周康輝 鄭永光 王婷波

ZHOU Kanghui ZHENG Yongguang WANG Tingbo

國家氣象中心，北京，100081

National Meteorological Centre，Beijing 100081，China

1 引 言

強(qiáng)對流天氣，包括冰雹、雷暴大風(fēng)、短時強(qiáng)降水、龍卷等，具有極強(qiáng)的易致災(zāi)性，對人民生命財產(chǎn)造成重大的威脅。然而由于強(qiáng)對流天氣的中小尺度屬性，強(qiáng)對流監(jiān)測和預(yù)報都具有較大難度（Wilson，et al，2010；鄭永光等，2015）。

在短時預(yù)報時段（2—6 h），強(qiáng)對流天氣預(yù)報挑戰(zhàn)性尤其凸出。一方面，在2 h 之后，對流系統(tǒng)已經(jīng)發(fā)生較大的變化，已有的對流系統(tǒng)基本消散，同時不斷有新的對流系統(tǒng)生成，對流系統(tǒng)形態(tài)會發(fā)生較大的變化。因此，利用觀測數(shù)據(jù)進(jìn)行傳統(tǒng)外推的方法，往往不能對上述變化做出較好的判斷（Wilson，et al，1998）。另一方面，目前的高分辨率數(shù)值天氣預(yù)報（High-resolution Numerical Weather Prediction，HNWP）雖然使用了雷達(dá)資料同化等手段已經(jīng)顯著提升了預(yù)報能力，但短時預(yù)報的性能與業(yè)務(wù)需求之間依然存在較大差距（Sun，et al，2014）。

從不同預(yù)報方法的預(yù)報性能（圖1）來看，依托觀測數(shù)據(jù)的外推方法在0—2 h 具備較大的優(yōu)勢，性能明顯優(yōu)于高分辨率數(shù)值模式；超過2 h，高分辨率數(shù)值模式的預(yù)報性能優(yōu)勢開始展現(xiàn)，并在第4—5 h時效，預(yù)報性能超越外推方法。

圖1 不同預(yù)報方法的預(yù)報性能隨預(yù)報時效的變化（Browning，1980；Brunet，et al，2015）Fig. 1 Performance of different methods for forecasts at different leading times(Browning，1980；Brunet， et al，2015)

由此可見，單純依賴外推或者數(shù)值天氣預(yù)報結(jié)果，預(yù)報性能均難以達(dá)到最佳。若想有效實現(xiàn)2—6 h時效內(nèi)的對流預(yù)報，如何有效將觀測數(shù)據(jù)和高分辨率數(shù)值模式進(jìn)行融合成為一個可能的解決辦法。

目前，使用較多的融合方法主要有3 種（鄭永光等，2010）：（1）根據(jù)外推預(yù)報和數(shù)值預(yù)報的檢驗結(jié)果，計算其各自的權(quán)重，如Golding（1998）、Pierce等（2000）、楊丹丹等（2010）、程叢蘭等（2013），一般此方法可根據(jù)不同的預(yù)報時效，調(diào)整權(quán)重，預(yù)報時效越長，數(shù)值天氣預(yù)報的權(quán)重越高；（2）趨勢融合方法，利用數(shù)值天氣預(yù)報的落區(qū)和強(qiáng)度趨勢變化，對外推產(chǎn)品進(jìn)行修正（Wilson，et al，2006）；（3）計算當(dāng)前時刻的數(shù)值天氣預(yù)報落區(qū)和強(qiáng)度的誤差，然后通過相關(guān)方法將其預(yù)報進(jìn)行對應(yīng)誤差的修正，如Yeung 等（2009）、程叢蘭等（2013）、龍清怡等（2014）。

程叢蘭等（2019）對目前流行的兩種融合算法— INCA（Integrated Nowcasting and Comprehensive Analysis System）算 法 及RAPIDS（Rains torm Analysis and Prediction Integrated Dataprocessing System）算法進(jìn)行了分析和對比試驗。RAPIDS 算法的核心是用自動氣象站雨量融合雷達(dá)估測得到的定量降水對模式預(yù)報的降水強(qiáng)度和位置進(jìn)行修正；INCA 算法則是用數(shù)值模式預(yù)報的風(fēng)場修正外推技術(shù)的降水移動矢量。兩種方法在0—6 h 預(yù)報時效內(nèi)，外推預(yù)報的權(quán)重均逐漸減小，模式預(yù)報的權(quán)重逐漸增大，從而實現(xiàn)外推預(yù)報和模式預(yù)報的平滑過渡。試驗結(jié)果表明，兩種方法對降水帶和降水強(qiáng)度的預(yù)報均優(yōu)于單一的外推預(yù)報或模式預(yù)報。

盡管融合方法相對單一的外推預(yù)報和模式預(yù)報性能有一定提升，但是仍然具有一定的局限性。3 種方法都將觀測數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)分開處理，根據(jù)兩者的差異，實現(xiàn)數(shù)值上的統(tǒng)一，沒有真正地實現(xiàn)觀測數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)的有機(jī)融合。應(yīng)用機(jī)器學(xué)習(xí)方法，一定程度上能夠?qū)崿F(xiàn)兩類數(shù)據(jù)的更有效融合和充分利用。目前，中外研究者針對觀測數(shù)據(jù)和高分辨率數(shù)值模式綜合應(yīng)用，已經(jīng)開展了部分工作。

