深度學(xué)習(xí)方法在強(qiáng)降水臨近預(yù)報(bào)技術(shù)中的應(yīng)用及其改進(jìn)思考

張亞萍，張焱，翟丹華，劉伯駿，周國(guó)兵

(重慶市氣象臺(tái)，重慶401147)

引言

天氣預(yù)報(bào)是根據(jù)過去和現(xiàn)在的大氣狀態(tài)，利用現(xiàn)代預(yù)報(bào)技術(shù)和方法，運(yùn)用天氣學(xué)、動(dòng)力氣象學(xué)、統(tǒng)計(jì)學(xué)等科學(xué)理論和數(shù)值預(yù)報(bào)技術(shù)，對(duì)未來某一地區(qū)或地點(diǎn)的大氣狀態(tài)及可能影響進(jìn)行預(yù)測(cè)(《中國(guó)氣象百科全書·氣象預(yù)報(bào)預(yù)測(cè)卷》編委會(huì)，2016)。世界氣象組織(World Meteorological Organization，WMO)將臨近預(yù)報(bào)(Nowcasting)定義為從現(xiàn)在到未來6 h內(nèi)的天氣預(yù)報(bào)(鄭永光等，2010；WMO，2017)?？紤]到本文主要討論的是深度學(xué)習(xí)方法在0～2 h強(qiáng)降水預(yù)報(bào)技術(shù)中的應(yīng)用，因此對(duì)降水臨近預(yù)報(bào)(Precipitation Nowcasting)的定義采用Ravuri 等(2021)的標(biāo)準(zhǔn)，即對(duì)未來0～2 h 的降水進(jìn)行高時(shí)空分辨率的預(yù)報(bào)。精準(zhǔn)的降水臨近預(yù)報(bào)，除有助于開展重大活動(dòng)氣象保障服務(wù)和公眾日常出行外，還是發(fā)布強(qiáng)降水誘發(fā)城鄉(xiāng)積澇、中小河流洪水以及山洪、滑坡、泥石流等次生災(zāi)害氣象風(fēng)險(xiǎn)預(yù)警的重要技術(shù)支撐，并為應(yīng)急管理部門指揮搶險(xiǎn)救災(zāi)提供參考信息。短時(shí)強(qiáng)降水(Flash heavy rain)是指1 h雨量大于等于20 mm 的降水事件。為了分析短時(shí)強(qiáng)降水的極端性，需要進(jìn)一步將1 h 雨量≥80 mm 或3 h 雨量≥180 mm 的降水事件作為極端短時(shí)強(qiáng)降水(俞小鼎等，2020)。目前，業(yè)務(wù)上采用的降水臨近預(yù)報(bào)方法主要是拉格朗日外推法(鄭永光等，2010)，外推法只對(duì)范圍較大的弱降水預(yù)報(bào)效果較好，但對(duì)短時(shí)強(qiáng)降水預(yù)報(bào)在落區(qū)和強(qiáng)度上還存在較大偏差，限制了降水臨近預(yù)報(bào)產(chǎn)品的業(yè)務(wù)用途(Wilson et al.，2020；Ravuri et al.，2021)。短時(shí)強(qiáng)降水誘發(fā)的次生災(zāi)害往往會(huì)對(duì)人民生命財(cái)產(chǎn)及各種生產(chǎn)生活設(shè)施造成重大危害，為更好地發(fā)揮降水臨近預(yù)報(bào)的作用，急需提升短時(shí)強(qiáng)降水預(yù)報(bào)精度。

人工智能(Artificial Intelligence，AI)在大氣科學(xué)及相關(guān)領(lǐng)域得到了廣泛應(yīng)用(許小峰，2018；馬雷鳴，2020；王啟光和丑紀(jì)范，2021；張敬林等，2022)。其中，深度學(xué)習(xí)(Deep Learning，DL)算法因能自動(dòng)提取強(qiáng)對(duì)流天氣的非線性特征，可對(duì)具有高度非線性變化的降水 進(jìn) 行 較 好 的 預(yù) 報(bào)(Shi et al.，2015；Ravuri et al.，2021)。然而，目前大多數(shù)深度學(xué)習(xí)模型只考慮了輸入數(shù)據(jù)本身的信息，模型訓(xùn)練過程中沒有人為的先驗(yàn)信息，因此將先驗(yàn)知識(shí)與深度學(xué)習(xí)模型融合，則有可能提高此類模型的準(zhǔn)確性和泛化能力。如，由Zhuo 和Tan(2021)發(fā)展的基于深度學(xué)習(xí)的熱帶氣旋強(qiáng)度和大小估計(jì)模型DeepTCNet，將表征熱帶氣旋強(qiáng)度的豐滿度(fullness)指標(biāo)(Guo and Tan，2017)作為輔助信息，模型融合輔助信息后估計(jì)熱帶氣旋強(qiáng)度的誤差較未融合輔助信息時(shí)的誤差減少12%。如何有效地將基于預(yù)報(bào)員經(jīng)驗(yàn)、不受物理公式約束的強(qiáng)降水天氣特征作為先驗(yàn)知識(shí)融入到深度學(xué)習(xí)模型，是提升強(qiáng)降水臨近預(yù)報(bào)準(zhǔn)確率面臨的重要挑戰(zhàn)之一。為此，本文梳理了深度學(xué)習(xí)算法在強(qiáng)降水臨近預(yù)報(bào)技術(shù)中的應(yīng)用情況，并提出了改進(jìn)強(qiáng)降水臨近預(yù)報(bào)技術(shù)的幾點(diǎn)建議。

1 深度學(xué)習(xí)及可解釋性

關(guān)于人工智能，可將其簡(jiǎn)單理解為研究一種“機(jī)器”，這種“機(jī)器”在處理任務(wù)時(shí)具有類似人類智力的特點(diǎn)(Russell and Norvig，2020)。制作強(qiáng)降水臨近預(yù)報(bào)時(shí)采用的外推法和數(shù)值預(yù)報(bào)方法，實(shí)質(zhì)上都屬于人工智能方法。外推法對(duì)強(qiáng)降水演變的非線性考慮不足(Wilson et al.，1998)；雖然現(xiàn)有高分辨率對(duì)流尺度數(shù)值模式可以模擬局地對(duì)流，但由于數(shù)值預(yù)報(bào)模式需要spin-up時(shí)間、對(duì)流尺度同化方法提供的初始條件還不能完全與高分辨率對(duì)流尺度數(shù)值模式相協(xié)調(diào)(Sun et al.，2014)、顯式微物理方案(Jensen et al.，2020)和邊界層模擬技術(shù)(Sun et al.，2021)也需要進(jìn)一步完善，導(dǎo)致數(shù)值預(yù)報(bào)對(duì)強(qiáng)降水臨近預(yù)報(bào)效果比外推法差，因此，對(duì)精準(zhǔn)模擬局地尺度的對(duì)流存在困難。在提取非線性特征方面，深度學(xué)習(xí)是人工智能中最具優(yōu)勢(shì)的方法(LeCun et al.，2015)，將深度學(xué)習(xí)用于提取強(qiáng)降水演變的非線性特征，從而提高強(qiáng)降水預(yù)報(bào)準(zhǔn)確率，是外推法和數(shù)值預(yù)報(bào)方法的有效補(bǔ)充(Ravuri et al.，2021)。為后文討論方便，先對(duì)目前主流的深度學(xué)習(xí)模型以及一些已開展的針對(duì)深度學(xué)習(xí)模型可解釋性的探索成果簡(jiǎn)述如下。

1.1 主流的深度學(xué)習(xí)模型

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 Networks，RNN)和圖神經(jīng)網(wǎng)絡(luò)(Graph neural networks，GNN)是深度學(xué)習(xí)中最典型的三類模型。對(duì)其分別介紹如下：

(1)CNN。該模型專門用于從空間網(wǎng)格等具有拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)中學(xué)習(xí)。該深度學(xué)習(xí)模型由于采用卷積核和深層網(wǎng)絡(luò)實(shí)現(xiàn)特征圖上像素點(diǎn)感受野的擴(kuò)大和多尺度深層特征提取，采用激活函數(shù)進(jìn)行非線性映射等，在圖像識(shí)別任務(wù)上表現(xiàn)極佳(Krizhevsky et al.，2012)。但隨著神經(jīng)網(wǎng)絡(luò)深度加深會(huì)出現(xiàn)梯度消失問題，導(dǎo)致訓(xùn)練難以收斂。He 等(2016)研發(fā)的深度殘差網(wǎng)絡(luò)(Deep Residual Learning Network，ResNet)能夠有效避免梯度消失現(xiàn)象。只要提供一定數(shù)量的矩陣數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽，均可以用CNN 進(jìn)行識(shí)別，如進(jìn)行鋒面和陣風(fēng)鋒等的識(shí)別(Lagerquist et al.，2019；徐月飛等，2020)。

(2) RNN。CNN 注重的是空間特征的提取，而RNN在神經(jīng)網(wǎng)絡(luò)中引入了記憶的反饋，即每一個(gè)時(shí)間步中除了輸入當(dāng)前特征外，還要輸入上一步輸出的隱藏特征，因此可用于處理序列數(shù)據(jù)(Rumelhart et al.，1986；Werbos，1990)，其中每一個(gè)輸出都與之前所有序列數(shù)據(jù)相關(guān)，即過去的數(shù)據(jù)會(huì)對(duì)未來的數(shù)據(jù)產(chǎn)生影響，具有“記憶”效果。為避免RNN存在的梯度消失現(xiàn)象，Hochreiter 和Schmidhuber (1997)發(fā)展了長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory，LTSM)，Vaswani等(2017)則發(fā)展了門控循環(huán)單元(Gated Recurrent Unit，GRU)。Shi 等(2015)將降水臨近預(yù)報(bào)作為一個(gè)針對(duì)雷達(dá)回波演變的時(shí)空序列預(yù)報(bào)問題，發(fā)展了卷積長(zhǎng)短期記憶網(wǎng)絡(luò)(Convolutional LSTM Network，ConvLSTM)，模型的輸入為包括當(dāng)前時(shí)次在內(nèi)的時(shí)間間隔為6 min的過去J個(gè)時(shí)次觀測(cè)的回波，模型輸出為未來K個(gè)時(shí)次的回波最可能的演變情況。

(3)GNN。許多學(xué)習(xí)任務(wù)都需要處理包含元素間豐富關(guān)系信息的圖(Graph)數(shù)據(jù)。GNN(Scarselli et al.，2009)將神經(jīng)網(wǎng)絡(luò)使用在圖數(shù)據(jù)上，通過圖節(jié)點(diǎn)之間的消息傳遞來捕獲圖的依賴性。GNN 能處理不規(guī)則數(shù)據(jù)結(jié)構(gòu)，可用于場(chǎng)景分析和問題推理等，如道路交通動(dòng)態(tài)流量預(yù)測(cè)、智能客服、異常檢測(cè)、欺詐檢測(cè)等(Zhou et al.，2020a；Waikhom and Patgiri，2021)。由于GNN具有處理不規(guī)則數(shù)據(jù)結(jié)構(gòu)的優(yōu)勢(shì)，其在氣象上的應(yīng)用研究也會(huì)逐漸增加(Lin et al.,2021)。

(4)其他模型。主流的深度學(xué)習(xí)模型還包括Hinton 等(2006)提出的深度信念網(wǎng)絡(luò)(Deep Belief Networks，DBN)、Goodfellow 等(2014)提出的生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN)、Vaswani 等(2017)提出的Transformer 等。其中，Transformer 以注意力機(jī)制(Attention)為其網(wǎng)絡(luò)結(jié)構(gòu)，與CNN、RNN 和GNN 均有一定的相似性(Bai et al.，2019；Cordonnier et al.，2019；Katharopoulos et al.，2020)。自然語言處理(Natural Language Processing，NLP)和計(jì)算機(jī)視覺(Computer vision，CV)領(lǐng)域?qū)ransformer的研究應(yīng)用都較廣泛，但Transformer對(duì)數(shù)據(jù)量的要求較高。

