人工智能應(yīng)用于雷達(dá)回波外推研究綜述

中圖分類號(hào)：TN82 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：2095-3305（2025）05-0172-03

氣象雷達(dá)是重要的氣象觀測(cè)手段之一。他可以實(shí)時(shí)提供高精度的大氣信息，同時(shí)也是許多天氣識(shí)別和預(yù)報(bào)算法的基礎(chǔ)。雷達(dá)回波外推技術(shù)主要用于預(yù)測(cè)雷達(dá)觀測(cè)到的降水等大氣現(xiàn)象在未來一段時(shí)間內(nèi)的發(fā)展趨勢(shì)。該技術(shù)分析雷達(dá)回波在過去幾分鐘內(nèi)發(fā)生的變化，在接收到數(shù)據(jù)后，幾分鐘內(nèi)形成高時(shí)空分辨率的未來大氣演化。外推技術(shù)在未來幾個(gè)小時(shí)內(nèi)預(yù)測(cè)能力較強(qiáng)，尤其是在第一個(gè)小時(shí)。高質(zhì)量雷達(dá)回波外推結(jié)果是許多預(yù)測(cè)算法的基石，對(duì)防災(zāi)減災(zāi)工作具有重要意義。

1雷達(dá)回波外推傳統(tǒng)方法

傳統(tǒng)的雷達(dá)外推方法可分為基于單元的方法和像素級(jí)方法。其中，雷暴識(shí)別、跟蹤、分析和臨近預(yù)報(bào)（TITAN）方法和風(fēng)暴單元識(shí)別和跟蹤（SCIT）方法是基于單元的方法的代表。這些方法以風(fēng)暴為對(duì)象通過跟蹤其質(zhì)心來計(jì)算其運(yùn)動(dòng)矢量。每個(gè)單元的預(yù)測(cè)軌跡通常通過擬合或其歷史運(yùn)動(dòng)矢量的加權(quán)求和。像素級(jí)方法采用獲得的密集運(yùn)動(dòng)矢量場(chǎng)并逐點(diǎn)進(jìn)行外推。跟蹤雷達(dá)回波相關(guān)（TREC）方法是具有代表性的像素級(jí)方法，基于運(yùn)動(dòng)矢量計(jì)算每個(gè)點(diǎn)鄰域之間的相關(guān)性。圖像處理中的光流法也常用于雷達(dá)外推。這種方法可以被視為互相相關(guān)方法的特例，通過像素級(jí)匹配得到密集的運(yùn)動(dòng)矢量場(chǎng)。光流法的優(yōu)點(diǎn)是其原理已包含全局平滑約束，能夠有效地降低運(yùn)動(dòng)矢量場(chǎng)中的噪聲。在確定密集運(yùn)動(dòng)矢量場(chǎng)時(shí)，通常由前進(jìn)或后退決定半拉格朗日方案逐點(diǎn)計(jì)算。與上述方法不同，一些研究試圖從信號(hào)處理的維度改進(jìn)外推技術(shù)。這些研究分析了雷達(dá)回波尺度與可預(yù)測(cè)性的相關(guān)性，對(duì)小尺度低可預(yù)測(cè)性回波進(jìn)行濾波，以提高預(yù)測(cè)精度。此外，額外的隨機(jī)噪聲用于重建由小尺度引起的不確定性結(jié)構(gòu)。盡管這些方法都為雷達(dá)外推提供了解決方案，但仍存在一些問題?；趩卧姆椒梢栽谕馔七^程中保留單元的結(jié)構(gòu)，但如果沒有任何單元，就無法覆蓋雷達(dá)回波。像素級(jí)方法可以執(zhí)行逐點(diǎn)外推，但鄰域尺度和平滑約束使其預(yù)測(cè)更加復(fù)雜的局部演變存在挑戰(zhàn)性，尤其是對(duì)流系統(tǒng)。基于信號(hào)處理的方法有時(shí)也無法精度處理局部濾除低可預(yù)測(cè)性雷達(dá)回波的外推。此外，這些傳統(tǒng)方法在外推過程中通常將回波強(qiáng)度視為常數(shù)，但實(shí)際的回聲總是伴隨著增強(qiáng)和減弱。此外，他們只使用當(dāng)前雷達(dá)序列用于外推，無法從大量歷史樣本中受益。所有這些缺陷決定傳統(tǒng)的外推方法難以準(zhǔn)確預(yù)測(cè)復(fù)雜的非線性氣象過程。

