趙玉娟，李宗飛，陳凱華，王 彥，朱男男，李祥海，姜罕盛

(1.天津市氣象信息中心，天津 300074；2.天津市人工影響天氣辦公室，天津 300074；3.天津海洋中心氣象臺，天津 300074)

0 引言

臨近預(yù)報通常指未來0～2 h的天氣預(yù)報。強對流天氣包括雷雨大風(fēng)、冰雹等天氣，因其歷時短、破壞性強、演變規(guī)律復(fù)雜，是臨近預(yù)報的重點和難點。海洋強對流天氣臨近預(yù)報在海洋氣象災(zāi)害防御中具有重要地位。海上大風(fēng)及其引發(fā)的次生災(zāi)害是導(dǎo)致海洋氣象災(zāi)害的主要因素。為了提升海上大風(fēng)等海上強對流天氣預(yù)報能力，氣象工作者持續(xù)在開展大風(fēng)天氣特征及預(yù)報方法等方面的探索。多普勒天氣雷達是氣象部門用于大氣監(jiān)測的重要設(shè)備，能夠提供高時空分辨率的精細監(jiān)測產(chǎn)品，在災(zāi)害性、突發(fā)性天氣監(jiān)測預(yù)警中是極為重要的參考指標(biāo)，因此，許多學(xué)者開展了分析雷達回波在雷暴大風(fēng)天氣條件下特征的研究，為相關(guān)領(lǐng)域天氣預(yù)報能力提升提供支撐。王彥等[1]利用天津地區(qū)46次雷暴大風(fēng)過程統(tǒng)計分析了雷達回波在雷暴大風(fēng)天氣過程下的特征，得出了影響渤海西部的雷暴大風(fēng)在雷達回波形態(tài)方面有弓狀、帶狀、陣風(fēng)鋒等四種類型，弓狀回波對應(yīng)的雷暴大風(fēng)天氣最強烈等結(jié)論；郭慶利等[2]通過對煙臺北部沿海5年的雷雨大風(fēng)天氣個例分析，得到了渤海海峽雷雨大風(fēng)天氣下雷達反射率因子的回波強度多在45 dbz以上，形狀大致分帶狀、弓形等5類的結(jié)論。郭鴻鳴等[3]綜合運用6部天氣雷達拼圖、WRF模式物理場等資料分析了強對流系統(tǒng)入海前后的時空變化規(guī)律。王亞南等[4]利用海島、平臺、浮標(biāo)等站點加密觀測資料，分析了渤海西部雷雨大風(fēng)的統(tǒng)計特征。陳明軒等[5]、俞小鼎等[6]、程叢蘭[7]等則論述了強對流天氣臨近預(yù)報方法。

雷達回波外推結(jié)果是臨近預(yù)報主要參考數(shù)據(jù)之一。如何快速、準(zhǔn)確地生成雷達回波預(yù)測數(shù)據(jù)是近年來氣象領(lǐng)域研究熱點之一。傳統(tǒng)雷達外推方法包括交叉相關(guān)法(COTREC)[8]、光流法等[9-10]。交叉相關(guān)法和光流法均是假定雷達反射率因子的運動符合拉格朗日守恒規(guī)律，在穩(wěn)定性降水預(yù)報中效果較好[11]，但對于局地強對流天氣，因雷達回波演變快，不滿足守恒條件，預(yù)報效果則會隨著時間快速下降[12-13]。

探索雷達回波外推新方法，高效、準(zhǔn)確地生成雷達回波預(yù)測數(shù)據(jù)，對提升海上強對流天氣臨近預(yù)報和服務(wù)能力具有重要意義。深度學(xué)習(xí)算法可自動學(xué)習(xí)海量數(shù)據(jù)中蘊含規(guī)律，且無需較多先驗知識，因此在氣象領(lǐng)域應(yīng)用日益廣泛，諸多學(xué)者開展了相關(guān)方法在短臨天氣預(yù)報方面研究。郭尚瓚等[14]開展了多層感知器在短時降雨預(yù)測方面的探索。Shi等[15]利用帶卷積的長短時記憶單元構(gòu)建RNN，將其在雷達外推預(yù)報方面應(yīng)用取得了較好效果。施恩[16]提出了基于輸入的動態(tài)卷積神經(jīng)網(wǎng)絡(luò)模型，卷積核含有當(dāng)前輸入的特征，網(wǎng)絡(luò)模型測試期間還可基于輸入圖像變化，輸入、輸出圖像的強相關(guān)性得到保證，利用南京、杭州、廈門三地雷達CAPPI圖像數(shù)據(jù)作為樣本試驗的結(jié)果表明，所提方法較傳統(tǒng)雷達回波外推方法，預(yù)測圖像準(zhǔn)確率和外推時效均有所提高。郭瀚陽[17]等借助基于自編碼的卷積GRU網(wǎng)絡(luò)，利用雷達拼圖數(shù)據(jù)訓(xùn)練得到了可利用歷史0.5 h數(shù)據(jù)預(yù)測未來1 h回波的雷達回波外推模型。試驗結(jié)果證明其所提方法在預(yù)測精度上明顯優(yōu)于傳統(tǒng)方法。黃興友[18]等采用Causal-LSTM單元構(gòu)建神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)雷達回波外推，并使用帶權(quán)重的損失函數(shù)進行模型訓(xùn)練，測試集及個例檢驗表明其構(gòu)建的模型在強回波預(yù)報方面優(yōu)于光流法。

