深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估

doi:10.11755/j.issn.1006-7639(2023)-01-0173

摘要/Abstract

摘要：

近年来，人工智能技术在图像识别领域取得了突破性进展，为探寻人工智能模型在武汉地区雷达回波临近预报中的应用价值，本文利用湖北武汉市2015—2020年雷达回波和降水量观测资料，对PredRNN++、MIM、CrevNet和PhyDNet 4种深度学习模型进行雷达回波临近预报训练，并基于2021年汛期雷达回波资料进行雷达回波临近预报。在此基础上，通过降水强度和降水面积指数筛选降水过程，并以均方误差（Mean Square Error， MSE）、结构相似性指数（Structural Similarity Index Measurement， SSIM）、命中率（Probability of Detection， POD）、空报率（False Alarm Rate， FAR）和临界成功指数（Critical Success Index， CSI）为指标，检验评估上述4种深度学习模型和光流法对2021年汛期武汉地区雷达回波的临近预报性能。结果表明：（1）整体来看，MIM模型的MSE最小、POD最高，MIM和PredRNN++模型的SSIM并列最高；所有深度学习模型的FAR均低于光流法，且PhyDNet模型的FAR最低；除CrevNet模型外，其余3种深度学习模型的CSI均高于光流法，且MIM模型的CSI最高。（2）预报的前12 min，光流法的CSI最高，而在18~120 min MIM模型的CSI最高，显示了深度学习模型长预报时效的优势。（3）随着回波强度增加，深度学习模型和光流法的POD和CSI均迅速降低，而FAR光流法与各模型则表现出不同的变化规律。（4）随着区域性降水强度增加，深度学习模型的预报能力均先降低后明显增强，而光流法对降水强度变化的敏感性较弱，故在强降水背景下深度学习模型的CSI较光流法增幅最大；对于局地一般对流性降水过程，所有深度学习模型和光流法的预报能力均大幅降低。（5）暴雨个例分析结果表明，深度学习模型不仅具备一定回波强度变化的预报能力，而且对回波运动的预报能力也明显高于光流法，展示了深度学习模型良好的应用前景。

关键词: 深度学习模型, 光流法, 雷达回波, 临近预报, 检验评估

Abstract:

In recent years, the artificial intelligence has made a breakthrough in image identification. In order to find out the practical value of artificial intelligence models in radar echo nowcasting in Wuhan City, the radar echo and precipitation observation data in Wuhan from 2015 to 2020 are used to train four deep learning models (PredRNN++, MIM, CrevNet and PhyDNet), then these trained models and radar echo observation data in flood season of 2021 are used to do nowcasting of radar echo. And on this basis, the precipitation processes are selected by using precipitation intensity and area indexes in Wuhan, and the performance of four deep learning models and optical flow method in radar echo nowcasting are tested and evaluated in Wuhan in flood season of 2021 in terms of mean square error (MSE), structural similarity index measurement (SSIM), probability of detection (POD), false alarm rate (FAR) and critical success index (CSI). The results are as follows: (1) On the whole, MSE of MIM model is the smallest, while its POD is the highest, and SSIM of MIM and PredRNN++ models are the highest. FAR of four deep learning models is lower than that of optical flow method, and it is the lowest for PhyDNet model. Except for CrevNet model, CSI of other three deep learning models is higher than that of optical flow method, and it is the highest for MIM model. (2) CSI of optical flow method is the highest during 0-12 minutes of forecast, while that of MIM model is the highest from 18 to 120 minutes, which shows the advantage of deep learning model for long prediction time. (3) With the increase of echo intensity, POD and CSI of four deep learning models and optical flow method decrease rapidly, while the variation characteristics of FAR of optical flow method and deep learning models are different. (4) For the regional precipitation processes, the prediction ability of deep learning models firstly reduces and then enhances significantly with the increase of precipitation intensity, while the optical flow method is insensitive to the change of precipitation intensity, so the increments of CSI of deep learning models are the highest under the strong precipitation processes compared with optical flow method. For the local convective precipitation processes with general intensity, the prediction ability of all models and optical flow method significantly reduces. (5) The analysis results of a rainstorm case show that deep learning models not only have prediction ability to the change of echo intensity to a certain extent, but also have better prediction ability to echo movement than optical flow method, so they have a good operational prospect.

Key words: deep learning models, optical flow method, radar echo, nowcasting, test and evaluation

中图分类号:

P456.6

袁凯, 庞晶, 李武阶, 李明. 深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估[J]. 干旱气象, 2023, 41(1): 173-185.

YUAN Kai, PANG Jing, LI Wujie, LI Ming. Application evaluation of deep learning models in radar echo nowcasting in Wuhan in flood season of 2021[J]. Journal of Arid Meteorology, 2023, 41(1): 173-185.

图/表 10

表1 2021年汛期武汉市不同类型降水过程的降水强度和面积划分标准

Tab.1 Classification standard of precipitation intensity and area of precipitation processes with different types in Wuhan City in flood season of 2021

降水过程分类	PI/mm	PA/%
一般区域性过程	5.0~24.9	≥70
较强区域性过程	25.0~49.9	≥70
强区域性过程	≥50.0	≥70
局地一般对流性过程	5.0~15.0	≤20

表2 2021年汛期武汉市各降水过程主要发生时段及其PA和PI

Tab.2 The main occurrence time and PA， PI of precipitation processes in Wuhan City in flood season of 2021

降水类型	检验样本数/个	过程起止时间	PI/mm	PA/%
一般区域性降水过程	2 441	5月3日08：00至4日02：00	22.7	95.8
		5月13日09：00至14日02：00	15.7	92.6
		5月22日10：00至23日08：00	22.2	95.8
		5月26日05：00—08：00	11.9	94.7
		5月26日08：00—16：00	22.4	95.8
		6月26日14：00至27日08：00	17.9	94.7
		6月17日08：00—11：00、18日03：00—08：00	7.8	93.2
		6月18日08：00—11：00、19日00：00—08：00	23.3	93.2
		6月19日08：00至20日08：00	7.9	96.8
		6月26日14：00至27日08：00	18.5	93.7
		7月2日08：00至3日04：00	17.8	97.9
		7月5日08：00至6日08：00	19.4	98.9
		7月16日20：00至17日08：00	17.8	93.1
		7月17日08：00—18：00	16.2	97.4
		7月19日08：00—20：00	10.4	87.8
		8月10日21：00至11日08：00	20.3	95.8
		8月20日11：00至21日02：00	20.6	96.8
		8月24日08：00—17：00	16.6	97.4
较强区域性降水过程	1 537	5月10日11：00至11日05：00	48.3	94.7
		7月1日08：00至2日08：00	36.6	98.4
		7月18日08：00至19日08：00	31.6	96.3
		8月9日08：00至10日08：00	40.7	96.7
		8月11日08：00至12日08：00	26.8	97.4
		8月13日08：00—18：00	38.1	97.4
		9月19日14：00至20日05：00	49.6	95.8
强区域性降水过程	563	5月14日08：00至15日08：00	50.7	93.6
		6月27日08：00—20：00	51.9	80.0
		8月23日21：00至24日08：00	74.3	98.4
局地一般对流性降水过程	1 260	7月26日17：00—19：00	5.5	12.0
		7月27日16：00—19：00	8.5	18.0
		7月28日12：00—17：00	6.1	17.3
		8月2日13：00—17：00	7.3	7.2
		8月3日12：00—14：00	8.9	16.9
		8月4日16：00—21：00	6.0	10.0
		8月5日14：00—19：00	6.2	8.8

表3 2021年汛期4种深度学习模型和光流法的平均得分

Tab.3 The average scores of four deep learning models and optical flow method in flood season of 2021

算法	MSE/dBZ²	SSIM	POD	FAR	CSI
CrevNet	24.68	0.67	0.48	0.32	0.39
MIM	20.47	0.74	0.60	0.25	0.51
PhyDNet	22.33	0.72	0.52	0.25	0.46
PredRNN++	20.72	0.74	0.57	0.24	0.50
光流法	24.05	0.71	0.58	0.35	0.45

图1 2021年汛期4种深度学习模型和光流法的平均POD（实线）、FAR（虚线）（a）和CSI（b）随时间演变

Fig.1 The time evolution of average POD （solid lines） and FAR （dashed lines）（a） and CSI （b） of four deep learning models and optical flow method in flood season of 2021

表4 2021年汛期4种深度学习模型和光流法对不同强度回波预报的平均得分

Tab.4 The average scores of forecast of radar echo with different intensities by four deep learning models and optical flow method in flood season of 2021

算法	CSI			POD			FAR
算法	20 dBZ	30 dBZ	40 dBZ	20 dBZ	30 dBZ	40 dBZ	20 dBZ	30 dBZ	40 dBZ
光流法	0.43	0.28	0.08	0.55	0.39	0.14	0.36	0.55	0.72
MIM	0.49	0.28	0.06	0.58	0.34	0.07	0.28	0.31	0.14
CrevNet	0.38	0.24	0.05	0.47	0.33	0.08	0.35	0.52	0.51
PhyDNet	0.42	0.21	0.04	0.49	0.32	0.05	0.25	0.26	0.09
PredRNN++	0.47	0.25	0.05	0.55	0.30	0.06	0.26	0.27	0.10

