循環(huán)神經網絡在雷達臨近預報中的應用

韓 豐 龍明盛 李月安 薛 峰 王建民

1)(國家氣象中心， 北京 100081)2)(清華大學軟件學院， 北京 100084)

引 言

雷達外推臨近預報是氣象臨近預報業(yè)務中的重要手段[1-2]。目前，已經投入業(yè)務應用的此類方法主要有交叉相關(COTREC)法[3]和光流法[4-6]等。交叉相關法和光流法主要是在假設雷達反射率因子的運動滿足拉格朗日守恒的基礎上，通過分析前后兩個時次的反射率因子分布，求解得到反射率因子的運動矢量，并將反射率因子按照該運動矢量的規(guī)律進行1～3 h外推?；诶窭嗜帐睾愕耐馔品椒ㄔ诜€(wěn)定性降水預報中可以取得較好效果[7]，但在局地強對流天氣中，回波發(fā)展演變較快，無法滿足守恒條件，預報效果會隨時間快速下降[8-9]。

深度學習的概念起源于人工神經網絡，含有多層神經元，具有優(yōu)異的特征學習能力，與傳統(tǒng)的人工神經網絡相比，可以通過組合低層特征形成更加抽象的高層特征表示屬性或特征，以更好地發(fā)現數據的有效特征表示[10-11]。目前，人工智能技術在氣象領域已取得一定應用成果。陸虹等[12]使用粒子群-神經網絡構建非線性統(tǒng)計集合模型，顯著提高嚴重低溫雨雪過程的預報能力。盧新玉等[13]使用后向傳播神經網絡建立TRMM月降水產品在新疆地區(qū)的訂正模型，取得較好的訂正效果。

連續(xù)的雷達觀測是一種時序數據。外推時要達到較好效果，需要充分考慮雷達反射率因子相鄰時次的時序相關性，這在深度學習網絡中正符合LSTM-RNN(long short-term memory-recurrent neural network，具有長短時記憶單元的循環(huán)神經網絡)的基本特點。LSTM-RNN網絡已在語音識別、自然語言翻譯和手寫識別等領域取得很好的應用效果[14]。

目前將LSTM-RNN應用于雷達外推預報的研究還處于起步階段，Shi等[15]提出使用帶有卷積層的LSTM單元(ConvLSTM)組成RNN，并將其應用到雷達外推預報中。通過與中國香港天文臺研發(fā)的小渦旋系統(tǒng)(Short-range Warning of Intense Rain- storms in Localized System，SWIRLS)[16]中的光流外推算法(Real-time Optical flow by Variational method for Echoes of Radar，ROVER)的對比分析發(fā)現，對0.5 mm·h-1以上的降水,該方法預報準確率有明顯提升,取得了不錯的應用效果。

本文提出使用帶有ST-LSTM(spatiotemporal LSTM)[17]單元組成的預測循環(huán)神經網絡(PredRNN，簡稱預測網絡)作為神經網絡架構，選取北京大興雷達和廣州雷達作為試驗對象，通過對長時序歷史數據的建模，分別得到兩個雷達站點組合反射率因子的演變模型，并基于該演變模型進行組合反射率因子的預報試驗。最后將該方法和SWAN(Severe Weather Automatic Nowcasting,強對流天氣短時臨近預報)系統(tǒng)中的交叉相關法進行對比檢驗，給出長時間序列的獨立檢驗結果和兩個強對流天氣個例檢驗。

1 方 法

1.1 預測循環(huán)神經網絡架構

雷達臨近預報本質上是一個時序數據的預測問題，神經網絡需要根據不同時次雷達反射率因子的分布規(guī)律，預測未來一段時間內反射率因子的位置。其中的關鍵點是使不同時次的神經網絡能夠獲得部分前序神經網絡的記憶，這是一個典型的循環(huán)神經網絡(RNN)解決的問題。

目前，最成功的RNN架構是LSTM-RNN,由首先Hochreiter等[18]提出。相比常規(guī)的RNN單元，LSTM單元增加了3個控制門(遺忘門、輸入門、輸出門)，可以有效解決學習過程中的梯度膨脹或梯度消失問題，使神經網絡學習到長期的依賴關系。該模型在語音識別、自然語言翻譯和手寫識別等場景中均取得了很好的應用效果[19-20]。

全場的雷達反射率因子臨近預報，以格點作為最小預報單位，逐格點進行預測。在實際天氣過程中，雷達反射率因子是在天氣系統(tǒng)驅動下發(fā)展變化的，所以在進行預測時，不僅需要考慮該格點的反射率因子時間變化規(guī)律，還需要考慮該格點周圍的天氣形勢，在雷達觀測中表現為格點周圍的反射率因子特征。這使得在構造RNN時，不僅需要考慮時間信息的記憶，還要考慮空間信息的記憶。

本文提出使用由ST-LSTM單元組成的預測網絡進行雷達組合反射率因子臨近預報試驗。預測網絡采用多層RNN架構，在時間記憶模塊循環(huán)的基礎上，增加了空間記憶模塊的傳播路線，強化了空間信息在不同層次和不同時間的神經元中的傳播。在雷達臨近預報中，該架構更有利于讓模型學習不同尺度雷達反射率因子特征以及它們在時間線上的發(fā)展演變規(guī)律。

1.2 ST-LSTM單元

ST-LSTM單元是LSTM單元的一種擴展。在ST-LSTM單元中包含兩種記憶模塊，即時間記憶模塊和空間記憶模塊。其中，時間記憶模塊是前n時刻同一層神經元的記憶累計，空間記憶模塊是前n時刻不同層神經元的記憶累計。與LSTM類似，兩個記憶模塊分別有各自的3個控制門:遺忘門控制模塊中需要被遺忘的記憶內容，輸入門決定當前時刻的輸入需要被模塊記住的內容，輸出門決定隱層輸出內容。最后將兩個記憶模塊的內容融合成單元的隱層輸出。

在雷達回波臨近預報中，ST-LSTM單元和傳統(tǒng)LSTM單元相比的優(yōu)勢主要體現在兩點：①將狀態(tài)累計和隱層輸出的運算過程由前饋式計算替換為卷積形式。其核心本質與LSTM一致，將上一層的輸出作為下一層的輸入。不同之處在于加入卷積操作后，神經元不僅能夠得到時序關系，還可以提取空間特征。②增加空間記憶模塊，有助于不同維度的空間特征信息在RNN中傳播。

2 數 據

2.1 數據集

為了測試算法地域適用性，本文選擇北京大興SA波段雷達(39.809°N，116.472°E)和廣州SA波段雷達(23.004°N，113.355°E)作為試驗對象，分別構造學習數據集和獨立檢驗數據集。兩部雷達皆為多普勒天氣雷達，采用VCP21觀測方式，徑向分辨率為1 km。數據集信息如表1所示。

表1 數據集信息Table 1 Information of dataset

2.2 雷達資料預處理

本文使用雷達組合反射率因子進行臨近預報試驗。雷達觀測受大氣環(huán)境和硬件性能等影響，觀測結果中可能包含非氣象目標物產生的噪聲、大氣湍流造成的回波脈動、干擾回波等，對預報結果影響較大。所以需要對雷達資料進行預處理，減小雜波的影響。預處理的主要內容如下：①構造奇異點濾波器和雙邊濾波器在值域和空間域進行濾波，在保留回波特性的前提下，可以有效消除脈動和雜波[21]；②構造反射率因子垂直遞減率濾波器，過濾地物回波和部分超折射回波[22]；③計算年平均反射率因子分布，確定遮擋方位角，并進行線性內插填補；④構造高通濾波器去除15 dBZ以下的反射率因子，只保留與降水相關的反射率因子；⑤為了避免零度層亮帶的干擾，在合成組合反射率因子產品時，只使用仰角為0.5°,1.5°,2.5°,3.4°和4.3°的反射率因子[23-24]。

圖1給出的是組合反射率因子預處理結果。其中，圖1a為原始組合反射率因子，圖1b為預處理后的組合反射率因子，圖中紅圈處的雜波已得到有效抑制，雷達站西南方向的衰減徑向也得到有效填補。同時，回波形態(tài)基本得到完整保留。

圖1 雷達資料預處理(a)原始組合反射率因子,(b)預處理后的組合反射率因子Fig.1 Result of radar data pre-processing(a)original composite reflectivity,(b)composite reflectivity after processing

以預測網絡為架構，開展循環(huán)神經網絡在雷達臨近預報中的應用研究。使用訓練集數據，分別對廣州和北京大興雷達進行建模。其中一組試驗輸入包括10個連續(xù)時次的雷達觀測，預測網絡會給出未來10個連續(xù)時次的回波預測。采用監(jiān)督學習的方式進行，試驗的真值為后續(xù)10個時次的雷達觀測。模型代價函數為全場逐格點的均方根誤差。

