袁 凱 李武階 李 明 龐 晶

武漢市氣象臺，武漢 430040

提 要： 基于PredRNN++、MIM、CrevNet和PhyDNet四種機(jī)器深度學(xué)習(xí)算法，利用武漢地區(qū)2012—2019年的雷達(dá)和降水資料，開展了人工智能技術(shù)在武漢地區(qū)臨近預(yù)報中的應(yīng)用研究，根據(jù)均方誤差(MSE)、結(jié)構(gòu)相似性指數(shù)(SSIM)、命中率(POD)、虛警率(FAR)和臨界成功指數(shù)(CSI)等指標(biāo)檢驗評估了四種機(jī)器學(xué)習(xí)算法對武漢地區(qū)雷達(dá)回波臨近預(yù)報的預(yù)報性能，并以半拉格朗日光流法進(jìn)行了對比，得到以下主要結(jié)論：MIM算法的MSE和FAR最低，SSIM最高;PredRNN++算法的POD和CSI最高。機(jī)器深度學(xué)習(xí)算法的POD、CSI和SSIM均高于光流法，F(xiàn)AR和MSE則更低，其中SSIM、POD、CSI三種指標(biāo)的提升幅度在3.2%～24.7%，MSE和FAR兩種指標(biāo)的降幅在13.1%～43.3%。30 min以內(nèi)，除CrevNet外，其余三種機(jī)器學(xué)習(xí)算法和光流法的預(yù)報能力較為接近；30 min以后，深度學(xué)習(xí)算法和光流法都隨著預(yù)報時效的延長，預(yù)報能力均顯著下降，但機(jī)器學(xué)習(xí)算法下降得更緩慢，尤其是60 min以后光流法的降幅進(jìn)一步增加，顯示出機(jī)器學(xué)習(xí)長預(yù)報時效的優(yōu)勢。此外，機(jī)器學(xué)習(xí)算法之間針對不同評分指標(biāo)在不同預(yù)報時效的下降速度并不一致。PredRNN++算法在所有強(qiáng)度上CSI均表現(xiàn)最佳，MIM和PhyDNet兩種算法對≥40 dBz的回波預(yù)報、CrevNet算法對≥50 dBz的回波預(yù)報均好于光流法。機(jī)器學(xué)習(xí)算法和光流法都隨著回波強(qiáng)度的增加，CSI和POD迅速降低，F(xiàn)AR快速上升，但機(jī)器學(xué)習(xí)算法的FAR上升得更慢。四個不同回波形態(tài)、不同發(fā)展趨勢個例的分析結(jié)果表明，機(jī)器學(xué)習(xí)算法不僅具備對一定回波強(qiáng)度變化的預(yù)報能力，而且對回波強(qiáng)度和面積變化趨勢的時間節(jié)點預(yù)報也與實況基本一致。此外，機(jī)器學(xué)習(xí)算法對回波運(yùn)動的預(yù)報能力明顯強(qiáng)于光流法，顯示出機(jī)器學(xué)習(xí)算法良好的應(yīng)用前景。

引 言

在天氣預(yù)報業(yè)務(wù)中，臨近預(yù)報通常是指對某一區(qū)域未來0～2 h內(nèi)的短時強(qiáng)降水、冰雹、雷暴大風(fēng)、龍卷和雷電等災(zāi)害性天氣進(jìn)行預(yù)測(俞小鼎等，2012)，在氣象災(zāi)害防御中具有極為重要的地位。臨近預(yù)報的方法主要有雷達(dá)回波外推預(yù)報、中尺度數(shù)值模式預(yù)報以及概念模型預(yù)報等(Wilson et al，1998)。中尺度數(shù)值模式預(yù)報由于模式初始場協(xié)調(diào)和資料同化時效等問題的限制，在最初的幾個小時內(nèi)其預(yù)報效果較差，甚至無法直接用于臨近預(yù)報(王丹等，2014；吳劍坤等，2019)；概念模型預(yù)報帶有預(yù)報員一定的個人主觀性，且精細(xì)化程度較低。因此，目前業(yè)務(wù)上臨近預(yù)報方法仍以雷達(dá)回波的外推預(yù)報為主(Wilson et al，2010；Wang et al，2016)，主要包括單體質(zhì)心法、交叉相關(guān)法和光流法。

目前業(yè)務(wù)上廣泛使用的單體質(zhì)心算法主要有TITAN(thunder identification tracking analysis and nowcasting)(Dixon and Wiener，1993)和SCIT(storm cell identification and tracking)(Johnson et al，1998)。單體質(zhì)心法最先由Austin and Bellon(1982)提出，然后Rosenfelds(1987)、Dixon and Wiener(1993)和徐月飛等(2011)對其進(jìn)行了大量試驗和改進(jìn)，雖然取得了一定的效果，但其較大的計算量和只適用于強(qiáng)對流風(fēng)暴的“先天性缺陷”，導(dǎo)致其預(yù)報準(zhǔn)確率很難以較大幅度地提高。

交叉相關(guān)法由Rinehart and Garvey(1978)提出，其后國內(nèi)外專家和學(xué)者從不同角度對其進(jìn)行了改進(jìn)，改進(jìn)后的交叉相關(guān)法解決了回波波形變化導(dǎo)致的運(yùn)動無序(Rinehart，1981)和反演矢量不連續(xù)等問題(Li et al，1995)，得到了較為均勻的風(fēng)場(徐亞欽等，2011)，但基于交叉相關(guān)法的外推預(yù)報技術(shù)主要獲得的是雷達(dá)回波的水平運(yùn)動矢量，并沒有考慮深對流系統(tǒng)通常伴隨較強(qiáng)的垂直運(yùn)動，因此該方法僅適用于緩慢變化的層狀云降水系統(tǒng)，而對快速增長或消散的強(qiáng)對流系統(tǒng)的預(yù)報效果并不理想(韓雷等，2008；曹春燕等，2015)。

為了進(jìn)一步提高雷達(dá)回波的外推預(yù)報技術(shù)，許多專家和學(xué)者引入了計算機(jī)視覺領(lǐng)域的光流法，該方法最早由Gibson(1979)提出，眾多專家學(xué)者對其進(jìn)行了大量檢驗和優(yōu)化升級，結(jié)果表明：光流法可以較為準(zhǔn)確地得到雷暴的整體運(yùn)動趨勢，對于移動型局地生成及強(qiáng)度和形狀隨時間變化較快的雷暴，光流法明顯優(yōu)于交叉相關(guān)法，而對于熱帶降水系統(tǒng)尤其是臺風(fēng)系統(tǒng)，光流法沒有考慮雷達(dá)回波的旋轉(zhuǎn)性，預(yù)報效果不如交叉相關(guān)法(曹春燕等，2015；Bechini and Chandrasekar，2017)。雖然光流法已較大幅度地提高了回波臨近預(yù)報的準(zhǔn)確率，但其基本模型較實況仍存在不少誤差，比如要求圖像遵循灰度不變形假設(shè)，即線性外推原則，此外求解光流場時，也只適用于回波運(yùn)動較小的情況，對于快速移動的回波誤差仍然較大。

近年來，以機(jī)器深度學(xué)習(xí)為代表的人工智能技術(shù)在圖像識別和視頻領(lǐng)域取得了突破性進(jìn)展，由于其挖掘海量數(shù)據(jù)和非線性建模的優(yōu)秀能力，眾多學(xué)者將其引入到以雷達(dá)回波預(yù)報為主的短時臨近預(yù)報業(yè)務(wù)中，并取得了良好的成果(許小峰，2018；黃驕文等，2021)。Shi et al(2015) 提出了卷積長短期記憶單元網(wǎng)絡(luò)算法(convolutional LSTM network，ConvLSTM)，結(jié)果表明ConvLSTM優(yōu)于普通的光流法；Wang et al(2017)提出了PredRNN算法，并在此之上，提出了PredRNN++算法(Wang et al，2018)，結(jié)果顯示PredRNN++效果較ConvLSTM有明顯的提升；Wang et al(2019)提出了MIM(memory in memory)算法，結(jié)果表明MIM算法不僅具有良好的平穩(wěn)信息的提取能力，還具備一定提取非平穩(wěn)信息的能力；陳元昭等(2019)研究了基于生成對抗網(wǎng)絡(luò)的臨近預(yù)報方法，結(jié)果表明對中等強(qiáng)度的回波其預(yù)報效果較好。Yu et al(2020)提出了 CrevNet算法，結(jié)果顯示該算法對交通視頻識別與處理精準(zhǔn)度較高，具有較強(qiáng)的預(yù)測能力；Le Guen and Thone(2020)以ConvLSTM為內(nèi)核，提出了PhyDNet算法，結(jié)果表明該算法在視頻預(yù)測上具有良好的時空預(yù)測能力，尤其對長時間預(yù)測具有明顯的優(yōu)勢。陳訓(xùn)來等(2021)利用卷積門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)算法(convolutional gated recurrent unit，ConvGRU)對雷達(dá)回波進(jìn)行臨近預(yù)報，結(jié)果表明，基于ConvGRU方法對強(qiáng)對流天氣具有較好的預(yù)報效果，業(yè)務(wù)中具有廣泛的應(yīng)用前景；顧建峰等(2020)采用TrajGRU算法，建立了重慶地區(qū)三維雷達(dá)回波智能預(yù)報系統(tǒng)，并將其業(yè)務(wù)化，結(jié)果顯示機(jī)器學(xué)習(xí)在回波演變的臨近預(yù)報方面具有明顯優(yōu)勢，人工智能技術(shù)在重慶臨近預(yù)警業(yè)務(wù)中已初見成效。

雖然基于深度學(xué)習(xí)的臨近預(yù)報技術(shù)已經(jīng)取得了令人欣喜的成果，各種算法都表現(xiàn)出特有的預(yù)報性能，但雷達(dá)回波的發(fā)生、發(fā)展和移動是非常復(fù)雜的，它與站點所處的氣候帶、站點附近特殊的地形和地貌特征等因素相關(guān)，所以開展機(jī)器深度學(xué)習(xí)算法預(yù)報性能的檢驗評估，有利于各地選擇適用于本地的深度學(xué)習(xí)方法，建立最優(yōu)的深度學(xué)習(xí)模型(陳錦鵬等，2021；周康輝等，2021)。因此，本文選取在常規(guī)數(shù)據(jù)集中表現(xiàn)良好、計算成本較低且內(nèi)部結(jié)構(gòu)差異較大的四種深度學(xué)習(xí)算法，利用武漢地區(qū)較長時間序列的雷達(dá)和降水資料，開展基于機(jī)器深度學(xué)習(xí)算法的雷達(dá)回波臨近預(yù)報應(yīng)用研究和預(yù)報結(jié)果的檢驗評估，并與業(yè)務(wù)中常用的半拉格朗日光流法進(jìn)行對比分析和檢驗，以期尋找到適合武漢地區(qū)的深度學(xué)習(xí)算法，為武漢地區(qū)雷達(dá)回波臨近預(yù)報提供智能化的客觀參考。

1 資料與方法

1.1 資 料

本研究主要用到以下兩種資料：逐日和逐小時的降水資料，主要用來選取訓(xùn)練和檢驗樣本;新一代多普勒天氣雷達(dá)組合反射率因子拼圖產(chǎn)品，時間分辨率為6 min，本文所選范圍為覆蓋湖北東部地區(qū)的以武漢雷達(dá)站為中心、邊長為256 km的正方形區(qū)域，其經(jīng)緯度范圍分別為29.247°～31.797°N、113.098°～115.648°E，空間分辨率為1 km ×1 km。雷達(dá)回波數(shù)據(jù)進(jìn)行了孤立噪音過濾和超折射回波抑制(吳濤等，2013)，并利用中值濾波(趙悅等，2007)進(jìn)行質(zhì)量控制。

為盡可能地增多訓(xùn)練和檢驗樣本個數(shù)，使算法能夠?qū)W習(xí)到不同種類的回波特征，同時降低樣本嚴(yán)重失調(diào)(弱降水過程和無降水的天氣占全年的絕大多數(shù)時間)帶來的不利影響，本文以武漢地區(qū)5個國家氣象觀測站和14個觀測環(huán)境良好、數(shù)據(jù)質(zhì)量較高且地理分布較為均勻的自動氣象觀測站為基礎(chǔ)(具體站點和位置如圖1所示)，選取2012年6月1日至2019年12月31日，上述任一站點日降水量≥10 mm、小時降水量≥0.6 mm且組合反射率因子拼圖連續(xù)3小時不斷裂的連續(xù)雷達(dá)回波為1個樣本(如有重疊則算為1個樣本)，然后對樣本進(jìn)行切片(這里所說的“切片”是指將樣本進(jìn)行分段處理，即樣本前10張連續(xù)的雷達(dá)回波作為模型訓(xùn)練的輸入資料，后20張連續(xù)的雷達(dá)回波為模型訓(xùn)練的輸出資料)，共計得到3 112個樣本，考慮到各年之間天氣過程的差異性較大，本文按照4∶1的比例，隨機(jī)分配訓(xùn)練和檢驗樣本(2 490個訓(xùn)練樣本和622個檢驗樣本)，由于檢驗樣本沒有參與算法的訓(xùn)練和參數(shù)調(diào)整，因此可以客觀地衡量各算法的學(xué)習(xí)能力和預(yù)報效果。

圖1 武漢市5個國家氣象觀測站、14個自動氣象觀測站以及武漢雷達(dá)站的空間分布(圓點為國家站，十字形為自動站，實心三角形為雷達(dá)站)Fig.1 Spatial distribution of observation stations (dot: national station, cross: automatic station, solid triangle: radar station)

1.2 檢驗方法

為了統(tǒng)一有效地評估各算法的預(yù)報能力，以半拉格朗日光流法為對比(本中所指光流法如無特殊說明，皆為半拉格朗日光流法)，以實況回波圖像為基礎(chǔ)，將實際回波圖像和預(yù)報的回波圖像格點化成單獨的像素點，再逐個像素點檢驗預(yù)報準(zhǔn)確率，用均方誤差(mean squared error，MSE)表征預(yù)報回波圖像與實際回波圖像在強(qiáng)度上的誤差，用結(jié)構(gòu)相似性指數(shù)(structural similarity index，SSIM)(Wang et al，2004)衡量預(yù)報回波圖像與實際回波圖像的相似度，SSIM介于-1～1，當(dāng)兩張圖片一模一樣時SSIM的值等于1，MSE和SSIM的計算公式如下：

此外，為了考察各方法對不同量級范圍內(nèi)反射率因子的預(yù)報能力，采用臨界成功指數(shù)(critical success index，CSI)、命中率(probability of detection，POD)和虛警率(false alarm rate，F(xiàn)AR)等指標(biāo)對預(yù)報結(jié)果進(jìn)行量化評估，其計算公式如下：

式中：NAk為預(yù)報正確格點數(shù)，NBk為空報格點數(shù)，NCk為漏報格點數(shù)，k為檢驗雷達(dá)回波不同強(qiáng)度閾值，采用分閾值的檢驗方法(分別為20、30、40和50 dBz)，對逐個像素點進(jìn)行檢驗。

表1 雷達(dá)回波預(yù)報分級檢驗表Table 1 Classification of radar echo forecast test

2 機(jī)器深度學(xué)習(xí)算法和半拉格朗日光流法

眾所周知，雷達(dá)回波臨近預(yù)報的本質(zhì)就是時空序列的預(yù)測，在機(jī)器學(xué)習(xí)方面可以分為以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)為基礎(chǔ)的兩個大類，其中以CNN為基礎(chǔ)的機(jī)器算法側(cè)重于對空間特征的提取，而以RNN為基礎(chǔ)的機(jī)器算法則更偏重于對時間特征的捕捉，且存在梯度消失的問題(Wang et al，2018)。為了兼顧空間特征和時間信息的均衡性，因此大多數(shù)的深度學(xué)習(xí)算法將CNN和RNN結(jié)合起來使用，本文采用的四種算法亦如此，其中PredRNN++、MIM算法已經(jīng)應(yīng)用于雷達(dá)回波臨近預(yù)報，而CrevNet和PhyDNet算法則是視頻預(yù)測領(lǐng)域最新的算法，尚未應(yīng)用于雷達(dá)回波臨近預(yù)報。