1.2 深度學(xué)習(xí)模型的可解釋性

深度學(xué)習(xí)模型在大氣科學(xué)領(lǐng)域的可解釋性初步分為兩個(gè)方向，即對(duì)深度學(xué)習(xí)模型的“黑箱”探索方向和基于特征提取后的可解釋性方向。

深度學(xué)習(xí)模型是端到端(end to end)的“黑箱”模型，其中間過程不可知、結(jié)果不可控。一方面，人們難以知道它在做什么；另一方面，難以解釋和理解它為什么這么做。隨著對(duì)深度學(xué)習(xí)可解釋性需求的增加，對(duì)深度學(xué)習(xí)模型進(jìn)行解釋的方法得到了發(fā)展。如，通過求出某個(gè)神經(jīng)元的激活值相對(duì)于原始輸入圖像的梯度，把某個(gè)神經(jīng)元的輸出重構(gòu)回原始輸入像素空間，可研究該神經(jīng)元究竟在尋找什么特征(Zeiler and Fergus，2013；Karpathy et al.，2015)。為探索深度學(xué)習(xí)模型是否能夠?qū)臻g天氣特征進(jìn)行編碼，并解釋其與相關(guān)強(qiáng)天氣的聯(lián)系，Gagne等(2019)利用深度學(xué)習(xí)方法研究了直徑25 mm以上冰雹的預(yù)報(bào)水平，通過特征重要性和特征優(yōu)化對(duì)CNN 進(jìn)行解釋，結(jié)果表明:該網(wǎng)絡(luò)綜合了大的溫度遞減率和有利于寬廣上升氣流的風(fēng)切變廓線等有利于冰雹生長(zhǎng)的環(huán)境和風(fēng)暴形態(tài)信息，這與氣象學(xué)家的理解一致。

Lagerquist 等(2019)以人工分析的鋒面為標(biāo)簽，利用CNN來識(shí)別天氣尺度鋒面，然后采用后處理方法將網(wǎng)格上的概率值轉(zhuǎn)化為預(yù)報(bào)目標(biāo)，用北美區(qū)域再分析資料中的1 000 hPa風(fēng)速、溫度、比濕、濕球位溫和位勢(shì)高度等網(wǎng)格化資料作為預(yù)報(bào)因子，結(jié)果表明該系統(tǒng)有可能用于定量解釋數(shù)值天氣預(yù)報(bào)集合成員預(yù)報(bào)鋒面特性的多樣性。

人工標(biāo)簽雖然也是一種對(duì)先驗(yàn)知識(shí)的應(yīng)用，但若在模型提取特征前就引入先驗(yàn)知識(shí)，如基于主觀預(yù)報(bào)經(jīng)驗(yàn)或概念模型先對(duì)某些特征(如陣風(fēng)鋒、中氣旋等)進(jìn)行提取，將提取的特征進(jìn)行編碼再與模型融合，也可能是探索模型可解釋性和提高模型泛化能力的一種方法。

2 強(qiáng)降水臨近預(yù)報(bào)方法

強(qiáng)降水臨近預(yù)報(bào)主要是基于地面雨量計(jì)、天氣雷達(dá)、氣象衛(wèi)星等監(jiān)測(cè)資料，分析監(jiān)測(cè)到的強(qiáng)降水中心特征，采用主客觀方法預(yù)報(bào)未來0～2 h強(qiáng)降水中心和量級(jí)。強(qiáng)降水落區(qū)和量級(jí)預(yù)報(bào)越準(zhǔn)確，越有利于提升強(qiáng)降水誘發(fā)的城市積澇、山洪、滑坡等次生災(zāi)害的預(yù)警提前量。對(duì)目前常用的幾種強(qiáng)降水臨近預(yù)報(bào)方法簡(jiǎn)介如下。

2.1 拉格朗日外推法

目前，臨近預(yù)報(bào)在很大程度上仍然是依賴于基于觀測(cè)的拉格朗日外推。此外推法又可分為平流外推法和單體跟蹤外推法，但無論采用何種外推，準(zhǔn)確預(yù)報(bào)強(qiáng)回波中心的位置和強(qiáng)度都是提高強(qiáng)降水預(yù)報(bào)精度的關(guān)鍵。

平流外推法通常是假設(shè)在數(shù)小時(shí)時(shí)間范圍內(nèi)，通過沿不變的運(yùn)動(dòng)場(chǎng)來移動(dòng)雷達(dá)回波，且不改變其強(qiáng)度以捕獲降水演變(Zawadzki et al.，1994)。用于臨近預(yù)報(bào)的平流場(chǎng)通常基于使用最新雷達(dá)圖像或衛(wèi)星云圖分析獲得的視運(yùn)動(dòng)?；夭ㄟ\(yùn)動(dòng)場(chǎng)可通過相關(guān)系數(shù)法(Wilson et al.，1998；Li et al.，2000；陳明軒等，2007；胡勝等，2011；羅義等，2021)或光流法(韓雷等，2008；曹春燕等，2015；Pulkkinen et al.，2019；田剛等，2021)得到。單體跟蹤外推法首先將風(fēng)暴識(shí)別為當(dāng)前雷達(dá)掃描中的目標(biāo)，然后通過在連續(xù)掃描中識(shí)別相同的目標(biāo)來跟蹤風(fēng)暴的運(yùn)動(dòng)(Dixon and Wiener，1993；Johnson et al.，1998；胡勝等，2006；鄭永光等，2010)，適用于識(shí)別和跟蹤強(qiáng)對(duì)流風(fēng)暴。將外推預(yù)報(bào)的雷達(dá)回波經(jīng)過Z-R關(guān)系(Z為天氣雷達(dá)反射率因子，R為降水強(qiáng)度)轉(zhuǎn)換為降水，得到降水臨近預(yù)報(bào)結(jié)果。

