李建柱　李磊菁　馮平　唐若宜

摘要：為探究深度學習的雷達降雨臨近預報在流域洪水預報中的適用性，采用U-Net、嵌入注意力門的Attention-Unet和添加轉(zhuǎn)換器的多級注意力TransAtt-Unet開展雷達降雨臨近預報，將預報降雨作為HEC-HMS水文模型的輸入，對柳林實驗流域進行洪水預報。結(jié)果表明：1 h預見期時，Attention-Unet對短時強降雨預報結(jié)果較好，TransAtt-Unet預報降雨模擬的洪峰流量和徑流量相對誤差小于20%，各深度學習模型對量級較大的降雨和洪水預報精度較高;2 h預見期的預報降雨強度、降雨總量、洪峰流量和徑流量存在顯著低估，U-Net能取得相對較好的降雨預報結(jié)果?；谏疃葘W習的1 h預見期雷達降雨臨近預報及洪水預報可為流域防洪減災提供科學依據(jù)。

關(guān)鍵詞：雷達降雨臨近預報;降雨定量估計;深度學習;洪水預報;柳林實驗流域

中圖分類號：P333

文獻標志碼：A

文章編號：1001-6791（2023）05-0673-12

近年來，極端降雨事件導致洪澇災害頻發(fā)，對洪水預報精度和時效性的要求越來越高［1］。準確的降雨預報是洪水預報的關(guān)鍵，可為防洪減災工作提供重要的科學依據(jù)［2］。傳統(tǒng)的洪水預報主要以地面雨量站實測降雨輸入水文模型，導致洪水預報的有效預見期短，且雨量站實測降雨無法反映其空間分布特性［3］。天氣雷達具有高時空分辨率、高精度和可靠性等特點［4］。將雷達降雨臨近預報結(jié)果作為水文模型的輸入進行洪水預報，能在一定程度上延長洪水預見期［5］，是水文預報領(lǐng)域的主要發(fā)展趨勢，但降雨臨近預報是尚未解決的重要科學難題［6］。

以光流法、質(zhì)心跟蹤法、交叉相關(guān)法為主的傳統(tǒng)雷達回波外推方法［7］，能在較短預見期內(nèi)對緩慢變化的回波過程取得較好的外推效果，但無法準確描述迅速變化的回波過程［8］。近年來大量研究將深度學習的方法引入到水文氣象領(lǐng)域，并取得顯著成效［9-10］。Zhang等［6］提出一種具有預測誤差優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型NowcastNet，基于中國和美國的雷達資料開展降雨預報，顯著提高了極端強降雨的預報精度。Ritvanen等［11］提出一種基于卷積神經(jīng)網(wǎng)絡(luò)U-Net的拉格朗日模型，改善了強降雨的臨近預報效果。作為一種應用廣泛的基礎(chǔ)模型，U-Net在臨近預報領(lǐng)域得到推廣［12］。Han等［13］將U-Net模型用于雷達回波外推，并與循環(huán)神經(jīng)網(wǎng)絡(luò)的TrajGRU和交叉相關(guān)法的預報結(jié)果進行對比，表明U-Net模型在時空序列預測問題的適用性。

預報降雨的重要用途之一是作為水文模型的輸入進行洪水預報［14-15］。Heuvelink等［16］使用確定性和概率性方法進行降雨預報，并將結(jié)果作為WALRUS水文模型的輸入進行流量預報，在小流域取得較好的預報效果；Nguyen等［17］將雷達回波外推和數(shù)值模式天氣預報結(jié)合，提高了降雨預報精度，并指出降雨預報與分布式水文模型結(jié)合使用的優(yōu)勢；包紅軍等［18］構(gòu)建了臨近降雨集合預報的中小河流洪水預報模型，延長了洪水預報的預見期。但目前使用深度學習的方式開展雷達降雨臨近預報，從而進行洪水預報的精度還有待提高，尤其是在半干旱半濕潤地區(qū)的小流域。

