光流法雷达外推产品在突发强降水预报中的应用

地形条件复杂的山丘区中小河流洪水突发性强、汇流时间短,高准确率和长时效性降水短时临近预报产品对提高突发洪水预报精度尤为关键。以2021年9月河南省鸭河口水库出现的千年一遇特大洪水为例,利用国家气象信息中心提供的三源融合格点实况降水资料,检验基于改进光流法的雷达外推降水预报产品在本次洪水过程中0~1 h和0~3 h降水预报的TS评分和预报偏差。结果表明:(1)改进光流法在0~1 h的逐小时降水预报上较为精准,累计雨量在50 mm以下时,TS评分在0.45~0.85之间;雨量在50~70 mm之间时,TS评分在0.35~0.70之间;雨量在70 mm以上时,TS评分在0.25~0.35之间。50 mm以上雨量有较高TS评分表现出改进光流法在极端强降水预报中的优势性。(2)改进光流法在0~3 h的降水预报上,累计雨量在50 mm以下时,TS评分在0.55~0.85之间;在50 mm以上时,TS评分在0.35~0.75之间。该降水预报产品不仅对极端性降水预报效果较好,且预报时效长达3 h,可为防洪调度提供更长的决策时间。(3)改进光流法在0~3 h的降水预报产品与融合实况格点降水相比,雨量在20 mm以下的预报结果比较接近,平均绝对误差在10 mm以内;雨量在20 mm以上时,随雨量增大,平均误差、平均绝对误差、均方根误差均逐渐增大。(4)改进光流法在0~3 h的降水预报产品对影响范围小、降水强度大、维持时间长、累计雨量大的极端强降水有较好的预报表现。研究成果可为洪水预报模型提供一种较为可靠的降水输入预报。

基于雷达外推的城市内涝实时预警

为提高城市内涝实时预警的预见期,提出一种基于雷达技术的城市内涝实时预警模拟方法.该方法通过雷达外推预测未来时刻雷达基本反射率,并将降雨量与雷达基本反射率的相关公式(Z-R关系)优化后用于降雨定量估算,获得未来时刻降雨量,最终以预测降雨为输入运用水力模型实时模拟得到未来时刻的内涝积水分布,进而实现城市内涝的实时预警.结果表明:基于雷达技术的城市内涝实时预警可以获得较为精确的内涝积水分布,并且保留了50 min以上预见期.与传统雨量计实时模拟方法相比,预见期可提高5～25 min,为防汛部门预留了更长的调度指挥时间.该方法以雷达预测的降雨空间分布为输入进行模拟,与雨量计的单点输入方式相比,充分考虑了降雨空间分布这一因素.

基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究

采用傅里叶-梅林变换、多尺度光流法及威布尔分布,对湖北省2020年6—7月4次降水过程雷达回波进行多尺度预报试验及其相位和强度校正。在此基础上,利用双曲正切函数对校正后的模式降水回波预报和雷达回波外推临近预报进行融合。最后,基于预报技巧评分和平均绝对误差及命中率等指标对不同时效、尺度及回波阈值的预报结果进行定量分析。结果表明:(1)融合后的0~3 h降水回波预报在范围和位置上均较模式预报和雷达外推预报改进明显,尤其对强回波预报有明显优势,对对流预报有积极作用;0.01°×0.01°尺度的0~1 h预报效果明显好于其他尺度及预报时效。(2)武汉RUC模式预报效果最差,平均绝对误差(mean absolute error,MAE)最大为6.1~8.2 dBZ,而融合预报效果最好,MAE最小为4.7~6.5 dBZ。0.01°×0.01°尺度下融合预报的命中率(probability of detection,POD)随回波阈值和预报时效增加而降低,而其他尺度下20 dBZ回波阈值的平均POD最大、MAE最小,平均POD(MAE)均高于(低于)其他2种预报。总体来看,融合预报明显优于单一预报,对改进0~3 h定量降水预报有一定参考。

雷达外推与数值模式动态融合降水概率预报方法

提出一种基于动态权重的降水概率融合预报方法。首先建立一个适用于权重分配的评分模型,对基于雷达光流外推的降水概率预报和基于数值模式经反射率换算后的降水概率预报的预报准确率分别加以评估;提出一种改进的Brier评分法,该方法兼顾了降水落区的大小和降水量,降低评分对样本数据数量多少的敏感性;根据两种在不同预报时效的评分,动态地分配两种预报方法在不同预报时效的权重。试验部分通过Brier等评分验证表明,融合后各个预报时效的预报都表现出与雷达外推或数值模式相近甚至更高的技术评分。