表5 2021年汛期光流法与4种深度学习模型对不同强度降水过程回波预报的平均得分

Tab.5 The average scores of radar echo forecast of rainfall processes with different intensities by optical flow method and four deep learning models in flood season of 2021

降水类型	光流法			MIM			CrevNet			PhyDNet			PredRNN++
降水类型	POD	FAR	CSI	POD	FAR	CSI	POD	FAR	CSI	POD	FAR	CSI	POD	FAR	CSI
一般区域性降水过程	0.59	0.35	0.46	0.64	0.24	0.52	0.48	0.33	0.40	0.53	0.25	0.47	0.58	0.23	0.51
较强区域性降水过程	0.60	0.35	0.46	0.58	0.24	0.50	0.47	0.28	0.40	0.49	0.24	0.44	0.56	0.23	0.49
强区域性降水过程	0.60	0.30	0.50	0.69	0.23	0.59	0.59	0.29	0.49	0.63	0.21	0.55	0.65	0.20	0.57
局地一般对流性降水过程	0.48	0.54	0.31	0.40	0.37	0.32	0.28	0.41	0.22	0.29	0.38	0.24	0.38	0.36	0.31

图2 2021年8月23日22：30至24日00：00雷达回波实况和4种深度学习模型及光流法预报回波对比（单位：dBZ）（从上至下依次为实况回波、光流法及CrevNet、MIM、PhyDNet、PredRNN++模式预报回波，黑色三角为武汉雷达站，黑色线包围区域为武汉市。下同）

Fig.2 The comparison of radar echo forecasted by four deep learning models and optical flow method with the observation from 22：30 on 23 August to 00：00 on 24 August， 2021 （Unit： dBZ）（From top to bottom， it is the observed radar echo and radar echo forecasted by optical flow method and deep learning models of CrevNet， MIM， PhyDNet and PredRNN++ in turns， the black triangle is for the Wuhan radar station， the area enclosed by black line is for the Wuhan City. the same as below）

表6 2021年8月23—24日3个起报时刻4种深度学习模型和光流法回波预报的CSI评分

Tab. 6 The CSI score of radar echo forecasted by four deep learning models and optical flow method at three initiation time from 23 to 24 August 2021

起报时刻	光流法	MIM	CrevNet	PhyDNet	PredRNN++
23日22：00	0.48	0.71	0.67	0.60	0.69
24日02：00	0.74	0.80	0.75	0.79	0.82
24日14：00	0.59	0.65	0.56	0.64	0.61

图3 2021年8月24日02：30—04：00雷达回波实况和4种深度学习模型及光流法预报回波对比（单位：dBZ）

Fig.3 The comparison of radar echo forecasted by four deep learning models and optical flow method with the observation from 02：30 to 04：00 on 24 August 2021 （Unit： dBZ）

图4 2021年8月24日14：30—16：00雷达回波实况与4种深度学习模型及光流法预报回波对比（单位：dBZ）

Fig.4 Comparison of radar echo forecasted by four deep learning models and optical flow method with the observation from 14：30 to 16：00 on 24 August 2021 （Unit： dBZ）

