基于气象雷达反演和云图外推法的临近期降雨预报方法研究

气象雷达反演算法研究气象雷达是一种广泛应用于天气预报、气象灾害监测和环境保护等领域的遥感技术。

它通过发射的微波信号和反射回来的信号来获取大气中水分和颗粒物的分布和质量浓度等信息，从而达到预测天气的目的。

然而，由于大气中存在复杂的反射、散射和吸收现象，气象雷达在采集信号时通常会受到噪声干扰，这极大地影响了预报的准确性。

针对这个问题，它们的反演算法也就应运而生。

气象雷达反演算法是一种通过处理雷达信号，获得目标物理参数的方法。

在算法的设计过程中，需要根据气象雷达采集到的原始信号，建立一个反演模型，利用信号特征参数、统计特征和模拟实验等方法来确定目标物理参数的值。

反演算法的成果不仅能够反映目标的物理特性，而且对于天气预报和环境监测等领域也具有非常重要的实际价值。

反演算法的设计需要解决两个关键问题。

第一，需要建立信号的数学模型，准确描述信号在传输过程中的特性。

一般来说，雷达信号是一个非常复杂的波形，但是我们可以利用概率论、统计学、数学模型等方法，对其进行建模，从而准确地了解信息的特点。

第二，需要根据信号模型来反演目标物理参数。

根据先前的模型，我们可以通过处理反射信号和模拟结果，计算反演物理参数的值，从而得出目标物理参数的一些属性。

常见的反演算法包括MAT、PERTURB、CWER和HSWR等，每个算法都是针对不同的情况而设计的。

其中MAT算法是利用最小二乘法求解反演问题，PERTURB算法是基于扰动法的反演算法，CWER算法是一种基于所谓的“极大似然估计”的反演方法，而HSWR算法则是一种利用范数约束的反演方法。

这些算法在实际应用中各有优缺点，选择合适的算法进行研究，可以提升反演算法的效率和准确度。

在反演算法的应用中，气象数据的处理也起着至关重要的作用。

其中，预处理阶段包括背景去除、噪声抑制、RHI纠正和波束加权等。

背景去除可以将数据集的平均值去除，以帮助数据分析师在查看图表时更容易观察到趋势和关键值。

噪声抑制是指通过在数据集中运用滤波器以消除噪声干扰。

第34卷第5期2023年9月㊀㊀水科学进展ADVANCES IN WATER SCIENCEVol.34,No.5Sep.2023DOI:10.14042/ki.32.1309.2023.05.003基于深度学习的雷达降雨临近预报及洪水预报李建柱,李磊菁,冯㊀平,唐若宜(天津大学水利工程仿真与安全国家重点实验室,天津㊀300350)摘要:为探究深度学习的雷达降雨临近预报在流域洪水预报中的适用性,采用U-Net㊁嵌入注意力门的Attention-Unet 和添加转换器的多级注意力TransAtt-Unet 开展雷达降雨临近预报,将预报降雨作为HEC-HMS 水文模型的输入,对柳林实验流域进行洪水预报㊂结果表明:1h 预见期时,Attention-Unet 对短时强降雨预报结果较好,TransAtt-Unet 预报降雨模拟的洪峰流量和径流量相对误差小于20%,各深度学习模型对量级较大的降雨和洪水预报精度较高;2h 预见期的预报降雨强度㊁降雨总量㊁洪峰流量和径流量存在显著低估,U-Net 能取得相对较好的降雨预报结果㊂基于深度学习的1h 预见期雷达降雨临近预报及洪水预报可为流域防洪减灾提供科学依据㊂关键词:雷达降雨临近预报;降雨定量估计;深度学习;洪水预报;柳林实验流域中图分类号:P333㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)05-0673-12收稿日期:2023-05-19;网络出版日期:2023-09-19网络出版地址:https :ʊ /urlid /32.1309.P.20230918.1718.002基金项目:国家自然科学基金资助项目(52279022)作者简介:李建柱(1981 ),男,河北沧州人,教授,博士,主要从事水文水资源方面研究㊂E-mail:lijianzhu@近年来,极端降雨事件导致洪涝灾害频发,对洪水预报精度和时效性的要求越来越高[1]㊂准确的降雨预报是洪水预报的关键,可为防洪减灾工作提供重要的科学依据[2]㊂传统的洪水预报主要以地面雨量站实测降雨输入水文模型,导致洪水预报的有效预见期短,且雨量站实测降雨无法反映其空间分布特性[3]㊂天气雷达具有高时空分辨率㊁高精度和可靠性等特点[4]㊂将雷达降雨临近预报结果作为水文模型的输入进行洪水预报,能在一定程度上延长洪水预见期[5],是水文预报领域的主要发展趋势,但降雨临近预报是尚未解决的重要科学难题[6]㊂以光流法㊁质心跟踪法㊁交叉相关法为主的传统雷达回波外推方法[7],能在较短预见期内对缓慢变化的回波过程取得较好的外推效果,但无法准确描述迅速变化的回波过程[8]㊂近年来大量研究将深度学习的方法引入到水文气象领域,并取得显著成效[9-10]㊂Zhang 等[6]提出一种具有预测误差优化的神经网络模型NowcastNet,基于中国和美国的雷达资料开展降雨预报,显著提高了极端强降雨的预报精度㊂Ritvanen 等[11]提出一种基于卷积神经网络U-Net 的拉格朗日模型,改善了强降雨的临近预报效果㊂作为一种应用广泛的基础模型,U-Net 在临近预报领域得到推广[12]㊂Han 等[13]将U-Net 模型用于雷达回波外推,并与循环神经网络的TrajGRU 和交叉相关法的预报结果进行对比,表明U-Net 模型在时空序列预测问题的适用性㊂预报降雨的重要用途之一是作为水文模型的输入进行洪水预报[14-15]㊂Heuvelink 等[16]使用确定性和概率性方法进行降雨预报,并将结果作为WALRUS 水文模型的输入进行流量预报,在小流域取得较好的预报效果;Nguyen 等[17]将雷达回波外推和数值模式天气预报结合,提高了降雨预报精度,并指出降雨预报与分布式水文模型结合使用的优势;包红军等[18]构建了临近降雨集合预报的中小河流洪水预报模型,延长了洪水预报的预见期㊂但目前使用深度学习的方式开展雷达降雨临近预报,从而进行洪水预报的精度还有待提高,尤其是在半干旱半湿润地区的小流域㊂U-Net 结构简单,可根据目标灵活调整和添加模块,为实现更加精确的雷达降雨临近预报和洪水预报提供了更多可能㊂因此,本研究采用深度学习的U-Net,并尝试使用嵌入注意力门的Attention-Unet(简写为Att-674㊀水科学进展第34卷㊀Unet)和添加转换器的多级注意力TransAtt-Unet进行柳林实验流域典型降雨过程的1h和2h预见期雷达回波外推,利用动态雷达反射率因子和降雨强度关系计算外推回波对应的逐小时降雨,作为半分布式水文模型HEC-HMS的输入进行洪水预报,对比分析预报降雨与雨量站实测降雨模拟的洪水精度差异,探讨基于深度学习的雷达降雨临近预报在小流域洪水预报中的适用性㊂1㊀研究区域与数据1.1㊀流域概况选择河北省邢台市内丘县柳林实验流域为研究区㊂如图1所示,流域出口位于114ʎ21ᶄE㊁37ʎ17ᶄN,布设有柳林水文站进行水位和流量观测㊂流域面积为57.4km2,主河道长13.2km,流域坡度为30.9ɢ㊂地处半干旱半湿润气候区,季节变化分明,径流的年内和年际分配不均,降雨多发生在6 9月,多年平均降水量为594.5mm,多年平均径流深为80.7mm㊂雷达资料来源于中国新一代多普勒天气雷达监测网河北省石家庄市的Z9311站㊂雷达位于114ʎ42ᶄ50ᵡE㊁38ʎ21ᶄ00ᵡN,采用VP21体扫模式,扫描半径为230km,时间分辨率为6min,能够完成9个不同仰角的扫描㊂柳林实验流域在距离雷达120km范围内,可保证雷达回波数据的质量㊂图1㊀柳林实验流域位置和雷达监测范围Fig.1Location of Liulin experimental watershed and radar monitoring range1.2㊀雷达数据预处理将2018 2020年降雨时段的雷达基数据,经过编码转换㊁杂波抑制㊁衰减订正㊁地物遮挡订正㊁坐标转换后,形成反射率混合扫描数据图,用于深度学习模型的训练㊂由于柳林实验流域面积较小,将回波图裁剪至流域周围128行128列的范围(113ʎ36ᶄ36ᵡE㊁37ʎ30ᶄ36ᵡN到114ʎ53ᶄ24ᵡE㊁36ʎ47ᶄ24ᵡN)㊂以训练集中20180521场次降雨为例,图2为经过预处理与未处理回波对比图,经过质量控制后的回波剔除了杂波干扰并显著减少波束遮挡,具有较高的可靠性㊂训练集和验证集共包含20000帧回波图,按照8ʒ2的比例划分进行模型训练和验证㊂测试集选取2012年㊁2016年和2021年的4场典型降雨过程对应的雷达数据㊂1.3㊀典型降雨洪水过程降雨洪水资料来源于河北省邢台水文勘测研究中心㊂洪水资料为柳林水文站汛期实测逐小时流量数据,㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报675㊀图2㊀20180521场次降雨未处理与预处理后回波对比Fig.2Comparison of unprocessed and preprocessed echoes of20180521case暴雨资料为流域内菩萨岭㊁神头㊁任庄㊁安上和柳林5个雨量站汛期逐小时雨量,筛选出与雷达回波时段对应的典型降雨洪水过程对降雨和洪水预报精度进行评价㊂降雨洪水信息如表1所示㊂由于20211006场次降雨过程在汛期后发生,柳林水文站未对其洪水过程进行观测㊂表1㊀典型降雨洪水过程信息Table1Information of typical rainfall and flood processes降水场次降水量/mm最大小时雨量/mm降雨时长/h洪水径流深/mm洪峰流量/(m3㊃s-1) 2012072675.958.45 5.147.020160719251.942.718129.2368.020210721149.426.92929.993.32021100625.58.25//2㊀研究方法2.1㊀雷达回波外推的深度学习模型2.1.1㊀U-NetU-Net网络由4层编码器-解码器组成,是一种卷积神经网络㊂如图3(a)所示,网络的左边是编码器,应用最大池化和双重卷积来减小图像大小和加倍特征映射的数量㊂编码器之后的右侧为解码器,通过双线性插值进行上采样操作,使特征图大小增加1倍㊂每层编码器和解码器之间通过1个跳跃连接保存来自较浅层的细尺度信息㊂完成上述采样操作之后,模型通过一个1ˑ1的卷积,输出代表网络预测值的单个特征图㊂2.1.2㊀Att-UnetAtt-Unet(图3(a))在U-Net的解码器前添加注意力门,以此过滤跳跃连接传播的特征,再将编码器的特征与解码器中相应的特征进行拼接,有效抑制无关区域的激活,减少编码器中无关信息的跳跃连接,达到改善预测效果的目的[19]㊂本研究将Att-Unet模型调整为时间序列预测模型进行回波外推㊂676㊀水科学进展第34卷㊀图3㊀U-Net㊁Att-Unet㊁TransAtt-Unet和TSA㊁GSA模块结构Fig.3Structure of U-Net,Attention-Unet,TransAtt-Unet,TSA and GSA modules2.1.3㊀TransAtt-UnetTransAtt-Unet将多层次引导注意和多尺度跳跃连接联合嵌入U-Net,如图3(b)㊂将变换器自注意力(TSA)和全局空间注意力(GSA)嵌入到网络中,同时在解码器中使用多尺度跳跃连接来聚合不同语义尺度的特征,从而有效减少卷积层叠加和连续采样操作造成的细节损失㊂如图3(c)和图3(d)所示,TSA将特征嵌入到Q㊁K㊁V3个矩阵中,在Q和K的转置之间采用Softmax函数进行归一化运算,形成注意力图,再与V 