基于深度学习及双偏振雷达的降水短临预报技术

发布时间:[2021-11-11]        字号:[ ]


      强对流降水是形成众多灾害性天气的主要原因,对其0-2小时的短时临近预报关系到日常生命财产保护,具有重要意义。然而,因其复杂度高、非线性强,强对流风暴短临预报仍是当前国际前沿热点难点问题。

传统短临预报方法通常存在输入信息不足、模型结构简单等问题,因此难以预报风暴复杂演化过程。近年来,深度学习方法因可自动有效地从大量观测中训练提取信息,受到大气科学众多研究关注。另一方面,目前对暴雨系统的观测手段逐渐丰富,大量新型观测数据为改进预报带来新的机遇与挑战。近年来研究表明,双偏振雷达变量差分反射率ZDR和差分相移率KDP的分布特征含重要微物理及动力结构信息,对改进对流风暴短临预报具有潜在重要价值。因此,如何利用新型深度学习方法有效提取偏振雷达变量物理信息改进预报具有重要研究价值。

南京大学大气科学学院赵坤教授课题组基于深度学习方法,提出了新型高维融合多变量的模型FURENet。该模型以传统预报模型U-Net(Ronneberger, 2015)为骨架模型,并结合高维融合策略(Late Fusion),使模型易于捕捉多变量间高维交互关系。同时,利用压缩-激活模块(SE-block)添加通道维注意力机制(channel-wise attention),使模型自适应分配特征权重,进一步提升预报精度。

图1 模型主要结构及预报流程图


图2 定量评估结果,其中Zh_OF为光流法,Zh_TGRU为传统深度学习方法,Zh_FURE为U-Net方法,ZhKdp_FURE和ZhKdpZdr_FURE为只加入KDP及同时加入KDP和ZDR的预报结果;(a)35dBZ阈值总评分;(b)评分随时间变化图;(c)不同对流面积变化率下评分


定量评估显示(图2),本研究提出的模型在添加偏振雷达变量KDP和ZDR之后,预报评分在30分钟和60分钟的预报时效内,较只使用反射率因子分别提高了13.2%和17.4%。模型较传统光流法在30分钟和60分钟的预报时效提高45.4%和40.9%。进一步的评估表明,偏振雷达变量所含微物理特征为深度学习模型提供了对流风暴发展演变的信息,从而做出更可靠的短临预报。


图3 华南一次对流组织化过程。第一行输入观测,第二行后续实况。第三至七行为不同实验预报结果;(h)各实验定量评分


南一次代表性对流组织化个例进行预报评估,本研究提出的模型有效利用了偏振变量KDP和ZDR所含微物理及动力信息,成功预报了本次线状对流组织化过程。

该研究成果《Improving Nowcasting of Convective Development by Incorporating Polarimetric Radar Variables into a Deep Learning Model》发表在国际知名期刊《Geophysical Research Letters》(影响因子4.72)。论文第一作者为2021级博士研究生潘翔,赵坤教授为通讯作者,主要合作者为南京大学吕迎辉副教授和美国科罗拉多州立大学陈浩南助理教授,南京大学为论文通讯单位。本研究由国家自然科学基金杰出青年基金项目(42025501)、国家重点研发计划课题(2017YFC1501703)、江苏省“333高层次人才培养工程”(BRA2019037)等联合资助。


 

Pan Xiang, Lu Yinghui, Zhao Kun(*), Huang Hao, Wang Mingjun, Chen Haonan, Improving Nowcasting of Convective Development by Incorporating Polarimetric Radar Variables into a Deep Learning Model, Geophysical Research Letters, DOI:10.1029/2021GL095302




分享到: