基于深度学习的雷达估测和预报降水技术应用研究

陈峨印

李国英部长在2023 年水旱灾害防御工作视频会议上提出，推进“四预”能力建设方面，水利部门将推进天空地一体化监测，加快构建气象卫星和测雨雷达、雨量站、水文站组成的雨水情监测“三道防线”，延长预见期，提高预报精准度。气象卫星和测雨雷达作为水旱灾害防御第一道防线位置突出、作用重大。河北省开展气象卫星和测雨雷达应用研究较早,自2017 年就开始重点加强了雷达估测和预报降水技术的应用研究,取得了明显效果。

1.项目研究背景

山洪是山区普遍存在的自然灾害。河北省山地面积占全省总面积的48.1%，是山洪灾害重发区。受全球气候变化的影响，河北省极端强降水事件呈多发、重发趋势，引发的山洪灾害造成了巨大灾难。历史上“63·8”“96·8”，以及2012 年“7·21”、2016 年“7·19”等特大暴雨洪水，均造成了人员伤亡和经济损失。为了降低山洪灾害造成的损失，实现“以防为主”的目标，2017 年河北省水利厅和气象局联合开展了山洪灾害预警业务，对河北省防范山洪灾害起到了积极作用。山洪灾害具有局地性、突发性、预警期短等特点，预报预警工作难度大。由于当时气象台每天2 次5 km×5 km 的降水预报产品在时间和空间分辨率上均不能满足山洪灾害预警需求，2017 年下半年，河北省组建了气象、水文与高校共同攻关的科研团队，通过技术攻关，重点突破了降水监测和预报时空精度低的难题，基于深度学习算法构建了雷达估测和预报降水模型，全面提升了河北省山洪灾害预警业务能力。

2.研究方法和数据来源

2.1 资料来源

降水资料采用河北省中南部国家33 个气象观测站和605 个区域自动观测站的逐分钟降水量资料，来源于河北省气象信息共享平台。

雷达资料采用2006 年—2019 年14年间6 月—8 月逐日石家庄市新乐地区多普勒天气雷达基数据，以及2020 年—2021 年的6 月—10 月22 次降 水过 程的石家庄市新乐地区双偏振雷达基资料，来源于河北省气象信息中心。

2.2 研究方法

2.2.1 雷达估测降水

天气雷达在降水预报中以其特有的优势，在广大气象台站广泛应用。本文 选 用2020 年—2021 年 的6 月—10 月实况降水和双偏振雷达0.5°和1.5°仰角反射率Zh、差分反射率Zdr 和差分相移率Kdp 三个偏振参数，利用深度学习算法，构建了基于单参量（Zh、Kdp）和多参量（同时采用Zh、Zdr、Kdp 三个参数）网络架构的雷达估测降水模型。对质量控制后的雷达和降水数据，随机挑选其中75%用作训练集，25%用作测试集，训练集数据中再随机挑选75%参与学习训练，25%用作验证。[验证集应该采用全新数据：当时试验时，挑选的75%训练集中的25%验证集，不参加学习，只用作比对。]按照区分大雨和小雨、定义不同的损失函数等设计了44 种测试方案。

在深度学习模型训练过程中，依据降水为偏态分布特性对损失函数进行了优化。针对河北省中南部降水时程分布特点，划分若干个降水强度区间，对不同区间采取不同权重，自定义损失函数如下：

式中：

E—损失值；

w—区间权重数值均设置为1，每训练一次，统计测试集不同区间真实值与估测值的误差大小，增加误差大的区间的权重，经过多次建模测试，最后得到效果最好的权重向量。

2.2.2 雷达定量降水预报

采用2011 年—2018 年实况降水和2 km 高度雷达反射率因子，将高度雷达反射率因子转换成灰度图像作为深度学习输入对象用卷积网络提取特征。输入为前半小时逐6 min 的5 张雷达回波图像，输出标签为未来2 h 内逐6 min的雷达回波图像。

通过UNET 算法加注意力机制构建基于深度学习的雷达回波外推模型。UNET 是一种编码-解码结构的卷积神经网络，它有U 型结构和跳接两大特点。将一张大图片先下采样，经过不同程度的卷积，学习深层次的特征，在经过上采样回复为原图大小。同时在下采样的过程中，还有一部分特征是跳过下采样过程直接输出给上采样的相同尺寸的图片。注意力机制即增加对输出结果影响大的输入变量的权重，进一步提升模型的效果。UNET 算法加注意力机制相比传统的深度学习ConvLSTM 模型，能大幅度减少模型参数量，加快模型训练速度，同时提高模型的泛化能力。将输入的5 张雷达图像当做5个通道的图像输入，输出20 个通道的图像即未来2h 内逐6min 的雷达回波；然后通过雷达估测降水模型计算降水强度。

3.研究结果和应用

3.1 雷达估测降水

由测试结果发现，采用双偏振雷达多参量、自定义损失函数（雨强区间[3.0,9.0,15.0,30.0,50.0,250]对应的权重[8.0,1.2,1.1,1.5,3.0,4.0]）效果最好，而且利用0.5°仰角数据估测效果优于1.5°仰角。对逐时降水进行检验，误差率为36.5%，较传统Z-R 关系估测降水降低了20%以上。

3.2 雷达定量降水预报

根据研究结果,预报降水的变化趋势与实况降水基本一致，在降水比较稳定和空间分布均匀的情况下可以很好的代表实况降水；但对于时、空变化比较大的对流性降水，预报较实况略偏弱，且很难体现出实况降水的波动和跳跃性。通过对2016 年—2021 年8 次降水过程检验表明，预报未来2 h 逐时降水误差率57.75%，较常规的外推算法降低了15%，有效提高了定时定点定量预报降水的准确率。

3.3 应用

本研究采用机器学习算法算法建立降水估测模型，通过UNET 算法加注意力机制构建雷达回波外推模型；利用多普勒雷达、双偏振雷达两种雷达数据和雨量数据，率定优化了模型相关参数，提高了估测和预报降水时空精度。研究成果雷达估测降水和雷达定量降水预报作为水文模型的输入场，应用于水文预报和山洪灾害预警业务，明显改进了水文模型的输入场，提升了预报山洪灾害预警的精准度和时效性，尤其是能够为山洪灾害预警处置争得2 h～2.5 h 的宝贵时间，社会经济效益明显。

目前，雷达定量降水预报主要是基于前期的回波强度进行外推，缺少Zdr、Kdp 等参数的应用，影响降水预报效果。后期，需继续加强多参数、多源资料的综合应用，建立基于多源资料的降水预报模型。