矩阵相乘得到注意力权重㊂GSA对特征进行卷积转置映射为W㊁M㊁N,对M㊁N采用Softmax函数进行归一化运算得到位置注意力信息,再与W相乘得到位置特征㊂在解码器部分采用残差多尺度跳跃连接的方式[20],输入特征图通过双线性插值向上采样到输出的分辨率,然后与输出特征图进行级联,作为后续块的输入㊂2.2㊀深度学习模型训练1h外推数据集取前1h间隔6min共10帧回波图(反射率因子),预测后1h共10帧回波图(2h外推为前20帧预测后20帧)㊂深度学习模型基于Pytorch环境,初始学习率设置为0.001,批处理大小设置为8,损失函数采用均方根误差(E MS)[13],在NVIDIA Geforce RTX3050上采用Adam优化器训练200个轮次㊂当损失函数在4个周期内没有增加时,学习率调节器将学习率自动减小10%㊂采用二元评价指标命中率(Proba-bility of detection,D PO)㊁虚警率(False alarm ratio,R FA)㊁临界成功指数(Critical success index,I CS)和准确率(Accuracy,A)进行雷达回波外推精度的评价[21]㊂2.3㊀雷达降雨临近预报多普勒天气雷达采用Z R关系描述雷达反射率因子(Z)和降雨强度(R)的幂指数关系[22]㊂中国的多普勒雷达普遍采用Z=aR b(a=300,b=1.4)进行降雨定量估计,但仅适用于平均情况㊂基于实测资料动态调整的Z R关系,可以实现更加精确的降雨估计[23]㊂殷志远等[24]采用4种不同的Z R关系开展雷达降雨定量估计,并将结果用于水文模拟,表明动态Z R关系的降雨定量估计精度最高,洪水模拟效果最好㊂动态Z R关系建立在逐小时快速更新资料的基础上,通过动态调节参数a和b,使逐小时雷达估测降雨与对应㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报677㊀的雨量站观测降雨的最优判别函数δ达到最小[23],从而确定适用于逐小时雷达定量降雨估计的多组Z R关系参数㊂为保证参数a和b的取值合理,限定a和b数值调节范围分别为[150.00,400.00]㊁[0.80, 2.40],调整间隔分别为10和0.05㊂经过上述步骤最终确定出每场降雨过程的动态Z R关系参数如图4所示㊂采用相关系数(Correlation coefficient,C C)㊁平均偏差(Mean bias,B M)和平均绝对误差(Mean absolute error,E MA)进行降雨预报精度评价[14]㊂图4㊀动态Z R关系参数Fig.4Parameters of dynamic Z R relationship2.4㊀水文模型李建柱等[25]研究了地形数据源和分辨率对柳林实验流域洪水模拟精度的影响,结果表明,基于无人机三维倾斜摄影构建的1m分辨率DEM能反映流域真实地形的变化,在此基础上构建的HEC-HMS模型能较好地模拟流域洪水过程㊂本研究采用作者基于无人机三维倾斜摄影构建的1m分辨率HEC-HMS模型,将雷达降雨临近预报结果作为HEC-HMS水文模型的输入,进行柳林实验流域洪水预报㊂采用洪峰流量相对误差(E RP)㊁径流量相对误差(E RV)㊁峰现时差(ΔT)和纳什效率系数(E NS)进行洪水预报精度评价[25]㊂3㊀结果及分析3.1㊀回波外推结果分析以反射率20dBZ和30dBZ为阈值计算二元评价指标㊂1h回波外推评价结果见表2,Att-Unet对20120726场次降雨的回波外推效果相对较好,注意力门加强了Att-Unet对强回波的识别和外推效果,同时抑制弱回波或杂波产生的干扰,但对弱回波或中等回波的外推效果较差;TransAtt-Unet采用的多尺度跳跃连接和注意力机制使模型能综合不同尺度的图像特征,提高模型精度和稳定性,因此,该模型对于持续时间较长㊁降雨过程变化丰富的20160719场次回波过程取得了较好的外推效果;20210721和20211006场次降雨的过程回波总体偏弱,各模型的1h预见期回波外推精度差异并不显著㊂2h回波外推评价结果见表3,U-Net 模型对30dBZ阈值的回波外推效果优于其他模型,其原因是雷达回波外推需要预测每个像素的精确值;Att-Unet和TransAtt-Unet所采用的注意力门或者多尺度跳跃连接结构仅增强局部特征的学习,而忽略随时间动态变化的信息,因此导致预测时效性的不足㊂U-Net模型尽管结构简单,但以往研究表明其在时间序列预测中具有一定适用性[26],对不同等级回波信息具有一定的泛化能力[27],因此,尽管U-Net的1h预见期回波外推效果略差于添加注意力机制的模型,但能在更长预见期的回波外推中保持相对较好的效果㊂总体来看, 3种模型对中等强度回波外推效果均好于强回波,1h预见期回波外推效果好于2h预见期㊂国内外研究主要依靠天气雷达外推实现1h预见期降雨预报[5]㊂与传统的雷达外推方法相比,深度学习678㊀水科学进展第34卷㊀对回波和降水的演变趋势具有更好的预报效果,更适用于剧烈变化的降雨过程[28]㊂曹伟华等[29]使用基于U-Net网络搭建的RainNet模型开展雷达降雨临近预报,并与交叉相关的外推结果进行对比,指出了深度学习模型对降雨消亡过程的时空演变趋势和强度变化范围具有更好的预报效果,而交叉相关法更适合于稳定降雨的预报㊂本研究预报的4场典型降雨过程,除20211006场次持续时间短㊁降雨强度较小外,其余场次降雨过程变化较为剧烈,回波过程变化较为迅速,因此,采用深度学习的方法进行雷达降雨临近预报更为合适㊂表2㊀1h回波外推结果评价指标值Table2Evaluation index value of1h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.830.370.070.190.780.330.820.56 Att-Unet0.820.520.120.170.760.440.800.65 TransAtt-Unet0.750.350.060.170.720.340.770.5820160719U-Net0.710.370.140.440.610.210.610.31 Att-Unet0.790.460.150.450.680.240.690.33 TransAtt-Unet0.870.470.140.490.750.240.750.3120210721U-Net0.740.420.140.210.670.360.810.71 Att-Unet0.700.490.260.440.540.280.640.51 TransAtt-Unet0.720.520.260.460.550.290.650.5320211006U-Net0.450.240.560.760.190.090.740.64 Att-Unet0.440.210.550.790.240.080.750.61 TransAtt-Unet0.430.280.560.720.210.090.690.63表3㊀2h回波外推结果评价指标值Table3Evaluation index value of2h echo extrapolation results降雨场次模型D PO R FA I CS A20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20dBZ30dBZ20120726U-Net0.660.370.140.160.600.350.640.63 Att-Unet0.620.180.140.170.590.180.650.48 TransAtt-Unet0.660.200.110.130.590.200.630.5120160719U-Net0.590.200.420.630.380.120.430.47 Att-Unet0.480.120.440.640.310.070.370.47 TransAtt-Unet0.570.150.360.600.410.100.420.4820210721U-Net0.690.480.140.330.620.330.770.62 Att-Unet0.600.360.250.390.460.220.590.51 TransAtt-Unet0.650.380.290.460.480.220.570.4820211006U-Net0.500.170.480.770.320.080.670.58 Att-Unet0.420.180.670.810.210.020.600.54 TransAtt-Unet0.410.170.610.800.200.040.640.52㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报679㊀3.2㊀降雨预报精度分析利用动态Z R关系计算各降雨场次真实回波和外推回波的逐小时降雨,精度和相关性评价指标见表4㊂20160719㊁20210721和20211006场次真实回波的反演降雨与实际降雨有较高的相关性,但20120726场次真实回波反演降雨与实际降雨的相关性较弱,但该场次回波外推取得较高的技能评分,其原因可能是2012年Z9311雷达为单偏振雷达,所采集的原始回波数据存在一定的数值和发生时间的系统误差,且该场降雨过程变化迅速,导致预报降雨与实际产生误差㊂TransAtt-Unet对20160719和20210721场次降雨在1h预见期内具有较小的误差,Att-Unet在20160719场次降雨的预报中具有最高的相关性㊂3种模型对20211006场次降雨预报效果差别并不显著,其原因是该场降雨强度较小,深度学习模型对此类降雨预报性能较接近㊂在2h 预见期降雨预报中,U-Net模型的降雨预报效果优于其他模型,这与雷达回波外推结果相对应,表明了U-Net在较长预见期降雨预报中的适用性㊂表4㊀降雨相关性评价指标值Table4Rainfall