2.1 PredRNN＋＋算法

Shi et al(2015)將RNN中傳統(tǒng)的LSTM(long short-term memory)中的全連接層改為卷積層，提出了ConvLSTM算法，而后發(fā)展出的ConvGRU、TrajGRU等算法(Shi et al，2017)與ConvLSTM并無本質(zhì)的區(qū)別，這些算法將LSTM或GRU中的記憶模塊改造成CNN結(jié)構(gòu)，增強(qiáng)了算法對空間特征的提取能力。Wang et al(2017)在ConvLSTM算法的基礎(chǔ)之上，將可以記憶的單元放置在算法的堆疊結(jié)構(gòu)中，提出了PredRNN算法，為了緩解該算法中梯度容易消失的問題以及提高其對短時非線性時空特征的提取能力，引入了GHU(gradient highway unit)，該結(jié)構(gòu)使得梯度能夠在第一層和第二層之間高速傳遞，有效抑制了梯度的消失，最終提出了PredRNN++算法(Wang et al，2018)。

2.2 MIM算法

Wang et al(2019)為了解決PredRNN中LSTM遺忘門的飽和問題，將圖片的信息分為平穩(wěn)信息和非平穩(wěn)信息兩部分，提出了MIM算法，該算法分兩次對圖片信息進(jìn)行提取，首先由MIM-N結(jié)構(gòu)提取出非平穩(wěn)信息，而后傳遞給MIM-S，MIM-S則利用門控來選擇記憶或忘記非平穩(wěn)信息的多少，同時通過多層模塊之間相互的差分運(yùn)算，使得非平穩(wěn)信息緩慢降低，從而提取出各種高階的非平穩(wěn)信息，最終將所提取的平穩(wěn)信息和非平穩(wěn)信息相結(jié)合，進(jìn)行輸出與預(yù)測。

2.3 CrevNet算法

Yu et al(2020)提出的CrevNet算法，是一種全新的嵌套了三維卷積模塊的雙向可逆自編碼結(jié)構(gòu)，其在一系列正向和反向計算過程中使得輸入和特征之間建立了一對一的雙向映射關(guān)系，這種關(guān)系理論上保證了在特征提取過程中不丟失信息，因而保留更多信息進(jìn)行預(yù)測，明顯提高了預(yù)測圖片的清晰度。此外，該算法的內(nèi)存和計算開銷都較小，對于硬件要求不高，易于訓(xùn)練和調(diào)試。

2.4 PhyDNet算法

Le Guen and Thome(2020)提出了PhyDNet算法，該算法參考了MIM算法的基本假設(shè)，將圖片信息分為已知的物理過程和未知因素(包括生消、發(fā)展等)兩個部分，然后用深度網(wǎng)絡(luò)結(jié)構(gòu)來約束模型，以ConvLSTM為主要內(nèi)核來提取未知因素，此外利用卷積過程模擬偏導(dǎo)，從而學(xué)習(xí)到新的物理信息，最后將物理信息和已有的未知因素結(jié)合，從而進(jìn)行更好的預(yù)測。

2.5 半拉格朗日光流法

本文所指的半拉格朗日光流法均為Lucas-Kanade稀疏光流法(Lucas and Kanade，1981)。Lucas-Kanade稀疏光流法處理的像素點較少，耗時短，該算法需滿足以下3個基本假設(shè)：(1)亮度恒定，即同一點隨著時間的變化，其亮度不變；(2)小運(yùn)動，即隨著時間的變化不會引起位置的劇烈變化；(3)空間一致，即場景中鄰近點投影到圖像上相鄰位置不變且相鄰點速度一致。具體的計算步驟：首先，根據(jù)每組樣本中最后連續(xù)的s3張雷達(dá)回波實際圖像，利用Lucas-Kanade方法計算出光流場；然后，基于已經(jīng)計算出的光流場，利用半拉格朗日方法進(jìn)行外推預(yù)報(張蕾等，2014)。

3 結(jié)果分析

3.1 個例分析

3.1.1 2018年6月30日片狀回波個例

2018年6月30日11:30的雷達(dá)回波上顯示(圖2)，武漢地區(qū)西部有強(qiáng)度超過45 dBz的片狀回波，從回波的演變來看，預(yù)報時效內(nèi)該片狀回波不斷東移進(jìn)入湖北東部地區(qū)，回波面積變大，強(qiáng)度無明顯變化。對比光流法和機(jī)器深度算法的預(yù)報結(jié)果：光流法對片狀回波的位置把握較好，但對回波形態(tài)的預(yù)報較差，尤其是對后側(cè)進(jìn)入武漢地區(qū)的回波缺乏預(yù)報能力。而四種機(jī)器學(xué)習(xí)算法中，除CrevNet算法外均準(zhǔn)確預(yù)報出了后期進(jìn)入武漢地區(qū)的片狀回波面積的增大，尤其是PhyDNet和PredRNN++算法預(yù)報的回波形態(tài)與強(qiáng)回波位置與實況吻合較好。另外，從回波強(qiáng)度上看，深度學(xué)習(xí)算法預(yù)報的回波強(qiáng)度較實況都偏弱，PhyDNet和PredRNN++算法強(qiáng)度最強(qiáng)，最接近實況。

