黄兴友, 张永轩, 李芳, 等. 2024. 利用雷达数据开展对流降水临近预报的循环神经网络方法试验 [J]. 大气科学, 48(6). HUANG Xingyou, ZHANG Yongxuan, LI Fang, et al. 2024. Experimental Study of Convective Precipitation Nowcasting Based on a Recurrent Neural Network Method and Weather Radar Data [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 48(6). doi:10.3878/j.issn.1006-9895.2405.24009
摘要
中尺度对流降水预报是天气预报的重点和难点之一，天气雷达探测的高时空分辨率降水数据是开展0～2 h临近预报的主要依据。由于传统雷达回波外推方法缺乏非线性映射能力和本地环境参量变化对系统的影响等局限性，所以本研究引入带记忆解耦功能的循环神经网络方法，采用ST-LSTM单元组成的PredRNN-v2深度学习技术，对局地性对流天气系统进行临近预报。利用2010～2014年的广州雷达体扫回波强度资料，构造模型训练数据集和测试数据集。选择Huber损失函数进行训练，不但收敛速度快、而且鲁棒性更强。一般认为，强回波对系统演变的影响更大。因此，本研究为强回波分配较大权重，增强其在拟合过程中的影响程度。对采用等权重损失函数的PredRNN-v2模型和采用不同权重Huber损失函数的PredRNN-v2模型进行测试集检验以及对流降水个例分析，结果表明，测试集中后者在较长的外推时效下，对强回波预测的临界成功指数、命中率更高，虚警率更低。两次个例分析表明，在较长的外推时效下，后者峰值信噪比PSNR和图像结构相似性SSIM更高；在2 h内的任意外推时效下，强回波偏差评分始终更接近于1。因此，在长预报时效以及对强回波预测效果上，采用带权重的Huber损失函数的PredRNN-v2模型更优，可以更好地模拟对流回波演变的非线性过程，并产生更合理、更准确地降水位置预报。
欢迎关注《大气科学》微信公众号