在臨近預(yù)報方面，Mecikalski 等（2015）利用隨機(jī)森林和邏輯回歸方法，提取25 個相關(guān)的預(yù)測因子，結(jié)合GOES 衛(wèi)星和數(shù)值天氣預(yù)報數(shù)據(jù)，實現(xiàn)北美地區(qū)0—60 min 的對流初生預(yù)報，結(jié)果表明，融合數(shù)值天氣預(yù)報和衛(wèi)星觀測數(shù)據(jù)的預(yù)報效果優(yōu)于單獨使用衛(wèi)星觀測數(shù)據(jù)的預(yù)報效果。其中，Mecikalski等（2015）的工作將預(yù)報因子按照重要性進(jìn)行了排序，結(jié)果發(fā)現(xiàn)他們工作中最重要的5 個預(yù)報因子分別為地面抬升抑制能量、最不穩(wěn)定抑制能量、地面抬升對流有效位能、從最不穩(wěn)定層抬升的不穩(wěn)定能量、衛(wèi)星的10.7 μm 紅外通道亮溫。Apke 等（2015）則用機(jī)器學(xué)習(xí)方法分析了對流環(huán)境對于對流初生的作用，研究是否可以將對流參數(shù)引入，改進(jìn)利用衛(wèi)星觀測資料做對流初生的預(yù)報效果，并應(yīng)用主成分分析（principal component analysis，PCA）和二次判別分析（quadratic discriminant analysis，QDA）進(jìn)行了相關(guān)性分析。結(jié)果發(fā)現(xiàn)，對流有效位能和對流抑制能量對于改進(jìn)對流初生預(yù)報具有積極的作用。在高對流有效位能、低對流抑制能量的環(huán)境下，對流初生具有更高的可預(yù)報性。用QDA 方法驗證了在實現(xiàn)衛(wèi)星觀測數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)變量融合應(yīng)用的情況下，對流初生預(yù)報效果更好。Ahijevych 等（2016）則采用隨機(jī)森林方法（Random forest），利用雷達(dá)、衛(wèi)星和高分辨率數(shù)值模式數(shù)據(jù)，實現(xiàn)未來2 h 的中尺度對流系統(tǒng)初生預(yù)報。結(jié)果表明，總數(shù)550 個觀測的初生中尺度對流系統(tǒng)，有效識別率超過99%（預(yù)測和實況距離50 km 內(nèi)則認(rèn)為識別正確）。

短時預(yù)報方面，Geng 等（2019）和Lin 等（2019）利 用WRF（Weather Research and Forecasting）和閃電觀測實況資料，構(gòu)建了基于ConvLSTM（Convolutional long short-term memory）的深度學(xué)習(xí)模型，用于提取數(shù)值模式預(yù)報數(shù)據(jù)和觀測數(shù)據(jù)的時、空變化特征，進(jìn)而實現(xiàn)未來6 或12 h 的閃電預(yù)報。由于深度學(xué)習(xí)有效融合了觀測數(shù)據(jù)和數(shù)值預(yù)報模式預(yù)測數(shù)據(jù)的信息，因此其預(yù)報性能顯著優(yōu)于單純依賴數(shù)值預(yù)報模式對流參數(shù)化方案的預(yù)報效果；且利用深度學(xué)習(xí)融合觀測數(shù)據(jù)和數(shù)值預(yù)報模式預(yù)測數(shù)據(jù)的預(yù)報效果，明顯優(yōu)于深度學(xué)習(xí)使用單一類型數(shù)據(jù)的效果。

以上研究表明，利用機(jī)器學(xué)習(xí)等方法有效綜合應(yīng)用了觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，實現(xiàn)二者中對流初生、對流發(fā)展等有效信息的提取，可實現(xiàn)更準(zhǔn)確的對流天氣預(yù)報。

近期，Zhou 等（2020）采用深度語義分割模型，提取衛(wèi)星、雷達(dá)、閃電探測儀等多源觀測數(shù)據(jù)，有效實現(xiàn)了多源觀測數(shù)據(jù)的融合，閃電0—1 h 的預(yù)報效果較好。在其工作基礎(chǔ)上，如何進(jìn)一步利用深度學(xué)習(xí)融合多源觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，實現(xiàn)更好的閃電落區(qū)短時預(yù)報，目前中外尚未有相關(guān)的工作。因此，基于強(qiáng)對流系統(tǒng)的發(fā)生、發(fā)展特征，針對多源觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，在已有深度學(xué)習(xí)語義分割模型基礎(chǔ)上進(jìn)一步優(yōu)化完善模型，提取這兩類數(shù)據(jù)中的有效對流預(yù)報信息，進(jìn)而實現(xiàn)更準(zhǔn)確的閃電短時預(yù)報。同時，對比了不同預(yù)報方法在不同時效的預(yù)報性能，為更好地使用這些預(yù)報產(chǎn)品提升業(yè)務(wù)預(yù)報能力，提供參考。

2 數(shù)據(jù)和方法

2.1 衛(wèi)星觀測數(shù)據(jù)

葵花8 號是日本于2014 年10 月發(fā)射，并于2015年7 月業(yè)務(wù)化的新一代靜止氣象衛(wèi)星?？? 號搭載了AHI（Advanced Himawari Imager）探頭，包含3 個可見光通道、2 個近紅外通道以及10 個紅外通道（其中3 個為水汽通道）。該觀測數(shù)據(jù)具有較高的時、空分辨率，其可見光通道空間分辨率達(dá)0.5 km，紅外通道達(dá)2 km，全圓盤觀測更新的時間間隔為10 min。除了這些觀測通道產(chǎn)品，日本氣象廳還提供了豐富的二次開發(fā)產(chǎn)品，包括云相態(tài)、云類型、云頂高度等（Yumimoto，et al，2016）。考慮到二次產(chǎn)品是基于基本產(chǎn)品開發(fā)，而深度學(xué)習(xí)具備強(qiáng)大的特征學(xué)習(xí)能力，能夠直接從基本產(chǎn)品中提取對流特征，故文中僅使用基本產(chǎn)品作為特征數(shù)據(jù)（表1）。