U-Net結(jié)構(gòu)簡單，可根據(jù)目標靈活調(diào)整和添加模塊，為實現(xiàn)更加精確的雷達降雨臨近預報和洪水預報提供了更多可能。因此，本研究采用深度學習的U-Net，并嘗試使用嵌入注意力門的Attention-Unet（簡寫為Att-Unet）和添加轉(zhuǎn)換器的多級注意力TransAtt-Unet進行柳林實驗流域典型降雨過程的1 h和2 h預見期雷達回波外推，利用動態(tài)雷達反射率因子和降雨強度關(guān)系計算外推回波對應的逐小時降雨，作為半分布式水文模型HEC-HMS的輸入進行洪水預報，對比分析預報降雨與雨量站實測降雨模擬的洪水精度差異，探討基于深度學習的雷達降雨臨近預報在小流域洪水預報中的適用性。

第5期李建柱，等：基于深度學習的雷達降雨臨近預報及洪水預報

水科學進展第34卷

1 研究區(qū)域與數(shù)據(jù)

1.1 流域概況

選擇河北省邢臺市內(nèi)丘縣柳林實驗流域為研究區(qū)。如圖1所示，流域出口位于114°21′E、37°17′N，布設(shè)有柳林水文站進行水位和流量觀測。流域面積為57.4 km²，主河道長13.2 km，流域坡度為30.9‰。地處半干旱半濕潤氣候區(qū)，季節(jié)變化分明，徑流的年內(nèi)和年際分配不均，降雨多發(fā)生在6—9月，多年平均降水量為594.5 mm，多年平均徑流深為80.7 mm。雷達資料來源于中國新一代多普勒天氣雷達監(jiān)測網(wǎng)河北省石家莊市的Z9311站。雷達位于114°42′50″E、38°21′00″N，采用VP21體掃模式，掃描半徑為230 km，時間分辨率為6 min，能夠完成9個不同仰角的掃描。柳林實驗流域在距離雷達120 km范圍內(nèi)，可保證雷達回波數(shù)據(jù)的質(zhì)量。

1.2 雷達數(shù)據(jù)預處理

將2018—2020年降雨時段的雷達基數(shù)據(jù)，經(jīng)過編碼轉(zhuǎn)換、雜波抑制、衰減訂正、地物遮擋訂正、坐標轉(zhuǎn)換后，形成反射率混合掃描數(shù)據(jù)圖，用于深度學習模型的訓練。由于柳林實驗流域面積較小，將回波圖裁剪至流域周圍128行128列的范圍（113°36′36″E、37°30′36″N到114°53′24″E、36°47′24″N）。以訓練集中20180521場次降雨為例，圖2為經(jīng)過預處理與未處理回波對比圖，經(jīng)過質(zhì)量控制后的回波剔除了雜波干擾并顯著減少波束遮擋，具有較高的可靠性。訓練集和驗證集共包含20 000幀回波圖，按照8∶2的比例劃分進行模型訓練和驗證。測試集選取2012年、2016年和2021年的4場典型降雨過程對應的雷達數(shù)據(jù)。

1.3 典型降雨洪水過程

降雨洪水資料來源于河北省邢臺水文勘測研究中心。洪水資料為柳林水文站汛期實測逐小時流量數(shù)據(jù)，暴雨資料為流域內(nèi)菩薩嶺、神頭、任莊、安上和柳林5個雨量站汛期逐小時雨量，篩選出與雷達回波時段對應的典型降雨洪水過程對降雨和洪水預報精度進行評價。降雨洪水信息如表1所示。由于20211006場次降雨過程在汛期后發(fā)生，柳林水文站未對其洪水過程進行觀測。

2 研究方法

2.1 雷達回波外推的深度學習模型

2.1.1 U-Net

U-Net網(wǎng)絡(luò)由4層編碼器-解碼器組成，是一種卷積神經(jīng)網(wǎng)絡(luò)。如圖3（a）所示，網(wǎng)絡(luò)的左邊是編碼器，應用最大池化和雙重卷積來減小圖像大小和加倍特征映射的數(shù)量。編碼器之后的右側(cè)為解碼器，通過雙線性插值進行上采樣操作，使特征圖大小增加1倍。每層編碼器和解碼器之間通過1個跳躍連接保存來自較淺層的細尺度信息。完成上述采樣操作之后，模型通過一個1×1的卷積，輸出代表網(wǎng)絡(luò)預測值的單個特征圖。