目前基于深度學(xué)習(xí)的雷達回波外推研究多面向降水預(yù)報，針對海上大風(fēng)天氣的研究較少。本研究面向海上大風(fēng)臨近預(yù)報需求選取雷達數(shù)據(jù)，并從輸入數(shù)據(jù)格式、損失函數(shù)兩方面進行改進，構(gòu)建了基于自編碼的ConvLSTM網(wǎng)絡(luò)，利用滄州雷達站4年的歷史觀測數(shù)據(jù)對其進行訓(xùn)練，得到了雷達回波外推模型，可利用近1 h雷達反射率因子數(shù)據(jù)預(yù)測未來1 h雷達反射率因子數(shù)據(jù)。測試集及典型天氣個例對模型預(yù)測效果進行檢驗的結(jié)果表明，改進后模型較傳統(tǒng)ConvLSTM模型在強回波預(yù)測方面效果更好。

1 方法

1.1 網(wǎng)絡(luò)模型

本研究擬通過學(xué)習(xí)歷史雷達數(shù)據(jù)時空變化規(guī)律，預(yù)測未來雷達回波序列，屬于時間序列預(yù)測問題，循環(huán)神經(jīng)網(wǎng)絡(luò)在相關(guān)領(lǐng)域應(yīng)用較多。不同于一般神經(jīng)網(wǎng)絡(luò)不同層神經(jīng)元節(jié)點互相獨立，循環(huán)神經(jīng)網(wǎng)絡(luò)各隱藏層節(jié)點不僅依賴當(dāng)前輸入，還依賴前一時刻中間狀態(tài)，處理新數(shù)據(jù)時，也可記憶歷史計算結(jié)果。卷積長短時記憶單元ConvLSTM是應(yīng)用較廣的循環(huán)神經(jīng)網(wǎng)絡(luò)模型之一，通過輸入門、遺忘門及輸出門實現(xiàn)信息流動控制，可防止有價值信息因為預(yù)測序列長度的增大而被丟，還能選擇性地實現(xiàn)“更新”和“遺忘”。ConvLSTM工作原理如式(1)～(5)所示，it表示輸入門，ft表示遺忘門，ot表示輸出門，算子(o)表示矩陣對應(yīng)元素相乘，“*”表示卷積操作，“σ”表示Sigmoid函數(shù)，Wx-，Wh-是二維卷積核，輸入X1，…，Xt和單元狀態(tài)C1，…，Ct，隱藏狀態(tài)H1，…，Ht及it、ft、ot均為3維張量。

it=σ(Wxi*Xt+Whi*Ht-1+WciοCt-1+bi)

(1)

ft=σ(Wxf*Xt+Whf*Ht-1+WcfοCt-1+bf)

(2)

Ot=σ(Wxo*Xt+Who*Ht-1+WcoοCt+bo)

(3)

Ct=ftοCt-1+itοtanh(Wxc*Xt+Whc*Ht-1+bc)

(4)

Ht=Otοtanh(Ct)

(5)

