当期目录
2024年 第40卷 第6期
2024,
40(6):
869-881. doi: 10.16032/j.issn.1004-4965.2024.076
摘要:
数值模式预报在气象预测中占据核心地位,利用深度学习技术提升预报的空间精度是空间降尺度的重要发展方向之一。然而,传统生成式模型存在计算效率低、空间纹理精度不足以及模式坍塌等问题。为了解决这些问题,提出了一种基于残差移位扩散模型的数值模式预报空间降尺度方法。具体而言,将残差引入扩散模型的扩散过程中,帮助模型快速收敛,减少采样步骤,相比潜空间扩散模型,推理时间缩短到四十分之一,有效提高了计算效率。通过扩散模型逐步去噪的过程,生成高质量和细节丰富的降尺度图像,显著提升了空间细节表现力。此外,设计了一个噪声灵活控制机制,有效缓解了模式坍塌问题,保证了生成图像的多样性。在与生成对抗模型的对比试验中,本方法在峰值信噪比(PSNR)、结构相似性(SSIM)和图像感知相似度(LPIPS)等指标上分别实现了6%、12%和16%的显著提升。通过这一方法,有望为气象敏感行业提供更准确、更精细的天气信息,推动相关领域的技术进步。
数值模式预报在气象预测中占据核心地位,利用深度学习技术提升预报的空间精度是空间降尺度的重要发展方向之一。然而,传统生成式模型存在计算效率低、空间纹理精度不足以及模式坍塌等问题。为了解决这些问题,提出了一种基于残差移位扩散模型的数值模式预报空间降尺度方法。具体而言,将残差引入扩散模型的扩散过程中,帮助模型快速收敛,减少采样步骤,相比潜空间扩散模型,推理时间缩短到四十分之一,有效提高了计算效率。通过扩散模型逐步去噪的过程,生成高质量和细节丰富的降尺度图像,显著提升了空间细节表现力。此外,设计了一个噪声灵活控制机制,有效缓解了模式坍塌问题,保证了生成图像的多样性。在与生成对抗模型的对比试验中,本方法在峰值信噪比(PSNR)、结构相似性(SSIM)和图像感知相似度(LPIPS)等指标上分别实现了6%、12%和16%的显著提升。通过这一方法,有望为气象敏感行业提供更准确、更精细的天气信息,推动相关领域的技术进步。
2024,
40(6):
882-895. doi: 10.16032/j.issn.1004-4965.2024.077
摘要:
在全球气候变化背景下,越来越多的地区面临着热带气旋的威胁。因此,准确预测热带气旋的轨迹变化对于气象预警和灾害管理至关重要。然而,传统的基于深度学习的热带气旋预测方法在建模热带气旋的时空相关性方面存在局限。为此,提出了一种新的深度时空融合网络——DSTFN(Deep Spatio-Temporal Fusion Network)模型,以提高对热带气旋轨迹的预测精度和稳定性。构建了有效融合ConvNeXt(Convolutional Next) 模型和门控循环单元的 CaConvNeXt - GRU(Convolutional Block Attention Module Integrated with ConvNeXt and Gated Recurrent Unit)模型,以提取热带气旋三维时序数据中的复杂非线性时空特征。同时,引入了卷积块注意力模块,以自动聚焦不同等压面对热带气旋影响更大的特征。此外,设计了分阶段的训练策略,通过依次进行预训练、联合训练和整体训练实现了不同模块的有效融合。为了评估所设计的方法,在国际气候管理最佳路径档案和第五代大气再分析数据集上进行了大量实验。实验结果证明,在预测未来24 h的热带气旋轨迹时,相比于现有的基于深度学习的热带气旋轨迹预测模型,DSTFN模型的平均预测误差降低了约13.71 km。
在全球气候变化背景下,越来越多的地区面临着热带气旋的威胁。因此,准确预测热带气旋的轨迹变化对于气象预警和灾害管理至关重要。然而,传统的基于深度学习的热带气旋预测方法在建模热带气旋的时空相关性方面存在局限。为此,提出了一种新的深度时空融合网络——DSTFN(Deep Spatio-Temporal Fusion Network)模型,以提高对热带气旋轨迹的预测精度和稳定性。构建了有效融合ConvNeXt(Convolutional Next) 模型和门控循环单元的 CaConvNeXt - GRU(Convolutional Block Attention Module Integrated with ConvNeXt and Gated Recurrent Unit)模型,以提取热带气旋三维时序数据中的复杂非线性时空特征。同时,引入了卷积块注意力模块,以自动聚焦不同等压面对热带气旋影响更大的特征。此外,设计了分阶段的训练策略,通过依次进行预训练、联合训练和整体训练实现了不同模块的有效融合。为了评估所设计的方法,在国际气候管理最佳路径档案和第五代大气再分析数据集上进行了大量实验。实验结果证明,在预测未来24 h的热带气旋轨迹时,相比于现有的基于深度学习的热带气旋轨迹预测模型,DSTFN模型的平均预测误差降低了约13.71 km。
2024,
40(6):
896-905. doi: 10.16032/j.issn.1004-4965.2024.078
摘要:
大气细颗粒物污染深刻影响着人体健康、大气能见度以及气候变化等诸多方面,对PM2.5浓度进行精细化预报至关重要。因此,本研究基于随机森林(Random Forest,RF)、LightGBM(Light Gradient Boosting Machine)和XGBoost(Extreme Gradient Boosting Machine)等多种机器学习方法,分别构建了基于中国气象局雾-霾数值预报系统(CMA Unified Atmospheric Chemistry Environment,CUACE)Ⅴ3.0版本的京津冀地区PM2.5订正预报模型,并对比分析各个机器学习模型的预报效果和性能差异。研究结果表明:三种机器学习算法误差(ME)和平均绝对误差(MAE)均较CUACE雾霾模式明显降低,而且在不同预报时效下的ME和MAE变化幅度更小,反映出基于机器学习算法得到的PM2.5订正预报稳定性较好。此外,在三种机器学习算法中,RF算法预报性能最佳,ME和MAE分别为-3.0 μg·m-3和23.6 μg·m-3,RF平均绝对误差的改善幅度最为突出,达到11.5%,而且对区域内“正订正”的站点比例达到97.7%,明显优于LightGBM和XGBoost算法。另外,对2024年3月9日至12日雾霾天气过程进行预报检验评估,RF算法的TS评分最高,其轻度污染、中度污染以及重度污染及以上TS评分分别为0.43、0.19和0.03。由此可以看出,RF算法的预报效果更为突出,研究结果在实际业务预报中具有一定参考意义。
大气细颗粒物污染深刻影响着人体健康、大气能见度以及气候变化等诸多方面,对PM2.5浓度进行精细化预报至关重要。因此,本研究基于随机森林(Random Forest,RF)、LightGBM(Light Gradient Boosting Machine)和XGBoost(Extreme Gradient Boosting Machine)等多种机器学习方法,分别构建了基于中国气象局雾-霾数值预报系统(CMA Unified Atmospheric Chemistry Environment,CUACE)Ⅴ3.0版本的京津冀地区PM2.5订正预报模型,并对比分析各个机器学习模型的预报效果和性能差异。研究结果表明:三种机器学习算法误差(ME)和平均绝对误差(MAE)均较CUACE雾霾模式明显降低,而且在不同预报时效下的ME和MAE变化幅度更小,反映出基于机器学习算法得到的PM2.5订正预报稳定性较好。此外,在三种机器学习算法中,RF算法预报性能最佳,ME和MAE分别为-3.0 μg·m-3和23.6 μg·m-3,RF平均绝对误差的改善幅度最为突出,达到11.5%,而且对区域内“正订正”的站点比例达到97.7%,明显优于LightGBM和XGBoost算法。另外,对2024年3月9日至12日雾霾天气过程进行预报检验评估,RF算法的TS评分最高,其轻度污染、中度污染以及重度污染及以上TS评分分别为0.43、0.19和0.03。由此可以看出,RF算法的预报效果更为突出,研究结果在实际业务预报中具有一定参考意义。
2024,
40(6):
906-917. doi: 10.16032/j.issn.1004-4965.2024.079
摘要:
作为减少短期气候预测误差的技术,数据订正成为了重要的研究方向。而深度学习作为一种新兴方法已经应用到数据订正技术中,其中常用的模型是U-Net,但它存在不可避免的缺陷。第一,U-Net基于卷积神经网络,但是受限于卷积神经网络的小感受野,这导致U-Net不能从全局的角度学习空间特征;第二,U-Net的下采样操作容易丢失图像细节信息。这两点都影响了该模型的订正性能。因此采取以下两个措施进行改进,一是将原模型与能够学习图片全局特征的Vision Transformer有机结合起来,使其能够从全局的角度学习空间特征;二是引入UNet 3+模型中的全尺度连接操作,弥补原下采样中丢失的图像细节信息。改进之后的模型称为UNet-Former 3+,在CMIP6中月平均2 m气温的春季和冬季数据集上进行订正实验,ERA5为实验标签。模型会与分位数映射、岭回归、U-Net、CU-Net、Dense-CUnet和RA-UNet这六种订正方法进行对比。实验结果表明,此模型在两个季节的平均绝对误差都下降49%,均方根误差都下降57%,两者都低于上述六种方法。总之,UNet-Former 3+在春季和冬季的订正效果优于上述六种方法。
作为减少短期气候预测误差的技术,数据订正成为了重要的研究方向。而深度学习作为一种新兴方法已经应用到数据订正技术中,其中常用的模型是U-Net,但它存在不可避免的缺陷。第一,U-Net基于卷积神经网络,但是受限于卷积神经网络的小感受野,这导致U-Net不能从全局的角度学习空间特征;第二,U-Net的下采样操作容易丢失图像细节信息。这两点都影响了该模型的订正性能。因此采取以下两个措施进行改进,一是将原模型与能够学习图片全局特征的Vision Transformer有机结合起来,使其能够从全局的角度学习空间特征;二是引入UNet 3+模型中的全尺度连接操作,弥补原下采样中丢失的图像细节信息。改进之后的模型称为UNet-Former 3+,在CMIP6中月平均2 m气温的春季和冬季数据集上进行订正实验,ERA5为实验标签。模型会与分位数映射、岭回归、U-Net、CU-Net、Dense-CUnet和RA-UNet这六种订正方法进行对比。实验结果表明,此模型在两个季节的平均绝对误差都下降49%,均方根误差都下降57%,两者都低于上述六种方法。总之,UNet-Former 3+在春季和冬季的订正效果优于上述六种方法。
2024,
40(6):
918-930. doi: 10.16032/j.issn.1004-4965.2024.080
摘要:
为了提高超大城市积水内涝的监测预警能力,针对现有积水内涝检测方法实用性、实时性存在的不足,依托广州市9万余个高密度公共监控视频作为数据基础,基于深度学习的目标检测RTMDet (Real-Time Models for Object Detection) 模型建立了一种道路积水内涝图像识别方法,采用多线程技术实现大规模视频点图像的高效采集,同时基于实例分割RTMDet模型实现积水内涝目标的快速检测和识别。使用2018年8月15日—2020年5月23日通过视频接口和互联网收集的共8 463张图像样本集构建识别模型,用2020年6月25日—2022年9月10日采集的6 106张图像对模型进行检验评估。结果表明:强降水过程中,模型能准确识别出具有明显积水内涝特征的图像及积水内涝特征所处图像的位置区域,数据清洗后模型总体识别准确率为86.60%;光线干扰和降水造成摄像头画面模糊是导致模型虚警的两大主要因素。研究成果已经在广州气象影响预报业务检验和广州市应急指挥决策辅助系统应用,为城市积水内涝自动监测和预警提供有效支撑,对水务、交通等气象业务场景有一定的参考价值。
为了提高超大城市积水内涝的监测预警能力,针对现有积水内涝检测方法实用性、实时性存在的不足,依托广州市9万余个高密度公共监控视频作为数据基础,基于深度学习的目标检测RTMDet (Real-Time Models for Object Detection) 模型建立了一种道路积水内涝图像识别方法,采用多线程技术实现大规模视频点图像的高效采集,同时基于实例分割RTMDet模型实现积水内涝目标的快速检测和识别。使用2018年8月15日—2020年5月23日通过视频接口和互联网收集的共8 463张图像样本集构建识别模型,用2020年6月25日—2022年9月10日采集的6 106张图像对模型进行检验评估。结果表明:强降水过程中,模型能准确识别出具有明显积水内涝特征的图像及积水内涝特征所处图像的位置区域,数据清洗后模型总体识别准确率为86.60%;光线干扰和降水造成摄像头画面模糊是导致模型虚警的两大主要因素。研究成果已经在广州气象影响预报业务检验和广州市应急指挥决策辅助系统应用,为城市积水内涝自动监测和预警提供有效支撑,对水务、交通等气象业务场景有一定的参考价值。
2024,
40(6):
931-942. doi: 10.16032/j.issn.1004-4965.2024.081
摘要:
数值模式的海面风速预报存在偏差,基于数值模式的统计模型虽然能在一定程度上减小偏差,但由于大风样本严重不足,其对大风的预报效果仍然差强人意。在系统检验ECMWF的24 h海面风速预报的基础上,利用XGBoost模型构建了适用于中国近海的海面风速预报订正模型。该模型不仅从整体上具有不错的预报准确度,还通过采用加权损失函数的训练方式,明显改善了大风的预报效果。利用2022年1月—2023年1月我国近海14个浮标观测数据对模型进行独立检验,模型的平均误差和均方根误差分别为0.11 m·s-1和1.75 m·s-1,其中,对于7~9级风,模型的预报准确度较ECMWF显著提高,均方根误差分别降低了15%、25%、24%。此外,当模型应用在未参与训练的网格点上时,模型仍然能获得较ECMWF更准确的预报。该模型操作方便容易使用,可为中国近海海面风速预报尤其是大风预报提供参考。
数值模式的海面风速预报存在偏差,基于数值模式的统计模型虽然能在一定程度上减小偏差,但由于大风样本严重不足,其对大风的预报效果仍然差强人意。在系统检验ECMWF的24 h海面风速预报的基础上,利用XGBoost模型构建了适用于中国近海的海面风速预报订正模型。该模型不仅从整体上具有不错的预报准确度,还通过采用加权损失函数的训练方式,明显改善了大风的预报效果。利用2022年1月—2023年1月我国近海14个浮标观测数据对模型进行独立检验,模型的平均误差和均方根误差分别为0.11 m·s-1和1.75 m·s-1,其中,对于7~9级风,模型的预报准确度较ECMWF显著提高,均方根误差分别降低了15%、25%、24%。此外,当模型应用在未参与训练的网格点上时,模型仍然能获得较ECMWF更准确的预报。该模型操作方便容易使用,可为中国近海海面风速预报尤其是大风预报提供参考。
2024,
40(6):
943-953. doi: 10.16032/j.issn.1004-4965.2024.082
摘要:
可解释人工智能(eXplainable Artificial Intelligence,XAI)已经成为人工智能研究领域的重要发展方向,该技术可以帮助解释模型如何做出预测和决策,在气象灾害评估领域具有较大应用价值。本研究旨在利用机器学习算法评估热带气旋(Tropical Cyclone,TC)的直接经济损失,并采用XAI方法SHAP(SHapley Additive exPlanations),从全局和局部层面分析特征因素对模型预测的影响和贡献。结果表明,随机森林(Random Forest, RF)模型在均方根误差、平均绝对误差和决定系数这三个评估指标中均优于LightGBM(Light Gradient Boosting Machine)模型,指标值分别达到了23.6、11.1和0.9。根据SHAP值,RF模型中最重要的三个因素分别是极大风速、最大日雨量和暴雨站点比例。具体而言,当样本的极大风速值大于45 m ·s-1、最大日雨量值超过250 mm以及暴雨站点比例高于30%时,往往对TC直接经济损失预测值产生较大的正贡献。该研究可以为决策者制定灾害风险管理策略提供有力的科学依据和理论支持。
可解释人工智能(eXplainable Artificial Intelligence,XAI)已经成为人工智能研究领域的重要发展方向,该技术可以帮助解释模型如何做出预测和决策,在气象灾害评估领域具有较大应用价值。本研究旨在利用机器学习算法评估热带气旋(Tropical Cyclone,TC)的直接经济损失,并采用XAI方法SHAP(SHapley Additive exPlanations),从全局和局部层面分析特征因素对模型预测的影响和贡献。结果表明,随机森林(Random Forest, RF)模型在均方根误差、平均绝对误差和决定系数这三个评估指标中均优于LightGBM(Light Gradient Boosting Machine)模型,指标值分别达到了23.6、11.1和0.9。根据SHAP值,RF模型中最重要的三个因素分别是极大风速、最大日雨量和暴雨站点比例。具体而言,当样本的极大风速值大于45 m ·s-1、最大日雨量值超过250 mm以及暴雨站点比例高于30%时,往往对TC直接经济损失预测值产生较大的正贡献。该研究可以为决策者制定灾害风险管理策略提供有力的科学依据和理论支持。
2024,
40(6):
954-965. doi: 10.16032/j.issn.1004-4965.2024.084
摘要:
为了实现江苏地区雷暴大风智能预警信号的自动生成以提升雷暴大风临近预报预警能力,在建立分钟级、公里级网格风场数据集的基础上,区分雷暴大风、系统性大风和混合性大风过程,并结合生成对抗网络(Generative Adversarial Network, GAN,针对雷暴大风建模)和具有物理约束架构的时空卷积神经网络(Physical Dynamics Network, PhyDNet,针对系统性大风和混合性大风建模),发展了基于深度学习的江苏地区0~2 h雷暴大风临近预报模型(Blending),实现面向区县的客观、分级预警信号自动生成技术,并对比探究了Blending和PhyDNet_ALL(不区分大风类型,直接采用PhyDNet建模)两种深度学习方法分别生成的客观预警信号与主观预警信号在2023年汛期的表现。结果表明:(1)相较于主观预警信号,由深度学习方法生成的客观预警信号能有效提升预警信号提前量;(2)深度学习方法可以提前预报出强对流大风天气及其演变过程;(3)由于Blending针对雷暴大风单独建模,确保对流系统强度以及中小尺度特征的维持,因此Blending可以更好地描述极端雷暴大风的演变特征,在橙色和红色预警信号提前量上显著高于PhyDNet_ALL。
为了实现江苏地区雷暴大风智能预警信号的自动生成以提升雷暴大风临近预报预警能力,在建立分钟级、公里级网格风场数据集的基础上,区分雷暴大风、系统性大风和混合性大风过程,并结合生成对抗网络(Generative Adversarial Network, GAN,针对雷暴大风建模)和具有物理约束架构的时空卷积神经网络(Physical Dynamics Network, PhyDNet,针对系统性大风和混合性大风建模),发展了基于深度学习的江苏地区0~2 h雷暴大风临近预报模型(Blending),实现面向区县的客观、分级预警信号自动生成技术,并对比探究了Blending和PhyDNet_ALL(不区分大风类型,直接采用PhyDNet建模)两种深度学习方法分别生成的客观预警信号与主观预警信号在2023年汛期的表现。结果表明:(1)相较于主观预警信号,由深度学习方法生成的客观预警信号能有效提升预警信号提前量;(2)深度学习方法可以提前预报出强对流大风天气及其演变过程;(3)由于Blending针对雷暴大风单独建模,确保对流系统强度以及中小尺度特征的维持,因此Blending可以更好地描述极端雷暴大风的演变特征,在橙色和红色预警信号提前量上显著高于PhyDNet_ALL。
2024,
40(6):
966-973. doi: 10.16032/j.issn.1004-4965.2024.085
摘要:
针对一次区域性暴雨过程,检索与之相似的历史案例,对区域性暴雨过程的评估、防灾减灾和决策服务等具有重要意义。以京津冀地区为例,利用1961—2023年京津冀175个气象观测站逐日降水数据,定义和识别了京津冀区域性暴雨过程,提出了一种基于多维特征的区域性暴雨过程相似判别方法。该方法基于最大过程降水量、最大日降水量、暴雨范围、持续时间、平均范围和平均强度等特征,采用欧式距离度量属性维度相似性;基于过程降水量、最大日降水量和平均降水量分布图,采用LPIPS (learned perceptual image patchsimilarity,学习感知图像块相似度)度量空间维度相似性;将属性和空间相似度加权求和,得出最终综合相似度。通过本方法确定“23·7”暴雨过程最相似的前3次暴雨过程为“63·8”、“96·8”和“16·7”,与专家经验分析结果一致。进一步采用检索覆盖率和不同强度等级过程随机检索进行验证,结果表明与现有常见方法相比,本方法检索结果覆盖率最高,且检索结果具有合理性。
针对一次区域性暴雨过程,检索与之相似的历史案例,对区域性暴雨过程的评估、防灾减灾和决策服务等具有重要意义。以京津冀地区为例,利用1961—2023年京津冀175个气象观测站逐日降水数据,定义和识别了京津冀区域性暴雨过程,提出了一种基于多维特征的区域性暴雨过程相似判别方法。该方法基于最大过程降水量、最大日降水量、暴雨范围、持续时间、平均范围和平均强度等特征,采用欧式距离度量属性维度相似性;基于过程降水量、最大日降水量和平均降水量分布图,采用LPIPS (learned perceptual image patchsimilarity,学习感知图像块相似度)度量空间维度相似性;将属性和空间相似度加权求和,得出最终综合相似度。通过本方法确定“23·7”暴雨过程最相似的前3次暴雨过程为“63·8”、“96·8”和“16·7”,与专家经验分析结果一致。进一步采用检索覆盖率和不同强度等级过程随机检索进行验证,结果表明与现有常见方法相比,本方法检索结果覆盖率最高,且检索结果具有合理性。
2024,
40(6):
974-982. doi: 10.16032/j.issn.1004-4965.2024.086
摘要:
目前自动识别锋面的机器学习方法,因使用的锋面标签中有锋格点与无锋格点的比例严重不平衡,易导致训练的网络识别结果偏向无锋类别的问题,另外,网络输入的多气象要素,因特殊天气情况和地理位置等原因会产生数据特征冲突或者数据信息质量差的问题,造成输入数据与网络不匹配,后果是网络训练困难,识别准确度受影响。为此,提出一种基于气团标签训练AMA-UNet(自适应融合多气象要素U型网络)模型来进行锋面智能识别的方法,该方法使用欧洲中期天气预报中心的ERA5数据集的多个气象因子作为网络输入,将美国天气预报中心(WPC)提供的锋面数据集制作成气团标签以解决锋面标签中无锋类别与有锋类别的严重不平衡,同时利用AMA-UNet架构中的适配器解决输入数据与网络的不匹配问题,利于网络训练的同时,提高网络的综合性能。实验表明,气团作为标签比锋面直接作为标签训练的网络在评估指标上平均约提升5%,增加适配器后,网络在多评估指标上平均约提升3%,与其他方法相比各评估指标均有大幅提升。
目前自动识别锋面的机器学习方法,因使用的锋面标签中有锋格点与无锋格点的比例严重不平衡,易导致训练的网络识别结果偏向无锋类别的问题,另外,网络输入的多气象要素,因特殊天气情况和地理位置等原因会产生数据特征冲突或者数据信息质量差的问题,造成输入数据与网络不匹配,后果是网络训练困难,识别准确度受影响。为此,提出一种基于气团标签训练AMA-UNet(自适应融合多气象要素U型网络)模型来进行锋面智能识别的方法,该方法使用欧洲中期天气预报中心的ERA5数据集的多个气象因子作为网络输入,将美国天气预报中心(WPC)提供的锋面数据集制作成气团标签以解决锋面标签中无锋类别与有锋类别的严重不平衡,同时利用AMA-UNet架构中的适配器解决输入数据与网络的不匹配问题,利于网络训练的同时,提高网络的综合性能。实验表明,气团作为标签比锋面直接作为标签训练的网络在评估指标上平均约提升5%,增加适配器后,网络在多评估指标上平均约提升3%,与其他方法相比各评估指标均有大幅提升。
2024,
40(6):
983-992. doi: 10.16032/j.issn.1004-4965.2024.087
摘要:
为有效利用社会化观测灾害性天气事件的大量图像,发展监测新手段,以社会公众发布的灾害性天气事件图像为训练集,基于残差网络ResNet50(Residual Network 50)构建了8类灾害性天气事件图像识别模型,并通过格点化气象要素实况二次订正技术以及线上审核、线下更新的优化模式,提高模型识别精度和运行效率。结果表明,优化后8类模型识别的平均准确率在80% 以上,已应用于河北省多源气象灾情监测采集业务,获取的灾害性天气和气象灾害事件图像数量较传统方式有显著提升。
为有效利用社会化观测灾害性天气事件的大量图像,发展监测新手段,以社会公众发布的灾害性天气事件图像为训练集,基于残差网络ResNet50(Residual Network 50)构建了8类灾害性天气事件图像识别模型,并通过格点化气象要素实况二次订正技术以及线上审核、线下更新的优化模式,提高模型识别精度和运行效率。结果表明,优化后8类模型识别的平均准确率在80% 以上,已应用于河北省多源气象灾情监测采集业务,获取的灾害性天气和气象灾害事件图像数量较传统方式有显著提升。
2024,
40(6):
993-1004. doi: 10.16032/j.issn.1004-4965.2024.088
摘要:
道路气象状况与交通安全密切相关,路面湿滑、结冰易引发行车事故,因此需要实现准确且及时的道路气象状况预测。利用雅康高速路段内3个地面观测点的道路气象状况观测数据,以及对应区域的连续24 h数值天气预报数据,构建决策树模型,建立数值天气预报结果与多种道路气象状况类别之间的对应关系,实现未来连续24 h的道路气象状况预测。结果表明,针对3个地面观测点的5类道路气象状况,在交叉验证实验中,所提出模型的平均准确率为89.79%,在外推实验中,模型对未来第6 h预测的平均准确率为64.73%,未来第12 h预测为77.30%,未来第18 h预测为80.19%,未来第24 h预测为70.41%。研究方法可以有效实现连续空间覆盖、长时间的道路气象状况预测,为交通运输安全、公众出行决策、气象预报服务等方面提供重要参考信息。
道路气象状况与交通安全密切相关,路面湿滑、结冰易引发行车事故,因此需要实现准确且及时的道路气象状况预测。利用雅康高速路段内3个地面观测点的道路气象状况观测数据,以及对应区域的连续24 h数值天气预报数据,构建决策树模型,建立数值天气预报结果与多种道路气象状况类别之间的对应关系,实现未来连续24 h的道路气象状况预测。结果表明,针对3个地面观测点的5类道路气象状况,在交叉验证实验中,所提出模型的平均准确率为89.79%,在外推实验中,模型对未来第6 h预测的平均准确率为64.73%,未来第12 h预测为77.30%,未来第18 h预测为80.19%,未来第24 h预测为70.41%。研究方法可以有效实现连续空间覆盖、长时间的道路气象状况预测,为交通运输安全、公众出行决策、气象预报服务等方面提供重要参考信息。
2024,
40(6):
1005-1017. doi: 10.16032/j.issn.1004-4965.2024.089
摘要:
利用2017—2022年汛期(4—9月)湖南省1 912个地面观测站降水实况和欧洲中心中期天气预报一体化预报系统(European Centre for Medium-Range Weather Forecasts-Integrated Forecasting System,ECMWFIFS)最优因子集,在一种U型语义分割网络(U-Net模型)基础上结合残差网络和注意力机制网络,构建了逐时降水订正预报模型(SARU),并将模型2023年汛期预报结果与最优TS评分订正法(OTS)以及中国气象局上海数值预报模式系统(CMA-SH9)进行对比。(1) SARU模型整体的晴雨准确率、相关系数(COR)、平均绝对误差(MAE)、偏差(BIAS)分别为0.87、0.17、0.35、0.73,皆优于OTS模型和CMA-SH9模式,尤其在湘中地区,SARU模型对于预报趋势和量级有明显优势,其空报率和漏报率比例基本相当,OTS模型漏报率远超空报率,CMA-SH9则正好相反。(2) SARU模型对于分级降水频次的预报较OTS模型和CMA-SH9模式更接近实况,尤其是20 mm以上降水频次,预报偏少27.29%,远优于OTS模型预报的偏少85.54% 和CMA-SH9模式的偏多95.50%。(3) 对于小时雨量[5,10)、[10,20)和≥ 20 mm这三个级别的降水,SARU模型TS、命中率(POD)、空报率(FAR)、漏报率(MAR)皆最优,尤其短时强降水,SARU模型较CMA-SH9模式有明显优势,而OTS模型的预报能力则明显不足。(4) 湖南存在明显的夜雨特征,夜间时段(北京时02—08时)短时强降水频次明显高于其他时段。SARU模型很好地把握了夜间短时强降水特征,TS在夜间明显升高,尤其是在北京时05时达到峰值(0.07左右),明显优于CMA-SH9模式和OTS模型。
利用2017—2022年汛期(4—9月)湖南省1 912个地面观测站降水实况和欧洲中心中期天气预报一体化预报系统(European Centre for Medium-Range Weather Forecasts-Integrated Forecasting System,ECMWFIFS)最优因子集,在一种U型语义分割网络(U-Net模型)基础上结合残差网络和注意力机制网络,构建了逐时降水订正预报模型(SARU),并将模型2023年汛期预报结果与最优TS评分订正法(OTS)以及中国气象局上海数值预报模式系统(CMA-SH9)进行对比。(1) SARU模型整体的晴雨准确率、相关系数(COR)、平均绝对误差(MAE)、偏差(BIAS)分别为0.87、0.17、0.35、0.73,皆优于OTS模型和CMA-SH9模式,尤其在湘中地区,SARU模型对于预报趋势和量级有明显优势,其空报率和漏报率比例基本相当,OTS模型漏报率远超空报率,CMA-SH9则正好相反。(2) SARU模型对于分级降水频次的预报较OTS模型和CMA-SH9模式更接近实况,尤其是20 mm以上降水频次,预报偏少27.29%,远优于OTS模型预报的偏少85.54% 和CMA-SH9模式的偏多95.50%。(3) 对于小时雨量[5,10)、[10,20)和≥ 20 mm这三个级别的降水,SARU模型TS、命中率(POD)、空报率(FAR)、漏报率(MAR)皆最优,尤其短时强降水,SARU模型较CMA-SH9模式有明显优势,而OTS模型的预报能力则明显不足。(4) 湖南存在明显的夜雨特征,夜间时段(北京时02—08时)短时强降水频次明显高于其他时段。SARU模型很好地把握了夜间短时强降水特征,TS在夜间明显升高,尤其是在北京时05时达到峰值(0.07左右),明显优于CMA-SH9模式和OTS模型。
2024,
40(6):
1018-1029. doi: 10.16032/j.issn.1004-4965.2024.090
摘要:
采用2018—2023年中国气象局陆面数据同化系统的气温资料以及欧洲中期天气预报中心的高分辨率模式预报产品(ECMWF-IFS),分别建立基于时空堆叠的残差网络(Res-STS)以及基于自注意力(Self-Attention)机制的长短期记忆网络(Attention-LSTM),并将两个模型进行集成,构建集成神经网络模型(Ensemble),得到涵盖湖南地区的0.05 °×0.05 °气温网格日最高、最低气温预报产品。结果表明:深度学习模型均有效改善了ECMWF-IFS预报效果,0—24 h预报时效日最高气温的平均绝误差(MAE)相比ECMWF-IFS和中央气象台指导报(SCMOC)分别降低了25.76%~40.40%和15.03%~31.79%,日最低气温的MAE分别降低了10.53%~31.58%和5.31%~19.47%,其中Ensemble模型在绝大多数月份的预报效果均是最优。同时,Ensemble模型有效弥补了ECMWF-IFS对地形复杂区域预报效果弱的缺陷,日最高气温预报准确率(F2)达85% 的面积占比为17.31%,而其余模型低于6%;日最低气温F2达90%的面积占比为68.63%,高出单一模型21.08%~63.09%。由此可见,多模型集成能够显著提高气温预报的准确性和可靠性。
采用2018—2023年中国气象局陆面数据同化系统的气温资料以及欧洲中期天气预报中心的高分辨率模式预报产品(ECMWF-IFS),分别建立基于时空堆叠的残差网络(Res-STS)以及基于自注意力(Self-Attention)机制的长短期记忆网络(Attention-LSTM),并将两个模型进行集成,构建集成神经网络模型(Ensemble),得到涵盖湖南地区的0.05 °×0.05 °气温网格日最高、最低气温预报产品。结果表明:深度学习模型均有效改善了ECMWF-IFS预报效果,0—24 h预报时效日最高气温的平均绝误差(MAE)相比ECMWF-IFS和中央气象台指导报(SCMOC)分别降低了25.76%~40.40%和15.03%~31.79%,日最低气温的MAE分别降低了10.53%~31.58%和5.31%~19.47%,其中Ensemble模型在绝大多数月份的预报效果均是最优。同时,Ensemble模型有效弥补了ECMWF-IFS对地形复杂区域预报效果弱的缺陷,日最高气温预报准确率(F2)达85% 的面积占比为17.31%,而其余模型低于6%;日最低气温F2达90%的面积占比为68.63%,高出单一模型21.08%~63.09%。由此可见,多模型集成能够显著提高气温预报的准确性和可靠性。
