当前大多人工智能模型依赖单一通道降水图像序列，仅基于孤立要素预报未来降水图像序列。环境卫星可以提供全球覆盖的多通道数据，但这些通道之间存在信息重叠和自相关，使信息特征提取过程变得复杂，降低了预报的有效性。因此，有效地利用和了解多种环境要素对预报结果的影响，同时保持模型轻量化，是一个重大挑战。为了满足对更为紧迫、快速和准确的危险气象事件预报（如降水临近预报）的需求，本文提出了通过人工智能技术进行短期（0-2小时）预报的轻量级临近降水预报模型。
导 读
目前大多AI模型依赖于单通道图像序列，仅采用孤立要素预报未来降水图像序列。然而，通道间存在的信息重叠和自相关使特征提取过程复杂化，降低了预报的准确性。那么，如何有效地利用多种环境要素并了解它们对预报结果的影响？为此，本文提出了一种基于前端处理器的轻量级多因子人工智能临近降水预报模型。
图1 图文摘要
本文提出了一种基于前端处理器（FEP）的轻量级多因子人工智能临近降水预报模型。FEP可以自适应地采用不同环境要素的因子，并通过多因子分析实现轻量级人工智能降水预报。FEP由多个卷积层组成，类似于多个接口用来提取不同的特征通道并接收不同空间分辨率的图像。它可将多种环要素素纳入图像序列中，包括地表温度、植被覆盖、降水和气溶胶浓度等。然后，将这些序列整理成多个组合，并输入到解纠缠特征提取器（DFE）中，完成多个降水因子的特征学习，并将其集成到组合特征图中。然后，将组合特征图输入单因子基线预报模块中。该模块包括卷积层和下采样层等组件，用以提取时间和空间的多通道信息特征。最后，将其输入到空间聚合模块，以生成后续N时间步长的预报降水图像。
如何寻找贡献最大的因子? 本文按照以下步骤进行：1）对于降水预报任务，首先训练一个雷达到雷达的基线预报模型（即预训练的后端），同时以每个指标的准确性作为基准；2）建立不同环境要素因子与雷达降水观测图像的二值组；3）固定预训练后端网络参数，训练前端处理器(FEP)网络参数。在FEP收敛后，记录每个度量的准确率；4）使用不同的元组重复训练，并计算不同元组组合下不同度量的精度增量；5）通过增量比较确定不同环境要素的贡献。
分析包括六组实验: 1）使用VIL进行单要素分析；2-5）将VIL分别与Ir_069、Ir_107、Lght和VIS进行双要素分析；6) 将Ir_069、Ir_107和VIL进行三要素分析。使用4个指标来评估预报精度: 均方误差(MSE)、峰值信噪比(PSNR)、结构相似度(SSIM)和学习感知图像块相似度(LPIPS)。结果表明，Ir_069和Ir_107与VIL的结合，能够提高PSNR、MSE和SSIM在所有时间步上的降水预报精度，平均提高幅度分别达到2.7%、4.8%和5.3%。随着预报时间步长的增加，多个环境因子对LPIPS的贡献也逐渐增加。这些结果显示多要素预报的益处随时间的推移越来越明显，表明了所开发的FEP在降水预报方面的通用性、准确性和鲁棒性。
在处理多种环境要素时，FEP仍然有效。相应的策略如下：1）FEP提供接口以适应各种环境要素，同时接收各种环境要素的组合；2）在训练过程中，可以设置两个标志位（Flag）；Flag1用于控制训练的开始和结束。例如，当达到一个设置良好的训练迭代次数（Epoch）时，或精度没有显著提高时，对当前二进制组的训练进行终止，并开始对新二进制组的训练。Flag2用于确定新引入的环境因子是否参与训练，以及选择哪个元组进行训练。只有当Flag1和Flag2都为真值时，FEP才会开始训练；3）标志位控制具有适应性，可以在配置文件中进行自定义的配置。
理论上，所开发的FEP设计可应用于任何图像到图像的预报，动态适应多个输入要素，打破了传统人工智能模型只能分析单一要素的限制。基于FEP的短期预报模型大大简化了物理过程，发挥了多通道数据和轻量级人工智能模型的效能。实验分析证实了多要素输入在提高预报精度和揭示环境要素之间复杂关系方面的有效性。随着更先进的轻量级人工智能模型和多通道数据的注入，研究成果将进一步提升天气预报的准确性和可靠性，对危险气象事件预报具有重要的意义。
总结与展望
所开发的FEP设计理论上可应用于任何图像到图像的预报，打破了传统人工智能模型只能分析单一要素的限制。基于FEP的短期预报模型大大简化了物理过程，发挥了多通道数据和轻量级人工智能模型的效能。FEP为短期预报带来了重要的技术创新，为需要立即响应的应用场景提供了有效的解决方案。通过综合各种环境要素，分析多通道数据的应用价值，可以实现准确的短期预报。随着FEP的不断发展和改进，人工智能模型将继续在危险气象事件预报中发挥革命性的作用。
责任编辑
郑棉海 中国科学院华南植物园
朱 瑞 新加坡科技研究局高性能计算研究院
扫二维码｜查看原文
原文链接：https://www.the-innovation.org/article/doi/10.59717/j.xinn-geo.2024.100066
本文内容来自The Innovation姊妹刊The Innovation Geoscience第2卷第2期以Letter发表的“Lightweight AI-powered precipitation nowcasting” (投稿: 2023-09-19；接收: 2024-04-11；在线刊出: 2024-04-18)。
DOI: https://doi.org/10.59717/j.xinn-geo.2024.100066
引用格式：Yang N. and Li X. (2024). Lightweight AI-powered precipitation nowcasting. The Innovation Geoscience 2(2), 100066.
作者简介
李晓峰，中国科学院海洋研究所研究员， IEEE Fellow, Fellow of The Electromagnetics Academy, Fellow of the Asia-Pacific Artificial Intelligence Association。李晓峰曾在美国国家海洋和大气管理局(NOAA)就职 20 余年。早年从事红外遥感及卫星地面站业务化运行工作，长期致力于研究 SAR 海洋和海气边界层问题。获得NOAA“个人科学奖”、“年度杰出科研人员奖”等。近年来主要从事人工智能海洋学、海洋大数据等方面研究，系统提出人工智能海洋学研究方向，开展大数据驱动的海洋科学前沿研究，切实推动海洋学、信息科学等多学科融合发展。现任IEEE TGRS、International Journal of Remote Sensing、《海洋与湖沼》副主编，也是中国科学院同 Science 合办的新刊 Journal Remote Sensing 的执行主编以及 International Journal of Digital Earth，Big Earth Data 等刊物编委。
https://www.researchgate.net/profile/Xiaofeng-Li-16