由于可見光通道只在日間有數(shù)據(jù)，夜間沒有觀測數(shù)據(jù)。為了訓(xùn)練一個全天24 h 可用的模型，故未采用可見光通道。紅外通道中，根據(jù)每個通道的觀測物理特性，選取了其與對流發(fā)生、發(fā)展相關(guān)的6 個通道（Bessho，et al，2016），具體見表1。

本研究所用數(shù)據(jù)從日本宇宙航空研究開發(fā)機(jī)構(gòu)（Japan Aerospace Exploration Agency，JAXA）P-Tree 系統(tǒng)下載，數(shù)據(jù)為等經(jīng)緯度網(wǎng)格數(shù)據(jù)，水平分辨率為0.05°×0.05°，大致相當(dāng)于5 km。

2.2 中國雷達(dá)拼圖數(shù)據(jù)

中國雷達(dá)拼圖數(shù)據(jù)采用的是中國氣象局氣象探測中心推送的業(yè)務(wù)產(chǎn)品，包括基本反射率拼圖數(shù)據(jù)、液態(tài)水含量數(shù)據(jù)等。數(shù)據(jù)水平分辨率為0.01°×0.01°，時間分辨率為10 min，覆蓋中國中、東部大部分地區(qū)。試驗區(qū)域內(nèi)，包含有139 部業(yè)務(wù)天氣雷達(dá)。其中C 波段雷達(dá)的探測范圍為200 km，S 波段雷達(dá)探測范圍為230 km。139 部雷達(dá)分布的最小距離、中位數(shù)距離、平均距離、最大距離分別為50.46、112.43、113.66 和244.04 km。這些雷達(dá)覆蓋了試驗區(qū)域的絕大部分。所有雷達(dá)均使用體掃VCP21（Volume Coverage Pattern 21）觀測模式，并對雷達(dá)回波數(shù)據(jù)采用了類似Chen 等（2012）的方法進(jìn)行質(zhì)量控制。

表1 基于多源數(shù)據(jù)的預(yù)報因子選取Table 1 Selected satellite，radar and lightning predictors for lightning forecasting

2.3 閃電定位數(shù)據(jù)

閃電定位數(shù)據(jù)來自國家雷電監(jiān)測網(wǎng)提供的云-地閃電（簡稱閃電）觀測數(shù)據(jù)。國家雷電監(jiān)測網(wǎng)2016年投入業(yè)務(wù)考核的站點達(dá)到394 站，較好地覆蓋了除青藏高原、內(nèi)蒙古中西部地區(qū)外的中國大部分區(qū)域。

閃電定位信息包括地閃回?fù)舳S空間信息、發(fā)生時間、閃電強(qiáng)度、閃電陡度、定位方式、定位誤差等豐富信息。整套系統(tǒng)網(wǎng)內(nèi)定位精度優(yōu)于300 m，探測效率≥80%，單站探測范圍≥300 km（Xia，et al，2015；Yang，et al，2015）。經(jīng)過長期的業(yè)務(wù)化運(yùn)行，整套系統(tǒng)較為穩(wěn)定，能夠不間斷地對覆蓋范圍進(jìn)行地閃監(jiān)測。

閃電觀測數(shù)據(jù)屬于離散數(shù)據(jù)，因此需要進(jìn)行格點化處理。使用格點鄰近的方法對其進(jìn)行處理。閃電作為預(yù)報因子時，如果某個格點周圍R km 范圍內(nèi)有n 個閃電發(fā)生，則該格點閃電數(shù)量記為n，得到格點上的閃電密度值；閃電作為標(biāo)記時，如果某個格點周圍R km 范圍內(nèi)有閃電發(fā)生，則這個格點就標(biāo)記為1，否則標(biāo)記為0?？紤]到閃電天氣具有γ 中尺度對流系統(tǒng)（Orlanski，1975）的分布特征，R 被設(shè)置為20 km。但需要指出的是，如果R 太小，則漏報會較多；如果R 太大，虛警會嚴(yán)重。

2.4 高分辨率數(shù)值模式預(yù)測數(shù)據(jù)

所用的高分辨率數(shù)值模式預(yù)測數(shù)據(jù)來自中國氣象局?jǐn)?shù)值預(yù)報中心研發(fā)的GRAPES_3km（Global/Regional Assimilation and Prediction Enhanced System）模式數(shù)據(jù)。GRAPES_3km 于2015 年開始業(yè)務(wù)運(yùn)行，每日起報兩次，起報時間為08 和20 時（北京時，下同），預(yù)報時效為0—36 h。時間和空間分辨率分別為1 h、0.03°（約為3 km），覆蓋的空間范圍為（17°—50°N，102°—135°E）。

GRAPES_3km 提供了較為豐富的物理量可供選擇。考慮到深度學(xué)習(xí)模型較大、訓(xùn)練參數(shù)多，預(yù)報因子越多，圖形處理器（GPU，Graphics Processing Unit）訓(xùn)練內(nèi)存開銷越大。為了使模型能夠順利運(yùn)行，選取了GRAPE_3km 模式輸出的能夠直接反映對流生消演變的變量—雷達(dá)組合反射率作為輸入深度學(xué)習(xí)模型的預(yù)報因子。

本研究中，深度學(xué)習(xí)模型的輸入和輸出分辨率均為0.05°，GRAPES_3km 預(yù)報場的分辨率為0.03°，采用雙線性插值的方法，將其插值至0.05°的分辨率。

2.5 地理范圍選取

考慮到雷達(dá)與閃電定位系統(tǒng)的觀測覆蓋區(qū)域和暖季強(qiáng)對流天氣活躍程度，選取了（20°—40°N，102°—120°E）作為預(yù)報方法試驗區(qū)，水平分辨率為0.05°×0.05°，網(wǎng)格數(shù)為360×400。選取范圍主要包括華北、江淮、江漢、黃淮、江南、西南地區(qū)東部、華南等地區(qū)（圖2）。