3 檢 驗

3.1 檢驗方法

本文設計了預測網絡法和交叉相關法的對比試驗，其中交叉相關法為在SWAN2.0中集成推廣的算法[25]。選用命中率(POD)、虛警率(FAR)和臨界成功指數(CSI)對預報結果進行量化評估，并以交叉相關法為基準，給出預測網絡法的技巧評分(E)，E為預測網絡法和交叉相關法的CSI之差。

在計算命中數、空報數和漏報數時，采用逐格點的計算方式，即選用同一個格點的預報值和觀測值進行對比。在處理作為真值的觀測數據時，使用和預報試驗同樣的數據預處理方法。

預報產品分辨率為0.01°×0.01°，預報時間步長為6 min，預報時效最長為60 min，即預報給出6 min，12 min，18 min，24 min，30 min，36 min，42 min，48 min，54 min和60 min之后的組合反射率因子的強度和位置。采用分預報時效和分閾值的檢驗方法，預報時效共10個，閾值分別為20 dBZ，30 dBZ和50 dBZ，檢驗組合反射率因子不小于閾值的格點，共30組檢驗結果。

3.2 長期檢驗結果

使用第2章介紹的獨立檢驗集，對北京大興和廣州兩個雷達站分別進行長時間序列獨立檢驗。表2、表3分別給出北京大興雷達和廣州雷達30 min和60 min預報時效的3個反射率因子閾值檢驗結果。由表2、表3可知，預測網絡法在兩部雷達的試驗中，在3個檢驗閾值CSI均高于交叉相關法；預測網絡法在兩部雷達的試驗中，在3個檢驗閾值，POD均高于交叉相關法，FAR均低于交叉相關法；預測網絡法和交叉相關法的預報能力隨預報時間的延長而下降，具體表現為CSI和POD隨時間下降，FAR隨時間上升；預測網絡法和交叉相關法預報能力隨組合反射率因子上升而下降，對強度超過50 dBZ 的區(qū)域，預報能力都顯得不足。

圖2分別給出兩個站技巧評分隨預報時效的變化規(guī)律，技巧評分大于0，表示預測網絡法的預報能力超過交叉相關法。由圖2可知,預測網絡法在兩部雷達的試驗中，在全部檢驗項目內，CSI均超過交叉相關法；在20 dBZ和30 dBZ檢驗項目內，技巧評分隨預報時效的增長而上升，這說明在這兩個反射率因子區(qū)間內，預測網絡法的預報能力隨預報時效的延長下降更慢；在50 dBZ檢驗項目內，技巧評分相對最低，但考慮到這一區(qū)間內的兩種方法的CSI評分均較低，0.05的技巧也帶來明顯提升。

表2 北京大興雷達檢驗集對比檢驗Table 2 Quantitative result of Daxing radar in Beijing

表3 廣州雷達檢驗集對比檢驗Table 3 Quantitative result of Guangzhou radar

3.3 個例檢驗

3.3.1 颮線天氣過程

2017年7月7日京津冀地區(qū)受東移南下的颮線影響，部分地區(qū)出現雷陣雨天氣，并伴有雷暴大風、冰雹等災害性天氣，地面自動氣象站觀測瞬時風力達9級。圖3a給出了7日22：54(北京時，下同)的組合反射率因子實況產品。圖3b為預測網絡法21：54起報的60 min臨近預報。對比圖3a和圖3b可以看到，預測網絡法60 min預報的組合反射率因子位置和分布與實況基本一致，正確預報出位于北京西部和天津東北部的兩條強回波帶。其中天津東北方向的強回波帶中，兩個強中心團得到分離，與實況基本一致。在強度變化方面，北京西部的強回波帶范圍有所擴大，強度略加強，說明模型學習到了組合反射率因子發(fā)展的規(guī)律，強度加強判斷正確；但在河北西部偏南地區(qū)次強回波中心的預報中，預測網絡法給出強度減弱的錯誤判斷。這說明預測網絡法可以根據不同的組合反射率因子特征，給出不同的強度變化預測。對比圖3a和圖3c可以看到，交叉相關法對于快速運動的颮線天氣過程，出現外推結果明顯失真問題。

