ISSN 1004-4965

CN 44-1326/P

用微信扫描二维码

分享至好友和朋友圈

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多尺度特征深度学习的短临降水预报

陈生 黄启桥 谭金凯 梁振清 吴翀

陈生, 黄启桥, 谭金凯, 梁振清, 吴翀. 基于多尺度特征深度学习的短临降水预报[J]. 热带气象学报, 2023, 39(6): 799-806. doi: 10.16032/j.issn.1004-4965.2023.069
引用本文: 陈生, 黄启桥, 谭金凯, 梁振清, 吴翀. 基于多尺度特征深度学习的短临降水预报[J]. 热带气象学报, 2023, 39(6): 799-806. doi: 10.16032/j.issn.1004-4965.2023.069
CHEN Sheng, HUANG Qiqiao, TAN Jinkai, LIANG Zhenqing, WU Chong. SHORT-TERM PRECIPITATION NOWCASTING BASED ON MULTI-SCALE FEATURE DEEP LEARNING[J]. Journal of Tropical Meteorology, 2023, 39(6): 799-806. doi: 10.16032/j.issn.1004-4965.2023.069
Citation: CHEN Sheng, HUANG Qiqiao, TAN Jinkai, LIANG Zhenqing, WU Chong. SHORT-TERM PRECIPITATION NOWCASTING BASED ON MULTI-SCALE FEATURE DEEP LEARNING[J]. Journal of Tropical Meteorology, 2023, 39(6): 799-806. doi: 10.16032/j.issn.1004-4965.2023.069

基于多尺度特征深度学习的短临降水预报

doi: 10.16032/j.issn.1004-4965.2023.069
基金项目: 

中国科学院高层次人才计划项目 E2290702

广西重点研发项目 2021AB40108

广西重点研发项目 2021AB40137

国家自然科学基金项目 41875182

广东省基础与应用基础研究基金项目 2020A1515110457

中国博士后科学基金面上资助 2021M693584

北部湾环境演变与资源利用教育部重点实验室(南宁师范大学)开放基金 NNNU-KLOP-K2103

详细信息
    通讯作者:

    陈生,男,广西壮族自治区人,研究员,博士研究生导师,研究方向:水文气象遥感与大数据。E-mail: chensheng@nieer.ac.cn

  • 中图分类号: P457.6

SHORT-TERM PRECIPITATION NOWCASTING BASED ON MULTI-SCALE FEATURE DEEP LEARNING

  • 摘要: 雷达回波外推是短临降水预报的一种重要方法。针对雷达回波外推中随着外推时间的增加而出现回波演变信息丢失这一问题,本文提出一种多尺度特征融合的深度学习短临降水预报模型(以下简称为MSF2)。首先,采用多尺度的卷积核对网络的浅层信息进行特征提取,弥补单一特征检测带来的不足。其次,将不同维度的特征信息进行拼接及通道混洗,进一步增强特征图通道之间的信息流通和信息表达能力。最后,将特征图中的多尺度信息进行融合,从而有效保留不同尺度的特征信息。利用华南雷达回波拼图资料数据,在3种不同降水强度(5 mm/h、10 mm/h和25 mm/h)下进行降水预报研究,并与光流法和ConvLSTM两种主流算法进行了对比。结果显示,在3种不同降水强度条件下,MSF2在所有评价指标(命中率POD、临界成功指数CSI、误报率FAR)中表现最优,这表明引入多尺度机制能改善模型的特征提取能力。相比于目前主流的光流法和ConvLSTM,本文提出的模型对于短临降水预报具有较好的适用性和较高的预报精度, 而且实现了业务化运行。

     

  • 图  1  多尺度特征融合(MFF)结构

    图  2  MSF2短临降水预报模型

    图  3  研究区域(图中红色方框区域)

    图  4  可视化降水预报结果

    a. 预报序列一起报时刻为2020年6月22时42分;b. 序列二起报时刻为2020年08月05日04时42分。

    图  5  降水预报技巧变化曲线图

    表  1  降水量大于等于5 mm/h的预报结果

    预报方法 CSI FAR POD
    Flow 0.403 3 0.399 7 0.456 1
    ConvLSTM 0.440 3 0.365 7 0.493 8
    MSF2 0.479 8 0.323 2 0.5279
    下载: 导出CSV

    表  2  降水量大于等于10 mm/h的预报结果

    预报方法 CSI FAR POD
    Flow 0.313 9 0.431 6 0.341 0
    ConvLSTM 0.358 4 0.390 0 0.383 4
    MSF2 0.402 7 0.326 7 0.444 7
    下载: 导出CSV