圖2 2018年6月30日11:30—14:24(a～g)回波實況和(h～l)預(yù)報回波對比(a)11:30,(b)11:54,(c)12:24,(d)12:54,(e)13:24,(f)13:54,(g)14:24；(h)光流法,(i)MIM,(j)CrevNet,(k)PhyDNet,(l)PredRNN++Fig.2 Comparison between (a-g) observation and (h-l) forecast of radar echo from 11:30 BT to 14:24 BT 30 June 2018(a) 11:30 BT, (b) 11:54 BT, (c) 12:24 BT, (d) 12:54 BT, (e) 13:24 BT, (f) 13:54 BT, (g) 14:24 BT; (h) optical flow, (i) MIM, (j) CrevNet, (k) PhyDNet, (l) PredRNN++

3.1.2 2014年7月4日弓狀回波個例

2014年7月4日08:30的雷達(dá)回波上顯示(圖3)，武漢中北部和南部地區(qū)有多個強(qiáng)度達(dá)45 dBz以上的塊狀回波存在，從回波的演變來看，預(yù)報時效內(nèi)這些塊狀回波在東移的過程中，逐漸合并和組織化，強(qiáng)度幾乎保持不變，最終形成一個經(jīng)武漢東北部—東南部—西南部的環(huán)繞湖北東部地區(qū)的大弓狀回波。從光流法和機(jī)器深度算法的預(yù)報結(jié)果來看：光流法對東北側(cè)回波位置的把握較好，但對整體的回波形態(tài)的預(yù)報較差，尤其是對塊狀回波移動過程中的合并缺乏預(yù)報能力。而除CrevNet以外的其他三種機(jī)器學(xué)習(xí)算法均成功預(yù)報出了塊狀回波在東移過程中的合并，整體回波形狀和回波中心位置與實況非常吻合。最后，從回波強(qiáng)度上看，所有深度學(xué)習(xí)算法預(yù)報的強(qiáng)度較實況都偏弱，但PredRNN++算法強(qiáng)度最強(qiáng)，與實況最接近。

圖3 同圖2，但為2014年7月4日08:30—11:24(a～g)雷達(dá)實況(a)08:30,(b)08:54,(c)09:24,(d)09:54,(e)10:24,(f)10:54,(g)11:24Fig.3 Same as Fig.2, but from 08:30 BT to 11:24 BT 4 July 2014(a) 08:30 BT, (b) 08:54 BT, (c) 09:24 BT, (d) 09:54 BT, (e) 10:24 BT, (f) 10:54 BT, (g) 11:24 BT

3.1.3 2018年7月30日分散性回波個例

2018年7月30日20:30的雷達(dá)回波上顯示(圖4)，武漢地區(qū)中部和南部有多個分散性塊狀回波存在，其中中部塊狀回波強(qiáng)度超過50 dBz，南部塊狀回波強(qiáng)度較弱，從回波的演變來看，預(yù)報時效內(nèi)中部塊狀回波的面積和強(qiáng)度均快速減弱，至23:30基本消散殆盡，而南部的塊狀回波面積逐漸減小，強(qiáng)度略有減弱。對比光流法和機(jī)器深度算法的預(yù)報結(jié)果：光流法虛報出了中部地區(qū)多塊的強(qiáng)回波以及過高估計了南部塊狀回波的強(qiáng)度和面積。而機(jī)器學(xué)習(xí)算法中，除PhyDNet算法外，均準(zhǔn)確預(yù)報出了中部塊狀回波的強(qiáng)烈衰減，而且對回波強(qiáng)度減弱和面積變小的時間節(jié)點的預(yù)報也與實況幾乎一致，都表現(xiàn)為21:54—22:24回波強(qiáng)度的稍有減弱和面積的稍微變小，以及22:24—23:24回波強(qiáng)度的明顯減弱和面積的顯著縮小，尤其是CrevNet算法還成功地預(yù)報出了南側(cè)塊狀回波面積的變小，其預(yù)報的回波面積與回波位置與實況吻合較好，強(qiáng)度也非常接近實況回波強(qiáng)度。

圖4 同圖2，但為2018年7月30日20:30—23:24(a)20:30,(b)20:54,(c)21:24,(d)21:54,(e)22:24,(f)22:54,(g)23:24Fig.4 Same as Fig.2, but from 20:30 BT to 23:24 BT 30 July 2018(a) 20:30 BT, (b) 20:54 BT, (c) 21:24 BT, (d) 21:54 BT, (e) 22:24 BT, (f) 22:54 BT, (g) 23:24 BT