参考文献 30

[1]	曹春燕, 陈元昭, 刘东华, 等, 2015. 光流法及其在临近预报中的应用[J]. 气象学报, 73(3): 471-480.
[2]	陈训来, 刘军, 郑群峰, 等, 2021. 基于卷积门控循环单元神经网络的临近预报方法研究[J]. 高原气象, 40(2): 411-423. DOI
[3]	陈元昭, 林良勋, 王蕊, 等, 2019. 基于生成对抗网络GAN的人工智能临近预报方法研究[J]. 大气科学学报, 42(2): 311-320.
[4]	程丛兰, 陈明轩, 王建捷, 等, 2013. 基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验[J]. 气象学报, 71(3): 397-415.
[5]	崔春光, 闵爱荣, 胡伯威, 2002. 中尺度地形对“98.7”鄂东特大暴雨的动力作用[J]. 气象学报, 60(5): 602-612.
[6]	郭瀚阳, 陈明轩, 韩雷, 等, 2019. 基于深度学习的强对流高分辨率临近预报试验[J]. 气象学报, 77(4): 715-727.
[7]	韩雷, 王洪庆, 林隐静, 2008. 光流法在强对流天气临近预报中的应用[J]. 北京大学学报(自然科学版), 44(5): 751-755.
[8]	孟辉, 路志英, 李笑冬, 等, 2020. 基于图像识别技术的高炮安全射界图辅助绘制系统设计与应用[J]. 干旱气象, 38(4): 689-696.
[9]	王丹, 王改利, 刘黎平, 等, 2014. 基于雷达回波外推和中尺度模式预报的短时降水对比分析[J]. 高原气象, 33(3): 811-822. DOI
[10]	王莉萍, 王秀荣, 王维国, 2015. 中国区域降水过程综合强度评估方法研究及应用[J]. 自然灾害学报, 24(2): 186-194.
[11]	吴剑坤, 陈明轩, 秦睿, 等, 2019. 变分回波跟踪算法及其在对流临近预报中的应用试验[J]. 气象学报, 77(6): 999-1 014.
[12]	徐亚钦, 翟国庆, 黄旋旋, 等, 2011. 基于TREC法以多重动态区域反演风场[J]. 浙江大学学报(工学版), 45(10): 1 738-1 745.
[13]	徐月飞, 顾松山, 黄兴友, 等, 2011. 计算几何法在风暴识别中的应用[J]. 热带气象学报, 27(2): 173-178.
[14]	许小峰, 2018. 从物理模型到智能分析——降低天气预报不确定性的新探索[J]. 气象, 44(3): 341-350.
[15]	俞小鼎, 郑永光, 2020. 中国当代强对流天气研究与业务进展[J]. 气象学报, 78(3): 391-418.
[16]	俞小鼎, 周小刚, 王秀明, 2012. 雷暴与强对流临近天气预报技术进展[J]. 气象学报, 70(3): 311-337.
[17]	张蕾, 魏鸣, 李南, 等, 2014. 改进的光流法在回波外推预报中的应用[J]. 科学技术与工程, 14(32): 133-137.
[18]	周康辉, 郑永光, 韩雷, 等, 2021. 机器学习在强对流监测预报中的应用进展[J]. 气象, 47(3): 274-289.
[19]	朱文刚, 李昌义, 曲美慧, 等, 2020. 深度神经网络方法在山东降水相态判别中的应用[J]. 干旱气象, 38(4): 655-664.
[20]	DIXON M, WIENER G, 1993. TITAN: Thunderstorm identification, tracking, analysis, and nowcasting—a radar-based methodology[J]. Journal of Atmospheric and Oceanic Technology, 10(6): 785-797. DOI URL
[21]	GIBSON J, 1950. The ecological approach to visual perception[M]. Boston: Houghton Mifflin: 332.
[22]	RINEHART R E, GARVEY E T, 1978. Three-dimensional storm motion detection by conventional weather radar[J]. Nature, 273: 287-289. DOI URL
[23]	SHI X J, CHEN Z R, WANG H, et al, 2015. Convolutional LSTM network: a machine learning approach for precipitation nowcasting[C]// Proceedings of the 28th International Conference on Neural Information Processing System, Cambridge, USA: 802-810.
[24]	STEINER M, SMITH J A, 2002. Use of three-dimensional reflectivity structure for automated detection and removal of nonprecipitating echoes in radar data[J]. Journal of Atmospheric and Oceanic Technology, 19(5): 673-686. DOI URL
[25]	VINCET L G, NICOLAS T, 2020. Disentangling physical dynamics from unknown factor for unsupervised video prediction[C]// IEEE Conference on Computer Vision and Pattern Recognition: 11 471-11 481.
[26]	WANG Y B, GAO Z F, LONG M S, et al, 2018. PredRNN++: towards a resolution of the deep-in-time dilemma in spatiotemporal predictive learning[C]// Proceedings of the 35th International Conference on Machine Learning, Stockholm, Sweden: 5 123-5 132.
[27]	WANG Y B, LONG M S, WANG J M, et al, 2017. PredRNN: recurrent neural networks for predictive learning using spatiotemporal LSTMs[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems, California, USA: 879-888.
[28]	WANG Y B, ZHANG J J, ZHU H Y, et al, 2019. Memory in memory: a predictive neural network for learning higher-order non-stationarity from spatiotemporal dynamics[C]// IEEE Conference on Computer Vision and Pattern Recognition, California, USA: 9 154-9 162.
[29]	WANG Z, BOVIK A C, SHEIKH H R, et al, 2004. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 13(4): 600-612. DOI PMID
[30]	YU W, LU Y C, STEVE E, et al, 2020. Efficient and information-preserving future frame prediction and beyond[C]// 8th International Conference on Learning Representations, Virtual, Addis Ababa, Ethiopia.