基于分層生成對(duì)抗網(wǎng)絡(luò)的短臨降水預(yù)報(bào)方法研究*

曾強(qiáng)勝, 郭敬天, 任 鵬, 黃文華, 王 寧

(1. 國(guó)家海洋局北海預(yù)報(bào)中心, 山東 青島 266061; 2. 中國(guó)石油大學(xué)(華東)海洋與空間信息學(xué)院, 山東 青島 266555)

短臨降水預(yù)報(bào)在氣象防災(zāi)減災(zāi)中發(fā)揮重要的作用,根據(jù)世界氣象組織(World metecorological organization,WMO)的定義,短臨預(yù)報(bào)一般是指在0～2 h的時(shí)間內(nèi)對(duì)某一區(qū)域內(nèi)的降雨量或強(qiáng)對(duì)流天氣等天氣現(xiàn)象進(jìn)行預(yù)測(cè)[1]。然而,建立一個(gè)有效的短臨降水預(yù)報(bào)模型面臨巨大的挑戰(zhàn)。首先,降水本身是一個(gè)非常復(fù)雜的非線性問題,涉及水循環(huán)過程中地面與空中水分、熱量、動(dòng)量等交換問題;其次短臨降水多發(fā)生于中小尺度天氣系統(tǒng),其具有一定的突發(fā)性,同時(shí)短臨降水自身也具有速度快、空間小的特點(diǎn),因此對(duì)其預(yù)報(bào)具有一定的難度[2]。雷達(dá)回波圖具有較高的時(shí)空分辨率,近年來隨著雷達(dá)探測(cè)技術(shù)的快速發(fā)展,出現(xiàn)了大量的雷達(dá)回波圖序列,以可視化的方式反映了雷達(dá)回波演變過程的時(shí)空變化,成為短臨降水預(yù)報(bào)的主要工具。傳統(tǒng)的雷達(dá)回波推演的方法主要有單體質(zhì)心法(SCIT)、雷達(dá)回波關(guān)聯(lián)算法(TREC)[3]和光流法[4]。其中,SCIT法通過計(jì)算單體質(zhì)心位置、體積等特征,以連續(xù)多時(shí)刻的追蹤結(jié)果外推進(jìn)行預(yù)警。SCIT法適用于對(duì)強(qiáng)雷暴單體的識(shí)別追蹤和短臨預(yù)報(bào)[5],然而SCIT法對(duì)弱回波信息不敏感,致使外推結(jié)果往往缺失弱回波信息。TREC法通過最優(yōu)化雷達(dá)回波序列的空間相關(guān)性,獲取對(duì)流系統(tǒng)不同位置的移動(dòng)矢量,用以對(duì)雷達(dá)回波進(jìn)行外推預(yù)報(bào)[6],該方法對(duì)強(qiáng)雷達(dá)回波的識(shí)別效果良好,但對(duì)于目標(biāo)是多個(gè)單體且彼此距離較近時(shí),其識(shí)別和追蹤的效果較差[7]。光流法通過計(jì)算雷達(dá)回波圖的光流場(chǎng)獲取連續(xù)時(shí)刻雷達(dá)回波場(chǎng)位移矢量,對(duì)雷達(dá)回波進(jìn)行外推。然而光流法對(duì)歷史雷達(dá)資料利用率不充分,無法準(zhǔn)確挖掘雷達(dá)回波演變的內(nèi)在規(guī)律。