圖2 技巧評分Fig.2 Difference between CSI of two methods

圖3 2017年7月7日颮線過程實況和預報對比(a)22：54北京大興雷達組合反射率因子實況，(b)預測網絡法21：54起報的60 min預報產品，(c)交叉相關法21：54起報的60 min預報產品Fig.3 Comparison between observation and forecast on 7 Jul 2017 (a)observation of composite reflectivity of Daxing radar in Beijing at 2254 BT,(b)60 min forecast at 2154 BT using PredRNN,(c)60 min forecast at 2154 BT using COTREC

表4給出了兩種方法的客觀檢驗結果。由表4可知，與長時間序列檢驗結果類似，預測網絡法和交叉相關法相比，前者CSI高，POD高，FAR低，說明預測網絡法在此次颮線天氣過程中預報能力更強。

表4 2017年7月7日北京大興雷達檢驗結果Table 4 Quantitative result of Daxing radar in Beijing on 7 Jul 2017

3.3.2 短時強降水天氣過程

2017年8月22日廣東受臺風天鴿(1713)外圍云系影響[26]，出現短時強降水天氣過程，部分地區(qū)降水超過20 mm·h-1。圖4a為22日21：30的廣州雷達的組合反射率因子實況產品，圖4b為預測網絡法20：30起報的60 min臨近預報，圖4c為交叉相關法20：30起報的60 min臨近預報。此次過程雷達強回波團在臺風外圍環(huán)流形勢的影響下，向西南方向移動。對比圖4a和圖4b可以看到，預測網絡法60 min預報的廣東省內組合反射率因子形態(tài)完整，位置和實況基本一致，回波強度也與實況比較接近。其中，強回波中心分裂成兩個相對獨立的中心，與實況基本相符。在強度變化方面，廣東省內的強回波范圍略擴大，強度略加強和實況基本一致。但對于海上的回波，預測網絡法給出了強度減弱的錯誤判斷。對比圖4a和圖4c可以看到，根據交叉相關法預報結果，強回波中心已向西到達112°E附近，明顯過快估計組合反射率因子的移動速度。

圖4 2017年8月22日個例實況和預報對比(a)21：30廣州雷達組合反射率因子，(b)預測網絡法20：30起報的60 min預報產品，(c)交叉相關法20：30起報的60 min預報產品Fig.4 Comparison between observation and forecast on 22 Aug 2017 (a)observation of composite reflectivity at 2130 BT,(b)60 min forecast at 2030 BT using PredRNN, (c)60 min forecast at 2030 BT using COTREC

續(xù)圖4

表5給出了兩種方案的客觀檢驗結果。同3.3.1 節(jié)客觀檢驗結果相似，對比檢驗兩種方法發(fā)現，預測網絡法在全部檢驗項目中表現更佳，CSI高，POD高且FAR低。

表5 2017年8月22日廣州雷達檢驗結果Table 5 Quantitative result of Guangzhou radar on 22 Aug 2017

4 小 結

本文詳細介紹了預測網絡模型，并以該模型為基礎，進行雷達臨近預報試驗，并與交叉相關法進行對比，得到以下主要結論：

1) 預測網絡模型是傳統(tǒng)LSTM-RNN的改進版。通過加入卷積計算和空間記憶模塊，預測網絡模型具有較好的空間特征提取能力，是一種適合雷達臨近預報應用的RNN網絡架構。

2) 對比試驗表明：相比于交叉相關法，預測網絡法在0～60 min的雷達臨近預報中，對于20 dBZ和30 dBZ檢驗項目，CSI評分可以提升0.15～0.30，POD提高0.15～0.25，FAR降低0.15～0.20。

3) 個例檢驗表明，預測網絡法對于組合反射率因子變化有一定的預報能力。

同時，預測網絡法做為一種非線性統(tǒng)計模型，還存在以下局限性：①該模型建立在大量歷史數據的擬合上，對歷史數據的數量有一定要求。而冰雹、短時強降水、龍卷等強對流天氣的歷史個例不多。故該方法對于強對流天氣的預報能力還需要進一步提高。②該方法的預報能力隨預報時間的延長迅速下降，60 min的預報準確率下降明顯，尤其是對于強回波中心的預報準確率不高。

今后需要對預測網絡模型進行進一步優(yōu)化?？紤]在模型的輸入中增加數值預報環(huán)境場，使模型對天氣形勢的認識更加豐富，提高模型在回波強度演變特征方面的預測精度。另外，考慮更新RNN的成本函數，使用與反射率因子強度成正比的帶權重的代價函數，通過提高強回波在擬合過程中的權重，提高模型對于強回波區(qū)的預報能力。