循環(huán)神經(jīng)網(wǎng)絡(luò)還能作為基本單元構(gòu)建更復(fù)雜網(wǎng)絡(luò)。本研究借鑒了郭瀚陽等[17]研究思路，亦采用自編碼模型構(gòu)建網(wǎng)絡(luò)，不同之處在于本文采用基于自編碼的ConvLSTM網(wǎng)絡(luò)進行雷達回波序列預(yù)測，通過多層堆疊ConvLSTM，增強模型學(xué)習(xí)能力。自編碼模型包含編碼、解碼兩階段。編碼階段先用最后輸入的隱藏層狀態(tài)代表所有輸入序列信息，再將編碼最后一步隱藏層狀態(tài)用于初始化解碼階段隱藏層的狀態(tài)。解碼階段先用編碼輸入的最后一幀作為第一個輸入得到第一個預(yù)測輸出，再用第一個預(yù)測輸出作為輸入得到第二個預(yù)測輸出，持續(xù)迭代此過程得到所有預(yù)測輸出，該方法具備可產(chǎn)生變長預(yù)測序列的優(yōu)勢。本研究的編碼和解碼階段均采用三層堆疊ConvLSTM來學(xué)習(xí)數(shù)據(jù)特征。

1.2 損失函數(shù)改進

不同天氣狀況下，雷達反射率因子強度具有明顯差異。天氣雷達實時觀測到的回波強度是判斷強對流天氣的重要參考數(shù)據(jù)。預(yù)報經(jīng)驗和已有對海上強對流大風(fēng)天氣的雷達回波特征分析研究表明，雷達反射率因子包含較多強回波情況下，發(fā)生海上強對流大風(fēng)天氣的概率相對更高[19-22]，王福俠等[21]利用天氣雷達和自動站資料研究統(tǒng)計2006～2008年河北省中南部地區(qū)28次雷暴大風(fēng)過程中出現(xiàn)地面大風(fēng)的262個觀測站上空的雷達回波特征發(fā)現(xiàn)，一般雷暴大風(fēng)的反射率因子都在50 dbz以上，但干對流雷暴大風(fēng)的反射率因子一般只有40 dbz左右。強回波預(yù)測準(zhǔn)確與否對預(yù)報效果影響更大，提高強回波預(yù)測準(zhǔn)確率是提升預(yù)報效果的關(guān)鍵。

ConvLSTM模型常規(guī)采用的是均方差損失函數(shù)MSE，均方差損失函數(shù)先計算真實數(shù)據(jù)與預(yù)測數(shù)據(jù)所有對應(yīng)點誤差平方的總和，再計算其均值，對于不同大小的真實值權(quán)重一樣，對于雷達回波數(shù)據(jù)則表現(xiàn)為對不同強度回波的權(quán)重一樣。對于雷達回波預(yù)測應(yīng)用而言，希望較大的回波值能夠具有更高的預(yù)測準(zhǔn)確率，為提升強回波預(yù)測能力，本文改進了損失函數(shù)，將損失函數(shù)構(gòu)造為原始MSE損失函數(shù)和加權(quán)重的MSE函數(shù)兩部分的組合，兩部分的系數(shù)各為0.5，對于加權(quán)重的MSE損失函數(shù)，在利用均方差損失函數(shù)計算真實值與預(yù)測值差值基礎(chǔ)上增加回波真實值作為權(quán)重，強回波的值較大權(quán)重會更高，弱回波值較小則權(quán)重會更低，從而實現(xiàn)提升強回波預(yù)測準(zhǔn)確率的目標(biāo)。改進后損失函數(shù)如式(6)所示，其中pred代表預(yù)測值集合，label代表實際觀測值集合，N代表系數(shù)，改進后損失函數(shù)在label值較大即觀測值為強回波時將產(chǎn)生更大影響，lossfunction為MSE函數(shù)，計算公式如式(7)所示，其中yi代表實際觀測值集合label中的第i個真實觀測值，yip代表第i個觀測值在預(yù)測值集合pred中對應(yīng)的預(yù)測值?；诠?6)、(7)可推導(dǎo)得出公式(8)，由公式(8)可見，改進后的損失函數(shù)增加了N2yi2作為真實值與預(yù)測值差值的權(quán)重系數(shù)，當(dāng)預(yù)測值與真實值存在差異且真實觀測值較大時，改進后損失函數(shù)計算得出的數(shù)值較改進前更大，因此能夠?qū)崿F(xiàn)增大強回波權(quán)重，提升強回波預(yù)測效果的目的。

loss=0.5*lossfunction(pred，label)+

0.5*lossfunction(N*label*label，N*pred*label)

(6)

(7)

(8)

