張偉　全志偉

摘 要：通過對多普勒天氣雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理，生成大量的雷達(dá)回波圖像，并構(gòu)造了雷達(dá)回波序列圖像庫，為機(jī)器學(xué)習(xí)提供訓(xùn)練樣本集?；跈C(jī)器學(xué)習(xí)算法時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)（PredRNN++）建立雷達(dá)估測降水識別模型，實(shí)現(xiàn)0～3 h雷達(dá)回波預(yù)測。結(jié)果表明：將時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于雷達(dá)回波識別，可突破傳統(tǒng)1 h預(yù)報(bào)預(yù)警時(shí)效，與傳統(tǒng)的深度學(xué)習(xí)算法相比效果較好。

關(guān)鍵詞：機(jī)器學(xué)習(xí);雷達(dá);估測降水

中圖分類號：P412.25 文獻(xiàn)標(biāo)識碼：A 文章編號：1003-5168（2021）26-0026-03

Research on Radar Precipitation Estimation Technology

Based on Machine Learning Algorithm

ZHANG Wei QUAN Zhiwei

（Lanzhou Central Meteorological Observatory， Lanzhou Gansu 730000）

Abstract： By preprocessing doppler weather radar data， a large number of radar echo images are generated， and a radar echo sequence image library is constructed to provide training sample set for machine learning， the recognition model of radar precipitation estimation is established based on machine learning Algorithm time-space prediction neural network （PredRNN++） to realize 0～3 h radar echo prediction. The results show that the method of time-space prediction neural network applied to radar echo recognition can break through the traditional time-effect of 1 h prediction and has better effect than the traditional depth-learning Algorithm.

Keywords： machine learning;radar;precipitation estimation

隨著研究的深入，很多氣象學(xué)者發(fā)現(xiàn)降水元素之間的關(guān)系大多是非線性的，于是越來越多的研究者開始嘗試用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行降水外推預(yù)報(bào)。國內(nèi)針對基于神經(jīng)網(wǎng)絡(luò)的降水預(yù)報(bào)研究起步較晚。朱玲等結(jié)合人工智能技術(shù)在氣象領(lǐng)域的未來發(fā)展，列舉了機(jī)器學(xué)習(xí)、語言處理、計(jì)算機(jī)視覺方面的真實(shí)案例[1];傅德勝等以多普勒雷達(dá)降水回波資料為數(shù)據(jù)基礎(chǔ)，建立雷達(dá)定量估測降水模型[2];張文海等基于多普勒雷達(dá)三維拼圖資料，利用機(jī)器學(xué)習(xí)技術(shù)開發(fā)了一種冰雹識別和臨近預(yù)報(bào)的人工智能算法[3];李海峰運(yùn)用10種基于傳統(tǒng)機(jī)器學(xué)習(xí)的雷暴大風(fēng)識別方法，通過提取雷達(dá)組合反射率等特征，對雷暴大風(fēng)區(qū)域進(jìn)行識別[4];關(guān)鵬洲等以多普勒雷達(dá)數(shù)據(jù)為基礎(chǔ)，改進(jìn)了傳統(tǒng)機(jī)器學(xué)習(xí)模型及近年來興起的深度學(xué)習(xí)算法[5]。

但神經(jīng)網(wǎng)絡(luò)由于參數(shù)過多使網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，存在易陷入局部極小點(diǎn)和收斂速度慢等缺點(diǎn)。在基于神經(jīng)網(wǎng)絡(luò)的降雨預(yù)報(bào)研究中，有些學(xué)者把研究重點(diǎn)放在對神經(jīng)網(wǎng)絡(luò)的改進(jìn)和優(yōu)化上。林開平發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)方法在實(shí)際天氣預(yù)報(bào)業(yè)務(wù)中存在人工神經(jīng)網(wǎng)絡(luò)的泛化性問題[6]。SHI等[7]提出ConvLSTM，以更好地獲取空間特征，并在ConvLSTM的基礎(chǔ)上又提出了一個(gè)新模型——軌跡GRU（TrajGRU）。與ConvLSTM不同，TrajGRU會(huì)主動(dòng)學(xué)習(xí)時(shí)空的遞歸連接結(jié)構(gòu)。有研究提出了ST-LSTM結(jié)構(gòu)，使得上一時(shí)刻高層的信息能被更加充分地利用;有研究提出了PredRNN+，使網(wǎng)絡(luò)可以更快速地回想起遙遠(yuǎn)時(shí)刻的信息;有研究提出了通過傳遞誤差來預(yù)測的網(wǎng)絡(luò)Prednet和rgcLSTM，但是如果不能持續(xù)提供真值，這類模型很難進(jìn)行長序列的預(yù)測[8-10]?？紤]各模型的特點(diǎn)，本文嘗試改進(jìn)目前效果最好的PredRNN++來解決此類問題。

