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。