基于光流法雷达外推的2020年长江致洪降水临近预报检验评估

利用长江流域组网雷达、国家气象信息中心格点融合实况资料和自动气象站逐小时降水观测资料,建立了基于变分光流法的长江流域雷达外推降水预报产品,并检验分析了该产品对2020年17次长江洪水天气过程的0~3 h 39分区TS评分和全流域预报偏差。结果表明:(1)变分光流法的0~3 h临近预报效果与雷达分布呈正相关,分布越密集,预报结果越好;(2)变分光流法的0~3 h临近预报能够较好的追踪降水天气系统移动演变,降水的集中区同样也是临近预报TS评分的相对高分区;(3)变分光流法临近预报效果随着预报时效的变化以指数规律递减,0~1 h预报准确率最高;(4)变分光流法0~3 h临近降水预报结果较格点实况降水,10.0 mm以下量级降水,绝对误差率在5%以内;10.0 mm以上级别的,绝对误差率为6%~11%;(5)变分光流法0~3 h临近降水预报结果应用于长江流域定量降水预报,代替目前直接使用的数值模式输出结果,对提高洪水预报精度有较强的实用意义。

一种基于雷达外推与数值模式的动态融合降水概率预报方法

提出一种动态权重的降水概率融合预报方法。首先建立一个适用于权重分配的评分模型，对基于雷达光流外推的降水概率预报和基于数值模式经反射率换算后的降水概率预报的预报准确率分别加以评估，再根据各自在不同预报时效的评分，动态地分配两种预报方法在不同预报时效的权重。实验部分通过Brier等评分表明，融合后各个预报时效的预报都表现出与雷达外推或数值模式相近甚至更高的技术评分。

基于自注意力和门控循环神经网络的雷达回波外推算法研究

为提升现有神经网络对雷达回波序列的时、空特征提取能力,建立外推性能更优的时、空序列预测模型,开展雷达回波外推算法改进研究。基于深圳市气象局与中国香港天文台共同建立的雷达回波数据集,在数据处理层面,通过改进对雷达回波图像序列归一化的方法,提升了常用的5种时、空序列预测模型对强回波的预测水平;在模型算法层面,将两个联立的自注意力结构引入ST-LSTM结构,组成新的循环门控单元,并将这些循环门控单元进行堆叠,建立ST-SARNN模型。选用CSI和POD作为精度评价指标,进行模型对比分析得到:(1)改进的归一化方法提升了近几年内常用的5种时、空序列预测模型对强回波的预测水平。(2)加入自注意力的ST-SARNN模型对雷达回波的预测性能显著优于ConvLSTM、PredRNN和MIM等模型。改进的归一化方法能改变样本数据分布,并在一定程度上提升模型外推性能;自注意力结构能够有效挖掘雷达回波序列的时、空特征,进而改进神经网络的外推表现。

面向降雨预报的雷达回波预测序列外推方法

雷达回波外推方法广泛应用于降雨预报中。针对雷达回波中的预测精度不够高的问题,提出了一种基于循环神经网络的深度学习模型DIPredRNN。该模型通过引入空间和通道的双注意力机制,将长时间的时间信息和通道信息结合起来,提高了时间记忆的长期依赖;通过引入隐藏状态和输入的交互框架,保留了更多的特征,提高了时间记忆的短期依赖。该模型在HKO-7数据集和四川数据集上同经典模型以及诸多先进模型进行实验对比,该模型从外推图像、MSE、SSIM、CSI-30~50 dbz多个指标对比中都取得最佳效果。实验证明了DIPredRNN提高了雷达回波预测效果,拥有先进的性能。