1.3 輸入數(shù)據(jù)改進

氣象部門長期存儲的主要是二進制格式的雷達基數(shù)據(jù)，該類數(shù)據(jù)無法直接用于深度學(xué)習(xí)訓(xùn)練，已有研究多采用基數(shù)據(jù)生成圖像文件方式作為輸入數(shù)據(jù)，而單個圖像文件僅能保存1個仰角的觀測數(shù)據(jù)。天氣雷達是對一定空間范圍內(nèi)降水回波的觀測，一個體掃包含多個仰角觀測數(shù)據(jù)。大氣流體運動變化過程是在三維空間中進行，每個高度層均與其附近高度層有較強相關(guān)性[23]。在每個時刻輸入相鄰多個仰角觀測數(shù)據(jù)有助于解決單層雷達回波圖像外推局限性。數(shù)組是在程序設(shè)計中，為了處理方便，把具有相同數(shù)據(jù)類型的若干元素按有序的形式組織起來的一種數(shù)據(jù)組織方式，是用于儲存多個相同類型數(shù)據(jù)的集合。每個觀測時次，天氣雷達單個仰角對一定空間范圍的觀測數(shù)據(jù)可抽象為二維數(shù)組，多個仰角的雷達觀測數(shù)據(jù)可抽象為三維數(shù)組，npy文件是Python語言針對多維數(shù)組(Ndarray)的科學(xué)計算庫NumPy專用的二進制文件格式，能夠保存任意維度的NumPy數(shù)組，可滿足存儲多仰角雷達觀測數(shù)據(jù)的需求，而且NumPy庫提供了save、load函數(shù)為便捷地將數(shù)組數(shù)據(jù)存儲到npy文件和從npy文件讀取數(shù)組內(nèi)容提供了有力支撐，因此，本文對深度學(xué)習(xí)模型的雷達輸入數(shù)據(jù)存儲格式進行改進，將同一個觀測時次多個仰角的雷達反射率觀測數(shù)據(jù)定義為(n，x，y)形式的三維數(shù)組進行存儲，n代表觀測仰角個數(shù)，x代表經(jīng)度方向的觀測數(shù)據(jù)點個數(shù)，y代表緯度方向的觀測數(shù)據(jù)點個數(shù)，并利用numpy庫的save函數(shù)將其存儲在同一個npy文件中，N個觀測時次的觀測數(shù)據(jù)轉(zhuǎn)化為N個npy文件存儲，為后續(xù)實現(xiàn)多仰角輸入數(shù)據(jù)訓(xùn)練打下基礎(chǔ)，實際訓(xùn)練時可按需靈活提取npy文件中的1個或多仰角的雷達觀測數(shù)據(jù)用于訓(xùn)練。

2 數(shù)據(jù)集構(gòu)建

深度學(xué)習(xí)雷達數(shù)據(jù)集構(gòu)建主要包括雷達數(shù)據(jù)篩選、數(shù)據(jù)預(yù)處理、深度學(xué)習(xí)樣本組構(gòu)造三個步驟，流程如圖1所示。

圖1 雷達數(shù)據(jù)深度學(xué)習(xí)數(shù)據(jù)集構(gòu)建流程

2.1 雷達數(shù)據(jù)篩選

雷達數(shù)據(jù)時段選取強對流大風(fēng)發(fā)生較多的5～9月。首先使用渤海西部有代表性的地面自動氣象站、海上平臺站逐小時觀測資料，根據(jù)王亞男等[4]提出的指標(biāo)選取強對流天氣導(dǎo)致的雷暴大風(fēng)過程，然后依據(jù)大風(fēng)過程日期挑選雷達數(shù)據(jù)。強對流天氣導(dǎo)致雷暴大風(fēng)過程選取標(biāo)準(zhǔn)如下：

代表站瞬時風(fēng)速(或最大風(fēng)速)≥17 m/s，相應(yīng)海域出現(xiàn)雷電天氣(為消除系統(tǒng)性大風(fēng)過程，對于瞬時風(fēng)速(或最大風(fēng)速)≥17 m/s且持續(xù)時間大于3小時的過程予以去除)。當(dāng)多個觀測站在不超過12小時范圍內(nèi)先后監(jiān)測到雷雨大風(fēng)并受同一天氣系統(tǒng)影響時，記為一次過程。

2.2 數(shù)據(jù)預(yù)處理

雷達基數(shù)據(jù)預(yù)處理包括數(shù)據(jù)解碼、坐標(biāo)轉(zhuǎn)換等步驟。CINRAD-SA型多普勒天氣雷達基數(shù)據(jù)文件為二進制格式，存儲的數(shù)據(jù)采用極坐標(biāo)系，存儲內(nèi)容包括反射率、速度、譜寬等。數(shù)據(jù)解碼步驟負責(zé)按照雷達基數(shù)據(jù)文件格式，完成雷達觀測描述信息和反射率觀測數(shù)據(jù)的提取并按不同信息的數(shù)據(jù)類型完成格式轉(zhuǎn)換，坐標(biāo)轉(zhuǎn)換步驟首先建立極坐標(biāo)和經(jīng)緯度坐標(biāo)的對應(yīng)關(guān)系，然后將以極坐標(biāo)形式存儲的反射率等數(shù)據(jù)，投影到經(jīng)緯度坐標(biāo)系，得到反射率數(shù)據(jù)的格點矩陣。坐標(biāo)轉(zhuǎn)換步驟中建立極坐標(biāo)和經(jīng)緯度坐標(biāo)對應(yīng)關(guān)系的過程如下：雷達觀測徑向剖面圖如圖2所示，∠φ代表雷達觀測仰角，d代表雷達站點與觀測位置的徑向距離。建立以地球中心為原點的三維直角坐標(biāo)系，雷達站點r的坐標(biāo)為(x1，y1，z1)，雷達觀測任意點位置為p，其在地球表面投影為p’(x2，y2，z2)，Δlon，Δlat為投影點與雷達站點的經(jīng)緯度差，觀測點p在地球表面投影p’坐標(biāo)利用式(9)計算得到。通過式(10)，計算得到任意p’位置(lon，lat)的極坐標(biāo)值(∠A，∠φ，d)，其中∠A，d通過計算得到，∠φ為已知值，∠A代表雷達觀測方位角。

圖2 雷達觀測徑向剖面圖

(9)

(10)

坐標(biāo)轉(zhuǎn)換后單個仰角的觀測數(shù)據(jù)為400*400的格點矩陣，直接用于訓(xùn)練計算開銷較大，為提高處理效率，本研究對數(shù)據(jù)進行了抽樣處理，提取以雷達站點為中心±2度經(jīng)緯度范圍的格點數(shù)據(jù)，抽樣處理后單個仰角觀測數(shù)據(jù)的格點分辨率為100*100，數(shù)據(jù)量降低為抽樣前的1/16。

在特定環(huán)境下，雷達觀測受地物雜波、晴空回波等諸多因素影響，將產(chǎn)生非降水回波干擾。地物雜波已在雷達RPG中進行了處理，為進一步去除無效回波干擾，質(zhì)量控制方面，本研究主要通過去除10 dbz以下晴空回波以保障模型訓(xùn)練效果。

2.3 深度學(xué)習(xí)樣本組構(gòu)造

雷達數(shù)據(jù)因觀測設(shè)備故障、維護等原因存在缺測，導(dǎo)致數(shù)據(jù)存在時間間隔不等的問題，為去除時間不連續(xù)數(shù)據(jù)，按以下步驟構(gòu)造觀測數(shù)據(jù)文件時間間隔相同的深度學(xué)習(xí)數(shù)據(jù)集：

1)針對預(yù)處理得到的文件生成其文件名、觀測時間索引信息。

2)利用索引信息，按照時間連續(xù)原則，篩選構(gòu)造深度學(xué)習(xí)樣本組。對符合時間連續(xù)性檢查的數(shù)據(jù)文件使用長度為20的滑動窗口以步長為1進行滑動采樣，得到所有樣本組。每組樣本包含20個觀測時間連續(xù)的雷達數(shù)據(jù)文件{x1，x2，x3，…，x10，y1，y2，y3，…，y10}，x1到x10為輸入數(shù)據(jù)，對應(yīng)近一小時10個觀測時間的雷達回波，y1到y(tǒng)10為輸出數(shù)據(jù)，代表下一小時10個觀測時間的雷達回波，每個文件時間間隔為6 min。

3 實驗設(shè)計及結(jié)果分析

為驗證本文方法有效性，利用Pytorch實現(xiàn)了深度學(xué)習(xí)模型，按照本研究方法，基于滄州雷達站2016～2019年5～9月觀測數(shù)據(jù)，利用Python語言開發(fā)軟件構(gòu)建了雷達數(shù)據(jù)深度學(xué)習(xí)數(shù)據(jù)集，構(gòu)建的訓(xùn)練集包含10 640個樣本，測試集包含2 000個樣本。激活函數(shù)是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的重要組成部分，旨在使神經(jīng)網(wǎng)絡(luò)模型能更好地擬合數(shù)據(jù)分布，輸出更準(zhǔn)確的結(jié)果，其選擇對神經(jīng)網(wǎng)絡(luò)性能、模型收斂速度有很大影響，本研究激活函數(shù)使用LeakyReLU.LeakyReLU是神經(jīng)網(wǎng)絡(luò)常用激活函數(shù)ReLU的變體。對于ReLU函數(shù)，當(dāng)輸入x>0時，輸出為x，當(dāng)輸入x≤0時，輸出始終為0，導(dǎo)致神經(jīng)元不能更新。為了解決ReLU函數(shù)這一問題，在ReLU函數(shù)的負半?yún)^(qū)引入一個非常小的常數(shù)leak，即當(dāng)x≤0時，輸出為leak*x，使得輸入信息小于0時，信息沒有被完全丟掉，仍有很小的梯度。由于導(dǎo)數(shù)總是不為零，能減少靜默神經(jīng)元的出現(xiàn)，允許基于梯度的學(xué)習(xí)，解決了ReLU函數(shù)進入負區(qū)間后，導(dǎo)致神經(jīng)元不學(xué)習(xí)的問題。訓(xùn)練過程采用反向傳播算法計算誤差，網(wǎng)絡(luò)參數(shù)利用Adam算法更新，Adam算法本質(zhì)上是帶有動量項的RMSprop，它利用梯度的一階矩估計和二階矩估計動態(tài)調(diào)整每個參數(shù)的學(xué)習(xí)率，該算法的優(yōu)點主要在于經(jīng)過偏置校正后，每一次迭代學(xué)習(xí)率都有確定的范圍，參數(shù)比較平穩(wěn)，對內(nèi)存需求少，適用于大數(shù)據(jù)集和高維空間。學(xué)習(xí)率參數(shù)的設(shè)置很重要，學(xué)習(xí)率取值過小會使網(wǎng)絡(luò)收斂緩慢，過大則又會使訓(xùn)練易陷入局部最優(yōu)解。本研究通過引入動量項加快網(wǎng)絡(luò)收斂速度，減少震蕩，使網(wǎng)絡(luò)訓(xùn)練不易陷入局部最優(yōu)解。損失函數(shù)采用原始MSE函數(shù)和帶權(quán)重的MSE函數(shù)組合的方式，詳見1.2節(jié)，實驗過程對比了N設(shè)置為2、3、4情況下和輸入數(shù)據(jù)為1個仰角、2個仰角時的模型預(yù)測效果，對比結(jié)果表明輸入為1個仰角、N=2時預(yù)測效果最優(yōu)，最終選定的損失函數(shù)參見式(11)。其他訓(xùn)練參數(shù)如表1所示，初始學(xué)習(xí)率采用0.000 1，模型的訓(xùn)練采用批訓(xùn)練方式，batch_size設(shè)置為20。訓(xùn)練采用早停策略(Early Stop)方式停止以避免過擬合。最大迭代次數(shù)設(shè)置為400次，當(dāng)10次循環(huán)迭代后訓(xùn)練集精度提高不超過0.000 1，則訓(xùn)練結(jié)束。訓(xùn)練完成后，模型能夠根據(jù)雷達近1小時10個觀測時次的回波數(shù)據(jù)作為輸入，預(yù)測出未來1小時10個時次的雷達回波數(shù)據(jù)。

表1 雷達數(shù)據(jù)深度學(xué)習(xí)訓(xùn)練參數(shù)

loss=0.5*lossfunction(pred，label)+

0.5*lossfunction(2*label*label，2*pred*label)

(11)

3.1 模型評價指標(biāo)

采用分閾值評估方式對測試集進行檢驗，閾值分別選取15、20、30、40 dbz，預(yù)測時長包括0.5 h和1 h，預(yù)報時間間隔為6 min，評價指標(biāo)采用氣象領(lǐng)域常用指標(biāo)臨界成功指數(shù)(CSI)、命中率(POD)和虛警率(FAR)。通過逐點對比預(yù)測值與觀測值，得出各預(yù)測點所屬分類(分類標(biāo)準(zhǔn)參見表2)，進而計算得出評估指標(biāo)。a、b、c分別代表預(yù)測數(shù)據(jù)命中數(shù)、空報數(shù)和漏報數(shù)，評估指標(biāo)公式如式(12)～(14)：

表2 雷達回波像素點分類標(biāo)準(zhǔn)

(12)

(13)

(14)

3.2 測試集檢驗

表3對比了原模型和本文改進模型對于測試集在15、20、30、40 dBz共4個反射率閾值0.5 h和1 h的預(yù)測結(jié)果。由表3可知，本文改進模型在4個閾值的CSI、POD指標(biāo)均明顯優(yōu)于改進前，F(xiàn)AR指標(biāo)在閾值較小時略有增長，但在閾值較高時優(yōu)于改進前。

表3 模型改進前后在測試集檢驗指標(biāo)

POD指標(biāo)方面，閾值為30 dbz及以下時，0.5 h、1 h的預(yù)測較改進前分別提高了9%～17%和13%～17%；閾值為40 dbz時，0.5 h、1 h的預(yù)測分別提高了8%和2%。CSI指標(biāo)方面，閾值為30 dbz及以下時，0.5 h、1 h的預(yù)測較改進前分別提高了4%～12%和7%～10%；閾值為40 dbz時，0.5 h、1 h的預(yù)測較改進前分別提高了6%和1%。FAR指標(biāo)方面，0.5 h的預(yù)測較改進前略有增長，1 h的預(yù)測在30、40 dbz較改進前降低。0.5 h的預(yù)測在閾值為30 dbz及以下時，較改進前增幅不超過6%，閾值為40 dbz的預(yù)測和改進前相當(dāng)；1 h的預(yù)測在閾值為20 dbz及以下時，較改進前增幅不超過4%，在閾值為30、40 dbz時的預(yù)測較改進前分別降低1%和13%，優(yōu)于改進前。

3.3 個例分析

文獻[21]研究表明，產(chǎn)生雷暴大風(fēng)的回波主要為弓形回波、帶狀回波和塊狀回波，其中帶狀回波是產(chǎn)生雷暴大風(fēng)的主要回波。為更直觀分析預(yù)測效果，從測試集和非測試集共選取2019年7月29日、2020年05月21日、2022年06月12日3組發(fā)生強對流大風(fēng)的個例日期進行雷達回波外推分析，通過回波圖像和預(yù)測指標(biāo)兩方面對比原始ConvLSTM模型和本文改進模型未來1 h雷達回波預(yù)測效果，對比圖形包括四行，每行圖像之間的時間間隔為6分鐘，第一行為輸入的近1小時雷達觀測真實回波圖像，第二行為未來1小時雷達實際觀測的真實回波圖像，第三、四行分別為原始ConvLSTM模型和改進模型基于第一行真實雷達觀測預(yù)測的未來1小時雷達回波圖像。

圖3為測試集2019年07月29日09點06分到10點00分雷達回波個例預(yù)測效果對比，該個例是一次強帶狀回波引發(fā)的海上大風(fēng)過程。帶狀回波通常是由多個對流回波單體相連排列成帶狀的回波，回波長度遠大于回波寬度，有強回波時，傳播方向與回波帶垂直[22]。由圖3可見，未來1 h的真實回波圖像中在右下方一直存在一條形態(tài)較為明顯、強度較高的帶狀回波，原始模型的預(yù)測，尤其在35 min之后的預(yù)測，對于帶狀回波的覆蓋區(qū)域、強度方面均與實況有較大差異，而改進后模型預(yù)測的回波圖像則整體上與觀測實況更為相似，而且對帶狀強回波的預(yù)測效果有更為明顯的提升，能較準(zhǔn)確地預(yù)測出右下角帶狀回波形態(tài)、強度和移動位置，尤其是后30分鐘的預(yù)測效果相比原始模型改進更為明顯，較改進前更完整、清晰地預(yù)測了強回波形態(tài)、強度。該個例在閾值為30 dbz時，0.5 h、1 h的預(yù)測命中率分別為73%和62%，較改進前分別提升29%、32%；閾值為40 dbz時，0.5 h、1 h的預(yù)測命中率分別為37%和17%，較改進前分別提升36%、17%，虛警率皆低于改進前。不過也應(yīng)注意到，改進后模型雖然在回波細節(jié)預(yù)測上優(yōu)于改進前，但與觀測實況仍有一定差距，而且預(yù)測細節(jié)與實際圖像的差異隨著預(yù)測時間的變長逐漸加大，外推時間越長，細節(jié)丟失也越來越多。