2.1.2 Att-Unet

Att-Unet（圖3（a））在U-Net的解碼器前添加注意力門，以此過濾跳躍連接傳播的特征，再將編碼器的特征與解碼器中相應的特征進行拼接，有效抑制無關(guān)區(qū)域的激活，減少編碼器中無關(guān)信息的跳躍連接，達到改善預測效果的目的［19］。本研究將Att-Unet模型調(diào)整為時間序列預測模型進行回波外推。

2.1.3 TransAtt-Unet

TransAtt-Unet將多層次引導注意和多尺度跳躍連接聯(lián)合嵌入U-Net，如圖3（b）。將變換器自注意力（TSA）和全局空間注意力（GSA）嵌入到網(wǎng)絡(luò)中，同時在解碼器中使用多尺度跳躍連接來聚合不同語義尺度的特征，從而有效減少卷積層疊加和連續(xù)采樣操作造成的細節(jié)損失。如圖3（c）和圖3（d）所示，TSA將特征嵌入到Q、K、V 3個矩陣中，在Q和K的轉(zhuǎn)置之間采用Softmax函數(shù)進行歸一化運算，形成注意力圖，再與V矩陣相乘得到注意力權(quán)重。GSA對特征進行卷積轉(zhuǎn)置映射為W、M、N，對M、N采用Softmax函數(shù)進行歸一化運算得到位置注意力信息，再與W相乘得到位置特征。在解碼器部分采用殘差多尺度跳躍連接的方式［20］，輸入特征圖通過雙線性插值向上采樣到輸出的分辨率，然后與輸出特征圖進行級聯(lián)，作為后續(xù)塊的輸入。

2.2 深度學習模型訓練

1 h外推數(shù)據(jù)集取前1 h間隔6 min共10幀回波圖（反射率因子），預測后1 h共10幀回波圖（2 h外推為前20幀預測后20幀）。深度學習模型基于Pytorch環(huán)境，初始學習率設(shè)置為0.001，批處理大小設(shè)置為8，損失函數(shù)采用均方根誤差（E_MS）［13］，在NVIDIA Geforce RTX 3050上采用Adam優(yōu)化器訓練200個輪次。當損失函數(shù)在4個周期內(nèi)沒有增加時，學習率調(diào)節(jié)器將學習率自動減小10%。采用二元評價指標命中率（Probability of detection，D_PO）、虛警率（False alarm ratio，R_FA）、臨界成功指數(shù)（Critical success index，I_CS）和準確率（Accuracy，A）進行雷達回波外推精度的評價［21］。

2.3 雷達降雨臨近預報

多普勒天氣雷達采用Z—R關(guān)系描述雷達反射率因子（Z）和降雨強度（R）的冪指數(shù)關(guān)系［22］。中國的多普勒雷達普遍采用Z=aRb（a=300，b=1.4）進行降雨定量估計，但僅適用于平均情況?；趯崪y資料動態(tài)調(diào)整的Z—R關(guān)系，可以實現(xiàn)更加精確的降雨估計［23］。殷志遠等［24］采用4種不同的Z—R關(guān)系開展雷達降雨定量估計，并將結(jié)果用于水文模擬，表明動態(tài)Z—R關(guān)系的降雨定量估計精度最高，洪水模擬效果最好。動態(tài)Z—R關(guān)系建立在逐小時快速更新資料的基礎(chǔ)上，通過動態(tài)調(diào)節(jié)參數(shù)a和b，使逐小時雷達估測降雨與對應的雨量站觀測降雨的最優(yōu)判別函數(shù)δ達到最?。?3］，從而確定適用于逐小時雷達定量降雨估計的多組Z—R關(guān)系參數(shù)。為保證參數(shù)a和b的取值合理，限定a和b數(shù)值調(diào)節(jié)范圍分別為［150.00，400.00］、［0.80，2.40］，調(diào)整間隔分別為10和0.05。經(jīng)過上述步驟最終確定出每場降雨過程的動態(tài)Z—R關(guān)系參數(shù)如圖4所示。采用相關(guān)系數(shù)（Correlation coefficient，C_C）、平均偏差（Mean bias，B_M）和平均絕對誤差（Mean absolute error，E_MA）進行降雨預報精度評價［14］。