3 深度學(xué)習(xí)模型

圖2 選取的試驗范圍 （白色方框為選取的試驗區(qū)域（20°—40°N，102°—120°E）；色階為海拔分布，單位：km；黑色三角形為雷達(dá)站點，紅色圓點為閃電定位儀站點）Fig. 2 Distribution of topography （shaded，unit：km），NLDN sensors （red points），and radar stations （black triangles）（The white rectangle denotes the selected area（20°—40°N，102°—120°E））

閃電落區(qū)預(yù)報可以看作一個逐像素分割的語義分割問題。逐像素的語義分割是深度學(xué)習(xí)的一個活躍的研究領(lǐng)域。眾多的深度學(xué)習(xí)語義分割算法，包括FCN（fully convolutional network）（Shelhamer， et al， 2017） 、 U-Net（ Ronneberger， et al，2015）、SegNet（Badrinarayanan，et al，2017）以 及Deeplab（Chen，et al，2018）等能夠根據(jù)圖像特征有效進(jìn)行逐像素的語義分割，在癌癥檢測、自動駕駛、圖片搜索等領(lǐng)域得到了廣泛應(yīng)用（Garcia-Garcia，et al，2018）。SegNet 是一個成熟的深度學(xué)習(xí)語義分割模型，具有良好的語義分割效果。借鑒經(jīng)典的SegNet 語義分割模型，基于選取的多源觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的預(yù)報因子，構(gòu)建了相應(yīng)的深度學(xué)習(xí)模型，將其命名為LightningNet-NWP（圖3）。

3.1 模型輸入

LightningNet-NWP 是一個雙輸入單輸出模型，觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)分別輸入模型。

圖3 利用多源觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)進(jìn)行閃電落區(qū)預(yù)報的深度學(xué)習(xí)模型示意（模型為雙輸入單輸出的結(jié)構(gòu)，模型分為Obs_Network 和NWP_Network 兩部分，均采用編碼-解碼的對稱結(jié)構(gòu)）Fig. 3 The deep learning architecture for lightning forecasting with multi-source observation data and HNWP data（There are 2 inputs and 1 output for DL model with classical encode-decode architecture； It consists of Obs_Network and NWP_Network）

多源觀測數(shù)據(jù)包含8 個預(yù)報因子，分別為葵花8 號的6 個紅外通道、組合反射率拼圖、閃電密度等（表1）。多源觀測數(shù)據(jù)為時序的4 維數(shù)據(jù)（3×360×400×8），包含了觀測數(shù)據(jù)的時間維度信息。每個樣本包含了Tn個連續(xù)時刻的觀測數(shù)據(jù)。經(jīng)過測試表明，當(dāng)Tn取3 時，深度學(xué)習(xí)模型能夠在計算時間和預(yù)報性能中實現(xiàn)一個較好的平衡。因此，本工作中利用過去3 個時次的多源觀測數(shù)據(jù)，進(jìn)行閃電活動預(yù)測（Zhou，et al，2020）。

高分辨率數(shù)值模式預(yù)報因子包含GRAPES_3km 的雷達(dá)反射率預(yù)報場，不包含時序變化信息，為二維變量（360×400×1）。只選取與預(yù)報時次對應(yīng)的雷達(dá)反射率預(yù)報場進(jìn)入LightningNet-NWP，如將GRAPES_3km 預(yù)報的第（T+3）h 雷達(dá)反射率作為預(yù)報因子，進(jìn)行（T+3）h 的閃電預(yù)報。

標(biāo)記因子為對應(yīng)預(yù)報時效的閃電格點觀測數(shù)據(jù)。如將（T+2）—（T+3）h 的閃電數(shù)據(jù)，作為標(biāo)記因子，訓(xùn)練的模型則具備未來（T+2）—（T+3）h 預(yù)報能力。標(biāo)記因子構(gòu)成360×400 的矩陣。測試集中，（T+n）h 時效的標(biāo)記因子，則是預(yù)報（T+n）h 閃電的檢驗真值。

3.2 深度學(xué)習(xí)模型結(jié)構(gòu)

LightningNet-NWP 是 在Zhou 等（2020）提 出的LightningNet 模型基礎(chǔ)上的延伸。在LightningNet基礎(chǔ)上，LightningNet-NWP 添加了處理高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的模塊。由于多源觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)具有較大差異，LightningNet-NWP 為具有雙輸入單輸出的深度學(xué)習(xí)語義分割模型。對于觀測數(shù)據(jù)預(yù)報因子和數(shù)值天氣預(yù)報因子的部分，采用不同的網(wǎng)絡(luò)結(jié)構(gòu)提取其相關(guān)特征，分別稱之為Obs_Network 和NWP_Network。

Obs_Network 框 架 與LightningNet 保 持 一致。NWP_Network 編碼和解碼結(jié)構(gòu)與Obs_Network一致，由于高分辨率數(shù)值模式預(yù)報因子為二維變量，NWP_Network 采用二維卷積層。此外，Obs_Network 和NWP_Network 均可單獨訓(xùn)練，得到閃電落區(qū)預(yù)報結(jié)果，當(dāng)Obs_Network 單獨訓(xùn)練時，其效果等同于LightningNet。具體模型結(jié)構(gòu)可參考Zhou 等（2020）。

LightningNet-NWP 的預(yù)報產(chǎn)品為有、無閃電的落區(qū)預(yù)報，目前暫未包含閃電頻次、強(qiáng)度等信息的預(yù)報。

3.3 訓(xùn)練集和測試集

本工作中，利用2017—2018 年5—8 月的觀測數(shù)據(jù)，構(gòu)建了1530 個樣本。每個樣本范圍覆蓋中國中、東部地區(qū)和南方地區(qū)，因此訓(xùn)練樣本中包含了各種類型的天氣過程，如無閃電活動的弱降水過程和強(qiáng)降水過程（雷達(dá)回波強(qiáng)，但是無閃電或少量閃電）等。