針對(duì)上述傳統(tǒng)方法存在的問題,本文嘗試將深度學(xué)習(xí)法應(yīng)用到雷達(dá)回波外推中。目前將深度學(xué)習(xí)模型應(yīng)用于短臨預(yù)報(bào)還處于起步探索階段,陳家慧等[8]首次使用BP神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)回波進(jìn)行外推,驗(yàn)證了將深度學(xué)習(xí)法應(yīng)用于雷達(dá)資料外推的可行性。馮漢中等[9]使用支持向量機(jī)(SVM)完成了對(duì)降水量的預(yù)報(bào)。Klein等[10]對(duì)卷積神經(jīng)網(wǎng)絡(luò)(CNNs)進(jìn)行改進(jìn),引入了動(dòng)態(tài)卷積層,改進(jìn)后的模型可以生成兩個(gè)預(yù)測(cè)概率向量,對(duì)雷達(dá)回波進(jìn)行外推。Shi等[11]為了克服長(zhǎng)、短時(shí)記憶單元(LSTM)無法提取雷達(dá)回波空間特征這一缺陷,提出將卷積LSTM(ConvLSTM)網(wǎng)絡(luò)應(yīng)用于降水預(yù)報(bào)中,但存在對(duì)不同的時(shí)空位置,連續(xù)幀的局部相關(guān)結(jié)構(gòu)不同的問題。Shi等[12]改進(jìn)了模型,引入具有可學(xué)習(xí)卷積的TrajGRU模型,較之連接結(jié)構(gòu)固定的ConvGRU更加靈活。Singh等[13]在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加卷積結(jié)構(gòu),以此捕捉雷達(dá)回波圖像的時(shí)、空依賴性,實(shí)現(xiàn)了基于雷達(dá)回波圖像序列的預(yù)測(cè)。郭尚瓚等[14]將傳統(tǒng)的光流法與多層感知器(MLP)相結(jié)合,實(shí)現(xiàn)了對(duì)某區(qū)域未來36 min內(nèi)的降水概率的預(yù)測(cè)。郭瀚陽等[15]使用自編碼的ConvGRU對(duì)雷達(dá)回波進(jìn)行外推,結(jié)果同傳統(tǒng)的TERC法相比,深度學(xué)習(xí)模型表現(xiàn)優(yōu)異。然而,上述的方法生成的影像不夠清晰,相對(duì)于觀測(cè)影像,忽略了很多細(xì)節(jié),且隨著預(yù)測(cè)時(shí)間的推移幾乎不能準(zhǔn)確預(yù)測(cè)出未來回波的位置等問題。目前,生成對(duì)抗網(wǎng)絡(luò)(GAN)[16]是近年來提出的在復(fù)雜分布上最具前景之一的無監(jiān)督學(xué)習(xí)模型,其在影像生成方面表現(xiàn)優(yōu)異,能夠生成足夠清晰的影像,使GAN的眾多變體[17]在預(yù)測(cè)視頻幀方面的有效性得到了驗(yàn)證。

現(xiàn)有的GAN框架由生成器和鑒別器組成,該模型框架可以對(duì)歷史的雷達(dá)回波圖進(jìn)行訓(xùn)練,生成未來時(shí)刻的雷達(dá)回波圖序列。然而,將GAN直接應(yīng)用于雷達(dá)回波的視覺預(yù)測(cè)得到的結(jié)果往往產(chǎn)生低質(zhì)量的圖像,特別是在雷達(dá)回波演變的區(qū)域。造成圖像質(zhì)量低下的原因包括兩方面:首先GAN訓(xùn)練的過程涉及到圖像的下采樣,而圖像的下采樣會(huì)導(dǎo)致圖像分辨率的丟失。其次鑒別器作用于整張圖像,對(duì)雷達(dá)回波和靜止的底圖不加區(qū)分的訓(xùn)練不能有效地?cái)M合局部的雷達(dá)回波演變趨勢(shì)。針對(duì)上述問題,本文在GAN的基礎(chǔ)上開發(fā)了一個(gè)以全局生成器和局部鑒別器構(gòu)成的分層生成對(duì)抗網(wǎng)絡(luò)(HGAN),以多層子網(wǎng)構(gòu)建全局生成器用以生成未來時(shí)刻的雷達(dá)回波圖,采用上采樣過程訓(xùn)練模型,以期生成的影像具備更多的細(xì)節(jié)。同時(shí)局部鑒別器根據(jù)局部區(qū)域?qū)㈩A(yù)測(cè)的雷達(dá)回波圖與觀測(cè)的雷達(dá)回波圖區(qū)分開,避免采用原始GAN以整張影像作為判別依據(jù),降低背景底圖對(duì)結(jié)果的影響;引入緩沖區(qū)機(jī)制,保存歷史預(yù)測(cè)序列,使最終預(yù)測(cè)的結(jié)果更加符合時(shí)序性。以歷史的雷達(dá)回波圖序列作為原始訓(xùn)練數(shù)據(jù),對(duì)全局生成器和局部鑒別器進(jìn)行對(duì)抗性訓(xùn)練,以期生成足夠清晰的未來時(shí)刻雷達(dá)回波圖序列,為雷達(dá)回波的演變趨勢(shì)提供視覺指示,提高對(duì)短臨降水預(yù)報(bào)的準(zhǔn)確性。