與雷達(dá)強(qiáng)回波中心的外推預(yù)報(bào)類似，通過對(duì)衛(wèi)星云圖上的強(qiáng)降水云團(tuán)進(jìn)行識(shí)別和跟蹤(Hubert and Whitney，1971；Merritt and Fritsch，1984；白潔等，1997；傅云飛，2019；楊磊等，2020)，可開展強(qiáng)降水臨近預(yù) 報(bào)。如，Merritt 和Fritsch (1984)利用GOES 衛(wèi)星的10.7 μm 數(shù)字資料將中尺度對(duì)流系統(tǒng)(Mesoscale Convective System，MCS)最冷云頂簇定義為空間尺度在10～100 km、時(shí)間尺度在1～10 h 的β中尺度核(Meso-Beta Cores，MBC)，并通過監(jiān)測(cè)和預(yù)報(bào)MBC 的移動(dòng)和傳播實(shí)現(xiàn)基于衛(wèi)星的強(qiáng)降水監(jiān)測(cè)和預(yù)報(bào)。隨著衛(wèi)星觀測(cè)資料時(shí)空分辨率的提高(Yang et al.，2017)以及對(duì)流初生(Convection Initiation，CI)等臨近預(yù)報(bào)技術(shù)的發(fā)展(黃亦鵬等，2019)，衛(wèi)星、雷達(dá)等多源觀測(cè)資料將在降水臨近預(yù)報(bào)中得到更充分的融合與應(yīng)用。

然而，拉格朗日外推預(yù)報(bào)精度會(huì)隨時(shí)間迅速降低(Wilson et al.，1998；Mandapaka et al.，2012)。正因?yàn)槿绱?，Tsonis和Austin(1981)針對(duì)已經(jīng)維持了30 min以上的風(fēng)暴單體，利用回波影響范圍和強(qiáng)度的時(shí)間變化趨勢(shì)，希望能提高臨近外推預(yù)報(bào)的精度，結(jié)果發(fā)現(xiàn)即使在復(fù)雜的非線性時(shí)間趨勢(shì)方案中，預(yù)報(bào)技巧的提高也微不足道。后來，Wilson 等(1998)測(cè)試了類似的回波趨勢(shì)變化技術(shù)，得到了相似的結(jié)果，并指出預(yù)報(bào)技巧難以提高的原因可能是決定強(qiáng)降雨隨時(shí)間變化的關(guān)鍵物理過程(如邊界層風(fēng)的輻合)在回波發(fā)展過程中不一定是可被觀測(cè)到的。

2.2 數(shù)值預(yù)報(bào)方法

目前基于數(shù)值模式的0～2 h 強(qiáng)降水預(yù)報(bào)效果還不理想，主要原因包括數(shù)值模式預(yù)報(bào)提前時(shí)間少于模式spin-up 所需時(shí)間、非高斯分布數(shù)據(jù)同化存在困難(Sun et al.，2014)、對(duì)云及對(duì)流過程表征還不夠準(zhǔn)確(Guo et al.，2015)等。另外，高分辨率快速更新模式(High-Resolution Rapid Refresh，HRRR)還不能精準(zhǔn)模擬出既受外流邊界輻合影響又受地形影響的γ中尺度氣流，從而導(dǎo)致降水臨近預(yù)報(bào)出現(xiàn)誤差。近年，國(guó)外有人利用HRRR 模式(Wilson et al.，2020)研究了2017年夏季沿美國(guó)科羅拉多州弗蘭特山脈120 km 空間尺度上的降水臨近預(yù)報(bào)情況，結(jié)果表明：模式預(yù)報(bào)的0～2 h降水精度較基于天氣雷達(dá)資料的外推結(jié)果差；局地尺度(中尺度)對(duì)強(qiáng)降水的影響比大尺度(天氣尺度)的影響要大得多，在局地尺度上大尺度趨勢(shì)對(duì)于修正外推臨近預(yù)報(bào)沒有作用。

數(shù)值預(yù)報(bào)方法對(duì)0～2 h預(yù)報(bào)還多是參考，其直接應(yīng)用偏少，但可通過使用后處理診斷工具提取一些有用信息進(jìn)行間接使用(鄭永光等，2015a，2015b；WMO，2017)。大量事實(shí)證明，NWP 模式在起報(bào)數(shù)小時(shí)后通常比外推法能產(chǎn)生更好的定量降水預(yù)報(bào)效果，因此通常將雷達(dá)回波外推與數(shù)值天氣預(yù)報(bào)模式相結(jié)合以生成無縫的0～6 h 預(yù)報(bào)(程叢蘭等，2013；Sun et al.，2014；Pinto et al.，2018)。

2.3 深度學(xué)習(xí)方法

由于深度學(xué)習(xí)能提取復(fù)雜的非線性特征，它適用于處理強(qiáng)降水臨近預(yù)報(bào)這種需要進(jìn)行強(qiáng)降水回波或強(qiáng)降水云團(tuán)空間特征提取和時(shí)間演變分析的情形。如果按照輸入數(shù)據(jù)和輸出數(shù)據(jù)類型不同，可將基于深度學(xué)習(xí)方法的強(qiáng)降水臨近預(yù)報(bào)分為以下3種情況：