2.4 水文模型

李建柱等［25］研究了地形數(shù)據(jù)源和分辨率對柳林實驗流域洪水模擬精度的影響，結(jié)果表明，基于無人機三維傾斜攝影構(gòu)建的1 m分辨率DEM能反映流域真實地形的變化，在此基礎(chǔ)上構(gòu)建的HEC-HMS模型能較好地模擬流域洪水過程。本研究采用作者基于無人機三維傾斜攝影構(gòu)建的1 m分辨率HEC-HMS模型，將雷達降雨臨近預報結(jié)果作為HEC-HMS水文模型的輸入，進行柳林實驗流域洪水預報。采用洪峰流量相對誤差（E_RP）、徑流量相對誤差（E_RV）、峰現(xiàn)時差（ΔT）和納什效率系數(shù)（E_NS）進行洪水預報精度評價［25］。

3 結(jié)果及分析

3.1 回波外推結(jié)果分析

以反射率20 dBZ和30 dBZ為閾值計算二元評價指標。1 h回波外推評價結(jié)果見表2，Att-Unet對20120726場次降雨的回波外推效果相對較好，注意力門加強了Att-Unet對強回波的識別和外推效果，同時抑制弱回波或雜波產(chǎn)生的干擾，但對弱回波或中等回波的外推效果較差；TransAtt-Unet采用的多尺度跳躍連接和注意力機制使模型能綜合不同尺度的圖像特征，提高模型精度和穩(wěn)定性，因此，該模型對于持續(xù)時間較長、降雨過程變化豐富的20160719場次回波過程取得了較好的外推效果；20210721和20211006場次降雨的過程回波總體偏弱，各模型的1 h預見期回波外推精度差異并不顯著。2 h回波外推評價結(jié)果見表3，U-Net模型對30 dBZ閾值的回波外推效果優(yōu)于其他模型，其原因是雷達回波外推需要預測每個像素的精確值；Att-Unet和TransAtt-Unet所采用的注意力門或者多尺度跳躍連接結(jié)構(gòu)僅增強局部特征的學習，而忽略隨時間動態(tài)變化的信息，因此導致預測時效性的不足。U-Net模型盡管結(jié)構(gòu)簡單，但以往研究表明其在時間序列預測中具有一定適用性［26］，對不同等級回波信息具有一定的泛化能力［27］，因此，盡管U-Net的1 h預見期回波外推效果略差于添加注意力機制的模型，但能在更長預見期的回波外推中保持相對較好的效果?？傮w來看，3種模型對中等強度回波外推效果均好于強回波，1 h預見期回波外推效果好于2 h預見期。

國內(nèi)外研究主要依靠天氣雷達外推實現(xiàn)1 h預見期降雨預報［5］。與傳統(tǒng)的雷達外推方法相比，深度學習對回波和降水的演變趨勢具有更好的預報效果，更適用于劇烈變化的降雨過程［28］。曹偉華等［29］使用基于U-Net網(wǎng)絡(luò)搭建的RainNet模型開展雷達降雨臨近預報，并與交叉相關(guān)的外推結(jié)果進行對比，指出了深度學習模型對降雨消亡過程的時空演變趨勢和強度變化范圍具有更好的預報效果，而交叉相關(guān)法更適合于穩(wěn)定降雨的預報。本研究預報的4場典型降雨過程，除20211006場次持續(xù)時間短、降雨強度較小外，其余場次降雨過程變化較為劇烈，回波過程變化較為迅速，因此，采用深度學習的方法進行雷達降雨臨近預報更為合適。

3.2 降雨預報精度分析

利用動態(tài)Z—R關(guān)系計算各降雨場次真實回波和外推回波的逐小時降雨，精度和相關(guān)性評價指標見表4。20160719、20210721和20211006場次真實回波的反演降雨與實際降雨有較高的相關(guān)性，但20120726場次真實回波反演降雨與實際降雨的相關(guān)性較弱，但該場次回波外推取得較高的技能評分，其原因可能是2012年Z9311雷達為單偏振雷達，所采集的原始回波數(shù)據(jù)存在一定的數(shù)值和發(fā)生時間的系統(tǒng)誤差，且該場降雨過程變化迅速，導致預報降雨與實際產(chǎn)生誤差。TransAtt-Unet對20160719和20210721場次降雨在1 h預見期內(nèi)具有較小的誤差，Att-Unet在20160719場次降雨的預報中具有最高的相關(guān)性。3種模型對20211006場次降雨預報效果差別并不顯著，其原因是該場降雨強度較小，深度學習模型對此類降雨預報性能較接近。在2 h預見期降雨預報中，U-Net模型的降雨預報效果優(yōu)于其他模型，這與雷達回波外推結(jié)果相對應，表明了U-Net在較長預見期降雨預報中的適用性。

