曾康, 闵锦忠, 庄潇然, 等. 2023. 基于生成对抗网络的强对流临近预报方法及其在中国东部地区的应用评估[J]. 大气科学, 48(6): 1−13. ZENG Kang, MIN Jinzhong, ZHUANG Xiaoran, et al. 2023. Severe Convection Nowcasting Based on a Generative Adversarial Network and Its Application Evaluation in Eastern China [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 48(6): 1−13. DOI: 10.3878/j.issn.1006-9895.2310.23094
为了缓解深度学习雷达回波外推预报中普遍存在的模糊问题，发展了一种有机融合PhyDNet方法和频域匹配生成对抗网络的雷达回波外推预报方法（PhyDNetSGAN），能够预测江苏及其上游地区未来3h的雷达组合反射率因子，通过对比PhyDNetSGAN、PhyDNet（未使用生成对抗网络）、PhyDNetGAN和Sprog（改进的光流法）验证了新方法在强对流天气临近预报中的适用性。结果表明：（1）与光流法Sprog相比，深度学习方法能更好地体现强回波的非线性发展演变过程。（2）增加生成对抗网络的PhyDNetGAN和PhyDNetSGAN较其他两组试验能够得到更精细且符合预报员主观认知的雷达回波外推结果，缓解模糊问题。（3）新提出的PhyDNetSGAN不仅能够改善预报精细度，还能更好地捕获强回波的形态、位置和中心强度，从而获得更优的预报技巧，延长有效预报时长。（4）新提出的综合TS评分、Bias评分和FID评分的综合评分指标较TS评分能够更好地反应与预报员主观体验相一致的临近预报检验效果。
PhyDNet方法：由Guen and Thome（2020）提出的一种具有物理约束功能的深度学习网络，其物理约束体现在PhyDNet体现了特定运动方程描述的自然界物理运动规律与深度学习结合的思想。PhyDNet具有物理单元PhyCell和基础时空卷积单元ConvLSTM双分支架构，可通过残差网络设计将能够通过偏微分方程描述的物理动力学项和非物理因子项（如，图像的纹理、新生细节等非线性扰动项）分开，在雷达回波临近预报任务中，前者可用于体现对流系统的系统性移动变化，后者用于描述系统的局地变化，PhyDNet的具体介绍可见于Guen and Thome（2020）、庄潇然等（2023）。
基于频域匹配生成对抗网络（SGAN）方法：首先在传统的GAN中，鉴别器用于在平面空间上对二维预测场进行鉴别，而生成器则试图让鉴别器认定其输出内容为真值，在二者不断“博弈”的过程中，最终的输出结果得以逐渐趋于真实，但研究表明该方法依旧缺乏对其中高频（小尺度）信息的鉴别能力（Chen et al., 2021）。本文提出一种有机考虑雷达回波多尺度信息的频域匹配GAN技术（Spectrum GAN，简称SGAN），将由生成器得到的回波预测场和真值场进行尺度分解，分解后的低频域场对应较低强度、大尺度回波，高频域场则对应高强度、小尺度回波，进而通过鉴别器进行综合判别。
欢迎关注《大气科学》微信公众号