(1)深度學(xué)習(xí)模型的輸入和輸出均為雷達(dá)反射率因子場(chǎng)，將模型輸出經(jīng)過Z-R關(guān)系轉(zhuǎn)換為降水。這是目前進(jìn)行強(qiáng)降水臨近預(yù)報(bào)最常用的方法。這方面工作最早可追溯到Shi等(2015)提出的ConvLSTM。此后不久，Shi等(2017)又提出了卷積核可變形門控循環(huán)單元(Trajectory Gated Recurrent Unit，TrajGRU)，通過顯式地學(xué)習(xí)輸入數(shù)據(jù)中的空間變化關(guān)系，改進(jìn)了ConvLSTM 卷積循環(huán)結(jié)構(gòu)位置不變的不足。之后，其他人在相關(guān)工作上也有一些進(jìn)展。如，韓豐等(2019)使用預(yù)測(cè)循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)(predictive RNN)，利用歷史雷達(dá)組合反射率因子建模，進(jìn)行未來1 h 組合反射率因子預(yù)報(bào)，對(duì)反射率因子強(qiáng)度變化有一定的預(yù)報(bào)能力。郭瀚陽等(2019)基于改進(jìn)的RNN 算法形成的自編碼模型，開展了強(qiáng)對(duì)流高分辨率臨近預(yù)報(bào)試驗(yàn)，其結(jié)果比傳統(tǒng)外推方法有了較明顯的提高。Agrawal 等(2019)將回波演變模擬視為一個(gè)圖像到圖像的轉(zhuǎn)換問題，基于深度圖像分割網(wǎng)絡(luò)U-Net 架構(gòu)(Ronneberger et al.，2015)進(jìn)行降水臨近預(yù)報(bào)，其預(yù)報(bào)效果好于光流法。參考U-Net 和SegNet (Badrinarayanan et al.，2017)，Ayzel等(2020)提出了RainNet模型，該模型是一種分支之間有跳躍連接的、遵循標(biāo)準(zhǔn)的編碼器-解碼器結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，其預(yù)報(bào)效果也優(yōu)于光流法。Trebing 等(2021)提出了一個(gè)基于U-Net 的、包括注意力模塊和深度可分離卷積的SmaAt-UNet 模型，該模型僅使用了1/4的可訓(xùn)練參數(shù)，在預(yù)報(bào)性能上與其他模型相當(dāng)。

值得一提的是，重慶市氣象局與百度公司合作，基于2008—2018年天氣雷達(dá)數(shù)據(jù)集和其它實(shí)況資料，結(jié)合重慶市氣象臺(tái)發(fā)展的冰雹大風(fēng)自動(dòng)標(biāo)識(shí)技術(shù)(劉伯駿等，2021)，采用TrajGRU，初步建立了三維雷達(dá)回波智能臨近預(yù)報(bào)模型，并將以上技術(shù)用于強(qiáng)降水臨近預(yù)報(bào)業(yè)務(wù)。結(jié)果顯示，與中國(guó)氣象局災(zāi)害天氣短時(shí)臨近預(yù)報(bào)系統(tǒng)(Severe Weather Automatic Nowcast system，SWAN)的產(chǎn)品相比，雷達(dá)回波智能預(yù)報(bào)能力隨時(shí)間降低的速度低于傳統(tǒng)外推方法，對(duì)長(zhǎng)時(shí)效雷達(dá)回波預(yù)報(bào)明顯提升，降水智能預(yù)報(bào)比SWAN降水預(yù)報(bào)有了一定程度的提高(顧建峰等，2020)，但對(duì)強(qiáng)降水的預(yù)報(bào)能力仍然有限。對(duì)重慶2018年發(fā)生的10次暴雨天氣過程的檢驗(yàn)表明，以7 mm·h-1雨強(qiáng)為閾值，深度學(xué)習(xí)的1 h臨近預(yù)報(bào)臨界成功指數(shù)(Critical Success Index，CSI)為0.16，而SWAN 的只有0.04；其2 h 臨近預(yù)報(bào)CSI 僅為0.06，而SWAN的則更低，為0.01(顧建峰等，2020)。

(2)深度學(xué)習(xí)模型的輸入和輸出均為降水場(chǎng)。隨著預(yù)報(bào)時(shí)效的延長(zhǎng)，由于缺乏對(duì)提高預(yù)測(cè)值很重要的小尺度天氣特征的有效提取，基于深度學(xué)習(xí)的降水臨近預(yù)報(bào)模型輸出的降水場(chǎng)越來越模糊，預(yù)報(bào)的不確定性也相應(yīng)增加。為有效提取小尺度天氣特征以提高強(qiáng)降水預(yù)報(bào)準(zhǔn)確率，Ravuri等(2021)提出了降水深度生成模型(Deep Generative Model of Rainfall，DGMR)，采用的算法框架為Mirza 和Osindero (2014)提出的條件生成對(duì)抗網(wǎng)絡(luò)(Conditional Generative Adversarial Network，CGAN)。DGMR 的輸入和標(biāo)簽均為雷達(dá)定量估計(jì)降水，輸出為降水場(chǎng)。DGMR平衡了預(yù)報(bào)的降水強(qiáng)度和范圍，可更好地捕捉環(huán)流、強(qiáng)度和結(jié)構(gòu)等信息，更準(zhǔn)確地預(yù)報(bào)局部降雨，提高了強(qiáng)降水預(yù)報(bào)的質(zhì)量和一致性。此外，通過50 多位氣象專家的系統(tǒng)評(píng)估，與利用平流方法的PySTEPS (Pulkkinen et al.，2019)和利用深度學(xué)習(xí)方法的MetNet (S?nderby et al.，2020)相比，DGMR 在89% 的案例中其準(zhǔn)確性和實(shí)用性排名第一，對(duì)強(qiáng)降水的位置、范圍、運(yùn)動(dòng)和強(qiáng)度預(yù)報(bào)均具優(yōu)勢(shì)。

(3)深度學(xué)習(xí)模型的輸入為多源數(shù)據(jù)，輸出為降水場(chǎng)。S?nderby 等(2020)提出了一種將LSTM 編碼器和軸向注意力解碼器組合的模型(即MetNet)，該模型以雷達(dá)定量估計(jì)降水、衛(wèi)星數(shù)據(jù)作為輸入，并進(jìn)行了經(jīng)緯度、海拔高度、小時(shí)、日、月等實(shí)值特征的嵌入，實(shí)現(xiàn)了對(duì)未來8 h 降水的預(yù)報(bào)，并能生成概率降水預(yù)報(bào)圖。Ravuri 等(2021)利用英國(guó)和美國(guó)的數(shù)據(jù)對(duì)MetNet的預(yù)報(bào)性能進(jìn)行評(píng)估后發(fā)現(xiàn)，額外的衛(wèi)星或地形數(shù)據(jù)以及時(shí)空嵌入并沒有提供統(tǒng)計(jì)上顯著的CSI改善。