3.1.4 2016年7月1日帶狀回波個例

2016年7月1日15:30的雷達(dá)回波上顯示(圖5)，武漢地區(qū)有南北兩塊中心強(qiáng)度超過45 dBz的強(qiáng)回波，北部呈塊狀，南部則呈帶狀，從后期回波的演變來看，北部的塊狀回波緩慢東移，強(qiáng)度減弱，面積變小，南側(cè)的帶狀回波強(qiáng)度和面積無太大變化，但位置略有南壓。從光流法和機(jī)器深度算法的預(yù)報結(jié)果來看：光流法對北部回波移動的把握較好，預(yù)報的強(qiáng)回波的位置與實況基本吻合，但其預(yù)報的回波強(qiáng)度較實況略偏強(qiáng)，而對南側(cè)帶狀回波位置預(yù)報誤差較大，尤其在30 min之后誤差進(jìn)一步增大。而四種機(jī)器學(xué)習(xí)算法均預(yù)報出了北部塊狀回波在東移過程中強(qiáng)度減弱和面積變小的變化趨勢，而且對回波強(qiáng)度減弱和面積變小的時間節(jié)點的預(yù)報也與實況幾乎一致，都表現(xiàn)為16:54—17:24回波強(qiáng)度的稍有減弱和面積的稍微變小以及17:24—18:24回波強(qiáng)度的明顯減弱和面積的顯著縮小。此外，機(jī)器學(xué)習(xí)算法對強(qiáng)回波位置的預(yù)報也與實況基本一致，其所預(yù)報的南北兩塊強(qiáng)回波位置與實況基本一致，但南側(cè)帶狀回波的面積較實況稍有偏大。另外，從強(qiáng)度上看，所有算法預(yù)報的回波強(qiáng)度較實況都偏弱，其中MIM算法偏弱的最明顯，而CrevNet算法強(qiáng)度最強(qiáng)，與實況最為吻合。

圖5 同圖2，但為2016年7月1日15:30—18:24(a)15:30,(b)15:54,(c)16:24,(d)16:54,(e)17:24,(f)17:54,(g)18:24Fig.5 Same as Fig.2, but from 15:30 BT to 18:24 BT 1 July 2016(a) 15:30 BT, (b) 15:54 BT, (c) 16:24 BT, (d) 16:54 BT, (e) 17:24 BT, (f) 17:54 BT, (g) 18:24 BT

上述四個不同回波形態(tài)、不同發(fā)展趨勢個例的分析結(jié)果表明：光流法由于其“剛體邊界”以及對非線性運(yùn)動的擬合，隨著外推時間的增長，光流場使得預(yù)報圖片的形變就越明顯，導(dǎo)致其對回波位置預(yù)報誤差較大，尤其在30 min之后這種誤差表現(xiàn)得更加明顯。此外，由于亮度恒定假設(shè)的限制，使得光流法缺乏回波強(qiáng)度變化的預(yù)報能力。而機(jī)器學(xué)習(xí)算法不僅對回波運(yùn)動的把握能力明顯強(qiáng)于光流法，而且還具備一定回波強(qiáng)度變化的預(yù)報能力，并且對回波強(qiáng)度和面積變化趨勢時間節(jié)點的預(yù)報也與實況基本一致，但所有算法預(yù)報的回波強(qiáng)度較實況都偏弱。而造成各種機(jī)器算法預(yù)報的回波強(qiáng)度偏弱的原因主要有以下兩個方面：一方面各算法所采用的網(wǎng)絡(luò)結(jié)構(gòu)在提取空間特征的過程中不可避免地存在信息損失，預(yù)報時效越長，信息損失得越明顯，從而導(dǎo)致預(yù)報的回波強(qiáng)度較實況偏弱；另一方面還可能與損失函數(shù)的設(shè)定有關(guān)，由于以MSE為損失函數(shù)平均了整幅圖像的誤差，使得在預(yù)報的后期時段像素值趨于平均，導(dǎo)致所預(yù)報的回波強(qiáng)度偏弱，在視覺上產(chǎn)生逐漸“模糊化”的過程(Zhao et al，2017；陳訓(xùn)來等，2021)。后期將圖像梯度差(gradient difference loss，GDL)引入損失函數(shù)中，進(jìn)行多損失函數(shù)的加權(quán)試驗(Nie et al，2018)，讓算法更加注重圖像整體結(jié)構(gòu)而忽略局部噪音影響，同時探索不同預(yù)報方式的可行性，改進(jìn)算法對空間信息提取的效果，讓新算法預(yù)報的圖像更接近實際的回波強(qiáng)度。

3.2 整體評分

為滿足戶外重大活動氣象保障臨近預(yù)報精細(xì)化服務(wù)的需求，以10 dBz為回波強(qiáng)度閾值，對622組檢驗樣本2 h的平均得分(預(yù)報時間間隔為6 min)進(jìn)行再平均(結(jié)果見表2)，可以看到四種機(jī)器學(xué)習(xí)算法中，MIM算法的MSE和FAR最低、SSIM最高，表明其對大多數(shù)回波位置和整體回波形狀的預(yù)報較其他算法更為準(zhǔn)確；而PredRNN++的POD和CSI最高，表明該算法對大多數(shù)強(qiáng)度回波預(yù)報最為準(zhǔn)確。但四種機(jī)器學(xué)習(xí)算法無論是哪種檢驗指標(biāo)均要明顯好于光流法，其中SSIM、POD、CSI三種指標(biāo)的提升幅度在3.2%～24.7%，MSE和FAR兩種指標(biāo)降幅在13.1%～43.3%。

表2 平均的MSE、SSIM、POD、FAR和CSITable 2 The average MSE, SSIM, POD, FAR and CSI of algorithms