2雷達(dá)回波外推研究現(xiàn)狀

近年來，機(jī)器學(xué)習(xí)方法已經(jīng)廣泛應(yīng)用于氣象領(lǐng)域，并取得了顯著的成效。機(jī)器學(xué)習(xí)方法可以對(duì)大量歷史數(shù)據(jù)進(jìn)行建模，形成統(tǒng)計(jì)視圖。一系列基于機(jī)器學(xué)習(xí)的雷達(dá)回波預(yù)測(cè)方法相繼被提出。如雷達(dá)降水臨近預(yù)報(bào)的外推方法（ConvLSTM），該方法使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取雷達(dá)圖像中的特征并使用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模擬雷達(dá)掃描之間的時(shí)間依賴性。與光流法相比，其性能得到顯著提升。軌跡門控遞歸單元（TrajGRU）模型增強(qiáng)了模型的時(shí)空表示能力。與傳統(tǒng)算法相比，基于機(jī)器學(xué)習(xí)的雷達(dá)外推方法取得了顯著成效，但仍存在一些挑戰(zhàn)。構(gòu)建模型時(shí)，可以設(shè)計(jì)一個(gè)損失函數(shù)來衡量預(yù)測(cè)和地面實(shí)況，并建立機(jī)器學(xué)習(xí)模型，通過降低損失函數(shù)來提高性能。幾乎所有基于機(jī)器學(xué)習(xí)的雷達(dá)外推方法都采用均方誤差（MSE）作為損失函數(shù)的擴(kuò)展。然而，一些使用機(jī)器學(xué)習(xí)，并對(duì)圖像進(jìn)行時(shí)空分析的研究預(yù)測(cè)表明，均方誤差通常會(huì)“模糊”結(jié)果。這種“模糊”的原因可以從兩個(gè)方面來解釋。一方面，均方誤差對(duì)異常值很敏感，這使得模型更傾向于均值預(yù)測(cè)。另一方面是可預(yù)測(cè)性較低，雷達(dá)回波的頻率與回波尺度有關(guān)，小尺度高頻回波細(xì)節(jié)通常具有較低的可預(yù)測(cè)性。對(duì)于雷達(dá)外推方法，這種模糊現(xiàn)象對(duì)外推產(chǎn)生兩種不利影響：一是反射率外推的強(qiáng)度被低估；二是外推中的回波小尺度細(xì)節(jié)丟失，對(duì)流系統(tǒng)的結(jié)構(gòu)不能完整表示。這些使得機(jī)器學(xué)習(xí)方法難以提供足夠的災(zāi)害預(yù)報(bào)信息，特別是對(duì)流災(zāi)害預(yù)報(bào)信息。

在計(jì)算機(jī)視覺領(lǐng)域，生成對(duì)抗網(wǎng)絡(luò)（GAN）通常被認(rèn)為是一種能夠減少均方誤差所帶來的模糊現(xiàn)象，同時(shí)增強(qiáng)圖像細(xì)節(jié)以及銳度的方法。生成對(duì)抗網(wǎng)絡(luò)是一種用于根據(jù)給定數(shù)據(jù)生成圖像最初模型，由兩部分組成。第一部分稱為生成器，負(fù)責(zé)生成所需的圖像。另一部分稱為鑒別器，負(fù)責(zé)判斷輸出的真實(shí)性。鑒別器是具有學(xué)習(xí)能力的損失函數(shù)，已通過更新觸發(fā)器的訓(xùn)練，可以動(dòng)態(tài)測(cè)量生成器生成的圖像的質(zhì)量。生成對(duì)抗網(wǎng)絡(luò)可以克服由特定損失函數(shù)引起的問題，生成逼真的圖像。

目前，研究人員通過生成對(duì)抗網(wǎng)絡(luò)來減少模糊現(xiàn)象。采用樸素生成對(duì)抗網(wǎng)絡(luò)范式于外推模型的訓(xùn)練過程，并提高了像素級(jí)得分。然而，受限于樸素生成對(duì)抗網(wǎng)絡(luò)的固有特性，生成對(duì)抗網(wǎng)絡(luò)模型難以實(shí)現(xiàn)生成高分辨率圖像。

研究人員提出了一種AF-LSTM單元，將時(shí)空和通道的注意力融合機(jī)制嵌入到ST-LSTM單元[1。在編碼器和解碼器之間添加了信息回憶模塊（Recall）搭建起AFR-LSTM網(wǎng)絡(luò)模型。模型結(jié)構(gòu)如圖1所示。