所有樣本被劃分為兩個獨立的子樣本集—訓(xùn)練集和測試集。測試集包含了2018 年8 月的所有樣本，數(shù)量為274 個。訓(xùn)練集則包含了其余所有樣本，樣本量為1256 個。驗證集則在訓(xùn)練過程中從訓(xùn)練集中隨機(jī)選擇，其數(shù)量占訓(xùn)練集總數(shù)的20%。訓(xùn)練過程中，采用數(shù)據(jù)增廣的方法（Zhou，et al，2020）來增加有效樣本數(shù)量。采用了4 個數(shù)據(jù)增廣的方法，分別為水平翻轉(zhuǎn)、90°旋轉(zhuǎn)，180°旋轉(zhuǎn)和270°旋轉(zhuǎn)。需要說明的是，在旋轉(zhuǎn)或翻轉(zhuǎn)預(yù)報因子矩陣中的空間維度的同時，標(biāo)記因子矩陣也按同樣的策略進(jìn)行操作。最后得到原訓(xùn)練樣本數(shù)量5 倍（6280，即1256×5）的樣本集。

3.4 訓(xùn)練過程

LightningNet-NWP 訓(xùn)練設(shè)置100 個迭代周期，采用早停策略，當(dāng)模型的損失連續(xù)超過10 個迭代周期停止減小時則自動停止，保存驗證集上損失最小的權(quán)重。損失函數(shù)選用了二分類交叉熵?fù)p失函數(shù)（Golik，et al，2013）。訓(xùn)練過程中，采用ADAM優(yōu)化器（Kingma，et al，2014），其中學(xué)習(xí)率設(shè)置為10?4，其余設(shè)置則為缺省值（Perol，et al，2017）。批次大小為4，每個訓(xùn)練周期的迭代次數(shù)為1570。

訓(xùn)練過程中，使用了圖形處理器（GPU）顯示進(jìn)行運(yùn)算加速。軟件方面，配置NVIDIA CUDA（Compute Unified Device Architecture），硬件則使用 NVIDIA Tesla V100 顯卡。測試結(jié)果表明，在0.05°×0.05°分辨率上，中國中東部2—6 h 的閃電落區(qū)預(yù)報可以在5 min 內(nèi)完成，達(dá)到了業(yè)務(wù)化應(yīng)用的要求。

4 預(yù)報結(jié)果檢驗

4.1 批量預(yù)報結(jié)果檢驗

在2018 年8 月的預(yù)報測試集中，對比了不同預(yù)報時效（0—6 h）、不同預(yù)報方法的預(yù)報性能（表2）。目前普遍認(rèn)可40 dBz 的高度超過0℃層的情況下閃電發(fā)生概率極大（Buechler，et al，1990；Vincent， et al， 2003； Mosier， et al， 2011） 。GRAPES_3km 無直接的閃電預(yù)報，故將GRAPES_3km 預(yù)報的40 dBz 的高度超過0℃層變量用于衡量GRAPES_3km 對閃電的預(yù)報能力。

表2 深度學(xué)習(xí)方法使用多源觀測數(shù)據(jù)和數(shù)值天氣預(yù)報融合、單獨使用觀測數(shù)據(jù)、單獨使用高分辨率數(shù)值模式數(shù)據(jù)預(yù)報不同時效的閃電檢驗結(jié)果 （光流法基于過去2 h 的閃電小時密度，利用稠密光流算法，進(jìn)行未來逐小時的閃電落區(qū)預(yù)報；h、m、f、c 分別代表命中、漏報、虛警和真反例（correct negatives）， h random=(h+f)×(h+m)/(h+m+f+c)）Table 2 The performance of DL with different data sources，optical flow extrapolation with lightning data，and HNWP's output for convective weather （The lightning observation data of the previous 2 hours are used by optical flow method to forecast lightning activities of the next 0—6 hours. h，m，f，and c indicate the hits，misses，false alarms，and correct negatives，respectively，and hrandom=(h+f)×(h+m)/(h+m+f+c)）

從表2 中觀察各種預(yù)報方法的性能對比，可以得到以下結(jié)論：

（1）不論是使用多源觀測數(shù)據(jù)，還是使用觀測數(shù)據(jù)融合高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，閃電的預(yù)報性能隨著預(yù)報時效的延長都呈現(xiàn)下降的趨勢。隨著時效延長，命中率、TS 和POD 呈現(xiàn)明顯的下降，同時FAR 和Bias 呈現(xiàn)明顯的上升。顯然，由于對流系統(tǒng)的發(fā)展演變是非線性的復(fù)雜過程，可預(yù)報性隨著預(yù)報時效的延長逐漸降低?？梢钥吹剑?—6 h預(yù)報時效內(nèi)，隨著時效的延長，高分辨率數(shù)值模式的性能會出現(xiàn)小幅度下降。然而，相對Lightning-Net-NWP，高分辨率數(shù)值模式的預(yù)報性能隨著時效延長變化并不明顯。隨著預(yù)報時效的延長，實時觀測數(shù)據(jù)中的預(yù)報有效信息量迅速減少，是導(dǎo)致LightningNet-NWP 預(yù)報性能出現(xiàn)明顯下降的主要原因。

（2）2—6 h 時效，多源觀測數(shù)據(jù)融入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)后，深度學(xué)習(xí)模型預(yù)報性能有了明顯的改善。當(dāng)加入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)作為預(yù)報因子之后，POD、FAR、TS 等指標(biāo)均有明顯的提升。如6 h 預(yù)報，加入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)前，POD、FAR、TS 分別為0.372、0.824、0.136，加入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)后，分別變?yōu)?.463、0.746、0.196。整體而言，加入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)后的深度學(xué)習(xí)預(yù)報性能相當(dāng)于延長了2 h。

