结合Causal-LSTM单元的CrevNet深度学习模型在对流降水临近预报中的试验研究

作     者：张永轩 黄兴友 王雪婧 于华英 楚志刚 

作者机构：南京信息工程大学大气物理学院 

出 版 物：《水利水电技术(中英文)》 (Water Resources and Hydropower Engineering)

年 卷 期：2024年

学科分类：07[理学] 070601[理学-气象学] 0706[理学-大气科学] 

基　　金：国家重点研发计划项目“重大自然灾害监测预警”课题(2018YFC1506102) 山东省自然科学基金双偏振雷达资料在强对流天气中的应用研究(ZR2020MD053) 

主　　题：对流临近预报 深度学习 CrevNet Huber损失 雷达反射率 降水 气候变化 防灾减灾 

摘      要：【目的】中尺度对流降水预报是天气预报的重点和难点之一，天气雷达探测的高时空分辨率降水数据是开展0～2h临近预报的重要依据，对高分辨率中小流域雨洪预报具有重要意义。利用雷达数据开展对流降水临近预报为人们出行、农业生产指导、防灾减灾提供便利，在气象和水文领域具有实际应用价值。【方法】以广州新一代S波段天气雷达体扫资料为基础，采用基于Causal-LSTM记忆模块的条件可逆网络CrevNet开展对流降水临近预报的能力研究，并将模型的预报效果与基于普通ST-LSTM的模型进行对比分析，验证其优越性。为提升预报模型对强回波的记忆能力使用了带权重Huber损失。采用临界成功指数（CSI）、命中率（POD）、虚警率（FAR）评估了测试集在不同预报时效和检验阈值下的预测效果。此外，还采用峰值信噪比（PSNR）、图像结构相似性（SSIM）以及偏差评分（BIAS）检验新生对流回波的预测能力。【结果】结果显示：基于Causal-LSTM记忆单元的CrevNet模型在预报时段内CSI、POD较高，FAR较低。在两次对流个例的预测中，该模型在多个预测时效下具有较高的PSNR、SSIM以及更接近1 的BIAS。【结论】研究表明：条件可逆网络CrevNet深度学习模型对于时空序列有较强的时空特征提取能力，搭配不同的卷积循环神经单元，预报效果会有不同；结合Causal-LSTM记忆单元的CrevNet模型能更好地保留对流回波形态，适用于对流降水临近预报。