查看更多>>摘要:雷达回波外推是临近预报、人工影响天气作业及效果评估的主要参考依据之一,快速准确的回波外推技术一直是雷达气象领域的研究热点.近年来,基于深度学习的时空序列预测模型在雷达回波外推中得到了广泛应用.然而,这些外推网络架构的输入大多用 16级伪彩色雷达回波强度产品转化而来的灰度图,丢失了许多回波细节,并且随着外推时间延长,误差不可避免地增大.回波的生消、移动、演变与天气背景紧密相关,因此,将北京城市气象研究院研发的新一代快速更新多尺度资料分析和预报系统的临近数值预报子系统(RMAPS-NOW)初始零场的部分物理量产品融入华北雷达拼图原始数据,构建多个雷达单元(Radar cells),并将这些雷达单元作为输入,基于卷积长短期记忆网络(ConvLSTM),设计了一个多通道雷达回波外推网络架构(MR-ConvLSTM).另外,考虑到卷积算法的平滑性,构建了自定义损失函数,增加回波强度的时空权重进行时空衰减订正.选取(40.65°—41.65°N,114°—115.4°E)内 2018-2021年的 6-9月共 13000组华北雷达组合反射率因子拼图及RMAPS-NOW初始零场数据,其中的 80%共 10400组为训练集,20%共 2600组为测试集.引入的物理量包括多个高度层的u、v风(1350 m),相对湿度(RH,150 m),水平散度(1350 m)等,基于ConvLSTM及MR-ConvLSTM加自定义损失函数,分别训练得到 5个雷达回波外推模型.采用临界成功指数(CSI)、命中率(POD)、虚警率(FAR)作为评价指标,利用测试集对所有模型进行评估.基于引入物理量的MR-ConvLSTM训练得到的模型在 20、30、35 dBz反射率阈值下,比未引入物理量的基于ConvLSTM的外推模型CSI值平均高4.67%、13.8%、5.98%,POD值平均高 3.1%、7.68%、8.38%,FAR值平均低 6.37%、8.54%、10.17%,同时引入 3种物理量(RH、u、v)的外推模型在不同阈值的各项指标中综合表现最好,其CSI、POD值在 3种不同阈值下比未引入物理量模型平均高 16.01%、13.38%,FAR值平均低 14.88%.从模型应用的个例可视化也可以看出,引入物理量后有效提升了雷达回波外推的准确度,证明基于MR-ConvLSTM架构训练的雷达回波外推模型有较强的泛化能力.