基于GCA-ConvLSTM预测网格的短临降水雷达回波外推方法

摘要：

短临降水预报对于暴雨和强对流天气监测预警服务具有重要意义,使用雷达回波外推方法进行短临降水预报是目前较为常用的预报方法之一,但是传统的雷达回波外推方法普遍存在数据利用率低、外推准确性差和外推模糊等问题.针对上述问题,利用陕西全省雷达拼接数据资料,选择深度学习中编码器-解码器结构,以卷积长短期记忆网络(Convolutional Long Short-Term Memory Network,ConvLSTM)作为循环单元,构造了 基于全局通道注意力的 ConvLSTM 预测网络(Global Channel Attention based ConvLSTM,GCA-ConvLSTM);此外,为进一步提高 GCA-ConvLSTM 预测网络的拟合能力,使用集成学习算法对其进行改进,通过装袋算法对数据集进行采样,训练3个GCA-ConvLSTM预测网络作为基学习器,使用加权投票策略将这3种基学习器进行有效组合,最终获得了一个性能更优的组合模型.试验结果表明,基于集成学习算法改进的GCA-ConvLSTM雷达回波外推方法与现有深度学习方法相比,提升了短临降水预报方法的准确性和时效;该方法在25 dBz、35 dBz和45 dBz反射率阈值下的评估试验中分别比对比的主流深度学习模型CSI值平均高出0.149、0.192、0.085;同时该方法的外推结果拥有更加清晰的边缘和细节性纹理,减轻了外推后期模糊问题.

关键词：短临降水预报、雷达回波外推、GCA-ConvLSTM、集成学习、装袋算法

所属期刊栏目：42

分类号：P457.6(天气预报)

资助基金：国家自然科学基金;中国气象科学研究院灾害天气国家重点实验室开放课题

在线出版日期：2023-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：427-436