（3）隨著預(yù)報時效的延長，加入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)對于預(yù)報的改善更明顯。如第3 h，加入數(shù)值天氣預(yù)報前、后的TS 之差為0.029，改進(jìn)了11.7%；第6 h，加入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)前、后的TS 之差為0.06，改進(jìn)了44.1%。由此可見，超過2 h 后，高分辨率數(shù)值模式預(yù)測對對流預(yù)報起的作用越來越顯著。

為了方便對比，將不同預(yù)報方法的預(yù)報結(jié)果，隨預(yù)報時效變化的分布情況，進(jìn)行可視化（圖4）。從圖中可以更清晰地看到各種預(yù)報方法的預(yù)報性能變化情況：

①1 h 預(yù)報時效，對于深度學(xué)習(xí)方法，是否加入高分辨率數(shù)值模式預(yù)報因子，預(yù)報性能基本沒有變化。這是因為在0—1 h 對流系統(tǒng)形態(tài)還未發(fā)生太大的變化，且衛(wèi)星觀測數(shù)據(jù)中又包含對流初生的有效信息，單純依靠觀測數(shù)據(jù)即能有效實現(xiàn)對流的有效預(yù)報（Zhou，et al，2020）。該時段內(nèi)高分辨率數(shù)值模式預(yù)測性能較低，無法為對流預(yù)報提供有效的信息。

圖4 不同預(yù)報方法在不同預(yù)報時效 （1—6 h） 的預(yù)報性能變化Fig. 4 Performance of different methods，including DL method，optical flow extrapolation and HNWP forecasts，for the next 1—6 h

②不管深度學(xué)習(xí)方法使用觀測數(shù)據(jù)或融合觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，在1—6 h，其預(yù)報性能始終明顯優(yōu)于光流法閃電外推方法。光流法屬于線性或者準(zhǔn)線性的預(yù)報方法（曹春燕等，2015），而深度學(xué)習(xí)方法具有一定的非線性演變識別和預(yù)報能力，因此，上述結(jié)果進(jìn)一步證明了深度學(xué)習(xí)方法在融合多源觀測數(shù)據(jù)、高分辨率數(shù)值模式預(yù)測數(shù)據(jù)方面的作用。

③5—6 h 時效，利用深度學(xué)習(xí)方法，融合觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的預(yù)報性能仍然最佳，而以高分辨率數(shù)值模式預(yù)測作為預(yù)報因子的預(yù)報性能超過以多源觀測數(shù)據(jù)為預(yù)報因子的預(yù)報性能。由此可見，在0—5 h，多源觀測數(shù)據(jù)的有效信息超過高分辨率數(shù)值模式預(yù)測數(shù)據(jù)；5 h 之后，高分辨率數(shù)值模式提供的信息更有價值。

④基于光流法的閃電外推預(yù)報在2 h 之后的預(yù)報性能低于深度學(xué)習(xí)基于高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的預(yù)報性能。由此可見，利用傳統(tǒng)外推方法，其可用的外推結(jié)果為0—2 h。這與俞小鼎等（2012）、Sun 等（2014）觀點一致。

⑤在1—6 h 時效內(nèi)，觀測數(shù)據(jù)均能提供對預(yù)報有益的信息，表現(xiàn)為在上述時段內(nèi)，融合多源觀測數(shù)據(jù)的深度學(xué)習(xí)模型的預(yù)報效果一直優(yōu)于單純輸入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的深度學(xué)習(xí)模型預(yù)報效果。

4.2 個例檢驗結(jié)果

2018 年8 月23 日午后，華南地區(qū)開始有對流系統(tǒng)發(fā)展。12 時開始，廣西南部地區(qū)有東西向分布的對流系統(tǒng)發(fā)展；13 時開始，廣東東部、福建等地有雷暴系統(tǒng)初生。此后，上述兩個對流系統(tǒng)逐漸發(fā)展并增強(qiáng)，影響面積逐漸增大，閃電活動趨于強(qiáng)烈，最終影響了整個華南地區(qū)。同時，華北地區(qū)有較弱的對流系統(tǒng)發(fā)展。12 時開始，有雷暴在山西等地開始生成，此后也呈逐漸增強(qiáng)的趨勢，至17 時前后，開始影響山西中北部地區(qū)（圖5）。

在深度學(xué)習(xí)模型使用多源觀測數(shù)據(jù)的基礎(chǔ)上，圖5 對比了使用（LightningNet-NWP）和未使用高分辨率數(shù)值模式預(yù)測數(shù)據(jù)（Obs_Network）的預(yù)報結(jié)果。從預(yù)報結(jié)果和實況對比來看：

Obs_Network 和LightningNet-NWP 在0—2 h預(yù)報效果相似，2—6 h 預(yù)報效果呈現(xiàn)出比較大的差異。

（1）0—1 h，Obs_Network 和LightningNet-NWP都對廣西、廣東東部、福建等地的雷暴初生過程實現(xiàn)了較好的預(yù)報。然而，對于山西北部地區(qū)的閃電活動，二者均發(fā)生了漏報。

圖5 2018 年8 月23 日12 時起報未來0—6 h 的閃電落區(qū)預(yù)報情況 （a1、b1. 12—13 時，a2、b2. 13—14 時，a3、b3. 14—15 時，a4、b4. 15—16 時，a5、b5. 16—17 時，a6、b6. 17—18 時；a1—a6. LightningNet-NWP 的預(yù)報結(jié)果，b1—b6. 未加入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的Obs_Network 預(yù)報結(jié)果；陰影為預(yù)報，黑點為閃電實況）Fig. 5 Predictions of Lightning-NWP （a1—a6） and Obs_Network （b1—b6） of the next 0—6 h and lightning observations on 23 August 2018 （a1，b1. 12：00—13:00 BT；a2，b2. 13：00—14:00 BT；a3，b3. 14：00—15:00 BT；a4，b4. 15:00—16:00 BT；a5，b5. 16：00—17:00 BT；a6，b6. 17：00—18：00 BT；contours are predictions and the black points denote corresponding lightning observations）