1 數(shù)據(jù)源介紹

本文使用中央氣象臺(tái)提供的雷達(dá)拼圖數(shù)據(jù),該數(shù)據(jù)由多普勒天氣雷達(dá)系統(tǒng)處理生成。多普勒天氣雷達(dá)系統(tǒng)是由多波段(S,C)、多型號(hào)(SA,SB,SC,CC)雷達(dá)組成,采用了多站資料自動(dòng)獲取、數(shù)據(jù)的歸一化處理、數(shù)據(jù)質(zhì)量控制、坐標(biāo)轉(zhuǎn)換和地理信息疊加等技術(shù),生成的雷達(dá)回波拼圖能準(zhǔn)確、快速地反應(yīng)降水過程演變情況。將獲取的雷達(dá)拼圖進(jìn)行預(yù)處理,保留圖像中心的360×260像素區(qū),研究區(qū)域的范圍是104°16′E—119°10′E、22°50′N—35°34′N,過濾掉雷達(dá)回波面積覆蓋率小于1/10的個(gè)例,由此構(gòu)建數(shù)據(jù)集對(duì)HGAN進(jìn)行試驗(yàn)評(píng)估。

2 模型與改進(jìn)

2.1 分層生成對(duì)抗網(wǎng)絡(luò)模型架構(gòu)

本文開發(fā)了一個(gè)基于分層生成對(duì)抗網(wǎng)絡(luò)(HGAN)的短臨降水預(yù)報(bào)模型,該模型以歷史雷達(dá)回波序列作為輸入,并生成揭示雷達(dá)回波演變規(guī)律的未來雷達(dá)圖序列。HGAN由一個(gè)全局生成器和一個(gè)局部鑒別器相互對(duì)抗訓(xùn)練構(gòu)成。圖1為HGAN結(jié)構(gòu)的樣例,它是由一個(gè)全局生成器G和一個(gè)局部鑒別器D組成,其中全局生成器由兩個(gè)分層的子網(wǎng)絡(luò)G0、G1構(gòu)成。

圖1 分層生成對(duì)抗網(wǎng)絡(luò)

