深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估

摘要：

近年来,人工智能技术在图像识别领域取得了突破性进展,为探寻人工智能模型在武汉地区雷达回波临近预报中的应用价值,本文利用湖北武汉市2015—2020年雷达回波和降水量观测资料,对PredRNN++、MIM、CrevNet和PhyDNet 4种深度学习模型进行雷达回波临近预报训练,并基于2021年汛期雷达回波资料进行雷达回波临近预报.在此基础上,通过降水强度和降水面积指数筛选降水过程,并以均方误差(Mean Square Error,MSE)、结构相似性指数(Structural Similarity Index Measure-ment,SSIM)、命中率(Probability of Detection,POD)、空报率(False Alarm Rate,FAR)和临界成功指数(Critical Success Index,CSI)为指标,检验评估上述4种深度学习模型和光流法对2021年汛期武汉地区雷达回波的临近预报性能.结果表明:(1)整体来看,MIM模型的MSE最小、POD最高,MIM和PredRNN++模型的SSIM并列最高;所有深度学习模型的FAR均低于光流法,且PhyDNet模型的FAR最低;除CrevNet模型外,其余3种深度学习模型的CSI均高于光流法,且MIM模型的CSI最高.(2)预报的前12 min,光流法的CSI最高,而在18～120 min MIM模型的CSI最高,显示了深度学习模型长预报时效的优势.(3)随着回波强度增加,深度学习模型和光流法的POD和CSI均迅速降低,而FAR光流法与各模型则表现出不同的变化规律.(4)随着区域性降水强度增加,深度学习模型的预报能力均先降低后明显增强,而光流法对降水强度变化的敏感性较弱,故在强降水背景下深度学习模型的CSI较光流法增幅最大;对于局地一般对流性降水过程,所有深度学习模型和光流法的预报能力均大幅降低.(5)暴雨个例分析结果表明,深度学习模型不仅具备一定回波强度变化的预报能力,而且对回波运动的预报能力也明显高于光流法,展示了深度学习模型良好的应用前景.

关键词：深度学习模型、光流法、雷达回波、临近预报、检验评估

所属期刊栏目：41

分类号：P456.6(天气预报)

资助基金：武汉市气象局科技项目WHZ202202

在线出版日期：2023-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：173-185