correlation evaluation index value降雨场次模型E MA/mm C C B M/mm1h2h1h2h1h2h20120726U-Net22.5722.49-0.28-0.41-1.96-2.32 Att-Unet23.9921.28-0.22-0.32-0.66-3.08 TransAtt-Unet24.2022.66-0.28-0.32-1.76-2.66真实回波14.780.31 2.9320160719U-Net8.868.840.480.420.22-6.21 Att-Unet8.7010.710.590.170.25-7.05 TransAtt-Unet7.8810.520.580.13-0.74-6.77真实回波 6.020.77-0.0620210721U-Net 4.57 4.780.520.380.31-1.90 Att-Unet 4.85 5.580.320.19-0.93-1.31 TransAtt-Unet 4.40 5.650.470.21-0.22-1.29真实回波 3.090.67-0.4120211006U-Net 2.81 2.650.840.61-2.81-2.39 Att-Unet 2.61 2.790.790.63-2.61-2.79 TransAtt-Unet 2.48 2.620.820.65-2.48-2.62真实回波 1.670.88-1.67㊀㊀预报降雨过程如图5所示㊂3种模型在1h预见期时,预报的20120726场次降雨峰值与实际较为一致,但出现1h时差;对20160719和20210721场次降雨过程预报结果出现部分异常值,这与回波外推过程较大的虚警率有关,但总体上能反映降雨过程变化和雨强峰值;20211006场次降雨则存在少量低估,但能预报出该场降雨峰值出现的时间,这与动态Z R算法对较弱降雨的系统性低估有关㊂2h预见期降雨可以一定程度预报降雨过程的变化,但对各场降雨的峰值存在显著低估㊂目前,小流域降雨临近预报效果普遍较差㊂Heuvelink等[16]采用拉格朗日持续性方法在一个40km2的680㊀水科学进展第34卷㊀流域上对一场强降雨进行预报,产生了50%相对误差,发现面积越小的流域对过程变化迅速的降雨越容易产生误报;石毅[30]采用Farneback光流法和ConvLSTM在柳林实验流域进行降雨预报,结果表明光流法对回波演变的敏感性相对较低,ConvLSTM对强回波存在显著的均化趋势,导致1h预见期强降雨存在严重的低估㊂本研究采用的深度学习方法,在1h预见期内对不同类型的降雨均取得相对较好的回波外推效果,且能较准确的预报出强降雨峰值和变化过程,尽管2h预见期的预报精度相对较差,但能预报出降雨变化过程㊂预报结果存在的误差与定量降雨估计方法的系统误差和小流域上有限的雷达回波信息相关㊂动态Z R关系在定量降雨估计中具有相对较高的精度,但在降雨预报的业务化应用中仍然具有优化的空间,如Mihulet等[31]使用机器学习的方法改善了定量降雨估计的效果㊂另外,由于流域面积较小,随着预见期的延长降雨发生的实际位置也许出现在雷达图之外,使得深度学习的方法对剧烈变化的降雨产生较大的误差,Heuvelink等[16]也指出面积越小的流域对降雨发生的位置敏感性越高㊂图5㊀预报逐小时降雨过程Fig.5Forecasted hourly rainfall process3.3㊀洪水预报精度分析表5为洪水预报精度评价结果㊂3场实测降雨模拟的洪峰流量均小于实测洪峰流量,但E NS均达到了0.7以上㊂预报降雨模拟的20120726和20210721场次峰量较小的洪水,E NS均小于0.3,但20120726场次洪水1h预见期径流量相对误差小于20%,20210721场次洪水的洪峰流量预报效果也好于实测降雨模拟结果㊂对于20160719场次峰量较大的洪水,1h预见期预报的洪水E NS均能达到0.7以上且预报洪峰流量相对误差均小于20%,满足预报的精度要求㊂2h预见期洪水预报效果显著变差,洪峰流量和径流量的预报也存在较大误差㊂1h预见期时,TransAtt-Unet对于3场洪水的预报洪峰流量和径流量相对误差均小于20%,且20160719场次洪水E NS达0.78;Att-Unet则较准确地预报出20210721场次洪水的洪峰流量,相对误差仅为-0.9%㊂由于2h预见期预报的降水量存在显著低估,使得预报洪峰流量显著小于实测值,但U-Net模型对3场洪水预报的E NS为3个深度学习模型的最优值,且预报的20160719场次洪水E NS达0.52㊂㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报681㊀表5㊀洪水预报精度评价结果Table5Accuracy evaluation of forecasted floods洪水场次模型预见期Q S/(m3㊃s-1)E RP/%V S/mm E RV/%ΔT/h E NS20120726U-Net1h31.3-33.4 4.4-13.610.23 2h19.2-59.2 4.7-8.010.16Att-Unet1h40.3-24.5 5.68.810.06 2h17.8-62.1 3.9-43.630.08TransAtt-Unet1h38.0-19.2 5.3 2.210.23 2h19.0-59.6 4.3-17.110.15实测降雨模拟36.7-21.97.0537.200.7220160719U-Net1h372.4 1.2162.525.810.76 2h198.4-46.189.3-30.930.52Att-Unet1h407.310.7165.928.410.77 2h185.3-49.779.3-38.640.34TransAtt-Unet1h354.9-3.6154.819.910.78 2h191.3-48.183.9-35.030.37实测降雨模拟343.3-6.7167.729.810.8320210721U-Net1h123.232.033.010.400.25 2h32.3-65.47.7-74.300.14Att-Unet1h92.5-0.917.9-40.110.04 2h41.6-55.411.6-61.31-0.09TransAtt-Unet1h101.08.325.7-14.000.19 2h57.0-38.912.8-57.210.02实测降雨模拟76.2-18.327.7-7.300.79㊀㊀预报洪水过程线如图6所示㊂3种模型1h预见期洪水变化过程与实际较为一致,预报的20120726场次洪水峰现时间和洪水涨落时间较实际滞后1h;20160719场次预报洪水与实测降雨模拟的峰现时间均较实际滞后1h,预报洪峰与实际较为接近,但径流量存在一定的高估;对于20210721场次洪水预报,U-Net预报的洪峰流量较实际偏大,Att-Unet预报的峰现时间较实际滞后1h,TransAtt-Unet的预报结果与实际更为接近,3种模型均能预报出该场洪水的涨落过程㊂深度学习的方法对于剧烈变化的降雨引发的洪水,1h预见期的预报洪水E NS较低,但能较好地预报出洪水的变化过程和洪峰流量,对量级较大的洪水能取得较高的E NS,且能在准确预报洪水变化过程的基础上,较准确地预报出洪峰流量㊁径流量和峰现时间㊂2h预见期降雨虽然可以预报出洪峰形成过程,但对洪峰流量和径流量存在显著低估㊂糜佳伟等[32]在梅溪流域(面积约956km2)进行降雨预报和洪水预报,指出1h预见期降雨预报结果能满足中小流域洪水预报需求㊂本研究在降雨径流响应时间更快的柳林实验流域进行洪水预报,尽管预报洪水E NS较小,但能在1h预见期对不同类型降雨引发的洪水取得较为准确的洪峰流量和径流量预报效果,预报的20160719场次大洪水的洪峰流量和径流量相对误差小于实测降雨模拟洪水结果,因此,1h预见期洪水预报效果具有一定的准确性,为流域的防洪减灾工作争取了更长的时间㊂未来可在更多流域开展雷达降雨临近预报和洪水预报研究,以验证本文采用的深度学习方法在其他流域的适用性㊂682㊀水科学进展第34卷㊀图6㊀模拟和预报洪水过程线Fig.6Simulated and forecasted flood hydrographs4㊀结㊀㊀论采用深度学习的U-Net㊁Att-Unet和TransAtt-Unet进行雷达回波外推,通过动态雷达反射率因子和降雨强度关系实现雷达降雨临近预报,将降雨预报的结果输入HEC-HMS水文模型对柳林实验流域典型洪水过程进行预报,得到以下主要结论:(1)1h预见期时Att-Unet对强回波过程外推效果较好,TransAtt-Unet对变化更丰富的回波过程外推效果较好;2h预见期时U-Net外推效果更稳定㊂(2)深度学习模型在1h预见期对短时强降雨存在时间上的误差,对持续时间较长的降雨存在少量预报异常值,但均能较准确地预报降雨强度和过程;2h预见期降雨存在显著低估和较大误差㊂(3)3种模型的1h预见期预报的洪水能反映实际变化过程,TransAtt-Unet预报的洪峰流量和径流量误差更小,Att-Unet能对部分场次洪水取得较准确的洪峰预报效果㊂U-Net在2h预见期洪水预报效果精度最高㊂参考文献:[1]雍斌,张建云,王国庆.黄河源区水文预报的关键科学问题[J].水科学进展,2023,34(2):159-171.(YONG B, ZHANG J Y,WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River[J].Advances in Water Science,2023,34(2):159-171.(in Chinese))[2]金君良,舒章康,陈敏,等.基于数值天气预报产品的气象水文耦合径流预报[J].水科学进展,2019,30(3):316-325.