采用帶有Causal-LSTM單元組成的神經(jīng)網(wǎng)絡(luò)模型作為網(wǎng)絡(luò)架構(gòu)有利于捕捉短期動(dòng)態(tài)變化和突發(fā)情況[2]Causal-LSTM單元包含兩個(gè)記憶狀態(tài)：時(shí)間記憶單元和空間記憶單元。與傳統(tǒng)LSTM單元相比，整個(gè)網(wǎng)絡(luò)就可以提取圖像的空間特征如圖2所示。

根據(jù)雷達(dá)數(shù)據(jù)的特點(diǎn)，研究人員提出了一種新的時(shí)空融合神經(jīng)網(wǎng)絡(luò)STUNNER，能實(shí)現(xiàn)雙流時(shí)空融合策略提取融合空間和時(shí)間信號(hào)，如圖3所示[3]。

研究人員提出了上下文融合和注意力機(jī)制的時(shí)空模型[4]。該模型能夠感知更多的時(shí)間信息，輸入特征和先前特征之間不僅在時(shí)間上存在先后關(guān)系，在空間上也存在著低層和高層的關(guān)系。不同尺寸的運(yùn)算可以充分提取雷達(dá)回波圖像中更全的時(shí)空演變特征信息，基于權(quán)重對(duì)歷史時(shí)間記憶信息給予不同程度的注意力，并將歷史信息聚合為長(zhǎng)期記憶信息。網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

研究人員基于分析現(xiàn)有的常規(guī)模型的基礎(chǔ)上，從輸入雷達(dá)數(shù)據(jù)層數(shù)和修改模型損失函數(shù)兩個(gè)方面對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)外推模型進(jìn)行改進(jìn)[5]。在損失函數(shù)中對(duì)外推圖像中的錯(cuò)報(bào)、漏報(bào)、誤報(bào)情況分別考慮，構(gòu)造損失函數(shù)時(shí)對(duì)錯(cuò)報(bào)、漏報(bào)、誤報(bào)區(qū)域像素給予不同的權(quán)重。同時(shí)增加一個(gè)高度的圖像數(shù)據(jù)作為輸入，每個(gè)高度層數(shù)據(jù)使用獨(dú)立的模型，兩個(gè)高度層的損失函數(shù)計(jì)算權(quán)重和作為整個(gè)模型的損失函數(shù)。模型結(jié)構(gòu)如圖5所示。

研究人員提出了一種基于多源數(shù)據(jù)的模型優(yōu)化方案[。一種是將多種雷達(dá)回波特征集成到神經(jīng)網(wǎng)絡(luò)模型中。另外一種是引入地表的特征數(shù)據(jù)，地表特征數(shù)據(jù)可以與歷史雷達(dá)回波數(shù)據(jù)一起構(gòu)成了多維時(shí)空特征數(shù)據(jù)，進(jìn)一步提高了降水預(yù)測(cè)的準(zhǔn)確性。結(jié)果顯示，模型在集成地表特征數(shù)據(jù)方面表現(xiàn)出色，特別是在雷達(dá)回波外推預(yù)測(cè)方面，其結(jié)果優(yōu)于僅依賴?yán)走_(dá)產(chǎn)品數(shù)據(jù)的結(jié)果。網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6所示。

3結(jié)束語(yǔ)

當(dāng)前，雷達(dá)回波外推現(xiàn)已發(fā)展為基于深度學(xué)習(xí)模型的智能化方法，各種創(chuàng)新模型不斷涌現(xiàn)。研究表明，該領(lǐng)域正逐步向多源數(shù)據(jù)融合外推方向發(fā)展。

參考文獻(xiàn)

[1]程勇，錢坤，康志明，等.一種雷達(dá)回波外推的注意力融合和信息回憶的LSTM方法[J].熱帶氣象學(xué)報(bào)，2023.39（5）：653-663.

[2]黃興友，馬玉蓉，胡蘇蔓.基于深度學(xué)習(xí)的天氣雷達(dá)回波序列外推及效果分析[J].氣象學(xué)報(bào)，2021，79（5）：817-827.

[3]方巍，龐林，易偉楠.基于深度時(shí)空融合網(wǎng)絡(luò)的雷達(dá)回波外推模型[J].電子學(xué)報(bào)，2023，51（9）：2526-2538.

[4]渠海峰，何光鑫，康志明，等.CAST-LSTM：一種用于雷達(dá)回波外推的時(shí)空LSTM模型[J].氣象，2023，49（12）：1481-1494.

[5]尹麒名，甘建紅，漆慧，等.一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)雷達(dá)圖像外推算法[J].氣象科技，2021，49（1）：18-24，45.

[6]李宇宸.集成地理要素的雷達(dá)回波外推預(yù)測(cè)研究[D].南京：南京信息工程大學(xué)，2023.