基于ConvLSTM融合RMAPS-NOW数据的雷达回波外推研究

雷达回波外推是临近预报、人工影响天气作业及效果评估的主要参考依据之一,快速准确的回波外推技术一直是雷达气象领域的研究热点。近年来,基于深度学习的时空序列预测模型在雷达回波外推中得到了广泛应用。然而,这些外推网络架构的输入大多用16级伪彩色雷达回波强度产品转化而来的灰度图,丢失了许多回波细节,并且随着外推时间延长,误差不可避免地增大。回波的生消、移动、演变与天气背景紧密相关,因此,将北京城市气象研究院研发的新一代快速更新多尺度资料分析和预报系统的临近数值预报子系统(RMAPS-NOW)初始零场的部分物理量产品融入华北雷达拼图原始数据,构建多个雷达单元(Radar cells),并将这些雷达单元作为输入,基于卷积长短期记忆网络(ConvLSTM),设计了一个多通道雷达回波外推网络架构(MR-ConvLSTM)。另外,考虑到卷积算法的平滑性,构建了自定义损失函数,增加回波强度的时空权重进行时空衰减订正。选取(40.65°—41.65°N,114°—115.4°E)内2018—2021年的6—9月共13000组华北雷达组合反射率因子拼图及RMAPS-NOW初始零场数据,其中的80%共10400组为训练集,20%共2600组为测试集。引入的物理量包括多个高度层的u、v风(1350 m),相对湿度(RH,150 m),水平散度(1350 m)等,基于ConvLSTM及MR-ConvLSTM加自定义损失函数,分别训练得到5个雷达回波外推模型。采用临界成功指数(CSI)、命中率(POD)、虚警率(FAR)作为评价指标,利用测试集对所有模型进行评估。基于引入物理量的MR-ConvLSTM训练得到的模型在20、30、35 dBz反射率阈值下,比未引入物理量的基于ConvLSTM的外推模型CSI值平均高4.67%、13.8%、5.98%,POD值平均高3.1%、7.68%、8.38%,FAR值平均低6.37%、8.54%、10.17%,同时引入3种物理量(RH、u、v)的外推模型在不同阈值的各项指标中综合表现最好,其CSI、 POD值在3种不同阈值下比未引入物理量模型平均高16.01%、13.38%,FAR值平均低14.88%。从模型应用的个例可视化也可以看出,引入物理量后有效提升了雷达回波外推的准确度,证明基于MR-ConvLSTM架构训练的雷达回波外推模型有较强的泛化能力。

基于RC-LSTM的雷达回波外推方法

雷达回波外推是降水临近预报的重要手段,所用的方法分为数值预报与数据驱动预报。前者依托数学与物理模型,后者依托深度学习技术总结历史规律。尽管深度学习在气象预报中研究活跃,但实际应用仍面临挑战,尤其是精度问题。因此设计了一种雷达回波外推系统,应用所提出的残参卷积长短期记忆(RC-LSTM)模型,在使用规划采样的同时,为每一层堆叠的ConvLSTM单元添加了残差连接,使得模型在更深的同时保留原有小模型的学习能力,保证网络最大限度降低空间维度的历史信息损耗,从而提高长时效雷达回波外推的精度。

基于特征条件扩散模型的雷达回波外推算法

随着外推时效的延长,回波强度愈发衰减,且对于强回波的预报性能迅速下降。这是当前雷达外推结果不准确的两个典型特征。为改善上述问题,提出了一种通过雷达回波帧驱动的扩散雷达外推算法(diffusion radar echo extrapolation,DiffREE)。该算法利用条件编码模块将过去雷达回波帧的空间信息和时效信息深度融合,通过Transformer编码器自动提取回波的时空特征,并作为条件扩散模型的条件,驱动扩散模型重建当前雷达回波帧。实验结果表明,该方法可以生成高精度、高质量的雷达预报帧,较最好的基线算法在CSI、ETS、HSS和POD上分别提升42.2%、51.1%、49.8%和39.5%。

一种雷达回波外推的注意力融合和信息回忆的LSTM方法

临近天气预报是气象研究中的热点问题,雷达回波外推技术作为处理临近天气预报的有效手段,具有重要的应用价值。近年来,深度学习技术被应用于处理这一任务,但提高雷达回波外推的预报准确率仍然是一个具有挑战性的问题。在ST-LSTM网络基础上,本文提出一种AFR-LSTM网络,以进一步提高雷达回波外推的预报准确率。首先提出一种注意力融合的时空长短期记忆网络的方法,以关联更多的历史信息,保证信息在传递过程中能够充分关联,减少信息丢失。同时,考虑编码过程中信息丢失问题,在编码器与解码器之间构建信息回忆模块,进一步保存雷达回波预测细节。通过在真实的雷达回波数据集(2019—2021江苏气象雷达数据)上进行消融实验,AFR-LSTM整体效果较好。此外,对该雷达回波数据集进行对比实验,结果表明AFR-LSTM在雷达回波预测中评分函数临界成功指数(CSI)值为0.5209、Heidke Skill Score(HSS)值为0.5324,并且能较好地保留强回波和位置准确度,优于现有方法,证明了该方法能够获得更准确的预测准确度。