(JIN J L,SHU Z K,CHEN M,et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products[J].Advances in Water Science,2019,30(3):316-325.(in Chinese))[3]IMHOFF R O,BRAUER C C,van HEERINGEN K J,et rge-sample evaluation of radar rainfall nowcasting for flood early warning[J].Water Resources Research,2022,58(3):e2021WR031591.[4]IMHOFF R O,de CRUZ L,DEWETTINCK W,et al.Scale-dependent blending of ensemble rainfall nowcasts and numerical weather prediction in the open-source pysteps library[J].Quarterly Journal of the Royal Meteorological Society,2023,149(753):㊀第5期李建柱,等:基于深度学习的雷达降雨临近预报及洪水预报683㊀1335-1364.[5]刘佳,邱庆泰,李传哲,等.降水临近预报及其在水文预报中的应用研究进展[J].水科学进展,2020,31(1):129-142.(LIU J,QIU Q T,LI C Z,et al.Advances of precipitation nowcasting and its application in hydrological forecasting[J]. Advances in Water Science,2020,31(1):129-142.(in Chinese))[6]ZHANG Y C,LONG M S,CHEN K Y,et al.Skilful nowcasting of extreme precipitation with NowcastNet[J].Nature,2023, 619(7970):526-532.[7]SOKOL Z,SZTURC J,ORELLANA-ALVEAR J,et al.The role of weather radar in rainfall estimation and its application in mete-orological and hydrological modelling:a review[J].Remote Sensing,2021,13(3):351.[8]HAN L,ZHAO Y Y,CHEN H N,et al.Advancing radar nowcasting through deep transfer learning[J].IEEE Transactions on Geoscience and Remote Sensing,2022,60:1-9.[9]BI K F,XIE L X,ZHANG H H,et al.Accurate medium-range global weather forecasting with3D neural networks[J].Nature, 2023,619(7970):533-538.[10]李步,田富强,李钰坤,等.融合气象要素时空特征的深度学习水文模型[J].水科学进展,2022,33(6):904-913.(LI B,TIAN F Q,LI Y K,et al.Development of a spatiotemporal deep-learning-based hydrological model[J].Advances in Water Science,2022,33(6):904-913.(in Chinese))[11]RITVANEN J,HARNIST B,ALDANA M,et al.Advection-free convolutional neural network for convective rainfall nowcasting[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2023,16:1654-1667. [12]AYZEL G,SCHEFFER T,HEISTERMANN M.RainNet v1.0:a convolutional neural network for radar-based precipitation now-casting[J].Geoscientific Model Development,2020,13(6):2631-2644.[13]HAN L,LIANG H,CHEN H N,et al.Convective precipitation nowcasting using U-net model[J].IEEE Transactions on Geo-science and Remote Sensing,2022,60:1-8.[14]熊立华,刘成凯,陈石磊,等.遥感降水资料后处理研究综述[J].水科学进展,2021,32(4):627-637.(XIONG LH,LIU C K,CHEN S L,et al.Review of post-processing research for remote-sensing precipitation products[J].Advances in Water Science,2021,32(4):627-637.(in Chinese))[15]刘家宏,梅超,刘宏伟,等.特大城市外洪内涝灾害链联防联控关键科学技术问题[J].水科学进展,2023,34(2):172-181.(LIU J H,MEI C,LIU H W,et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities[J].Advances in Water Science,2023,34(2):172-181.(in Chi-nese))[16]HEUVELINK D,BERENGUER M,BRAUER C C,et al.Hydrological application of radar rainfall nowcasting in the Netherlands[J].Environment International,2020,136:105431.[17]NGUYEN H M,BAE D H.An approach for improving the capability of a coupled meteorological and hydrological model for rain-fall and flood forecasts[J].Journal of Hydrology,2019,577:124014.[18]包红军,曹勇,曹爽,等.基于短时临近降水集合预报的中小河流洪水预报研究[J].河海大学学报(自然科学版),2021,49(3):197-203.(BAO H J,CAO Y,CAO S,et al.Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts[J].Journal of Hohai University(Natural Sciences),2021,49(3): 197-203.(in Chinese))[19]GAO Y B,GUAN J P,ZHANG F H,et al.Attention-unet-based near-real-time precipitation estimation from Fengyun-4A satel-lite imageries[J].Remote Sensing,2022,14(12):2925.[20]FANG J,YANG C,SHI Y T,et al.External attention based TransUNet and label expansion strategy for crack detection[J].IEEE Transactions on Intelligent Transportation Systems,2022,23(10):19054-19063.[21]TREBING K,STA CZYK T,MEHRKANOON S.SmaAt-UNet:precipitation nowcasting using a small attention-UNet architec-ture[J].Pattern Recognition Letters,2021,145:178-186.[22]ZOU H B,WU S S,TIAN M X.Radar quantitative precipitation estimation based on the gated recurrent unit neural network andecho-top data[J].Advances in Atmospheric Sciences,2023,40(6):1043-1057.[23]GOU Y B,CHEN H N,CHANDRASEKAR V.A dynamic approach to quantitative precipitation estimation using multiradar mul-tigauge network[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(9):6376-6390.。