預報降雨過程如圖5所示。3種模型在1 h預見期時，預報的20120726場次降雨峰值與實際較為一致，但出現(xiàn)1 h時差；對20160719和20210721場次降雨過程預報結(jié)果出現(xiàn)部分異常值，這與回波外推過程較大的虛警率有關(guān)，但總體上能反映降雨過程變化和雨強峰值；20211006場次降雨則存在少量低估，但能預報出該場降雨峰值出現(xiàn)的時間，這與動態(tài)Z—R算法對較弱降雨的系統(tǒng)性低估有關(guān)。2 h預見期降雨可以一定程度預報降雨過程的變化，但對各場降雨的峰值存在顯著低估。

目前，小流域降雨臨近預報效果普遍較差。Heuvelink等［16］采用拉格朗日持續(xù)性方法在一個40 km2的流域上對一場強降雨進行預報，產(chǎn)生了50%相對誤差，發(fā)現(xiàn)面積越小的流域?qū)^程變化迅速的降雨越容易產(chǎn)生誤報；石毅［30］采用Farneback光流法和ConvLSTM在柳林實驗流域進行降雨預報，結(jié)果表明光流法對回波演變的敏感性相對較低，ConvLSTM對強回波存在顯著的均化趨勢，導致1 h預見期強降雨存在嚴重的低估。本研究采用的深度學習方法，在1 h預見期內(nèi)對不同類型的降雨均取得相對較好的回波外推效果，且能較準確的預報出強降雨峰值和變化過程，盡管2 h預見期的預報精度相對較差，但能預報出降雨變化過程。預報結(jié)果存在的誤差與定量降雨估計方法的系統(tǒng)誤差和小流域上有限的雷達回波信息相關(guān)。動態(tài)Z—R關(guān)系在定量降雨估計中具有相對較高的精度，但在降雨預報的業(yè)務化應用中仍然具有優(yōu)化的空間，如Mihulet等［31］使用機器學習的方法改善了定量降雨估計的效果。另外，由于流域面積較小，隨著預見期的延長降雨發(fā)生的實際位置也許出現(xiàn)在雷達圖之外，使得深度學習的方法對劇烈變化的降雨產(chǎn)生較大的誤差，Heuvelink等［16］也指出面積越小的流域?qū)涤臧l(fā)生的位置敏感性越高。

3.3 洪水預報精度分析

表5為洪水預報精度評價結(jié)果。3場實測降雨模擬的洪峰流量均小于實測洪峰流量，但E_NS均達到了0.7以上。預報降雨模擬的20120726和20210721場次峰量較小的洪水，E_NS均小于0.3，但20120726場次洪水1 h預見期徑流量相對誤差小于20%，20210721場次洪水的洪峰流量預報效果也好于實測降雨模擬結(jié)果。對于20160719場次峰量較大的洪水，1 h預見期預報的洪水E_NS均能達到0.7以上且預報洪峰流量相對誤差均小于20%，滿足預報的精度要求。2 h預見期洪水預報效果顯著變差，洪峰流量和徑流量的預報也存在較大誤差。1 h預見期時，TransAtt-Unet對于3場洪水的預報洪峰流量和徑流量相對誤差均小于20%，且20160719場次洪水E_NS達0.78；Att-Unet則較準確地預報出20210721場次洪水的洪峰流量，相對誤差僅為-0.9%。由于2 h預見期預報的降水量存在顯著低估，使得預報洪峰流量顯著小于實測值，但U-Net模型對3場洪水預報的E_NS為3個深度學習模型的最優(yōu)值，且預報的20160719場次洪水E_NS達0.52。

