至大面積回波時(shí)其POD增加至0.23，F(xiàn)AR則降低為0.72，CSI也提高到0.12。此外，同一面積回波之下不同深度學(xué)習(xí)模型預(yù)報(bào)性能的差異仍然存在，其具體表現(xiàn)與前文所述一致，但這種差異性較一般強(qiáng)度回波時(shí)表現(xiàn)得更加微小。

表6 強(qiáng)回波下四種深度學(xué)習(xí)模型對(duì)不同面積回波預(yù)報(bào)的檢驗(yàn)評(píng)分Table 6 The scores of deep learning models for different echo areas under strong echo

圖3給出了強(qiáng)回波下PredRNN++模型對(duì)大面積和小面積回波評(píng)分指標(biāo)隨預(yù)報(bào)時(shí)效的演變，可以看到無論是大面積還是小面積回波，隨著預(yù)報(bào)時(shí)效的延長，POD緩慢降低、FAR迅速增加，因而CSI也緩慢降低；而這種降幅和增幅隨著時(shí)效延長會(huì)逐漸變小，60 min之后曲線趨于平緩，但大面積和小面積之間同一評(píng)估指標(biāo)的差異卻無明顯變化規(guī)律，例如開始時(shí)刻大面積和小面積回波之間CSI、POD和FAR的差分別為0.02、0.02和0.13，到120 min時(shí)這種差異則分別變?yōu)榱?.04、0.05和0.02，表明機(jī)器學(xué)習(xí)模型對(duì)強(qiáng)回波面積變化的敏感性不強(qiáng)。

圖3 強(qiáng)回波下PredRNN++模型對(duì)大面積和小面積回波評(píng)分指標(biāo)隨預(yù)報(bào)時(shí)效的演變(實(shí)線為大面積，虛線為小面積，預(yù)報(bào)時(shí)效為120 min，分辨率為6 min)Fig.3 Same as Fig.2,but for strong echo

5 個(gè)例分析

2016年7月3日，受高空槽、江淮切變線和西南急流的共同作用，湖北東南部地區(qū)出現(xiàn)了典型的梅雨期區(qū)域性暴雨天氣，暴雨以上國家站點(diǎn)25個(gè)，大暴雨以上13站，最大降水量為赤壁站278 mm，但各數(shù)值模式對(duì)此次過程降水落區(qū)的預(yù)報(bào)偏南，且降水強(qiáng)度嚴(yán)重偏弱。7月3日22∶24實(shí)況回波上顯示（圖略），武漢南部存在一強(qiáng)度超過45 dBz的片狀回波，西北部則存在多個(gè)分散性的小面積回波塊，7月3日22∶24—4日01∶18南部片狀回波緩慢東移，強(qiáng)度變化不大，面積稍有減小，同時(shí)西北部分散性小面積回波塊在東移過程中逐漸合并，回波面積增大，強(qiáng)度增強(qiáng)。

從機(jī)器學(xué)習(xí)模型預(yù)報(bào)的回波來看（圖4），各模型均較好的把握了東南部片狀回波的移動(dòng)，回波的整體形狀以及強(qiáng)回波中心的位置與實(shí)況比較接近，尤其是前1 h內(nèi)，與實(shí)況幾乎一致，只是強(qiáng)回波范圍較實(shí)況稍有偏大；而各模型對(duì)西北側(cè)分散性回波塊的預(yù)報(bào)均出現(xiàn)了一定偏差，30 min后所有模型對(duì)西北側(cè)回波面積的估計(jì)嚴(yán)重不足，CrevNet和PhyDNet模型的表現(xiàn)較MIM和PredRNN++略好，尤其是1 h以后，MIM和PredRNN++模型虛化速度加快，而CrevNet和PhyDNet模型虛化較慢，對(duì)強(qiáng)回波位置仍有一定反映。