全国雷达分钟降水方法在面雨量预报上应用的检验作者：丁劲张国平高金兵王曙东王阔音薛冰章芳杨静来源：《安徽农业科学》2021年第17期摘要为了解基于全国雷达分钟降水方法在面雨量上的短期预报效果，利用2020年7月25日08：00—28日08：00安徽巢湖及其子流域的实况面雨量数据，依据平均绝对误差、均方根误差、TS评分、漏报率和空报率几项检验指标，对安徽巢湖及其子流域研究时段内逐小时和累计2 h面雨量预报结果进行检验评估。

结果表明，全国雷达分钟降水方法对巢湖北部平原区子流域的预报效果好于南部丘陵地区子流域;累积2 h产品的预报效果好于逐小时产品的预报效果;对小雨量的预报结果优于大雨量的预报结果。

关键词全国雷达分钟降水方法;流域;面雨量;短期预报;检验中图分类号 S165 文献标识码 A文章编号 0517-6611（2021）17-0221-05doi：10.3969/j.issn.0517-6611.2021.17.056Abstract In order to understand the short-term forecasting effect on the surface rainfall based on the minute quantitative precipitation forecast （MQPF），the actual surface rainfall data of Anhui Chaohu Lake and its sub-catchments from 08：00 July 25 to 08：00 July 28， 2020 were used to relyon the average absolute error，root mean square error，TS score，omission rate and false prediction ratio were several test indicators to test and evaluate the hourly and cumulative 2-h area rainfall forecast results during the study period of Chaohu Lake and its sub-catchments in Anhui.The results showed that the MQPF forecast had a better forecasting effect on the sub-basins in the northern plain area of Chaohu Lake than those in the southern hilly area.More accurate forecast could be seen in cumulative two-hour products than hourly products.The low rainfall level showed better results than the forecast for high rainfall level.Key words Minute quantitative precipitation forecast （MQPF）;Basins;Area rainfall;Short-term forecast;Verification面雨量是水文预报中的一个重要参量，面雨量预报的精度直接关系到洪水预报精度和洪水调度决策的科学性[1]。

