基于深度学习的短临降水预报综述

短临降水预报是指短期内降水的高分辨率预测,是一项重要但又困难的任务。在深度学习的背景下,它被视为一个基于雷达回波图的时空序列预测问题。降水预测是一个复杂的自我监督任务,由于运动总是在空间和时间维度上发生显著的变化,普通模型难以应对复杂的非线性时空转换,导致预测模糊。因此,如何进一步提高模型预测性能减少模糊是该领域研究的重点。目前关于短临降水预报的研究仍处于早期阶段,并且对已有的研究工作缺乏系统性的分类和讨论。因此,有必要对该领域进行全面调研。从不同维度全面总结和分析了短临降水预报领域的相关知识,并给出了未来的研究方向,具体内容如下:(1)阐明了短临降水预报的重要意义以及传统预测模型的优缺点;(2)给出了短临降水预报问题的数学定义;(3)全面总结和分析了常见的预测模型;(4)介绍了不同国家和地区的多个开源雷达数据集;(5)简单介绍了用于预测质量评估的度量指标;(6)讨论了不同模型中所使用的不同的损失函数;(7)指明了未来短临降水预报领域的研究方向。

数据驱动的短临降水预报可靠性分析技术体系研究

高精度、高可靠的短临降水预报,可为暴雨洪涝灾害早期预警、区域防灾减灾提供重要理论方法依据。目前,以深度学习技术为代表的数据驱动的短临降水预报技术逐渐得到应用。然而,由于空间数据、模型结构、参数和训练过程等诸多因素存在不确定性,以及人工智能技术本身存在的低可解释性和低稳健性等特征,数据驱动的短临降水预报具有不可靠性。针对数据驱动的短临降水预报可靠性过程建模不足、可靠性评估方法片面和可靠性传播机制不明的问题,本文提出了一种顾及数据和模型不确定性的短临降水预报可靠性分析、评估和推理技术体系,提升数据驱动的短临降水预报过程可靠性综合评估和关联推理能力,以期为数据驱动的短临降水预报可靠性分析提供理论和技术支撑。

人工智能在短临降水预报中应用研究综述

短临降水预报是一项重要且具有挑战性的世界性难题.研究人员曾尝试使用各种技术预报降水,但是由于降水本身具有高度非线性、随机性和复杂性的特性,使得降水预测精确度并不高.近年来,随着人工智能技术的迅猛发展,其日渐渗透到人们生活的方方面面,气象领域也因此得益.人工神经网络能够对非线性系统进行建模,因此相比于传统方法,如数值天气预报法和光流法等,人工智能方法使得降水预报的准确率大大提高.本文介绍了传统降水预报的方法,着重总结概括了用于短临降水预报的各种最新人工智能方法,并对各研究方向进行归纳分析,为各类研究人员研究提供有益参考和借鉴.

基于移动互联网的短临降水预报服务短语算法设计与应用

随着信息技术的快速发展和气象现代化的快速推进,民众对气象服务要求越来越高,气象服务产品的种类、品质也需要与时俱进。本文从用户生活的实际需求出发,基于雷达反演降水实况融合数据的0~1h短临降水预报,设计0~1h短临降水预报的算法,不同降水趋势下服务短语生成,开发了0~1h短临降水预报服务短语应用系统,并集成到智慧气象APP和浙江降水发布系统手机客户端软件开展服务,有助于提升气象服务质量。

崇左市短临降水预报系统的应用检验

利用崇左短临降水系统,对2019年7月至2020年6月崇左174个站点逐小时定量降水预报产品(QPF)进行点对点的检验评估,并选取检验时段内20个强降水个例进行分析。结果表明,降水评分受预报事件频率季节变化影响较大;预报效果西部高于东部;对大范围降水及频率较高的暖云降水预报效果较好;系统对短时强降水预报主动性好,命中率较高,对短时强降水短临预报预警业务有较好的参考价值。