1 研究內(nèi)容及技術(shù)路線

1.1 研究內(nèi)容及目標(biāo)

以基于機(jī)器學(xué)習(xí)算法的雷達(dá)估測降水技術(shù)為研究目標(biāo)，結(jié)合雷達(dá)組合反射率與長短期記憶人工神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）的機(jī)器學(xué)習(xí)系統(tǒng)構(gòu)建要素，發(fā)展一種基于雷達(dá)組合反射率和機(jī)器學(xué)習(xí)技術(shù)的對流單體識別。

1.2 技術(shù)路線與流程

1.2.1 深度學(xué)習(xí)。學(xué)習(xí)過程由5個(gè)關(guān)鍵步驟組成：①對多普勒天氣雷達(dá)2年8個(gè)月夏季雷達(dá)回波組合反射率篩選、去噪;②通過切割、卷積等方式降低圖像尺寸;③通過PredRNN++網(wǎng)絡(luò)深度學(xué)習(xí)前向計(jì)算，得出未來3 h回波圖;④通過轉(zhuǎn)置卷積、拼接等方式還原圖像尺寸;⑤無監(jiān)督學(xué)習(xí)反向傳播誤差，更新深度學(xué)習(xí)模型參數(shù)。

1.2.2 模型介紹。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。與一般的神經(jīng)網(wǎng)絡(luò)相比，循環(huán)神經(jīng)網(wǎng)絡(luò)能夠處理序列變化的數(shù)據(jù)。LSTM內(nèi)部主要有3個(gè)階段：一是忘記階段，對上一個(gè)節(jié)點(diǎn)傳進(jìn)來的輸入進(jìn)行選擇性忘記;二是選擇記憶階段，將這個(gè)階段的輸入有選擇性地進(jìn)行記憶;三是輸出階段，決定哪些數(shù)據(jù)將會(huì)被當(dāng)成當(dāng)前狀態(tài)的輸出。

LSTM作為一種特殊的RNN，主要是為了解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題。簡單來說，相比普通的RNN，其結(jié)構(gòu)已被證明對序列到序列問題有較好的表現(xiàn)。該模型提出了一種門控結(jié)構(gòu)，可以使信息選擇性通過。它由一個(gè)全連接層和一個(gè)sigmoid函數(shù)組成。門矩陣由當(dāng)前時(shí)刻輸入xt和上一時(shí)刻隱藏層輸出ht-1決定，值的大小在0和1之間。門控制有多少信息可以通過，0代表“所有的都不能通過”，而1代表“所有的都可以通過”。LSTM共有3個(gè)門，分別是輸入門、遺忘門、輸出門。遺忘門控制丟棄多少上一時(shí)刻的細(xì)胞狀態(tài);輸入門控制多少新的信息會(huì)進(jìn)入當(dāng)前細(xì)胞狀態(tài);輸出門決定細(xì)胞狀態(tài)的哪些部分需要輸出。近些年，有許多基于LSTM或其變體GRU的方法被提出來解決時(shí)空預(yù)測問題。