第35卷第6期2020年12月成都信息工程大学学报JOUＲNAL OF CHENGDU UNIVEＲSITY OF INFOＲMATION TECHNOLOGYVol．35No．6Dec．2020文章编号：2096-1618（2020）06-0589-05基于C onvLSTM 的雷达回波外推赖灿1，王海江1，李静2，徐自励2，刘涛1（1．成都信息工程大学电子工程学院，四川成都610225；2．中国民航局第二研究所，四川成都610041）摘要：为对雷达回波产品进行预测，研究一种基于ConvLSTM 的雷达回波外推神经网络模型，采用结构为长短时记忆网络，对其结构做出一些改变后可以使用多维数据作为输入。

且采纳单极化SA 雷达的反射率数据作为数据集。

结果证明：（1）采用相当多或者足够多的数据集，并进行数据预处理，包括数据筛选、排序、拟合、滤波。

之后进行标准化，将数据按比例缩放，使其反射率值以0为中心并分布在一个小的区间内。

（2）使用卷积层对反射率数据提取特征，并在隐藏层后面接入全连接层和回归层后，可以得到更优化和更准确地预测结果。

（3）利用适当的激活函数和一定的正则化方法可以减少模型的过度拟合，提高模型的训练精度。

实验结果表明，对18min 内的雷达回波有较好的预测效果，对反射率小于30的回波有较好的预测能力。

关键词：ConvLSTM ；雷达回波外推；数据预处理；优化；正则化中图分类号：TN957．51+3文献标志码：Adoi ：10．16836/j．cnki．jcuit．2020．06．001收稿日期：2020-07-13基金项目：国家自然基金民航联合研究基金资助项目（U1733103）0引言临近天气预报指的是在未来短时间内对一些强度较大、变化较快的，如雷暴、强降水、冰雹之类的天气现象进行预测，这些天气过程通常持续时间短但是破坏性强。

一般来说，临近天气预报的可用预报时效性为2h 内［1］。

而进行临近天气预报的主要手段是雷达回波外推技术，对回波运行的速度、方向、强度和形态变化等特征进行跟踪和预测。

降水临近预报及其在水文预报中的应用研究进展降水临近预报及其在水文预报中的应用研究进展随着气候变化的加剧，降水成为了全球范围内气象学和水文学领域的重要研究课题之一。

降水临近预报是对未来一段时间内降水可能发生的时空分布进行预测的一种方法。

这种预报方法不仅能够为气象学和水文学研究提供重要信息，还可以应用于水文预报中，为防洪、供水等水资源管理提供支持。

降水临近预报的关键在于准确预测降水的时空分布。

传统的降水预报主要是利用观测数据和数值模型来进行，但是这些方法在预测时效比较长的情况下，预测精度会有很大的限制。

因此，为了提高降水预报的准确性，研究人员逐渐采用了多种新的技术和方法。

遥感技术是降水临近预报的重要手段之一。

通过卫星遥感获取到的大气和云图像数据可以提供丰富的降水信息。

遥感技术可以实时监测大气气象因子的变化，包括云高、云量、云类型等，从而准确预测未来降水的时空分布。

利用卫星遥感数据进行的降水预报已经在一些地区得到了广泛应用。

气象雷达是另一个重要的降水临近预报工具。

气象雷达可以实时监测大气中的降水情况，并提供降雨的强度、范围和时效等信息。

对气象雷达数据进行处理和分析，可以得到降水的时空分布，并且可以通过雷达距离、雷达观测角度等因素来估计未来降水发展趋势。

利用气象雷达进行降水预报已经在天气预报和防洪预报中得到了广泛应用。

另外，数值模型是降水临近预报的常用方法之一。

数值模型通过对大气运动的方程进行数值求解，来模拟大气中的物理过程和运动规律。

通过输入初始条件和边界条件，数值模型可以预测未来一段时间内的降水分布。

然而，由于大气系统的非线性和复杂性，数值模型在预测降水时仍然存在一些问题，尤其是对于复杂地形和复杂天气系统的预测。

在水文预报中，降水临近预报的应用主要体现在洪水预报和水资源管理中。

洪水预报是通过预测未来一段时间内的降水量和径流等信息，来预警可能发生的洪水灾害。

降水临近预报可以帮助决策者及时采取防洪措施，减少洪水灾害造成的损失。

基于深度学习的天气雷达回波外推的研究进展基于深度学习的天气雷达回波外推的研究进展天气雷达回波外推是天气预报中重要的技术支撑，通过分析天气雷达回波数据并预测未来的天气情况，可以帮助人们及时制定应对措施，减少灾害风险。

