光流法以及结合机器学习在临近预报中的应用

林 青 潘 宁 刘 铭



光流法以及结合机器学习在临近预报中的应用

林 青 潘 宁 刘 铭

福建省气象台

通过采用Gunnar Farneback的稠密光流跟踪法对雷达反射率进行2h外推，并结合半拉格朗日外推方法，保持天气系统回波的旋转效应，可有效提高回波短临预测的精准度。结合该方法外推的回波结果及历史降水观测，采取机器学习中ConvLSTM(空间深度学习)的模型结合Z-R关系进行1h降水预测，结果表明其降水预测的空漏报率低于SWAN业务系统QPF预测结果。

光流法 机器学习 临近预报

1 概述

强对流天气是一种多发生在中小尺度范围的、伴有剧烈气流上升运动的灾害性天气。当空气发生强烈的垂直运动时，就可能发生强对流天气，并且常伴随有雷雨、大风、冰雹、龙卷风等危害性很强的现象。然而，由于强对流天气发生的速度快、范围小、时间短，如何准确预报出强对流天气发生的时间和地点一直是气象学研究的重点和难点。

为了对强对流天气进行预测，在气象研究和业务中，临近预报会根据短时间内雷达回波、云图演变等，进行推演和判断，预测未来强对流天气可能发生的区域和时间。一方面，外推判断依赖人的经验；另一方面，研究如何实现气象数据外推自动化。

早期有拉格朗日持续性预报、最优化相关系数的交叉相关法等，这些方法主要是基于临近短时间的气象数据做简单线性的外推，没有考虑到气象变化的一些非线性关系。为了改进回波外推技术，引入了在计算机视觉领域应用较广的光流法来追踪回波的运动。该方法在1950 年由Gibson[1]首先提出，当被观测的目标和传感器之间有相对运动时，所观察到的亮度模式运动称之为光流。对于变化较快的强对流降水天气过程，光流法具有明显的预报优势，曹春燕等[2]研究认为光流法预报效果优于SWAN（Severe Weather Automatically Nowcast System）业务系统中使用的交叉相关法。光流法可以弥补传统交叉相关法的缺陷，提升对流临近预报系统的性能。因为在为平缓的层状云降水系统中，交叉相关法的效果相对理想。但在强对流天气中，跟踪失败的情况会显著增加，从而影响到最终的预报结果，而光流法采用全局平滑的假设使得风暴单体的追踪计算在整个区域内都得到了准确的运动矢量。张蕾等[3]利用金字塔分层思想和RPM-SL方案改进HS光流法后发现，对强对流回波预报具有优势。

2 雷达回波外推方法

2.1 光流法简介

光流是指空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。

光流场就是类刚体物体的速度矢量场，光流场与交叉相关法所求得的运动矢量场在物理意义上是等价的：如果把传感器从摄像机换成多普勒雷达，被探测的目标从一般的运动物体换成雷达回波，则可以用光流法替代交叉相关法得到运动矢量场。

2. 2 半拉格朗日外推方法

由于台风、强天气中的涡度大，单体运动轨迹都有一定旋转效应，为了解决线性外推不考虑旋转的缺点，采用了半拉格朗日平流方案对雷达回波进行外推。半拉格朗日方法具有良好的稳定性和精度，目前已广泛应用到数值预报模式和气候模式，采用RPM-SL ( remapped particle-mesh semi- Lagrangian) 方案外推回波，该方案可保持回波的旋转性，提高回波预报效果。

2.3 应用分析

本文选取两次对流过程资料，利用光流法对雷达组合反射率因子进行0～2h的外推预报，并与SWAN产品（即交叉相关法）对比分析。

2.3.1 2017年4月11日福建强对流天气过程

2017年4月11日福建强对流天气过程是一般性对流天气过程，11日，湖南南部到福建中部出现带状的强对流天气分布区；南面广东上空出现分散性强对流天气，闽粤交界地带也出现明显的强对流天气，15时（北京时间）前后回波从江西进入福建省，最强的回波强度在40～45dBZ。30dBZ以上的强回波区呈现弓形分布（图略），回波后侧有偏北风侵入，南侧为西南风，总体为弓形回波的结构。

利用光流法结合拉格朗日跟踪外推算法，外推预报（图1c）得到的强对流的形状、位置和雷达观测到的实况（图1a）比较接近。系统较好地预报出了福建中部、南部的回波及福建西部的强回波。当然，比较图1a、1c也可以看出，回波南段的移动速度偏慢。对比预报和实况可知，光流法基本预报出了最大反射率因子特征的位置。实况回波上的强中心主要分布在西段、中段和南段，西段主要为大面积回波，最强回波约40dBZ左右，中段和南段为类弓形回波，最强回波约为50dBZ。光流法预报后的强回波中心也主要在西段、中段和南段，南段的最强回波比实况偏南，中段相当，但最大值即50dBZ范围大于实况回波。从本次过程１h预报以及１h后的回波实况对比可知，预报1h以后强回波位置与回波实况比较一致，形状也与实况比较接近，而SWAN产品（图1b）尽管回波位置相近，中段强度明显偏弱偏北。因此利用光流法对大范围的对流系统1h外推预报也有较大的参考价值。

图1 2017年4月11日19时(北京时间)福建强对流天气过程

a——实况回波；b——SWAN 10时预报1h外推回波；c——光流法10时预报1h后的外推回波

2.3.2 2017年4月24日福建对流天气过程

2017年4月24日，福建省上空出现分散性强对流天气，强度相对一般，全省多地有局地的对流过程，较11日强度小，风暴主体在浙江境内，福建以40dBZ以下回波为主，光流法外推预报（图2c）得到的强对流的形状、位置与雷达观测到的实况（图2a）比较接近。SWAN产品（图2b）明显强度较弱，35dbz以上区域预报偏少，由此可见对于分散性对流，光流法效果也较SWAN方法理想。