預報洪水過程線如圖6所示。3種模型1 h預見期洪水變化過程與實際較為一致，預報的20120726場次洪水峰現(xiàn)時間和洪水漲落時間較實際滯后1 h；20160719場次預報洪水與實測降雨模擬的峰現(xiàn)時間均較實際滯后1 h，預報洪峰與實際較為接近，但徑流量存在一定的高估；對于20210721場次洪水預報，U-Net預報的洪峰流量較實際偏大，Att-Unet預報的峰現(xiàn)時間較實際滯后1 h，TransAtt-Unet的預報結(jié)果與實際更為接近，3種模型均能預報出該場洪水的漲落過程。深度學習的方法對于劇烈變化的降雨引發(fā)的洪水，1 h預見期的預報洪水E_NS較低，但能較好地預報出洪水的變化過程和洪峰流量，對量級較大的洪水能取得較高的E_NS，且能在準確預報洪水變化過程的基礎(chǔ)上，較準確地預報出洪峰流量、徑流量和峰現(xiàn)時間。2 h預見期降雨雖然可以預報出洪峰形成過程，但對洪峰流量和徑流量存在顯著低估。糜佳偉等［32］在梅溪流域（面積約956 km2）進行降雨預報和洪水預報，指出1 h預見期降雨預報結(jié)果能滿足中小流域洪水預報需求。本研究在降雨徑流響應時間更快的柳林實驗流域進行洪水預報，盡管預報洪水E_NS較小，但能在1 h預見期對不同類型降雨引發(fā)的洪水取得較為準確的洪峰流量和徑流量預報效果，預報的20160719場次大洪水的洪峰流量和徑流量相對誤差小于實測降雨模擬洪水結(jié)果，因此，1 h預見期洪水預報效果具有一定的準確性，為流域的防洪減災工作爭取了更長的時間。未來可在更多流域開展雷達降雨臨近預報和洪水預報研究，以驗證本文采用的深度學習方法在其他流域的適用性。

4 結(jié)論

采用深度學習的U-Net、Att-Unet和TransAtt-Unet進行雷達回波外推，通過動態(tài)雷達反射率因子和降雨強度關(guān)系實現(xiàn)雷達降雨臨近預報，將降雨預報的結(jié)果輸入HEC-HMS水文模型對柳林實驗流域典型洪水過程進行預報，得到以下主要結(jié)論：

（1） 1 h預見期時Att-Unet對強回波過程外推效果較好，TransAtt-Unet對變化更豐富的回波過程外推效果較好;2 h預見期時U-Net外推效果更穩(wěn)定。

（2） 深度學習模型在1 h預見期對短時強降雨存在時間上的誤差，對持續(xù)時間較長的降雨存在少量預報異常值，但均能較準確地預報降雨強度和過程;2 h預見期降雨存在顯著低估和較大誤差。

（3） 3種模型的1 h預見期預報的洪水能反映實際變化過程，TransAtt-Unet預報的洪峰流量和徑流量誤差更小，Att-Unet能對部分場次洪水取得較準確的洪峰預報效果。U-Net在2 h預見期洪水預報效果精度最高。

參考文獻：

［1］雍斌，張建云，王國慶.黃河源區(qū)水文預報的關(guān)鍵科學問題［J］.水科學進展，2023，34（2）：159-171.（YONG B，ZHANG J Y，WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River［J］.Advances in Water Science，2023，34（2）：159-171.（in Chinese））

［2］金君良，舒章康，陳敏，等.基于數(shù)值天氣預報產(chǎn)品的氣象水文耦合徑流預報［J］.水科學進展，2019，30（3）：316-325.（JIN J L，SHU Z K，CHEN M，et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products［J］.Advances in Water Science，2019，30（3）：316-325.（in Chinese））

［3］IMHOFF R O，BRAUER C C，van HEERINGEN K J，et al.Large-sample evaluation of radar rainfall nowcasting for flood early warning［J］.Water Resources Research，2022，58（3）：e2021WR031591.

［4］IMHOFF R O，de CRUZ L，DEWETTINCK W，et al.Scale-dependent blending of ensemble rainfall nowcasts and numerical weather prediction in the open-source pysteps library［J］.Quarterly Journal of the Royal Meteorological Society，2023，149（753）：1335-1364.

［5］劉佳，邱慶泰，李傳哲，等.降水臨近預報及其在水文預報中的應用研究進展［J］.水科學進展，2020，31（1）：129-142.（LIU J，QIU Q T，LI C Z，et al.Advances of precipitation nowcasting and its application in hydrological forecasting［J］.Advances in Water Science，2020，31（1）：129-142.（in Chinese））

［6］ZHANG Y C，LONG M S，CHEN K Y，et al.Skilful nowcasting of extreme precipitation with NowcastNet［J］.Nature，2023，619（7970）：526-532.