目前，將雷達(dá)反射率因子作為深度學(xué)習(xí)模型的輸入，將地面觀測(cè)的降水場(chǎng)作為標(biāo)簽和輸出的研究尚少，這種方式相當(dāng)于需要模型自動(dòng)尋找Z-R關(guān)系，如果相關(guān)模型得到發(fā)展和解釋，有望促進(jìn)Z-R關(guān)系的研究。另外，閃電活動(dòng)與短時(shí)強(qiáng)降水也有較好的相關(guān)關(guān)系(劉澤等，2020；成勤等，2020)。如，Zhou 等(2020b)構(gòu)建的三維語義分割模型LightningNet，其輸入數(shù)據(jù)為雷達(dá)回波、衛(wèi)星云圖和閃電密度，實(shí)現(xiàn)了0～1 h云地閃臨近預(yù)報(bào)。因此，需要發(fā)展將閃電資料等多源數(shù)據(jù)輸入到深度學(xué)習(xí)模型并應(yīng)用到強(qiáng)降水臨近預(yù)報(bào)的方法。

3 深度學(xué)習(xí)方法在強(qiáng)降水臨近預(yù)報(bào)技術(shù)中的改進(jìn)思考

應(yīng)用深度學(xué)習(xí)方法的強(qiáng)降水臨近預(yù)報(bào)技術(shù)在強(qiáng)降水預(yù)報(bào)精度上已經(jīng)明顯高于光流法等外推法已是不爭(zhēng)的事實(shí)，但隨著預(yù)報(bào)時(shí)效延長(zhǎng)，其對(duì)強(qiáng)降水區(qū)域的預(yù)報(bào)仍然非常困難(Ravuri等，2021)。在深度學(xué)習(xí)模型的不同環(huán)節(jié)融入適當(dāng)?shù)南闰?yàn)知識(shí)，有可能提高模型學(xué)習(xí)到重要特征的能力，也有可能提高模型的可解釋性。同時(shí)，對(duì)模型效果的評(píng)估方法決定了模型算法改進(jìn)的方向。下文從先驗(yàn)知識(shí)融入深度學(xué)習(xí)模型和提高主客觀評(píng)估結(jié)果的一致性方面，提出改進(jìn)強(qiáng)降水臨近預(yù)報(bào)技術(shù)的幾點(diǎn)建議如下。

3.1 先驗(yàn)知識(shí)與深度學(xué)習(xí)模型融合

將物理過程與數(shù)據(jù)驅(qū)動(dòng)(data-driven)的機(jī)器學(xué)習(xí)進(jìn)行混合建模，發(fā)揮兩者的協(xié)同作用，是提升預(yù)報(bào)能力的重要途徑(Reichstein et al.，2019；馬雷鳴2020；李揚(yáng)等，2021；周康輝等，2021)。如，Snaiki 和Wu(2019)將基于物理方程或半經(jīng)驗(yàn)公式的熱帶氣旋邊界層風(fēng)的先驗(yàn)知識(shí)轉(zhuǎn)變?yōu)闄C(jī)器可讀的(machine-readable)補(bǔ)充知識(shí)，并應(yīng)用到熱帶氣旋邊界層風(fēng)動(dòng)力學(xué)的深層網(wǎng)絡(luò)建模，減少了模型訓(xùn)練需要的數(shù)據(jù)集，訓(xùn)練后的模型可以準(zhǔn)確、有效地預(yù)報(bào)各種熱帶氣旋的邊界層風(fēng)場(chǎng)。與上述文獻(xiàn)將受物理公式約束的先驗(yàn)知識(shí)引入深度學(xué)習(xí)算法不同，Zhuo 和Tan(2021)發(fā)展的熱帶氣旋強(qiáng)度和大小估計(jì)模型DeepTCNet，引入了表征熱帶氣旋強(qiáng)度的豐滿度指標(biāo)等作為輔助信息，并假設(shè)這些先驗(yàn)知識(shí)不受物理公式約束，輔助信息在輸入空間和輸出目標(biāo)之間可能引入了額外的物理關(guān)系，因此可以約束模型產(chǎn)生更好的熱帶氣旋強(qiáng)度和大小估計(jì)。后者將不受物理公式約束的先驗(yàn)知識(shí)融入深度學(xué)習(xí)算法的思路，可作為探索強(qiáng)降水臨近預(yù)報(bào)業(yè)務(wù)初步解決方案的借鑒。類似的不受物理公式約束的先驗(yàn)知識(shí)，常見于氣象專家系統(tǒng)(expert system)。氣象專家系統(tǒng)是一種基于知識(shí)的推理系統(tǒng)，將有經(jīng)驗(yàn)的預(yù)報(bào)員在實(shí)際預(yù)報(bào)實(shí)踐中取得的經(jīng)驗(yàn)用適當(dāng)形式存入計(jì)算機(jī)，形成知識(shí)庫(kù)，根據(jù)輸入的氣象資料，按照一定的推理規(guī)則作出客觀預(yù)報(bào)。20世紀(jì)80年代，作為人工智能的一個(gè)分支，已有少數(shù)專家系統(tǒng)的災(zāi)害性天氣預(yù)報(bào)準(zhǔn)確率接近當(dāng)時(shí)優(yōu)秀預(yù)報(bào)員的水平，在其落區(qū)和強(qiáng)度預(yù)報(bào)方面也取得了比較明顯的效果(氣象史料挖掘與研究工程項(xiàng)目組，2018)。