    表  3  降水量大于等于25 mm/h的预报结果

    预报方法 CSI FAR POD
    Flow 0.214 2 0.560 4 0.234 5
    ConvLSTM 0.261 6 0.491 9 0.279 7
    MSF2 0.310 4 0.412 3 0.338 2
    下载: 导出CSV
  • [1] 郭瀚阳, 陈明轩, 韩雷, 等. 基于深度学习的强对流高分辨率临近预报试验[J]. 气象学报, 2019, 77(4): 715-727. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXB201904009.htm
    [2] JOHNSON J T, MACKEEN P L, WITT A, et al. The storm cell identification and tracking algorithm: An enhanced WSR-88D algorithm[J]. Weather and forecasting, 1998, 13(2): 263-276. doi: 10.1175/1520-0434(1998)013<0263:TSCIAT>2.0.CO;2
    [3] RINEHART R E, GARVEY E T. Three-dimensional storm motion detection by conventional weather radar[J]. Nature, 1978, 273(5660): 287-289. doi: 10.1038/273287a0
    [4] 陈训来, 刘军, 郑群峰, 等. 基于卷积门控循环单元神经网络的临近预报方法研究[J]. 高原气象, 2021, 40(2): 411-423. https://www.cnki.com.cn/Article/CJFDTOTAL-GYQX202102018.htm
    [5] 韩丰, 龙明盛, 李月安, 等. 循环神经网络在雷达临近预报中的应用[J]. 应用气象学报, 2019, 30(1): 61-69. https://www.cnki.com.cn/Article/CJFDTOTAL-YYQX201901006.htm
    [6] 施恩, 李骞, 顾大权, 等. 基于卷积神经网络的雷达回波外推方法[J]. 计算机应用, 2018, 38(3): 661-665、676. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY201803011.htm
    [7] SHI X, CHEN Z, WANG H, et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting[J]. arXiv preprint arXiv: 1506.04214, 2015.
    [8] AYZEL G, SCHEFFER T, HEISTERMANN M. RainNet v1. 0: a convolutional neural network for radar-based precipitation nowcasting[J]. Geoscientific Model Development, 2020, 13(6): 2 631-2 644.
    [9] AGRAWAL S, BARRINGTON L, BROMBERG C, et al. Machine learning for precipitation nowcasting from radar images[J]. arXiv preprint arXiv: 1912.12132, 2019.
    [10] CHOLLET F. Xception: Deep learning with depthwise separable convolutions[C]. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1 251-1 258.
    [11] GAO H, WANG Z, JI S. Channelnets: Compact and efficient convolutional neural networks via channel-wise convolutions[J]. arXiv preprint arXiv: 1809.01330, 2018.
    [12] ZHANG X, ZHOU X, LIN M, et al. Shufflenet: An extremely efficient convolutional neural network for mobile devices[C]. Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 6 848-6 856.
    [13] HE K M, ZHANG X G, REN S Q, et al. Deep Residual Learning for Image Recognition[C]. //2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.
    [14] 张辉, 朱家明, 唐文杰. 基于聚类和改进型水平集的图像分割算法[J]. 计算机科学, 2017, 44(Z1): 198-201. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA2017S1045.htm
    [15] 高晗, 田育龙, 许封元, 等. 深度学习模型压缩与加速综述[J]. 软件学报, 2021, 32(01): 68-92. https://www.cnki.com.cn/Article/CJFDTOTAL-RJXB202101004.htm
    [16] BAI L Q, CHEN G X, HUANG L. Image processing of radar mosaics for the climatology of convection initiation in South China[J]. J App Meteor Climat, 2020, 59(1): 65-81. doi: 10.1175/JAMC-D-19-0081.1
    [17] 唐菁, 陈生, 李峙, 等. 基于雷达观测的华南夏季降水类型日变化的时空分布特征[J]. 气象, 2023, 49(3): 307-318. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX202303003.htm
    [18] FULTON R A, BREIDENBACH J P, SEO D J, et al. The WSR-88D rainfall algorithm[J]. Weather and forecasting, 1998, 13(2): 377-395. doi: 10.1175/1520-0434(1998)013<0377:TWRA>2.0.CO;2
    [19] AYZEL G, HEISTERMANN M, WINTERRATH T. Optical flow models as an open benchmark for radar-based precipitation nowcasting (rainymotion v0.1)[J]. Geoscientific Model Development Discussions, 2018: 1-23.
  • 加载中
图(5) / 表(3)
计量
  • 文章访问数:  61
  • HTML全文浏览量:  2
  • PDF下载量:  28
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-04-17
  • 修回日期:  2023-11-01
  • 网络出版日期:  2024-03-16
  • 刊出日期:  2023-12-20

目录

    /

    返回文章
    返回