全局生成器由眾多子網(wǎng)絡(luò)以分層結(jié)構(gòu)構(gòu)成。每一子網(wǎng)生成不同分辨率尺度的雷達(dá)回波圖。從上層子網(wǎng)生成的小尺度分辨率雷達(dá)回波圖將被用作下層子網(wǎng)的輸入。圖1中的藍(lán)色虛線框中展示了一個(gè)帶有兩個(gè)層次子網(wǎng)的全局生成器G的例子。G0、G1是G的兩個(gè)子網(wǎng)絡(luò),且都是卷積神經(jīng)網(wǎng)絡(luò)。輸入X是按照時(shí)間順序排列的雷達(dá)回波圖序列,展示了雷達(dá)回波的結(jié)構(gòu)和演變趨勢(shì)。X包含X0、X1兩個(gè)子序列,它們是兩個(gè)采樣尺度下的相同的雷達(dá)回波圖序列。將X1輸入到G1子網(wǎng)中,生成與X1相同分辨率的未來時(shí)刻雷達(dá)回波圖G1(X1)。下層子網(wǎng)G0將X0和經(jīng)過上采樣的G1(X1)圖像作為輸入,生成與X0相同分辨率的未來時(shí)刻雷達(dá)回波圖G0(X0)。重復(fù)上述操作,最下層子網(wǎng)生成的圖像將作為全局生成器G生成的最終預(yù)測(cè)圖像。卷積神經(jīng)網(wǎng)絡(luò)中涉及的下采樣過程會(huì)造成分辨率的損失,并導(dǎo)致生成的雷達(dá)回波圖質(zhì)量低,特別是在雷達(dá)回波演變的區(qū)域,生成的圖像回波邊緣將會(huì)變得模糊。全局生成器使用上采樣和卷積神經(jīng)子網(wǎng)的分層策略,來彌補(bǔ)這一缺陷。全局生成器通過歷史雷達(dá)回波序列學(xué)習(xí)雷達(dá)回波的演變趨勢(shì),并生成未來雷達(dá)回波圖,提供雷達(dá)回波的可視化預(yù)測(cè),以提高短臨降水的準(zhǔn)確性。

局部鑒別器將預(yù)測(cè)的雷達(dá)回波圖與觀測(cè)的影像進(jìn)行區(qū)分。如圖1所示,局部鑒別器D判斷一張影像是觀測(cè)影像還是由鑒別器G生成的預(yù)測(cè)影像。對(duì)于一張雷達(dá)回波圖,它具備正在演變的雷達(dá)回波以及靜止的底圖兩個(gè)部分。演變的雷達(dá)回波較之靜止的底圖更難預(yù)測(cè),且往往位于影像平面上特定的局部區(qū)域。因此,傳統(tǒng)的鑒別器基于整張影像來判斷其是否為觀測(cè)值將存一定的誤差。本文引入了基于局部區(qū)域的局部鑒別器用以區(qū)分預(yù)測(cè)的影像與觀測(cè)的影像。具體來說,將輸入的影像分割成若干局部區(qū)域,局部鑒別器將給出每個(gè)區(qū)域?yàn)橛^測(cè)影像的概率如圖2所示。

圖2 局部鑒別器處理過程

將所有局部區(qū)域的預(yù)測(cè)概率組合起來進(jìn)行判別,相對(duì)于整個(gè)靜止的底圖,局部鑒別器可以更好地描述局部區(qū)域內(nèi)移動(dòng)的雷達(dá)回波的特征。因此,鑒別器的局部檢查、輔助生成器生成的預(yù)測(cè)影像更接近其對(duì)應(yīng)的觀測(cè)影像,可以更清晰地描述雷達(dá)回波的演變。

2.2 損失函數(shù)

本文使用對(duì)抗性損失來訓(xùn)練全局生成器和局部鑒別器,按照對(duì)抗策略,交替更新全局生成器和局部鑒別器。假設(shè)全局生成器有M層子網(wǎng),用Gm(Xm)表示全局生成器子網(wǎng)絡(luò)生成的雷達(dá)回波圖,Tm表示它們對(duì)應(yīng)的觀測(cè)的影像。訓(xùn)練全局生成器的對(duì)抗損失LG-adv函數(shù)如下:

(1)

式中D(Gm(Xm))表示輸入的圖像是觀測(cè)雷達(dá)回波圖的概率。通過最小化全局生成器的對(duì)抗損失函數(shù)(見式(1)),驅(qū)動(dòng)全局生成器生成足夠真實(shí)的影像。為了使進(jìn)一步提高生成影像的質(zhì)量,本文引入了L1損失函數(shù),LG-adl梯度差損失。

同時(shí)為了約束噪聲,防止生成的影像受到偽影影響,本文引入總變分損失LG-tvl,定義如下:

(2)