從多源觀測(cè)資料總結(jié)更多的強(qiáng)降水風(fēng)暴特征，研究將經(jīng)驗(yàn)知識(shí)適當(dāng)?shù)剞D(zhuǎn)換為機(jī)器可讀知識(shí)的方法，并將這種類似于專家系統(tǒng)的先驗(yàn)知識(shí)融入到深度學(xué)習(xí)模型，可能是預(yù)報(bào)員開展研究型強(qiáng)降水臨近預(yù)報(bào)業(yè)務(wù)需要面對(duì)的挑戰(zhàn)(圖1)。預(yù)報(bào)員和科研人員在強(qiáng)降水臨近預(yù)報(bào)實(shí)踐中總結(jié)了一些強(qiáng)降水風(fēng)暴的特征和指標(biāo)，如雷達(dá)回波不斷經(jīng)過同一地點(diǎn)時(shí)的“列車效應(yīng)”(李明華等，2019)、中尺度輻合輻散共軛系統(tǒng)風(fēng)場(chǎng)反映在多普勒天氣雷達(dá)徑向速度圖上的逆風(fēng)區(qū)(張培源和陳榮林，1995)、強(qiáng)低空急流展現(xiàn)在多普勒速度圖上的“牛眼”以及強(qiáng)降水與雷達(dá)反射率因子垂直累積液態(tài)水含量(Vertically Integrated Liquid water content，VIL)的關(guān)系、強(qiáng)降水與閃電的關(guān)系等(章國(guó)材，2011)?！傲熊囆?yīng)”這類特征由于含有運(yùn)動(dòng)信息，可能是機(jī)器能夠自動(dòng)學(xué)習(xí)到的“知識(shí)”?！澳骘L(fēng)區(qū)”等特征需要先開發(fā)識(shí)別算法才能編碼，在數(shù)據(jù)量較大時(shí)也可探索采用機(jī)器學(xué)習(xí)算法提取。VIL等特征已可量化，其編碼相對(duì)簡(jiǎn)單。

圖1 先驗(yàn)知識(shí)融入深度學(xué)習(xí)模型Fig.1 Schematic diagram of prior information into deep learning algorithm

為了將先驗(yàn)知識(shí)融入到深度學(xué)習(xí)模型，可從數(shù)據(jù)預(yù)處理、改變數(shù)據(jù)標(biāo)簽、在模型架構(gòu)中嵌入先驗(yàn)知識(shí)的量化編碼、修改損失函數(shù)等方面著手。

在數(shù)據(jù)預(yù)處理方面，若先驗(yàn)知識(shí)不能簡(jiǎn)單量化，可基于決策樹等機(jī)器學(xué)習(xí)算法或另一深度學(xué)習(xí)算法先對(duì)特征進(jìn)行提取，再將提取的特征向量輸入到強(qiáng)降水預(yù)報(bào)的深度學(xué)習(xí)模型。如，徐月飛等(2020)基于深度卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了陣風(fēng)鋒自動(dòng)識(shí)別算法。這類輔助信息可作為強(qiáng)降水預(yù)報(bào)深度學(xué)習(xí)模型的輸入。同時(shí)，預(yù)先提取的特征也可作為標(biāo)簽。周康輝等(2021)指出，若能利用機(jī)器學(xué)習(xí)識(shí)別中氣旋、上沖云頂和弓狀回波等與強(qiáng)對(duì)流相關(guān)的特征并作為標(biāo)簽，相比直接用雷暴大風(fēng)等天氣現(xiàn)象作為標(biāo)簽，可能有望延長(zhǎng)預(yù)警提前時(shí)間?！吧顚?duì)流塔”是西南渦強(qiáng)降水的一種重要γ中尺度系統(tǒng)(Zhai et al.，2021)，若能實(shí)現(xiàn)其自動(dòng)識(shí)別，有望延長(zhǎng)強(qiáng)降水臨近預(yù)報(bào)時(shí)間。在對(duì)深度學(xué)習(xí)模型深入理解的基礎(chǔ)上，可在模型架構(gòu)中嵌入先驗(yàn)知識(shí)的量化編碼。如Zhuo 和Tan (2021)發(fā)展的DeepTCNet，就是通過將輔助信息嵌入到VGGNet 模型(Simonyan and Zisserman，2014)的全連接層前面實(shí)現(xiàn)了先驗(yàn)知識(shí)與深度學(xué)習(xí)模型的融合。

無論深度學(xué)習(xí)模型的架構(gòu)如何，最終要實(shí)現(xiàn)的任務(wù)是由損失函數(shù)決定的。Ravuri 等(2021)分別用一個(gè)空間判別器和一個(gè)時(shí)間判別器定義了兩個(gè)損失函數(shù)以驅(qū)動(dòng)深度學(xué)習(xí)，第一個(gè)判別器的目的是確保空間一致性并阻止模糊預(yù)測(cè)，第二個(gè)判別器旨在區(qū)分觀測(cè)到的和生成的雷達(dá)序列，施加時(shí)間一致性并懲罰跳躍預(yù)測(cè)。結(jié)合可求導(dǎo)的檢驗(yàn)指標(biāo)用于損失函數(shù)設(shè)計(jì)，可作為模型優(yōu)化的一種重要手段。而Zheng 等(2021)則利用Dense U-Net 架構(gòu)，在牙齒的CT 圖像上引入材料(materials)不會(huì)直接連接骨頭等解剖學(xué)先驗(yàn)知識(shí)，對(duì)先驗(yàn)知識(shí)進(jìn)行量化，并在深度學(xué)習(xí)網(wǎng)絡(luò)的損失函數(shù)中考慮新的得分函數(shù)，其得分越高表示越符合解剖學(xué)的先驗(yàn)知識(shí)，取得了較好的圖像分割效果。