3.3 評分隨時間的演變

從各種評分指標(biāo)隨時間的演變來看(圖6)，在初始的30 min以內(nèi)，除CrevNet算法外，其余三種算法和光流法的預(yù)報能力比較接近，都表現(xiàn)出MSE、FAR的緩慢上升以及SSIM、POD、CSI的緩慢下降，而CrevNet算法的MSE和FAR幾乎持平，甚至略有降低，而且SSIM、POD甚至還略有上升的趨勢，這種差異可能與其特有的結(jié)構(gòu)有關(guān)，即CrevNet算法對預(yù)報的回波采取預(yù)測圖像和實況回波圖像相結(jié)合的策略，即對于靠前時刻的回波圖像，它重點考慮輸入的第8～10張實況回波圖像，而后隨著預(yù)報時刻的延長這種權(quán)重不斷降低。換而言之，在剛開始進(jìn)行預(yù)測的半小時內(nèi)，由于過分考慮了輸入的第8～10張實況回波圖像，導(dǎo)致其所預(yù)報的回波位置出現(xiàn)了較大偏差，因而MSE和FAR較其余算法明顯偏大，POD、SSIM和CSI則明顯偏低，但30 min之后這種權(quán)重減弱顯著，與其他算法表現(xiàn)一致。

圖6 平均的(a)MSE、(b)SSIM、(c)POD、(d)FAR和(e)CSI隨時間的演變(橫坐標(biāo)為預(yù)報時間，預(yù)報時效為0～120 min，時間間隔為6 min)Fig.6 The average evaluation of (a) MSE, (b) SSIM, (c) POD, (d) FAR and (e) CSI(The abscissa axis is forecast time, 0-120 min， the interval is 6 min)

30 min以后，各種機(jī)器學(xué)習(xí)算法和光流法都隨著預(yù)報時效的延長，預(yù)報能力逐步下降，但所有指標(biāo)都顯示機(jī)器學(xué)習(xí)算法較光流法下降得更加緩慢，尤其是60 min以后，光流法的降幅進(jìn)一步增加，而機(jī)器學(xué)習(xí)算法降幅相對平穩(wěn)，兩者之間的差距隨著預(yù)報時效的延長而顯著增加。以MSE為例，30 min 時光流法與MIM算法的MSE差值為9.43 (dBz)2，到120 min時兩者之間的MSE差值擴(kuò)大到了11.64 (dBz)2，這與顧建峰等(2020)和陳訓(xùn)來等(2021)的研究結(jié)果一致。此外，四種機(jī)器學(xué)習(xí)算法針對不同評分指標(biāo)在不同預(yù)報時效內(nèi)的變化趨勢也不盡相同： MIM算法的MSE、SSIM、POD和FAR在30～120 min內(nèi)變化得最慢；PhyDNet算法的CSI在30～120 min變化最慢；CrevNet算法在30 min內(nèi)的變化與其他算法相比有較大不同，預(yù)報效果最差，但在30～120 min內(nèi)，其和PredRNN++算法在SSIM、POD和FAR上的變化趨勢幾乎一致，只是CrevNet的CSI下降較PredRNN++稍快。

3.5 不同閾值回波的檢驗

為了客觀衡量各算法對于不同強(qiáng)度回波的預(yù)報能力，進(jìn)行了不同閾值回波的檢驗評估(表3)。整體來看，各算法隨著回波強(qiáng)度的增加，CSI和POD都迅速降低，F(xiàn)AR則陡然上升，但各指標(biāo)下降和上升最快的區(qū)間有一定的差異：CSI和POD在20～30 dBz 的區(qū)間下降最快，而光流法和CrevNet算法的FAR在此區(qū)間上升最快，MIM、PredRNN++和PhyDNet算法則在40～50 dBz 急劇上升。

表3 各算法對不同閾值回波預(yù)報的平均評分表(預(yù)報時效2 h，預(yù)報時間間隔為6 min)Table 3 The average score table of each algorithm for radar echo prediction with different thresholds (lead time: 2 h， forecast interval: 6 min)

逐個指標(biāo)來看，PredRNN++算法在所有強(qiáng)度上CSI均表現(xiàn)最佳，MIM、PhyDNet算法對≥40 dBz回波的預(yù)報較光流法好，而CrevNet算法則對≥50 dBz 回波的預(yù)報較光流法好；對≥20 dBz、≥30 dBz和≥40 dBz回波預(yù)報，POD得分最高的均為PredRNN++算法，而對≥50 dBz回波預(yù)報，則是CrevNet算法的POD得分最高；從FAR指標(biāo)檢驗來看，≥20 dBz和≥30 dBz回波預(yù)報得分最低的都為MIM算法，≥40 dBz回波預(yù)報得分最低則為PhyDNet算法，而PredRNN++算法則對≥50 dBz回波預(yù)報的虛警率最低。

4 結(jié)論與討論

本文基于PredRNN++、MIM、CrevNet和PhyDNet四種機(jī)器深度學(xué)習(xí)算法，利用2012年6月1日至2019年12月31日武漢地區(qū)的雷達(dá)和降水資料，以MSE為損失函數(shù)，對武漢地區(qū)雷達(dá)回波臨近預(yù)報的性能進(jìn)行了初步探討，得到以下主要結(jié)論：