PredRNN++由多層CausalLSTM組成。CausalLSTM中包含2個(gè)記憶，時(shí)間記憶C沿水平方向更新，空間記憶M沿z字方向更新。CausalLSTM在input-to-state and state-to-state transitions過程中也使用了卷積來代替全連接操作。輸入門、遺忘門依賴于x、h、c，這兩個(gè)門控制信息在時(shí)間記憶C上的流動(dòng)，除此之外，輸入門、遺忘門還能夠控制信息在空間記憶M上的流動(dòng)。CausaLSTM采用了級聯(lián)機(jī)制，c將被和x、M、l-1拼接來計(jì)算輸入門、遺忘門。最終，輸出ht可以通過拼接CT、MT輸出門ot得到。

2 預(yù)測結(jié)果展示

通過深度學(xué)習(xí)得到的應(yīng)用模型近300 MB，應(yīng)用時(shí)使用圖形處理器（Graphics Processing Unit，GPU）可達(dá)到1 s預(yù)測結(jié)果，不帶GPU約10 s即可。挑選其中兩組測試值進(jìn)行展示，其中g(shù)t為真值，pd為預(yù)測值。0～1 h預(yù)測值具有較高的相似度，隨著預(yù)測時(shí)間的增加，預(yù)測值變得較為模糊（見圖1）。

3 檢驗(yàn)評估

通過臨界成功指數(shù)（Critical Success Index，CSI）指標(biāo)定量評估，CSI代表POD和FAR的綜合效應(yīng)，POD代表事件發(fā)生的總次數(shù)中發(fā)出警告次數(shù)的占比，F(xiàn)AR代表發(fā)出警告的次數(shù)中事件未發(fā)生次數(shù)的占比。設(shè)定閾值為20 dBZ，當(dāng)回波強(qiáng)度大于閾值時(shí)記為yes，低于閾值時(shí)記為no。圖2為當(dāng)閾值為20 dBZ時(shí)的CSI指數(shù)。

4 結(jié)語

通過機(jī)器學(xué)習(xí)算法深度學(xué)習(xí)原理和時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)（PredRNN++），完成了雷達(dá)組合反射率識別降水模型，實(shí)現(xiàn)了0～3 h雷達(dá)回波預(yù)測。結(jié)果表明：時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)（PredRNN++）技術(shù)應(yīng)用于雷達(dá)回波識別，可突破傳統(tǒng)1 h預(yù)報(bào)預(yù)警時(shí)效，與傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比效果更好。

參考文獻(xiàn)：

[1]朱玲，關(guān)心玥.人工智能在氣象領(lǐng)域的應(yīng)用述評[J].廣東氣象，2019（1）：35-39.

[2]傅德勝，肖晨，譚暢，等.RBF神經(jīng)網(wǎng)絡(luò)在雷達(dá)定量估測降水中的應(yīng)用研究[J].氣象科學(xué)，2015（2）：199-203.

[3]張文海，李磊.人工智能在冰雹識別及臨近預(yù)報(bào)中的初步應(yīng)用[J].氣象學(xué)報(bào)，2019（2）：282-291.

[4]李海峰.基于雷達(dá)回波的雷暴大風(fēng)識別算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2018：36.

[5]關(guān)鵬洲，王夢毫，李倩.基于集成學(xué)習(xí)和深度學(xué)習(xí)的短期降雨預(yù)測模型[C]//2017年（第五屆）全國大學(xué)生統(tǒng)計(jì)建模大賽獲獎(jiǎng)?wù)撐倪x，2017.

[6]林開平.人工神經(jīng)網(wǎng)絡(luò)的泛化性能與降水預(yù)報(bào)的應(yīng)用研究[D].南京：南京信息工程大學(xué)，2007：45.

[7]SHI X J，GAO Z H，LAUSEN L，et al.Deep learning for precipitation nowcasting： a benchmark and a new model[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems，2017.

[8]劉雅云.基于機(jī)器學(xué)習(xí)的降水?dāng)?shù)據(jù)分析算法的研究[D].南京：南京信息工程大學(xué)，2018：61.

[9]周蕓.基于機(jī)器學(xué)習(xí)的多源氣象觀測與研究[D].南京：南京信息工程大學(xué)，2020：61.

[10]沈皓俊.基于機(jī)器學(xué)習(xí)的中國夏季降水預(yù)測預(yù)報(bào)[D].北京：清華大學(xué)，2019：64.

1296501186394