［7］SOKOL Z，SZTURC J，ORELLANA-ALVEAR J，et al.The role of weather radar in rainfall estimation and its application in meteorological and hydrological modelling：a review［J］.Remote Sensing，2021，13（3）：351.

［8］HAN L，ZHAO Y Y，CHEN H N，et al.Advancing radar nowcasting through deep transfer learning［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-9.

［9］BI K F，XIE L X，ZHANG H H，et al.Accurate medium-range global weather forecasting with 3D neural networks［J］.Nature，2023，619（7970）：533-538.

［10］李步，田富強，李鈺坤，等.融合氣象要素時空特征的深度學習水文模型［J］.水科學進展，2022，33（6）：904-913.（LI B，TIAN F Q，LI Y K，et al.Development of a spatiotemporal deep-learning-based hydrological model［J］.Advances in Water Science，2022，33（6）：904-913.（in Chinese））

［11］RITVANEN J，HARNIST B，ALDANA M，et al.Advection-free convolutional neural network for convective rainfall nowcasting［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2023，16：1654-1667.

［12］AYZEL G，SCHEFFER T，HEISTERMANN M.RainNet v1.0：a convolutional neural network for radar-based precipitation nowcasting［J］.Geoscientific Model Development，2020，13（6）：2631-2644.

［13］HAN L，LIANG H，CHEN H N，et al.Convective precipitation nowcasting using U-net model［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-8.

［14］熊立華，劉成凱，陳石磊，等.遙感降水資料后處理研究綜述［J］.水科學進展，2021，32（4）：627-637.（XIONG L H，LIU C K，CHEN S L，et al.Review of post-processing research for remote-sensing precipitation products［J］.Advances in Water Science，2021，32（4）：627-637.（in Chinese））

［15］劉家宏，梅超，劉宏偉，等.特大城市外洪內(nèi)澇災害鏈聯(lián)防聯(lián)控關(guān)鍵科學技術(shù)問題［J］.水科學進展，2023，34（2）：172-181.（LIU J H，MEI C，LIU H W，et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities［J］.Advances in Water Science，2023，34（2）：172-181.（in Chinese））

［16］HEUVELINK D，BERENGUER M，BRAUER C C，et al.Hydrological application of radar rainfall nowcasting in the Netherlands［J］.Environment International，2020，136：105431.

［17］NGUYEN H M，BAE D H.An approach for improving the capability of a coupled meteorological and hydrological model for rainfall and flood forecasts［J］.Journal of Hydrology，2019，577：124014.

［18］包紅軍，曹勇，曹爽，等.基于短時臨近降水集合預報的中小河流洪水預報研究［J］.河海大學學報（自然科學版），2021，49（3）：197-203.（BAO H J，CAO Y，CAO S，et al.Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts［J］.Journal of Hohai University （Natural Sciences），2021，49（3）：197-203.（in Chinese））

［19］GAO Y B，GUAN J P，ZHANG F H，et al.Attention-unet-based near-real-time precipitation estimation from Fengyun-4A satellite imageries［J］.Remote Sensing，2022，14（12）：2925.

［20］FANG J，YANG C，SHI Y T，et al.External attention based TransUNet and label expansion strategy for crack detection［J］.IEEE Transactions on Intelligent Transportation Systems，2022，23（10）：19054-19063.

［21］TREBING K，STACZYK T，MEHRKANOON S.SmaAt-UNet：precipitation nowcasting using a small attention-UNet architecture［J］.Pattern Recognition Letters，2021，145：178-186.

［22］ZOU H B，WU S S，TIAN M X.Radar quantitative precipitation estimation based on the gated recurrent unit neural network and echo-top data［J］.Advances in Atmospheric Sciences，2023，40（6）：1043-1057.

［23］GOU Y B，CHEN H N，CHANDRASEKAR V.A dynamic approach to quantitative precipitation estimation using multiradar multigauge network［J］.IEEE Transactions on Geoscience and Remote Sensing，2020，58（9）：6376-6390.