(1)通過622組隨機(jī)樣本的檢驗表明：MIM算法的MSE和FAR最低、SSIM最高，PredRNN++的POD和CSI最高。但這四種機(jī)器學(xué)習(xí)算法無論是哪種檢驗指標(biāo)均要明顯好于光流法，其中SSIM、POD、CSI三種種指標(biāo)的提升幅度約在3.2%～24.7%，MSE和FAR兩種指標(biāo)降幅約在13.1%～43.3%。

(2)從各指標(biāo)的時間演變來看：30 min以內(nèi)除CrevNet算法外，PredRNN++、MIM和PhyDNet算法與光流法的預(yù)報能力較為接近，30 min以后機(jī)器算法和光流法都隨著預(yù)報時效的延長，預(yù)報能力均下降，但機(jī)器學(xué)習(xí)算法較光流法下降得更加緩慢，尤其是60 min以后光流法的降幅進(jìn)一步增加，因此兩者之間的差距進(jìn)一步增大，顯示出機(jī)器學(xué)習(xí)長預(yù)報時效的優(yōu)勢。此外，機(jī)器學(xué)習(xí)算法之間對不同評分指標(biāo)在不同時段下降速度的反映不盡相同：MIM算法的MSE、SSIM、POD和FAR在30～120 min內(nèi)變化最慢，PhyDNet的CSI在30～120 min變化最慢，CrevNet和PredRNN++算法在SSIM、POD和FAR上幾乎一致，但CrevNet的CSI下降較PredRNN++稍快。

(3)從不同閾值強(qiáng)度回波的評分來看：Pred-RNN++算法在所有強(qiáng)度上CSI均表現(xiàn)最佳，MIM、PhyDNet算法對≥40 dBz回波的預(yù)報較光流法好，而CrevNet則對≥50 dBz回波的預(yù)報較光流法好；POD方面，≥20 dBz、≥30 dBz和≥40 dBz回波得分最高的均為PredRNN++算法，≥50 dBz以上則是CrevNet算法；FAR方面，≥20 dBz和≥30 dBz 回波得分最低的都為MIM算法，≥40 dBz最低則為PhyDNet，≥50 dBz最低則為PredRNN++。

(4)四個不同回波形態(tài)、不同發(fā)展趨勢個例的分析結(jié)果表明：光流法由于其固有缺陷，對回波強(qiáng)度的變化缺乏預(yù)報能力，并且30 min以后對回波移速和移向的估計也出現(xiàn)明顯偏差，而且這種偏差隨著預(yù)報時效的增長不斷增加，最終導(dǎo)致其所預(yù)報的回波位置與實況的誤差越來越大，而機(jī)器學(xué)習(xí)算法不僅對回波運(yùn)動的把握能力明顯強(qiáng)于光流法，而且還具備一定回波強(qiáng)度變化的預(yù)報能力，并且對回波強(qiáng)度和面積變化趨勢時間節(jié)點的預(yù)報也與實況基本一致，但所有算法預(yù)報的回波強(qiáng)度較實況都偏弱。

(5)就四種機(jī)器學(xué)習(xí)算法而言：MIM算法對大多數(shù)回波的位置和整體回波形狀的把握最好，Pred-RNN++算法對大多數(shù)強(qiáng)度回波預(yù)報最為準(zhǔn)確，CrevNet算法對50 dBz以上強(qiáng)回波的預(yù)報能力最強(qiáng)，但MIM、PhyDNet和PredRNN++算法所預(yù)報的回波強(qiáng)度較實況明顯偏弱，尤其是MIM偏弱得非常顯著，而CrevNet則最強(qiáng)與實況強(qiáng)度最為接近，但其強(qiáng)回波范圍較實況略偏大。

雖然機(jī)器深度學(xué)習(xí)算法較光流法表現(xiàn)出一定程度的優(yōu)勢，但也存在一些問題：首先，從時間演變來看，機(jī)器學(xué)習(xí)算法預(yù)測的回波在60 min之后逐漸開始“霧化”，這種“模糊化”作用會讓小面積的最強(qiáng)回波被平滑掉，并“泛化”出較大的次強(qiáng)回波的范圍，因此在業(yè)務(wù)應(yīng)用過程中，對于60 min后，尤其是90 min 后，機(jī)器學(xué)習(xí)預(yù)報出回波面積顯著增大的區(qū)域，需要特別警惕降水區(qū)域可能有顯著的變化。此外，這種過度平滑的回波預(yù)報圖像將會對機(jī)器算法的檢驗評分也產(chǎn)生一定程度的影響，比如對于一個實況上回波強(qiáng)度明顯減弱的個例，將導(dǎo)致其評分偏高，而對于一個實況上回波強(qiáng)度明顯增強(qiáng)的個例，又將導(dǎo)致其評分偏低，而具體定量的影響則可能與各算法對回波強(qiáng)度整體的平滑程度、檢驗樣本中不同的回波強(qiáng)度演變趨勢個例的占比等因素有關(guān)。其次，由于大多數(shù)雷暴的平均生命期僅為30 min，對于生命期短于這個時間的雷暴，外推預(yù)報的意義不大(俞小鼎等，2012)，只有對那些生命期較長的對流系統(tǒng)，外推預(yù)報才具有意義。最后，僅基于雷達(dá)回波的外推預(yù)報仍具有一定的局限性，快速更新循環(huán)同化預(yù)報的高分辨率中尺度數(shù)值模式與不斷發(fā)展的外推技術(shù)的融合將是未來臨近預(yù)報的發(fā)展方向(王丹等，2014)。