3.2 提高主客觀評(píng)估結(jié)果的一致性

檢驗(yàn)是研發(fā)預(yù)報(bào)系統(tǒng)過程中不可或缺的一步，也是確定強(qiáng)降水預(yù)報(bào)技術(shù)改進(jìn)方向的關(guān)鍵。同時(shí)，預(yù)報(bào)檢驗(yàn)也是一個(gè)具有很多可能評(píng)分方法的多維難題(Jolliffe and Stephenson，2016)。國(guó)外有人在評(píng)估降水臨近預(yù)報(bào)結(jié)果時(shí)(Ravuri et al.，2021)指出，氣象專家認(rèn)為不同方法的預(yù)報(bào)結(jié)果有很大差別: 與其它方法相比，DGMR 模型的預(yù)報(bào)結(jié)果“能夠最好地捕捉到對(duì)流單體的大小和強(qiáng)度”，但常用的降水檢驗(yàn)指標(biāo)大多只能得出差別不大的檢驗(yàn)結(jié)果。為了盡量做到客觀檢驗(yàn)指標(biāo)與氣象專家評(píng)估結(jié)果的一致，需要發(fā)展新的評(píng)估指標(biāo)。

針對(duì)同樣的強(qiáng)降水回波，兩個(gè)預(yù)報(bào)員的看法都可能不一樣，主客觀評(píng)估結(jié)果更不可能完全一致。但通過改進(jìn)客觀檢驗(yàn)指標(biāo)，有可能提高主客觀評(píng)估結(jié)果的一致性。茅懋等(2016)設(shè)計(jì)了強(qiáng)對(duì)流預(yù)報(bào)產(chǎn)品的目標(biāo)對(duì)象檢驗(yàn)方法，包括預(yù)報(bào)產(chǎn)品和實(shí)況資料的對(duì)流單體和強(qiáng)降水落區(qū)等目標(biāo)的識(shí)別和匹配、多指標(biāo)檢驗(yàn)、根據(jù)用戶評(píng)價(jià)偏好進(jìn)行加權(quán)平均給出總體檢驗(yàn)評(píng)分。這種目標(biāo)對(duì)象檢驗(yàn)方法提供的有關(guān)面積、位置和形狀等的評(píng)價(jià)信息更適合預(yù)報(bào)員和預(yù)報(bào)業(yè)務(wù)的需求，可作為研發(fā)新的檢驗(yàn)指標(biāo)的參考。

4 存在問題及展望

本文以強(qiáng)降水臨近預(yù)報(bào)為例，梳理了深度學(xué)習(xí)算法在強(qiáng)降水臨近預(yù)報(bào)技術(shù)中的應(yīng)用情況，參考已有研究成果，提出了將基于預(yù)報(bào)員經(jīng)驗(yàn)、不受物理公式約束的強(qiáng)降水天氣特征作為先驗(yàn)知識(shí)融入到深度學(xué)習(xí)模型的可能途徑，包括將一些經(jīng)驗(yàn)特征進(jìn)行量化或自動(dòng)識(shí)別后作為模型輸入、將預(yù)先提取的特征作為模型標(biāo)簽、在模型架構(gòu)中嵌入先驗(yàn)知識(shí)的量化編碼、結(jié)合可求導(dǎo)的檢驗(yàn)指標(biāo)設(shè)計(jì)損失函數(shù)對(duì)模型進(jìn)行優(yōu)化。同時(shí)，針對(duì)一些客觀檢驗(yàn)指標(biāo)對(duì)氣象專家認(rèn)為明顯有差別的強(qiáng)降水預(yù)報(bào)結(jié)果的評(píng)分相差不大的問題，提出要提高主客觀評(píng)估的一致性，以便更好地確定強(qiáng)降水臨近預(yù)報(bào)技術(shù)的改進(jìn)方向。

為了更好地改進(jìn)深度學(xué)習(xí)方法在強(qiáng)降水臨近預(yù)報(bào)技術(shù)中的應(yīng)用，還需要關(guān)注數(shù)據(jù)集構(gòu)建(劉娜等，2021)、深度學(xué)習(xí)算法代碼復(fù)現(xiàn)時(shí)的本地化。為了支持強(qiáng)降水臨近預(yù)報(bào)技術(shù)研究及應(yīng)用的長(zhǎng)期有效性，需要建設(shè)具有氣象學(xué)、遙感、計(jì)算機(jī)科學(xué)等背景的多學(xué)科人員組成的團(tuán)隊(duì)，團(tuán)隊(duì)成員需要具有實(shí)時(shí)跟蹤最新技術(shù)的能力。如，RNN、LSTM 和GRU 都是串行，如何將目前能夠處理時(shí)間序列并實(shí)現(xiàn)并行的Informer 架構(gòu)(Zhou et al.，2020c)應(yīng)用到強(qiáng)降水臨近預(yù)報(bào)中，是否能夠?qū)⑾闰?yàn)知識(shí)嵌入到該架構(gòu)，如何對(duì)其損失函數(shù)進(jìn)行改進(jìn)，是一個(gè)有意義的探索方向。同時(shí)，要特別關(guān)注團(tuán)隊(duì)成員之間頻繁而常態(tài)化的交叉培訓(xùn)，培訓(xùn)越多，聯(lián)合研發(fā)和業(yè)務(wù)應(yīng)用過程就越有效。

鑒于天氣預(yù)報(bào)的不確定性，研究成果投入業(yè)務(wù)應(yīng)用后需要得到反饋，再根據(jù)反饋進(jìn)行技術(shù)升級(jí)，并反復(fù)進(jìn)行應(yīng)用評(píng)估，才能真正發(fā)揮研究成果的作用(鄭永光等，2015a；林建等，2016)。為加快強(qiáng)降水臨近預(yù)報(bào)技術(shù)的應(yīng)用，有必要從需求分析出發(fā)，有的放矢，研究相關(guān)的深度學(xué)習(xí)技術(shù)，統(tǒng)計(jì)并提取相關(guān)強(qiáng)降水天氣特征，將不受物理公式約束的先驗(yàn)知識(shí)融入深度學(xué)習(xí)算法，研發(fā)能夠提高主客觀評(píng)估結(jié)果一致性的檢驗(yàn)指標(biāo)，最終形成一個(gè)從研究到業(yè)務(wù)、再?gòu)臉I(yè)務(wù)到研究的相輔相成、緊密聯(lián)系的閉環(huán)。