圖4 實(shí)況(a1—a4)以及機(jī)器學(xué)習(xí)模型CrevNet(b1—b4)、MIM(c1—c4)、PhyDNet(d1—d4)、PredRNN++(e1—e4)預(yù)報(bào)(起報(bào)時(shí)間為2016年7月3日23∶18)的2016年7月3日23∶48—7月4日01∶18的回波圖像(時(shí)間從左至右依次為7月3日23∶48、7月4日00∶18、00∶48和01∶18，其中黑色實(shí)線為湖北省邊界，“▲”為武漢雷達(dá)站)Fig.4 The radar echo for(a1—a4)observed and four machine learning models(b1—b4)CrevNet,(c1—c4)MIM,(d1—d4)PhyDNet,(e1—e4)PredRNN++from 23∶48 BT 3 to 01∶18 BT 4 July 2016(The time from left to right separately represent 23∶48 BT 3 July,and 00∶18,00∶48 and 01∶18 BT 4 July，the black solid line is the border of Hubei Province and symbol▲represents Wuhan radar station)

為定量衡量不同深度學(xué)習(xí)模型預(yù)報(bào)的回波強(qiáng)度與實(shí)際回波強(qiáng)度之間的差異，將回波強(qiáng)度Z分為4個(gè)區(qū)間：10≤Z＜20 dBz、20≤Z＜30 dBz、30≤Z＜40 dBz和Z≥40 dBz，分別計(jì)算了上述各區(qū)間回波強(qiáng)度的頻率分布(表7)，從表中可見，對(duì)于10≤Z＜20 dBz的頻率，PredRNN++、CrevNet模型表現(xiàn)最優(yōu)，其所預(yù)報(bào)的頻率與實(shí)況的頻率都集中在0.268左右，而PhyDNet和MIM模型則偏高，分別達(dá)到0.341和0.358；對(duì)于20≤Z＜30 dBz的頻率，所有深度學(xué)習(xí)模型的預(yù)報(bào)頻率都明顯偏高，其中PhyDNet模型最高，達(dá)到0.443，而MIM模型最低為0.346，最接近0.3的實(shí)際頻率；而對(duì)于30 dBz以上回波的頻率，所有深度學(xué)習(xí)模型的預(yù)報(bào)頻率都明顯偏低，其中，30≤Z＜40 dBz的頻率PredRNN++模型最高為0.163，最接近實(shí)況的0.226；而對(duì)于Z≥40 dBz的頻率所有深度學(xué)習(xí)模型都偏低得最顯著，均不足0.01，遠(yuǎn)低于實(shí)況的0.027?？傮w而言，PredRNN++模型對(duì)強(qiáng)度在40 dBz以下的回波預(yù)報(bào)效果最好，CrevNet次之，對(duì)于40 dBz以上的回波，機(jī)器學(xué)習(xí)模型預(yù)報(bào)效果較差。

表7 2016年7月3日23:24—7月4日01:24不同回波強(qiáng)度區(qū)間四種機(jī)器學(xué)習(xí)模型預(yù)報(bào)頻率與實(shí)況回波頻率的對(duì)比Table 7 Comparison between observation and the four machine learning models’forecast of radar echo frequency for different echo intensity from 23∶24 BT 3 to 01∶24 BT 4 July 2016

此外，各機(jī)器學(xué)習(xí)模型對(duì)于實(shí)際回波細(xì)節(jié)的把握能力較為有限，尤其是1 h以后，預(yù)報(bào)的回波強(qiáng)度偏弱得更加明顯，回波的細(xì)節(jié)特征損失得更加嚴(yán)重，其原因主要有以下兩個(gè)方面：一方面各模型首先都對(duì)回波圖像進(jìn)行離散的格點(diǎn)化，然后再利用各自所采用的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行空間特征的提取，這個(gè)過程中不可避免的存在信息損失，預(yù)報(bào)時(shí)效越長，信息損失得越明顯，從而導(dǎo)致預(yù)報(bào)的回波強(qiáng)度較實(shí)況偏弱，回波的細(xì)節(jié)特征不顯著；另一方面還可能與損失函數(shù)的設(shè)定有關(guān)，由于以均方差為損失函數(shù)平均了整幅圖像的誤差，使得預(yù)報(bào)的回波強(qiáng)度趨于平均，導(dǎo)致所預(yù)報(bào)的回波強(qiáng)度偏弱，在視覺上產(chǎn)生逐漸“模糊化”的過程，因而損失了大量的細(xì)節(jié)特征，這一點(diǎn)與Zhao等(2017)的研究結(jié)論一致。

6 結(jié)論與討論

利用2012年6月1日—2019年12月31日武漢地區(qū)的雷達(dá)和降水資料，通過定義回波面積指數(shù)，詳細(xì)分析和討論了不同回波強(qiáng)度下四種深度學(xué)習(xí)模型對(duì)武漢地區(qū)不同回波面積的臨近預(yù)報(bào)性能，得到以下主要結(jié)論：

(1)隨著回波強(qiáng)度的增加，所有深度學(xué)習(xí)模型的預(yù)報(bào)能力均迅速降低，一般強(qiáng)度回波的命中率和臨界成功指數(shù)遠(yuǎn)高于強(qiáng)回波，而一般強(qiáng)度回波的虛警率則遠(yuǎn)低于強(qiáng)回波。

(2)不論是一般強(qiáng)度回波還是強(qiáng)回波，隨著面積增大各深度學(xué)習(xí)模型的POD均上升，F(xiàn)AR降低，因而CSI得以提高，但這種上升和降低的幅度，在一般強(qiáng)度回波下更顯著。

(3)無論是一般強(qiáng)度回波還是強(qiáng)回波，同一回波面積之下PredRNN++模型的POD和CSI均最高，CrevNet最低，MIM的FAR均最低，各模型之間的差異在一般強(qiáng)度回波時(shí)表現(xiàn)得更加明顯，且這種差異性可能主要是由各模型之間不同的內(nèi)在結(jié)構(gòu)所導(dǎo)致。

(4)從時(shí)間演變來看，無論何種面積、何種強(qiáng)度的回波，隨著預(yù)報(bào)時(shí)效的增加，深度學(xué)習(xí)模型的POD緩慢降低，F(xiàn)AR緩慢增加，因而CSI也緩慢降低，但隨著預(yù)報(bào)時(shí)效的延長，降幅和增幅都逐漸變小，60 min之后曲線趨于平緩，但不同面積之間的差異卻逐漸增大。

雖然在不同強(qiáng)度回波之下，針對(duì)不同面積的回波，深度學(xué)習(xí)模型均表現(xiàn)出良好的適應(yīng)性，但也存在一些問題：首先，60 min之后深度學(xué)習(xí)模型所預(yù)報(bào)的圖像逐漸開始模糊，下一步擬將Dong等(2018)提出的圖像梯度差(Gradient Difference Loss，GDL)引入損失函數(shù)中，進(jìn)行多損失函數(shù)的加權(quán)試驗(yàn)，進(jìn)一步提高算法對(duì)空間信息提取的能力；其次，任何深度學(xué)習(xí)模型給出的預(yù)測結(jié)果都具有一定的不確定性，這種不確定性可以分為偶然不確定性和認(rèn)知不確定性兩部分，偶然不確定性是由數(shù)據(jù)中的噪音產(chǎn)生，提高觀測精度和嚴(yán)格的質(zhì)量控制可以較好的抑制模型的偶然不確定性，認(rèn)知不確定性則是由模型參數(shù)和模型結(jié)構(gòu)的不確定產(chǎn)生，通過增加高質(zhì)量的訓(xùn)練樣本數(shù)量則可以一定程度上降低認(rèn)知不確定性。也可以通過反復(fù)調(diào)整模型的超參數(shù)，最大程度的抑制模型的認(rèn)知不確定性。