2024,
40(6):
1030-1044. doi: 10.16032/j.issn.1004-4965.2024.091
摘要:
为提高局地精细化预报的准确性和可靠性,提出了一种基于核函数KernelExplainer和可解释性“夏普值”(SHAP值)聚类分析的神经网络降水预报技术。该方法首先通过正态化分布变换解决神经网络的输出抖动问题,然后使用KernelExplainer估计由卷积(CNN)层、长短期记忆(LSTM)网络、全连接层构建的深度学习神经网络模型,并获取气象要素参数m和时间步长参数tl对于预测结果的贡献值SHAP,最后通过聚类分析SHAP值,在每次滚动预报中动态调整模型的m和tl参数,从而提高了无降水和强降水事件的预报效果。使用该方法基于2018年1月—2023年12月的观测和数值预报模式数据建立了南京信息工程大学大气观测基地的降水预报模型。实验证明,该方法相对于固定参数的深度学习神经网络模型、多层卷积长短期记忆网络(多层ConvLSTM)、模拟集合卷积神经网络(AnEn-CNN)和数值预报模式,降水平均绝对误差减少8%、7%、11% 和19%。
为提高局地精细化预报的准确性和可靠性,提出了一种基于核函数KernelExplainer和可解释性“夏普值”(SHAP值)聚类分析的神经网络降水预报技术。该方法首先通过正态化分布变换解决神经网络的输出抖动问题,然后使用KernelExplainer估计由卷积(CNN)层、长短期记忆(LSTM)网络、全连接层构建的深度学习神经网络模型,并获取气象要素参数m和时间步长参数tl对于预测结果的贡献值SHAP,最后通过聚类分析SHAP值,在每次滚动预报中动态调整模型的m和tl参数,从而提高了无降水和强降水事件的预报效果。使用该方法基于2018年1月—2023年12月的观测和数值预报模式数据建立了南京信息工程大学大气观测基地的降水预报模型。实验证明,该方法相对于固定参数的深度学习神经网络模型、多层卷积长短期记忆网络(多层ConvLSTM)、模拟集合卷积神经网络(AnEn-CNN)和数值预报模式,降水平均绝对误差减少8%、7%、11% 和19%。
2024,
40(6):
1045-1062. doi: 10.16032/j.issn.1004-4965.2024.092
摘要:
目前,人工智能大模型对长江中下游降水的次季节预测效果尚不清楚。采用三个人工智能气象大模型(Pangu-weather、Fuxi和FourCastNet)与欧洲中心次季节-季节模式(EC-S2S)预测资料,以2024年长江中下游梅雨为例,在诊断其降水及其环流演变的基础上,利用相关技巧、功率谱分析等方法,对比评估了气象大模型与欧洲中心S2S模式(EC-S2S)对该年梅雨降水、背景场变量及其低频振荡分量的预测效果,并与传统的EC-S2S模式进行了比较。结果表明:(1) 2024年6月第4候,受西太平洋副热带高压北抬和北侧西风槽发展南伸影响,长江中下游进入梅雨期。此后,梅雨及其相关联的夏季风、冷空气影响和湿度变化均呈现显著的准双周振荡。(2) 三个大模型与EC-S2S模式都能提前10 d较好地预测梅雨相联系的副高和西风槽的演变活动。当预测时效超前11 d时,三个大模型与EC-S2S模式预测对梅雨环流形势的预测不确定性增加,其中仅Pangu模型和EC-S2S模式超前16—20 d的预测能反映出长江中下游南北两侧的冷暖空气活动。(3) FourCastNet、Fuxi两个模型和EC-S2S模式能提前11—15 d给出有显著相关技巧的梅雨降水预测,也能提前11—15 d反映梅雨区降水及其相关联环流的准双周振荡特征。EC-S2S模式对降水量的预测优于大模型,但其准双周振荡功率谱值弱于大模型。Pangu、FourCastNet和EC-S2S模式能提前16—20 d预报长江中下游南侧的夏季风和北侧西风槽活动的准双周振荡影响。尽管大模型在超前半月以上的梅雨环流预测上存在挑战,但对其低频分量的有效超前预测时效更长,部分要素(如经向风和比湿)预测优于EC-S2S模式,表明从低频振荡这一途径出发开展大模型的次季节预测,可为后续应用和改进大模型的次季节预测提供新思路。
目前,人工智能大模型对长江中下游降水的次季节预测效果尚不清楚。采用三个人工智能气象大模型(Pangu-weather、Fuxi和FourCastNet)与欧洲中心次季节-季节模式(EC-S2S)预测资料,以2024年长江中下游梅雨为例,在诊断其降水及其环流演变的基础上,利用相关技巧、功率谱分析等方法,对比评估了气象大模型与欧洲中心S2S模式(EC-S2S)对该年梅雨降水、背景场变量及其低频振荡分量的预测效果,并与传统的EC-S2S模式进行了比较。结果表明:(1) 2024年6月第4候,受西太平洋副热带高压北抬和北侧西风槽发展南伸影响,长江中下游进入梅雨期。此后,梅雨及其相关联的夏季风、冷空气影响和湿度变化均呈现显著的准双周振荡。(2) 三个大模型与EC-S2S模式都能提前10 d较好地预测梅雨相联系的副高和西风槽的演变活动。当预测时效超前11 d时,三个大模型与EC-S2S模式预测对梅雨环流形势的预测不确定性增加,其中仅Pangu模型和EC-S2S模式超前16—20 d的预测能反映出长江中下游南北两侧的冷暖空气活动。(3) FourCastNet、Fuxi两个模型和EC-S2S模式能提前11—15 d给出有显著相关技巧的梅雨降水预测,也能提前11—15 d反映梅雨区降水及其相关联环流的准双周振荡特征。EC-S2S模式对降水量的预测优于大模型,但其准双周振荡功率谱值弱于大模型。Pangu、FourCastNet和EC-S2S模式能提前16—20 d预报长江中下游南侧的夏季风和北侧西风槽活动的准双周振荡影响。尽管大模型在超前半月以上的梅雨环流预测上存在挑战,但对其低频分量的有效超前预测时效更长,部分要素(如经向风和比湿)预测优于EC-S2S模式,表明从低频振荡这一途径出发开展大模型的次季节预测,可为后续应用和改进大模型的次季节预测提供新思路。