圖4展示了非測試集個例2020年05月21日07點00分到07點54分雷達回波預(yù)測效果對比情況，該個例是一次小弓形回波引發(fā)的海上大風(fēng)過程。弓形回波是指快速移動的向著運動方向凸起的，形如弓的強對流回波。弓形回波的空間尺度大小不一，小的弓形回波長度僅幾十公里，有的可達上百公里.弓形回波是由后側(cè)強烈的下沉氣流造成的。顯著弓形回波在低層反射率因子圖上除了形如弓形外，弓形回波前沿存在高的反射率因子梯度，在較強回波帶后側(cè)有弱回波通道或者后側(cè)入流缺口[21-22]。由圖4中未來1 h的真實回波可見，圖像上方持續(xù)存在一小弓形回波，并逐漸自左向右移動，改進后模型對回波整體形態(tài)預(yù)測更為準(zhǔn)確，對于圖像上部的回波強度、形態(tài)和移動趨勢預(yù)測效果更優(yōu)，能夠更為明顯地呈現(xiàn)出小弓形回波的形態(tài)特征和強度。該個例在閾值為30 dbz時，0.5 h、1 h的預(yù)測命中率分別為41%和29%，較改進前分別提升13%、11%；閾值為40 dbz時，0.5 h、1 h的預(yù)測命中率分別為27%和18%，較改進前分別提升15%、13%，虛警率皆低于改進前。

圖4 模型改進前后2020年05月21日07點00分至07點54分預(yù)測效果對比

圖5為非測試集個例2022年06月12日15點00分至15點54分雷達回波預(yù)測效果對比，該個例在未來1 h的真實雷達回波中存在兩個小帶狀回波。由圖5中可見，未來1 h的真實雷達回波中左側(cè)帶狀回波形態(tài)較為穩(wěn)定，且維持了較高的強度，右側(cè)的帶狀回波則逐漸變?nèi)?、消散，原始模型預(yù)測左側(cè)帶狀回波逐漸消散、右側(cè)回波維持，而改進后模型則較準(zhǔn)確地預(yù)測了未來1 h左下角回波一直保持較高強度、右下角回波逐漸減弱的變化趨勢，與實況更為一致。該個例在閾值為30 dbz時，0.5 h、1 h的預(yù)測命中率分別為76%和73%，較改進前分別提升18%、36%；閾值為40 dbz時，0.5 h、1 h的預(yù)測命中率分別為30%和14%，較改進前皆提升6%，0.5 h預(yù)測的虛警率與改進前相當(dāng)，1 h預(yù)測的虛警率較改進前分別降低18%、19%。

圖5 模型改進前后2022年06月12日15點00分至15點54分預(yù)測效果對比

4 結(jié)束語

本文基于深度學(xué)習(xí)模型ConvLSTM，提出了從輸入數(shù)據(jù)格式和損失函數(shù)兩方面改進的雷達回波外推模型構(gòu)建思路，通過滄州雷達觀測站4年的歷史數(shù)據(jù)對模型進行訓(xùn)練得到了可利用近1 h雷達觀測數(shù)據(jù)預(yù)測未來1 h雷達回波的模型。測試集和非測試集典型個例檢驗結(jié)果表明，改進模型對于強回波的預(yù)測能力明顯提升，預(yù)測的雷達強回波形態(tài)、強度、位置相比改進前與實況具有更高的相似性，能夠為臨近預(yù)報提供一定的參考。但改進模型在回波強度最大值、形態(tài)細節(jié)等方面的預(yù)測結(jié)果距離雷達真實觀測仍有一定差距，同時，隨著預(yù)測時間的增長，預(yù)測值與真實觀測值的差異也逐漸加大，而且在外推預(yù)報的雷達數(shù)據(jù)產(chǎn)品方面，本研究僅探索了對反射率因子數(shù)據(jù)的預(yù)測，對于雷達觀測數(shù)據(jù)中對大風(fēng)預(yù)報也有較好指示意義的徑向速度數(shù)據(jù)的預(yù)測尚未涉及。訓(xùn)練數(shù)據(jù)的質(zhì)量和用于預(yù)測的模型均會對預(yù)測效果的提升產(chǎn)生影響，更豐富的預(yù)報產(chǎn)品也將為預(yù)報能力提升提供更好支撐，因此，下一步將繼續(xù)開展基于更豐富和更高質(zhì)量訓(xùn)練數(shù)據(jù)、增加注意力機制的深度學(xué)習(xí)模型以及關(guān)于雷達徑向速度觀測數(shù)據(jù)產(chǎn)品預(yù)測等方面的研究，進一步優(yōu)化預(yù)測模型設(shè)計，豐富預(yù)測產(chǎn)品種類，提升預(yù)測效果，以便為大風(fēng)臨近預(yù)報提供更好支撐。