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。

基于ConvLSTM的改进雷达回波外推方法研究

海上大风及其引发的次生灾害是导致海洋气象灾害的主要因素;雷达观测数据是临近预报主要参考数据之一,准确的雷达外推数据对于提升海上强对流大风临近预报能力极为关键;面向海上大风预报需求和大风天气雷达回波特征,从输入数据格式和损失函数两方面对ConvLSTM进行改进,在损失函数中增加观测真实值作为系数提高强回波影响,构建了基于自编码的ConvLSTM网络,利用4年的沧州历史雷达回波数据对其进行训练,得到了可基于历史1 h雷达数据预测未来1 h雷达回波的雷达回波外推模型;测试集及个例检验结果表明,改进模型在强回波预测方面具备更好效果。

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.

CAST-LSTM:一种用于雷达回波外推的时空LSTM模型

基于循环神经网络的雷达回波外推算法的预报结果随时间逐渐模糊失真,同时难以预报强回波区域。针对上述问题,提出一种上下文融合和注意力机制的时空长短期记忆网络模型。该方法通过上下文融合模块充分提取雷达图像不同尺度的短期上下文信息;通过注意力模块拓宽预测单元的时间感受域,使模型感知更多的时间动态。以2019—2021年4—9月江苏省气象雷达数据为样本,通过试验对比分析,基于上下文融合和注意力机制的时空长短期记忆网络取得了更好的预测性能。在外推60 min,阈值为10、20、40 dBz的条件下,临界成功指数和HSS分别达到0.7611、0.5326、0.2369和0.7335、0.5735、0.3075,有效提高了预测精度。

基于频谱分解和注意力机制的雷达回波外推算法

针对雷达回波数据,首次提出使用频谱分解的方式预先提取多尺度回波信息作为深度学习网络的输入数据,以丰富输入数据的特征信息。模型主框架采用UNet神经网络,并且针对模型退化问题,加入了残差连接结构。基于以上设计,提出SpAt-ResUNet预测模型。试验结果表明,相比于传统雷达回波外推算法SPROG与深度学习网络ResUNet模型,该模型对于未来1 h的雷达回波预测长时间外推图像模糊的问题以及强回波留存能力分别得到改善和增强。

雷达回波外推算法的并行化及实现

为了提高雷达外推TERC算法的效率,首先分析了TREC算法的原理与过程,找出算法计算密集型部分;在此基础上,采用基于多线程的并行计算对算法进行优化,并使用Windows线程库的API实现多线程编程;最后,通过实验比较串行算法和并行算法的运行时间。结果表明,并行算法发挥了多核处理器的优势,大幅提升了效率。

一种雷达回波外推短临预报方法仿真

雷达回波外推结果是短临预报的基础,为获取准确短临预报内容,并提升预报内容的时效性,研究基于循环动态卷积的雷达回波外推短临预报方法。在动态卷积神经网络的基础上,参考循环神经网络结构特性,构建循环动态卷积神经网络,在卷积层内引入循环结构,生成外推雷达回波图像同过去一段时间内输入雷达回波图像序列间的相关性。在循环动态子网络内输入采集到的雷达回波图像,通过循环动态子网络处理获取两个概率向量,以其作为概率外推层的卷积核,并与输入图像序列内最后一幅图像实施卷积处理,获取雷达回波图像外推结果。依据外推结果同短临预报内容间的相关性,生成短临预报内容。仿真结果显示,上述方法外推结果与实际观测获取的雷达回波图像一致度更高,且时效更长。

一种改进的循环神经网络雷达图像外推算法

临近强降水预报目的是预测未来两小时内局地降水强度的分布,准确的外推雷达图像可以为临近强降水预报提供准确的时空参考数据。近两年循环神经网络模型应用于天气雷达回波图象外推得到了较好的结果。本文基于分析现有ConvLSTM和TrajGRU模型的基础上,从输入雷达数据层数和修改模型损失函数两个方面对循环神经网络外推模型进行改进,并对业务上的雷达图象序列和竞赛雷达图象序列进行试验。试验结果表明,改进的外推模型能更好地捕捉时空相关性,具有更精确的外推效果。