图2 2017年4月24日22时(北京时间)福建对流天气过程

a——实况回波；b——SWAN21时预报1h外推回波；c——光流法21时预报1h外推回波

3 临近降水估测

3.1 算法介绍

近些年来，随着数据的不断丰富，深度学习应运而生。深度学习可以从大量数据中自动学习数据的特征，并映射到输出空间中，在图像识别、文本预测等领域已经取得了非常好的效果。

对于雷达、气象这样的时空数据，近年来也有一些研究工作。例如，Srivastava等人提出了基于整个图像的推演模型FC-LSTM[4]，通过将全图展开为一维向量，并输入到LSTM模型中，再通过卷积神经网络预测模型。

雷达回波图中，可以得到一定范围内每个格点的雷达回波率。根据Wilson等人[5]的研究，雷达回波率和降水率的关系可以表示为：

=2001.6

雷达回波图可以很好地反映地区的降水量，对预测强对流具有非常重要的作用。但在实际过程中，雷达回波和降水的关系可能受地理位置、降水类型、发展过程的影响，系数值200、指数值1.6往往需要依靠人工的经验。本方法利用深度学习神经网络，通过历史数据学习来找到雷达回波和降水强度之间的关系，实验结果证明，该方法可以取得非常好的效果。

卷积神经网络（CNN）是一种前馈神经网络，通过叠加卷积层、池化层、RELU层等操作来对图像进行处理，并生成图像的特征。

卷积层通过不同的卷积对图像进行处理，可以生成图像的局部特征。一幅图像可能存在各种各样不同的局部特征，传统的图像处理算法SIFT等通过手工提取特征来对图像进行分类，然而，这一方法不仅需要大量人工的参与，也很难取得很好的效果。近年来，随着数据的不断增多和GPU处理能力的增速，通过误差反向传播的BP算法可以自动学习神经网络中的卷积核，从而提取更好的图像特征。图3展示了一个3×3卷积的示例。

图3 卷积过程示例

3.2 模型建立

收集2015年12月～2017年6月共19个月的雷达回波图，建立数据集。雷达回波图为从0dBZ到70dBZ以上的不同等级的基本回波率值。回波率的dBZ值越高，一般表示该区域的降雨量越大。在雷达图中，用前17个月的数据作为训练集，倒数第二个月的数据作为验证集，最后一个月作为测试集。在对未来天气进行预测中，我们用过去5个小时的历史雷达回波图作为输入，并预测未来3个小时的雷达回波图。

实际模型计算时，设置了以下一些神经网络参数：将卷积神经网络设置为Alexnet的结构，并去掉了最后的两层全连接层；模型中一共有6层LSTM（长短期记忆网络）层。使用前3层LSTM对输入进行编码，并用后3层来对编码后的隐藏单元进行解码。对于编码网络层，每层的隐藏单元数分别为128、64、64。对于解码网络层，每层的隐藏单元数也为128、64、64。输入数据为训练过去三个小时每6min（12min）雷达回波，过去三个小时自动站站点累积降水量。通过模型计算未来三个小时每6min雷达回波矩阵，进而换算未来三小时各个站点累积降水量预测。具体步骤为：在该模型中，首先对输入回波进行两次卷积，这里假设在每个卷积核大小的范围内，降水和回波具有相近的关系。然后对卷积后的结果进行Z-R积分，积分的参数是动态可以优化的。最后在用两层反卷积得到降水输出结果。模型的结果如图4所示。

图4 降水量卷积模型

3.3 应用分析

同样以4月11日强对流天气过程为例。

图5为4月11日过程小时降水预测，可见模型预测与实况相对接近，随着起报时间临近，强降水范围与实况更接近，集中在福建南侧，图5b为预报2h后结果，强降水范围接近，但强度偏大，但随着起报时间接近，明显强降水范围减小到与实况一致。

选取2017年4月～6月资料，计算了逐月的TS和漏报率评分（表1），与SWAN产品对比，模型预测TS接近，但漏报率远小于SWAN产品，因此对模型的业务化应用有一定价值。

图5 2017年4月11日20时1小时降水

a——实况19～20时1h累计降水；b——18时起报预报19～20时1h累计降水；c——19时起报预报19～20时1h累计降水

表1 2017年4～6月逐月的TS和漏报率评分

4 结论

本文提出了联用光流法和拉格朗日外推模型对雷达回波图进行推演预测。通过两个对比，发现方案优于SWAN产品，在强度预测上有明显优势；同时，利用CNN+LSTM的深度学习模型对降水进行预测，结果也较有参考价值，在后续的研究中需要更多个例验证。同时光流法外推和交叉相关均存在局限，即短时间局地生消预测还有一定难度，需要引入模式动力机制影响改进回波生消的预测方案。

[1] Gibson JJ. The ecological approach to visual perception[M]. Boston: Houghton Mifflin, 1950: 332.

[2] 曹春燕，陈元昭，刘东华，等．光流法及其在临近预报中的应用[J]．气象学报，2015, 73(3)：471-480

[3] 张蕾, 魏鸣, 李南, 等. 改进的光流法在回波外推预报中的应用[J]. 科学技术与工程, 2014,14(32): 133-137.

[4] Srivastava N, Mansimov E, Salakhutdinov R. Unsupervised learning of video representations using LSTMs[C]//International Conference on Machine Learning, 2015: 843-852.

[5] Wilson J W, Brandes E A. Radar measurement of rainfall—A summary[J]. Bulletin of the American Meteorological Society, 1979, 60:1048-1058.

[6] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012(25): 1106-1114.