續(xù)圖5 Fig. 5 Continued

（2）2—6 h 時效，LightningNet-NWP 對閃電活動的預(yù)報效果明顯更優(yōu)，體現(xiàn)在對閃電活動漏報更少、命中率更高、虛警率更低，這種情況在4—6 h時效體現(xiàn)得更明顯。廣西、廣東等地的閃電活動Obs_Network 能夠有更多反映，但是預(yù)測的區(qū)域明顯偏小，而有了高分辨率數(shù)值模式預(yù)測數(shù)據(jù)提供的信息，LightningNet-NWP 對于上述地區(qū)的閃電活動漏報有了顯著的改善。

（3）對于北部地區(qū)的雷暴活動，Obs_Network和LightningNet-NWP 在0—2 h 都未實現(xiàn)成功的預(yù)報；然而2 h 之后，LightningNet-NWP 對于北方的閃電活動有了較好的預(yù)報，而且成功預(yù)測了此雷暴系統(tǒng)范圍增大的趨勢。相比之下，Obs_Network 一直處于漏報的狀態(tài)。由此可推測，0—2 h 預(yù)報時效，觀測數(shù)據(jù)對此雷暴預(yù)報提供的信息有限，無法依據(jù)這些數(shù)據(jù)實現(xiàn)有效的預(yù)報，雖然此時高分辨率數(shù)值模式預(yù)測中可能包含了雷暴的有效信息，但深度學(xué)習(xí)模型認(rèn)為0—2 h 應(yīng)以觀測數(shù)據(jù)為主，所以預(yù)測北部地區(qū)無閃電（雷暴）活動；2 h 之后，深度學(xué)習(xí)認(rèn)為高分辨率數(shù)值模式預(yù)測數(shù)據(jù)提供的信息更有效，因此在LightningNet-NWP 的預(yù)報結(jié)果中體現(xiàn)了北部地區(qū)的閃電。

（4）對比兩個預(yù)報產(chǎn)品的檢驗指標(biāo)，Obs_Network的0—6 h 平均的POD、FAR、TS 分別為0.445、0.508、0.300，而LightningNet-NWP 對應(yīng)的指標(biāo)分別為0.538、0.503、0.345。由此可見，在虛警率大致相同的情況下，LightningNet-NWP 的命中率、TS 均有了明顯的提升。

總體而言，在該對流個例預(yù)報中，深度學(xué)習(xí)方法能夠有效融合多源觀測數(shù)據(jù)、高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，進(jìn)而改進(jìn)預(yù)報結(jié)果，特別是在2—6 h 時效。LightningNet-NWP 提前4—6 h 預(yù)報了雷暴活動增強(qiáng)的趨勢，明顯降低了虛警和漏報，能夠為預(yù)報員提供較好的預(yù)報參考。需要說明的是，16—17 時，Obs_Network 對湖南中部出現(xiàn)了明顯的虛警，經(jīng)過分析后發(fā)現(xiàn)是雷達(dá)數(shù)據(jù)的噪聲所致。由此可見，多源數(shù)據(jù)的質(zhì)量是保障深度學(xué)習(xí)模型預(yù)報性能的關(guān)鍵。

4.3 預(yù)報因子重要性分析

變換重要性（Permutation importance）最早由Breiman（2001）針對隨機(jī)森林法提出，可用于傳統(tǒng)的機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型。通過隨機(jī)打亂預(yù)測因子（xi）的排列輸入預(yù)測模型，輸出預(yù)測結(jié)果（Y），對比其與正常預(yù)測結(jié)果（y）的預(yù)測性能的差異（ΔP）。如果xi被隨機(jī)打亂之后，ΔP 越大，則表明xi越重要。如果ΔP 變化不顯著，則可能是xi不重要，或者xi與其他預(yù)測因子存在信息重合，比如線性相關(guān)關(guān)系。

從圖6 中各預(yù)報因子的相對重要性隨著時效的變化情況來看：

（1）隨著預(yù)報時效的延長，高分辨率數(shù)值模式預(yù)報因子起到的作用越來越顯著，而觀測數(shù)據(jù)預(yù)報因子的重要性逐漸下降。在2 h 時效，最重要的預(yù)測因子是衛(wèi)星資料，其次是高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，雷達(dá)和閃電資料重要性最低；到了3 h 時效及以后，數(shù)值天氣預(yù)報的重要性開始顯現(xiàn)，成為最重要的預(yù)報因子；

（2）2—6 h 時效，閃電、衛(wèi)星、雷達(dá)等觀測數(shù)據(jù)雖然隨著預(yù)報時效的延長其重要程度呈現(xiàn)明顯的降低趨勢，但對于閃電的預(yù)測均能夠提供正作用。

（3）0—2 h 時效，衛(wèi)星預(yù)報因子重要程度最高，此時衛(wèi)星觀測能提供對于閃電預(yù)測最有效的信息。3 h 時效及以后，衛(wèi)星數(shù)據(jù)雖然不及數(shù)值天氣預(yù)報因子，但是仍然是最重要的觀測數(shù)據(jù)預(yù)報因子。這可能與衛(wèi)星觀測數(shù)據(jù)對于對流初生的有效監(jiān)測有關(guān)（Mecikalski，et al，2013）。

圖6 LightningNet-NWP 模型中各預(yù)報因子在不同預(yù)報時效上的相對重要性排序Fig. 6 Relative permutation importance of multi-source observation data and HNWP data in LightningNet-NWP for the next 0—6 h