［24］殷志遠，楊芳，王斌，等.基于雷達估算降雨的湖北漳河流域徑流模擬研究［J］.自然災害學報，2020，29（1）：143-151.（YIN Z Y，YANG F，WANG B，et al.Research on runoff simulation of Zhanghe basin based on radar estimation precipitation［J］.Journal of Natural Disasters，2020，29（1）：143-151.（in Chinese））

［25］李建柱，李磊菁，張婷，等.DEM數(shù)據(jù)源及分辨率對流域洪水模擬影響研究［J］.水力發(fā)電學報，2023，42（3）：26-40.（LI J Z，LI L J，ZHANG T，et al.Effect of DEM data sources and resolutions on watershed flood simulations［J］.Journal of Hydroelectric Engineering，2023，42（3）：26-40.（in Chinese））

［26］KO J，LEE K，HWANG H，et al.Effective training strategies for deep-learning-based precipitation nowcasting and estimation［J］.Computers & Geosciences，2022，161：105072.

［27］LAGERQUIST R，STEWART J Q，EBERT-UPHOFF I，et al.Using deep learning to nowcast the spatial coverage of convection from himawari-8 satellite data［J］.Monthly Weather Review，2021，149（12）：3897-3921.

［28］SUN F L，LI B，MIN M，et al.Toward a deep-learning-network-based convective weather initiation algorithm from the joint observations of Fengyun-4A geostationary satellite and radar for 0—1 h nowcasting［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2023，16：3455-3468.

［29］曹偉華，南剛強，陳明軒，等.基于深度學習的京津冀地區(qū)精細尺度降水臨近預報研究［J］.氣象學報，2022，80（4）：546-564.（CAO W H，NAN G Q，CHEN M X，et al.A study on fine scale precipitation nowcasting in Beijing-Tianjin-Hebei region based on deep learning［J］.Acta Meteorologica Sinica，2022，80（4）：546-564.（in Chinese））

［30］石毅.基于雷達短時降雨臨近預報小流域洪水預報研究［D］.天津：天津大學，2023.（SHI Y.Flood forecasting based on radar precipitation nowcasting in a small watershed in North China［D］.Tianjin：Tianjin University，2023.（in Chinese））

［31］MIHULE瘙塃 E，BURCEA S，MIHAI A，et al.Enhancing the performance of quantitative precipitation estimation using ensemble of machine learning models applied on weather radar data［J］.Atmosphere，2023，14（1）：182.

［32］糜佳偉，田濟揚，楚志剛，等.耦合天氣雷達定量降水估計與定量降水預報的中小流域洪水預報研究［J］.華北水利水電大學學報（自然科學版），2022，43（3）：11-18.（MI J W，TIAN J Y，CHU Z G，et al.Study on flood forecasting of small and media size basins by coupling weather radar quantitative precipitation estimate and quantitative precipitation forecast［J］.Journal of North China University of Water Resources and Electric Power （Natural Science Edition），2022，43（3）：11-18.（in Chinese））

Radar rainfall nowcasting and flood forecasting based on deep learning

The study is financially supported by the National Natural Science Foundation of China （No.52279022）.

LI Jianzhu，LI Leijing，F(xiàn)ENG Ping，TANG Ruoyi

（State Key Laboratory of Hydraulic Engineering Simulation and Safety，Tianjin University，Tianjin 300350，China）

Abstract：To explore the applicability of deep learning methods to radar rainfall nowcasting and flood forecasting，U-Net，Attention-Unet and TransAtt-Unet are used to carry out rainfall nowcasting.The nowcasted rainfall results are used as inputs to the HEC-HMS hydrological model for flood forecasting.The results show that with a 1-hour lead time，Attention-Unet has the best performance in nowcasting heavy rainfall with a short duration，and the relative errors in the simulated flood peak and runoff volume by the nowcasted rainfall of TransAtt-Unet are less than 20%.Each deep learning model has a good forecasting accuracy for rainfall and flood events with large magnitudes.The rainfall intensity，rainfall totals，flood peaks and runoff volumes are significantly underestimated with a 2-hour lead time，with U-Net achieving relatively good rainfall nowcasting.The 1-hour lead time radar rainfall nowcasting and flood forecasting based on deep learning can provide a scientific reference for watershed flood prevention and mitigation.

Key words：radar rainfall nowcasting;quantitative rainfall estimation;deep learning;flood forecasting;Liulin experimental watershed