基于GCA-ConvLSTM预测网格的短临降水雷达回波外推方法

短临降水预报对于暴雨和强对流天气监测预警服务具有重要意义,使用雷达回波外推方法进行短临降水预报是目前较为常用的预报方法之一,但是传统的雷达回波外推方法普遍存在数据利用率低、外推准确性差和外推模糊等问题。针对上述问题,利用陕西全省雷达拼接数据资料,选择深度学习中编码器-解码器结构,以卷积长短期记忆网络(Convolutional Long Short-Term Memory Network,ConvLSTM)作为循环单元,构造了基于全局通道注意力的ConvLSTM预测网络(Global Channel Attention based ConvLSTM,GCA-ConvLSTM);此外,为进一步提高GCA-ConvLSTM预测网络的拟合能力,使用集成学习算法对其进行改进,通过装袋算法对数据集进行采样,训练3个GCA-ConvLSTM预测网络作为基学习器,使用加权投票策略将这3种基学习器进行有效组合,最终获得了一个性能更优的组合模型。试验结果表明,基于集成学习算法改进的GCA-ConvLSTM雷达回波外推方法与现有深度学习方法相比,提升了短临降水预报方法的准确性和时效;该方法在25 dBz、35 dBz和45 dBz反射率阈值下的评估试验中分别比对比的主流深度学习模型CSI值平均高出0.149、0.192、0.085;同时该方法的外推结果拥有更加清晰的边缘和细节性纹理,减轻了外推后期模糊问题。

雷达反演资料的Nudging同化对华南暴雨过程短临预报的影响

基于1 km分辨率的华南区域短临预报模式,利用松弛逼近法Nudging同化由雷达观测反演的风场和水物质,选取两次华南前汛期降水过程进行试验,目的在于研究调整初始风场和调整初始水物质场对于短临模式降水预报的不同影响。首先对反演结果进行了初步验证,结果表明试验中反演结果是基本合理的。进而将雷达反演结果 Nudging同化到模式预报中,和控制试验(test-ctl)进行比较可以看出:(1)仅Nudging同化水物质试验(test-qcqr)可以比较有效地改进0~7 h降水预报,特别是对于0~2 h降水偏少的现象改进最为显著。(2)仅Nudging同化风场试验(test-uv)对3~7 h预报有一定的改进,但总体来说改进的幅度很小。(3)同时Nudging同化水物质及风场试验(test-qcqr-uv)的结果最优,它对于0~10 h降水预报都有比较明显的改进。从微物理量的垂直分布来看,前期模式降水主要来源于Nudging同化到初始场中的水物质信息,所以test-qcqr和test-qcqr-uv对前期降水预报的改进都比较明显。Nudging同化雷达反演风场资料可以迅速的调整初始场中低层辐合线存在的偏差,但是它对降水的影响必须配合水物质的调整才能比较明显地体现出来。总的来说,Nudging同化水物质对于短临降水预报影响最为显著,而在此基础上Nudging同化雷达风场对于3 h之后的降水预报会有更好的改进。

基于深度时空融合网络的雷达回波外推模型

基于深度学习的雷达回波外推是实现短临降水预报的重要方法,由于雷达回波数据具有显著的非刚性的运动特征,使得数据的统计特性随时间在不断变化,意味着其具有高阶非平稳性,而现有深度学习方法难以捕捉回波序列的非刚性运动特征,且难以建模雷达数据的高阶非平稳性.为此,本文针对雷达数据特征提出了一种新的时空融合网络STUNNER(Spatio-Temporal Fusion Neural Network).STUNNER设计了一种两路时空融合架构,通过交叉连接时间差分网络和时空轨迹网络实现高效的雷达回波外推.时间差分网络通过引入差分的思想提取高阶非平稳数据中平稳性特征来学习雷达回波的长期趋势,时空轨迹网络利用动态卷积将卷积循环神经网络中普通卷积固定的参数采样位置优化为随时间变化的动态位置来提取雷达回波的瞬时变化,同时采用两路融合策略将长期趋势与瞬时变化融合,实现长短时关联记忆.所提模型与其他四个模型在两个公开数据集上进行了实验对比.在雷达回波外推任务中当雷达反射率阈值为45 dBZ时,STUNNER在POD(Probability Of Detection)、CSI(Critical Success Index)、FAR(False Alarm Rate)上相比MIM(Memory In Memory)分别优化了0.020,0.023,0.043.实验结果表明新模型在处理雷达回波外推任务上具有更高的准确率.