總體而言，0—2 h 時段，由于對流系統(tǒng)尚未完全區(qū)別于觀測到的對流形態(tài)，觀測數(shù)據(jù)起到更有效的作用；2—6 h，對流系統(tǒng)產(chǎn)生新的生消演變，與觀測形態(tài)差異越來越顯著，高分辨率數(shù)值模式數(shù)據(jù)起到的作用更大。0—6 h，觀測數(shù)據(jù)和高分辨率數(shù)值模式數(shù)據(jù)對于閃電預(yù)報均能提供有效信息，不同的是觀測數(shù)據(jù)重要性越來越低，而高分辨率數(shù)值模式數(shù)據(jù)則越來越高。

5 結(jié)論和討論

基于多源觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)報數(shù)據(jù)，構(gòu)建了一個雙輸入單輸出的深度學(xué)習(xí)模型（LightningNet-NWP）。預(yù)報因子包括閃電密度、雷達(dá)反射率拼圖、衛(wèi)星成像儀6 個紅外通道亮溫等8 個觀測數(shù)據(jù)變量，以及GRAPES_3km 輸出的雷達(dá)組合反射率預(yù)報變量等共9 個預(yù)報因子。深度學(xué)習(xí)模型使用了編碼-解碼的經(jīng)典全卷卷積結(jié)構(gòu)，并且使用池化索引共享的方式，盡可能保留不同尺度特征圖上的細(xì)節(jié)特征信息。利用三維卷積層以提取觀測數(shù)據(jù)中時間和空間上的變化特征。

結(jié)果表明，LightningNet-NWP 能夠較好地實現(xiàn)0—6 h 的閃電落區(qū)預(yù)報，在2—6 h 時效具備比單純使用多源觀測數(shù)據(jù)、高分辨率數(shù)值模式預(yù)測數(shù)據(jù)更好的預(yù)報結(jié)果。主要結(jié)論如下：

（1）深度學(xué)習(xí)能夠有效實現(xiàn)多源觀測數(shù)據(jù)和高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的融合，2—6 h 時效預(yù)報效果優(yōu)于單獨使用觀測數(shù)據(jù)或高分辨率數(shù)值模式預(yù)測數(shù)據(jù)；預(yù)報時效越長，融合的優(yōu)勢體現(xiàn)得越明顯。

（2）隨著預(yù)報時效的延長，高分辨率數(shù)值模式預(yù)報因子起到的作用越來越顯著，而觀測數(shù)據(jù)預(yù)報因子的重要性逐漸下降。0—2 h 時效，最重要的預(yù)測因子是衛(wèi)星觀測資料，其次是高分辨率數(shù)值模式預(yù)測數(shù)據(jù)，雷達(dá)和閃電觀測資料最低；到了3 h 時效及以后，數(shù)值天氣預(yù)報預(yù)測數(shù)據(jù)的重要性開始顯現(xiàn)，成為最重要的預(yù)報因子。

（3）0—6 h 預(yù)報時效，觀測數(shù)據(jù)均能提供對預(yù)報有益的信息，表現(xiàn)在上述時段內(nèi)，融合多源觀測數(shù)據(jù)的深度學(xué)習(xí)模型的預(yù)報效果一直優(yōu)于單純輸入高分辨率數(shù)值模式預(yù)測數(shù)據(jù)的深度學(xué)習(xí)模型預(yù)報效果。

（4）以目前高分辨率數(shù)值預(yù)報模式的發(fā)展水平，使用深度學(xué)習(xí)方法結(jié)合多源觀測數(shù)據(jù)在0—5 h時效內(nèi)，能夠提供比高分辨率數(shù)值模式更優(yōu)的預(yù)報效果；而傳統(tǒng)的基于觀測數(shù)據(jù)的外推方法，則只能在0—2 h 時效內(nèi)預(yù)報效果優(yōu)于高分辨率數(shù)值模式預(yù)測。

由此可見，在短時預(yù)報時段內(nèi)，使用高分辨率數(shù)值模式融合多源觀測數(shù)據(jù)，進(jìn)行強(qiáng)對流天氣的預(yù)報，仍然可以作為一個行之有效的手段。當(dāng)然，隨著快速更新同化數(shù)值模式的發(fā)展，其在短時預(yù)報時段內(nèi)的性能有可能會全面優(yōu)于單純使用觀測數(shù)據(jù)的短時臨近預(yù)報。然而，上述過程無疑需要建立在對強(qiáng)對流天氣物理規(guī)律更清晰、明確的認(rèn)識基礎(chǔ)之上。在對于強(qiáng)對流天氣發(fā)生、發(fā)展機(jī)理認(rèn)識有待進(jìn)一步突破的今天，使用深度學(xué)習(xí)，自動提取多源觀測數(shù)據(jù)和高分辨率數(shù)值模式數(shù)據(jù)中對強(qiáng)對流發(fā)生、發(fā)展相關(guān)的信息，進(jìn)而實現(xiàn)更有效的強(qiáng)對流預(yù)報，無疑能夠與其他預(yù)報結(jié)果互補(bǔ)，也是一個更實際、更可行的方式。

文中使用深度學(xué)習(xí)方法僅對閃電天氣現(xiàn)象進(jìn)行了預(yù)報。后期工作中，可進(jìn)一步擴(kuò)展，對短時強(qiáng)降水、冰雹和雷暴大風(fēng)等其他強(qiáng)對流天氣進(jìn)行預(yù)報，進(jìn)一步分析深度學(xué)習(xí)融合多源觀測數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)對于不同類型強(qiáng)對流天氣的預(yù)報效果。同時，可將更多的高分辨率數(shù)值模式預(yù)報變量輸入深度學(xué)習(xí)模型，相信其預(yù)報性能會有進(jìn)一步改善。