摘要:
準確的短臨天氣預報是災害天氣預警、人工影響天氣作業關鍵。短臨預報多基于雷達回波外推，而回波的生消變是云團與氣象要素多種熱力、動力相互作用的結果。本文首先設計一種基于UNet和GAN網絡的多通道雷達回波外推架構（UNet and GAN with Radarcells Network Architecture, UGR），構建綜合加權均方根誤差和二分類交叉熵損失的自定義損失函數并引入GAN網絡的懲罰項改進模型訓練。使用北京快速更新循環數值預報系統（CMA-BJ）的4種物理量與雷達組合反射率拼圖數據融合編碼為4種雷達單元（Radarcells）。然后將 Radarcells作為輸入，基于UGR架構針對每6 min外推時序分別訓練，得到20個模型，實現逐6 min滾動的120 min的回波外推。為驗證引入天氣背景對回波外推的改進效果，另外訓練只輸入雷達回波的UNet模型和ConvLSTM模型用于對比。使用臨界成功指數（Critical Success Index, CSI）、命中率（Probability of Detection, POD）、虛警率（False Alarm Rate, FAR）和偏差評分（Bias score, Bias）在測試集上對模型進行評估。結果表明，融入天氣背景信息的UGR模型在回波強度大小范圍和時空演變上，比純雷達數據驅動的UNet模型和ConvLSTM模型表現更好，尤其是對強回波外推更為準確。UGR模型在25、35 dBz反射率閾值下，比UNet模型的CSI、IFAR、POD和Bias評分平均改進10.5%、8.6%、10.3%、4.8%和13.4%、4.6%、11.0%、7.4%。研究表明融入天氣背景信息，能夠有效改進以往基于深度學習算法外推模型的回波模糊和回波生消信息不足的問題。