2024,
40(6):
1063-1073. doi: 10.16032/j.issn.1004-4965.2024.093
摘要:
气温的准确预测对人类生产生活、农业等方面至关重要。针对传统气温预测方法难以捕捉数据的动态变化、预测精度差等问题,提出了一种融合离散小波变换(Discrete Wavelet Transformation, DWT)、卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的组合气温预测模型。首先,利用DWT对原始气温观测数据进行分解与重构;其次,使用CNN进行特征提取,使用LSTM对提取的特征信息进行处理,以实现气温预测。同时采用均方根误差、平均绝对值误差和决定系数作为评价指标;最后,使用气温观测数据验证所提模型的有效性,并分别与LSTM模型、CNN-LSTM模型和DWT-LSTM模型进行对比分析。实验结果表明,与LSTM模型、CNN-LSTM模型和基于离散小波变换的LSTM模型相比,DWT-CNN-LSTM模型分别将RMSE降低了1.009 24,1.002 74,0.100 23,MAE降低了0.918 36,0.862 65,0.144 89,R2提高了0.047 03,0.046 62,0.004 00,验证了该模型在气温预测中的有效性。这一结果为气温预测领域提供了新的参考依据,并有望在未来得到更广泛的应用。
气温的准确预测对人类生产生活、农业等方面至关重要。针对传统气温预测方法难以捕捉数据的动态变化、预测精度差等问题,提出了一种融合离散小波变换(Discrete Wavelet Transformation, DWT)、卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的组合气温预测模型。首先,利用DWT对原始气温观测数据进行分解与重构;其次,使用CNN进行特征提取,使用LSTM对提取的特征信息进行处理,以实现气温预测。同时采用均方根误差、平均绝对值误差和决定系数作为评价指标;最后,使用气温观测数据验证所提模型的有效性,并分别与LSTM模型、CNN-LSTM模型和DWT-LSTM模型进行对比分析。实验结果表明,与LSTM模型、CNN-LSTM模型和基于离散小波变换的LSTM模型相比,DWT-CNN-LSTM模型分别将RMSE降低了1.009 24,1.002 74,0.100 23,MAE降低了0.918 36,0.862 65,0.144 89,R2提高了0.047 03,0.046 62,0.004 00,验证了该模型在气温预测中的有效性。这一结果为气温预测领域提供了新的参考依据,并有望在未来得到更广泛的应用。
2024,
40(6):
1074-1084. doi: 10.16032/j.issn.1004-4965.2024.094
摘要:
卫星云图外推技术能及时掌握云团的运动轨迹和变化情况,为临近预报和灾害性天气的监测提供重要参考。然而,现有的云图预测方法存在难以捕捉小尺度云团发展、云图细节特征不清晰、预测结果逐渐模糊等问题,导致最终的预报效果不理想。为了有效提取卫星云图的时空信息,预报中小尺度云团的发展,利用FY-4A红外云图,以湖南区域为中心的中东部地区作为研究对象,从时空序列预测的角度出发,提出了一种卷积门控循环注意力融合网络(ConvGRU Attention Fusion Network,CGAFNet),并提出了主副损失(Primary and Secondary Loss,PaSLoss)作为模型的损失函数,构建了编-解码结构,更好地提取了卫星云图的时空信息。为验证网络框架的有效性,与三个典型网络进行对比实验,结果表明,CGAFNet在云图外推任务中均方根误差为10.00 K,结构相似性为0.74,峰值信噪比为31.43,该模型能准确预测云团的生消演变过程,在各项指标上均优于其它网络,证明该方法能获得更准确的预测精度,且具备良好的泛化能力。
卫星云图外推技术能及时掌握云团的运动轨迹和变化情况,为临近预报和灾害性天气的监测提供重要参考。然而,现有的云图预测方法存在难以捕捉小尺度云团发展、云图细节特征不清晰、预测结果逐渐模糊等问题,导致最终的预报效果不理想。为了有效提取卫星云图的时空信息,预报中小尺度云团的发展,利用FY-4A红外云图,以湖南区域为中心的中东部地区作为研究对象,从时空序列预测的角度出发,提出了一种卷积门控循环注意力融合网络(ConvGRU Attention Fusion Network,CGAFNet),并提出了主副损失(Primary and Secondary Loss,PaSLoss)作为模型的损失函数,构建了编-解码结构,更好地提取了卫星云图的时空信息。为验证网络框架的有效性,与三个典型网络进行对比实验,结果表明,CGAFNet在云图外推任务中均方根误差为10.00 K,结构相似性为0.74,峰值信噪比为31.43,该模型能准确预测云团的生消演变过程,在各项指标上均优于其它网络,证明该方法能获得更准确的预测精度,且具备良好的泛化能力。