近年来，随着深度学习技术的迅猛发展，其在天气预报领域的应用也取得了显著的进展。

深度学习是一种通过模拟人脑神经网络结构和功能，实现机器自主学习和智能决策的技术。

在天气雷达回波外推中，深度学习可以通过大量的历史回波数据进行训练，并通过学习天气系统的特征和模式，预测未来的天气情况。

相比传统的统计方法和物理模型，深度学习可以更好地捕捉不同天气现象之间的复杂关系，提高天气预报的准确性和稳定性。

首先，深度学习在特征提取方面具有优势。

传统的天气雷达回波外推方法通常将回波数据转换为一些手工设计的特征，然后利用这些特征进行预测。

但是，这种方法需要针对不同的天气现象进行不同的特征设计，且难以捕捉到一些隐含的天气信息。

而深度学习可以通过多层的神经网络，自动地从原始的回波数据中学习到更具有区分性的特征，从而提高预测的准确性。

其次，深度学习可以处理非线性的关系。

天气系统中存在着多种天气现象，如降雨、冰雹、风暴等，它们之间的关系往往是非线性的。

传统的回归模型很难建立起这种复杂的非线性关系，而深度学习可以通过构建多个神经元之间的连接，并通过非线性激活函数来实现对非线性关系的建模。

这使得深度学习在处理复杂的天气回归问题上具有更好的表达能力。

另外，深度学习还可以处理多个尺度的信息。

天气现象通常在不同的空间和时间尺度上都有所体现，而深度学习可以通过卷积神经网络（CNN）和循环神经网络（RNN）等架构，同时考虑不同尺度的信息。

CNN可以捕捉到不同空间位置之间的关系，RNN可以捕捉到不同时间步之间的演变关系。

通过综合考虑不同尺度上的信息，深度学习可以提高回波外推的精度。

然而，深度学习在天气雷达回波外推中仍面临一些挑战。

首先是数据稀疏性问题。

基于生成对抗网络和卫星数据的云图临近预报
肖海霞;张峰;王亚强;唐飞;郑玉
【期刊名称】《应用气象学报》
【年(卷),期】2023(34)2
【摘要】利用风云四号气象卫星A星(FY-4A)红外云图,基于生成对抗网络方法,提出了红外云图外推预报模型,实现了华东区域未来3 h的云图预报,预报的时空分辨率分别为1 h和4 km。

结果表明:该外推模型预报的云图可较好描述云团移动、发展和减弱趋势,对研究区域内云团的强度、位置和形态得到较为理想的预报效果。

为了验证提出的云图外推模型的有效性,将其与光流法和轨迹门控循环单元模型进行比较。

对比试验结果表明:该云图外推模型具有最优的预报效果,说明使用生成对抗网络进行云图外推具有较好的可行性,能有效应用于气象业务中监测云团的生消和移动并提前预警灾害性天气的发生,为天气预报提供重要的参考依据。

【总页数】14页(P220-233)
【作者】肖海霞;张峰;王亚强;唐飞;郑玉
【作者单位】南京气象科技创新研究院、中国气象局交通气象重点开放实验室;上海期智研究院;复旦大学大气与海洋科学系/大气科学研究院;中国气象科学研究院【正文语种】中文
【中图分类】P45
【相关文献】
1.卫星气象高科技知识传播特点探究——基于卫星云图《模拟电视天气预报主持人》案例
2.基于生成对抗网络GAN的人工智能临近预报方法研究
3.基于FY2G卫星云图产品模拟生成地面站点云量数据产品的设计与实现
4.基于气象雷达反演和云图
外推法的临近期降雨预报方法研究5.基于生成对抗网络的仿真卫星云图生成方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于气象雷达的降水预测研究降水预测是气象学中的一个重要研究领域，对于人们的生产、生活和自然灾害预防有着重要的意义。

近年来，随着科技的不断发展和气象观测技术的不断进步，基于气象雷达的降水预测成为研究的热点之一。

本文将探讨基于气象雷达的降水预测研究的现状、方法和应用，并展望未来的发展趋势。

一、现状降水预测研究作为一门复杂而又实用的学科，近年来取得了长足的发展。

在气象雷达的应用方面，以往主要依赖气象卫星和地面气象观测站获取的资料，其精度和时效性有一定限制。

而气象雷达能够以高时间和空间分辨率获取降水信息，为降水预测提供了更准确的数据源。

二、方法基于气象雷达的降水预测方法主要包括雷达降水强度调整、雷达反演降水率、雷达回波外推等。

其中，雷达降水强度调整是根据雷达回波强度与实际降水量之间的关系进行修正，以提高降水场的实际效果。

雷达反演降水率是通过对雷达回波数据进行解析和推算，得到降水场的强度、分布情况。

雷达回波外推则是根据历史降水、云图以及气象模型的数据，对未来降水进行预测。

三、应用基于气象雷达的降水预测在实际应用中具有广泛的用途。

首先，在天气预报方面，它可以提供更准确的降水预报信息，帮助人们更好地做出出行和活动安排。

其次，它对防灾减灾也具有重要意义。

通过实时监测降水情况，可以及时预警暴雨、洪涝等自然灾害，提前采取相应措施，保护人民的生命财产安全。

此外，在农业、水资源管理等领域，基于气象雷达的降水预测也能提供重要参考，帮助农民做出农作物种植、水资源调度等决策。

四、未来发展趋势基于气象雷达的降水预测研究仍然面临一些挑战和问题。

例如，降水研究需要多学科的交叉和合作，进一步提高预测精度和时效性。

此外，由于气象雷达的价格较高，部署和维护成本也较高，因此在资源匮乏的地区应用仍有待改善。

未来的发展趋势可能包括结合其他传感器数据，如卫星遥感等，以提高降水预测的精度和可靠性。

同时，随着机器学习和人工智能的不断发展，将有望应用在降水预测研究中，进一步提升预测能力。

面向降雨预报的雷达回波预测序列外推方法
罗健文;邹茂扬;杨昊;陈敏;杨康权
【期刊名称】《计算机应用研究》
【年(卷),期】2024(41)4
【摘要】雷达回波外推方法广泛应用于降雨预报中。

针对雷达回波中的预测精度不够高的问题,提出了一种基于循环神经网络的深度学习模型DIPredRNN。

该模型通过引入空间和通道的双注意力机制,将长时间的时间信息和通道信息结合起来,提高了时间记忆的长期依赖;通过引入隐藏状态和输入的交互框架,保留了更多的特征,提高了时间记忆的短期依赖。

该模型在HKO-7数据集和四川数据集上同经典模型以及诸多先进模型进行实验对比,该模型从外推图像、MSE、SSIM、CSI-30~50 dbz多个指标对比中都取得最佳效果。

实验证明了DIPredRNN提高了雷达回波预测效果,拥有先进的性能。

【总页数】5页(P1138-1142)
【作者】罗健文;邹茂扬;杨昊;陈敏;杨康权
【作者单位】成都信息工程大学;中国科学院成都计算机应用研究所;四川省气象台【正文语种】中文
【中图分类】TN957.51;P457.6
【相关文献】
1.雷达回波外推方法在临近降雨预报中的应用
2.一种雷达回波外推短临预报方法仿真
3.结合中尺度模式物理约束的雷达回波临近外推预报方法研究
4.基于气象雷达
反演和云图外推法的临近期降雨预报方法研究5.基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究
因版权原因，仅展示原文概要，查看原文内容请购买。