全局生成器的總損失LG函數(shù)如下:

LG=γ1LG-adv+γ2L1+γ3LG-adl+γ4LG-tvl。

(3)

式中γ1、γ2、γ3和γ4為經(jīng)驗(yàn)加權(quán)參數(shù)。

通過最小化總損失函數(shù)(見式(3)),驅(qū)動(dòng)全局生成器生成高質(zhì)量的難以被局部鑒別器鑒別的未來雷達(dá)回波影像,而局部鑒別器的對(duì)抗損失LD-adv函數(shù)如下:

(4)

式中1-D(Gm(Xm))表示全局生成器生成未來影像為真的概率。通過最小化局部鑒別器的對(duì)抗損失(見式(4)),使得局部鑒別器將Tm和Gm(Xm)正確的分類為觀測(cè)影像和預(yù)測(cè)影像。

HGAN的全局生成器生成未來影像,局部鑒別器對(duì)生成影像與觀測(cè)影像進(jìn)行鑒別。通過同時(shí)最小化損失函數(shù)(見式(1)和式(4)),生成器與鑒別器之間相互博弈,對(duì)抗學(xué)習(xí),既增強(qiáng)了生成器的擬合樣本空間的能力,也增強(qiáng)了鑒別器的鑒別能力。模型最終生成鑒別器無法區(qū)分的足夠真實(shí)的未來雷達(dá)回波圖,用以輔助短臨降水預(yù)報(bào)。

2.3 模型改進(jìn)

在分層生成對(duì)抗網(wǎng)絡(luò)生成未來時(shí)刻雷達(dá)回波圖的過程中,全局生成器生成影像、局部鑒別器鑒別影像是否為生成器預(yù)測(cè)的影像,需要判別。當(dāng)局部鑒別器只關(guān)注當(dāng)前預(yù)測(cè)的影像,將很容易被當(dāng)前預(yù)測(cè)的影像所迷惑,從而忽略了預(yù)測(cè)的雷達(dá)回波圖的時(shí)序性。為了解決這一局限,使得預(yù)測(cè)的影像更加符合其本身的時(shí)序性,并加強(qiáng)局部鑒別器區(qū)分預(yù)測(cè)影像的能力,本文使用緩沖區(qū)存儲(chǔ)歷史預(yù)測(cè)的雷達(dá)回波序列,如圖3所示。

圖3 緩沖區(qū)結(jié)構(gòu)

緩沖區(qū)的引入,使得局部鑒別器可以基于當(dāng)前預(yù)測(cè)和歷史預(yù)測(cè)的結(jié)果進(jìn)行更新判別。在每一次訓(xùn)練鑒別器的迭代中,局部鑒別器將結(jié)合當(dāng)前預(yù)測(cè)的雷達(dá)回波圖和從緩沖區(qū)隨機(jī)采樣的影像進(jìn)行更新。在每一次訓(xùn)練迭代后,遵循“先進(jìn)先出”的原則,將當(dāng)前預(yù)測(cè)的雷達(dá)回波圖放入緩沖區(qū)并去除最早進(jìn)入緩沖區(qū)的影像以此更新緩沖區(qū)。同時(shí)緩沖區(qū)的大小是固定的,在實(shí)際情況中緩沖區(qū)的大小遠(yuǎn)遠(yuǎn)大于圖3所示大小,并且微調(diào)緩沖區(qū)的大小并不影響模型的性能。通過引入緩沖區(qū),使得最終的模型預(yù)報(bào)生成的雷達(dá)回波序列更加符合數(shù)據(jù)本身的時(shí)序性。

3 試驗(yàn)

3.1 試驗(yàn)設(shè)置

本文使用2019年6—8月和2021年6—9月,時(shí)間間隔為10 min的雷達(dá)拼圖,并過濾掉雷達(dá)回波面積覆蓋率小于1/10的個(gè)例,共計(jì)24 307張影像建立了一個(gè)訓(xùn)練集,使用2020年7、8兩個(gè)月的雷達(dá)拼圖,共4 285張影像構(gòu)建測(cè)試集。訓(xùn)練后得到的模型將利用歷史1 h的雷達(dá)回波資料來預(yù)測(cè)未來1.5 h內(nèi)逐10 min的雷達(dá)回波。在試驗(yàn)過程中,將從HGAN模型獲取的未來時(shí)刻的雷達(dá)回波圖與從GAN獲得的影像進(jìn)行了經(jīng)驗(yàn)比較。使用同HGAN全局生成器的最終子網(wǎng)相同的架構(gòu)構(gòu)建了GAN的生成器,用來提高GAN生成圖像的質(zhì)量,以保證兩模型比較的公平性。

3.2 模型評(píng)價(jià)指標(biāo)

為了檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)的性能,對(duì)模型生成結(jié)果的檢驗(yàn)使用在不同閾值、相同預(yù)報(bào)時(shí)效的評(píng)估方法。選取20、30、40和50 dBz作為判別閾值,預(yù)報(bào)時(shí)長(zhǎng)為90 min,預(yù)報(bào)步長(zhǎng)均為10 min,使用臨界成功指數(shù)(CSI)、命中率(POD)、虛警率(FAR)作為模型評(píng)價(jià)指標(biāo)。假設(shè)檢驗(yàn)的雷達(dá)回波的閾值為k dBz,將預(yù)測(cè)的雷達(dá)回波圖與觀測(cè)的雷達(dá)回波圖進(jìn)行逐點(diǎn)對(duì)比,判斷每個(gè)像素點(diǎn)是命中點(diǎn)(TP)、空?qǐng)?bào)點(diǎn)(FP)、漏報(bào)點(diǎn)(FN)。三個(gè)評(píng)估指標(biāo)的計(jì)算公式如下:

(5)

(6)

(7)

同時(shí)為了定量評(píng)估預(yù)測(cè)雷達(dá)基本反射率影像的質(zhì)量,在試驗(yàn)環(huán)節(jié)計(jì)算了預(yù)測(cè)圖像相對(duì)于真實(shí)的觀測(cè)圖像之間結(jié)構(gòu)相似性指數(shù)(SSIM)[18]。SSIM的值越大,表示預(yù)測(cè)的影像與其對(duì)應(yīng)的觀測(cè)的影像越相似。

3.3 試驗(yàn)結(jié)果與分析

分層生成對(duì)抗網(wǎng)絡(luò)HGAN和生成對(duì)抗網(wǎng)絡(luò)GAN在測(cè)試集上的結(jié)果如表1所示。

表1 預(yù)報(bào)評(píng)分Table 1 Prediction score

從表中可以看到,在30、60和90 min預(yù)測(cè)中,不同閾值下,HGAN的臨界成功指數(shù)(CSI)、命中率(POD)數(shù)值均高于GAN,同時(shí)其對(duì)應(yīng)的虛警率(FAR)更低。然而隨著預(yù)報(bào)時(shí)長(zhǎng)的增加,兩個(gè)模型在相同閾值下,均表現(xiàn)為CSI、POD隨著預(yù)報(bào)時(shí)長(zhǎng)增加而下降,FAR隨著預(yù)報(bào)時(shí)長(zhǎng)增加而上升,這說明隨著預(yù)報(bào)時(shí)長(zhǎng)的增加,兩個(gè)模型的預(yù)報(bào)準(zhǔn)確率逐漸下降。同時(shí)從表1中也可以看出,同一模型在相同預(yù)報(bào)時(shí)長(zhǎng)下,雷達(dá)回波的強(qiáng)度越強(qiáng),其預(yù)報(bào)的準(zhǔn)確率越低。但表中也反應(yīng)出對(duì)于強(qiáng)回波的演變趨勢(shì)的捕捉,HGAN總體上是優(yōu)于GAN。郭瀚陽等[15]于2019使用自編碼的ConvGRU對(duì)雷達(dá)回波進(jìn)行1 h內(nèi)外推。本試驗(yàn)結(jié)果相較于其試驗(yàn)結(jié)果,30 min模型預(yù)報(bào)評(píng)分,CSI提升0.104,POD提升0.042,同時(shí)FAR下降0.118。

圖4、5是2020年7月11日一次降水過程對(duì)應(yīng)的天氣圖和地面觀測(cè)以及模型預(yù)測(cè)結(jié)果示意圖。從圖4中可以看到,受地面氣旋倒槽影響,在陜西、河南等地出現(xiàn)了降雨。圖5中GAN和HGAN都能夠在視覺上預(yù)測(cè)得到接近觀測(cè)影像的雷達(dá)回波。從10～90 min可以觀察到地面觀測(cè)雷達(dá)回波在向安徽方向移動(dòng),GAN和HGAN模型預(yù)測(cè)的雷達(dá)回波都符合這一演變趨勢(shì)。這說明兩個(gè)模型都可以有效地捕獲雷達(dá)回波演變的時(shí)空特征。從圖5中我們可以看到,對(duì)于較弱的回波,如15 dBz的雷達(dá)回波,也就是圖中淡藍(lán)色的區(qū)域,來自HGAN的預(yù)測(cè)影像比來自GAN的影像更接近觀測(cè)的影像,同時(shí)也展現(xiàn)了更多的細(xì)節(jié)。同樣的對(duì)于較強(qiáng)的回波,如50 dBz的雷達(dá)回波,即圖中的紅色區(qū)域,GAN在第90 min中的預(yù)測(cè)已經(jīng)無法有效地預(yù)測(cè)其回波細(xì)節(jié),而HGAN對(duì)于強(qiáng)回波的演變依舊同真實(shí)圖像有著一定的相似程度。這說明了HGAN對(duì)雷達(dá)回波的細(xì)節(jié)刻畫優(yōu)于GAN,且對(duì)于強(qiáng)回波演變趨勢(shì)的推演更具有優(yōu)越性。

圖4 2020年7月11日03 UTC地面天氣圖

圖5 2020年7月11日氣旋降水過程雷達(dá)觀測(cè)與模型預(yù)報(bào)結(jié)果

圖6、7是2020年8月19日一次降水對(duì)應(yīng)的天氣圖和地面觀測(cè)以及模型預(yù)測(cè)結(jié)果示意圖。從圖6中可以發(fā)現(xiàn),位于鄂霍斯克海的氣旋向西南經(jīng)日本海進(jìn)入中國(guó)的低壓帶,與大陸高壓之間形成冷鋒,引發(fā)降水現(xiàn)象。圖7中,GAN和HGAN可以有效模擬雷達(dá)回波的形態(tài)和演變情況。從圖中也可以觀察到來自HGAN的預(yù)測(cè)影像展現(xiàn)的細(xì)節(jié)相對(duì)于GAN更加接近地面觀測(cè)的影響。對(duì)于弱回波,也就是位于雷達(dá)回波邊緣的淡藍(lán)色區(qū)域,可以看到位于113°00′E、35°30′N附近的淡藍(lán)色區(qū)域,圖中的觀測(cè)影像隨著時(shí)間的推移,淡藍(lán)色區(qū)域在逐漸消失,HGAN生成的影像很好地模擬了這一演變趨勢(shì),而在GAN生成的影像中,該處的淡藍(lán)色區(qū)域并沒有明顯的變化;對(duì)于較強(qiáng)的回波,即圖中的紅色區(qū)域,GAN從30 min開始已經(jīng)無法有效地預(yù)測(cè)其回波細(xì)節(jié),HGAN在30 min則是較為接近。隨著預(yù)測(cè)時(shí)間的延長(zhǎng),GAN對(duì)于強(qiáng)雷達(dá)的模擬已經(jīng)隱約可見,而HGAN仍能一定程度的模擬強(qiáng)雷達(dá)回波的演變過程。

圖6 2020年8月19日12UTC地面天氣圖

圖7 2020年8月19日鋒面降水過程雷達(dá)觀測(cè)與模型預(yù)報(bào)結(jié)果

為了進(jìn)一步評(píng)估預(yù)測(cè)的未來時(shí)刻雷達(dá)回波圖的質(zhì)量,本文基于整個(gè)測(cè)試集計(jì)算了預(yù)測(cè)的未來雷達(dá)回波影像相對(duì)于其對(duì)應(yīng)的觀測(cè)影像的結(jié)構(gòu)相似性指數(shù)(SSIM)。SSIM值越大,說明預(yù)測(cè)的影像與其對(duì)應(yīng)的觀測(cè)影像越相似。從圖8中可以觀察到,HGAN在同一預(yù)報(bào)時(shí)長(zhǎng)下SSIM指標(biāo)上總是優(yōu)于GAN。這說明在相同的預(yù)報(bào)時(shí)長(zhǎng)下,HGAN預(yù)測(cè)的影像較之GAN預(yù)測(cè)的影像更接近其對(duì)應(yīng)的雷達(dá)觀測(cè)影像,對(duì)于回波強(qiáng)度的極值也就是影像圖中強(qiáng)回波區(qū)與弱回波區(qū)的刻畫優(yōu)于GAN。

圖8 結(jié)構(gòu)相似性指數(shù)評(píng)分

4 討論與結(jié)語

本文在原始生成對(duì)抗網(wǎng)絡(luò)GAN的基礎(chǔ)上,開發(fā)了一種基于歷史雷達(dá)回波圖序列生成未來雷達(dá)回波圖的分層生成對(duì)抗網(wǎng)絡(luò)HGAN,用于雷達(dá)回波可視化預(yù)報(bào)。HGAN由一個(gè)全局生成器和一個(gè)局部鑒別器組成,全局生成器通過上采樣的方式生成盡可能逼真的未來雷達(dá)回波圖,局部鑒別器基于局部區(qū)域鑒別預(yù)測(cè)的雷達(dá)回波圖和觀測(cè)的雷達(dá)回波圖,引入緩沖區(qū)機(jī)制,鼓勵(lì)全局生成器生成足夠真實(shí)的雷達(dá)回波序列。與直接應(yīng)用GAN、層次結(jié)構(gòu)使得HGAN能夠生成質(zhì)量更高的雷達(dá)回波圖,尤其是雷達(dá)回波演變的區(qū)域。該方法準(zhǔn)確預(yù)報(bào)了雷達(dá)回波極值和范圍,提高了降水量和落區(qū)的預(yù)報(bào)準(zhǔn)確性。

需要指出的是,把深度學(xué)習(xí)的方法應(yīng)用到氣象領(lǐng)域仍處于探索階段,尚有較大的改進(jìn)空間。本文提出的分層生成對(duì)抗網(wǎng)絡(luò)HGAN模型適用于數(shù)據(jù)集覆蓋區(qū)域,對(duì)于覆蓋區(qū)域外短臨降水預(yù)報(bào)的準(zhǔn)確性仍需進(jìn)一步探討。后續(xù)可以進(jìn)一步優(yōu)化其全局生成器的結(jié)構(gòu),改善模型的性能,提高對(duì)強(qiáng)回波變化趨勢(shì)的預(yù)報(bào)能力。同時(shí)設(shè)計(jì)自動(dòng)化程序,自動(dòng)下載并處理數(shù)據(jù),以擴(kuò)充數(shù)據(jù)集,擴(kuò)大模型可適用范圍,并定時(shí)更新迭代模型,逐漸提高模型預(yù)報(bào)的準(zhǔn)確性。

致謝：感謝國(guó)家海洋局北海預(yù)報(bào)中心王彬工程師在本文寫作過程給予的很多指導(dǎo)和幫助。