1、第 42 卷第 6 期气象科学Vol 42，No62022 年 12 月Journal of the Meteorological SciencesDec，2022徐成鹏，曹勇，张恒德，等U-Net 模型在京津冀临近降水预报中的应用和检验评估气象科学，2022，42(6):781-792XU Chengpeng，CAO Yong，ZHANG Hengde，et al Application and test evaluation of U-Net model in Beijing-Tianjin-Hebeiprecipitation nowcasting Journal of the Mete
2、orological Sciences，2022，42(6):781-792UNet 模型在京津冀临近降水预报中的应用和检验评估徐成鹏曹勇张恒德刘海知梅双丽(国家气象中心，北京 100081)摘要利用 20182019 年期间 10 min 定量降水估计(Quantitative Precipitation Estimation，QPE)实况观测，构建基于 U-Net 的分钟级临近降水预报模型，实现了京津冀地区未来 02 h 逐 10min 降水量滚动预报。以 TS、BIAS、POD、S、FA 作为评价指标，通过检验 2020 和 2021 年 69月长序列以及分析 2020 年 8 月 12
3、 日和 2021 年 7 月 1 日两次强降水个例，表明 U-Net 模型预报接近实况，局部伴随着一定程度的空报，相较光流法、持续性预报及 CMA-MESO 模式预报效果有明显提升。具体表现为:当分钟级降水预报不超过10 mm/(10 min)时，U-Net 模型明显优于光流法和持续性预报;当小时预报不超过 25 mmh1，U-Net 模型优于 CMA-MESO 模式和光流法。然而，当降水强度超过 10 mm/(10 min)或 25 mmh1时，U-Net 模型存在预报偏弱的情况，可能与强降水样本较少有关。关键词深度学习;定量降水;临近预报分类号:P456doi:1012306/2022jm
4、s0078文献标识码:A收稿日期(eceived):2022-06-02;修改稿日期(evised):2022-06-27基金项目:国家重点研发计划项目(2021YFC3000903);风云卫星应用先行计划(2022)FY-APP-20220113通信作者(Corresponding author):曹勇(CAO Yong)caoyong cmagovcnApplication and test evaluation of UNet model inBeijingTianjinHebei precipitation nowcastingXU ChengpengCAO YongZHANG Hen
5、gdeLIU HaizhiMEI Shuangli(National Meteorological Center，Beijing 100081，China)AbstractIn order to strengthen the application of deep learning in precipitation nowcasting over theBeijing-Tianjin-Hebei region，the 10-minute QPE observation during 2018-2019 was used to construct aminute-level precipitat
6、ion nowcasting model based on U-Net，which realizes 10-minute rolling precipitationforecast in the future 0-2 hours By verifying the long series from June to September in 2020 and 2021 andanalyzing two cases of heavy precipitation on both August 12，2020 and July 1，2021 based on evaluationindicators s
7、uch as TS，BIAS，POD，S and FA，results show that the prediction of U-Net model isclose to observation accompanied by false alarms to some extent and its forecasting effect is significantlyimproved compared with the optical flow method，persistent forecast and CMA-MESO model Specificperformance as follow
8、s:when the minute-level precipitation forecast does not exceed 10 mm/(10 min)，the U-Net model is significantly better than the optical flow method and persistence forecast;when thehourly forecast does not exceed 25 mmh1，the U-Net model is significantly better than the CMA-MESOmodel and the optical f
9、low method However，when the precipitation intensity exceeds 10 mm/(10 min)or 25 mmh1，U-Net has a weak forecast，which may be related to fewer samples of heavy precipitationKey wordsdeep learning;quantitative precipitation;nowcasting引言京津冀地区地处山地平原过渡地带，西毗太行山脉，东临渤海，受复杂下垫面、海陆热力差异及中低纬系统相互作用等多因素共同影响，天气系统复杂多
10、变，造成该地区降水时空分布不均，常出现短时强降水1-4，易造成重大人员伤亡和社会经济损失。京津冀强降水具有明显局地性、强突发性、短预见期的特点，数值预报模式在短中期时效内难以准确预报，亟待加强。传统短临降水预报技术是在雷达回波外推基础上发展起来的，应用最广泛的方法是单体质心法5-6 和交叉相关法7-8。单体质心法通过三维雷暴跟踪技术对雷暴单体识别和运动路径跟踪，比较适合强对流风暴单体的跟踪和临近预报，在一般对流性天气或层状云降水天气的临近预报方面应用较差9-10。交叉相关法通过计算相邻时刻雷达回波位置间的最大相关系数来跟踪和外推回波，既可以跟踪对流降水系统，也可以跟踪层状云降水，但在强对流系统
11、快速发展时风场外推质量迅速下降预报偏差变大9-11。为改进雷达回波外推效果，短临预报引入了计算机视觉领域应用较广的光流法，通过计算雷达回波的光流场代替雷达回波的运动矢量场，并基于该运动矢量场对雷达回波进行外推12-16。在预报对流性降水和稳定性降水方面，光流法都明显优于交叉相关法和质心法17-18，具有较好的业务应用价值。尽管如此，短临预报在应用中仍存在许多需提升的地方，譬如对流系统的生消和发展如何考虑，预报时效如何延长，极端降水如何反映等19-20。近年，人工智能技术迎来第三次发展浪潮，以深度学习为代表的人工智能技术在图像处理、语音识别和决策分析等领域取得了巨大成功。气象数据体量巨大，本身具
12、有天然的数据优势，基于深度学习对海量数据进行挖掘，能得到样本更深层次的内在物理特征和内在规律。当前针对特定应用场景学术界已经发展出许多成熟神经网络模型，成功应用于天气预报领域21，同时为当前迫切提升短临降水预报精度提供了新思路和新技术。短临预报的深度学习应用大致可分为两类22:(1)围绕 NN 网络开发，它显式地模拟时间变化;(2)使用 CNN 网络，将输入图像转化成输出图像。SHI，et al23 最早将短临预报归类为图像的时空序列问题，构建卷积长短记忆网络(ConvLSTM)外推02 h 雷达回波，模型预测精度较传统光流算法具有明显优势。之后，SHI，et al24 引入 Trajecto
13、ryGU 弥补记忆网络无法学习空间变化关系的缺陷，又进一步提升模型预测性能。郭瀚阳等25 将卷积GU 模型成功应用于京津冀地区雷达回波预测，结果表明模型预测未来 30 min 和 60 min 雷达回波的准确率相比传统临近预报提升明显。而另一方面，有关基于 CNN 的短临预报模型也有不少的研究进展。Ayzel，et al26 仅仅用全卷积神经网络来预测雷达短时降水，取得与光流法相当的效果。Lebedev，et al27 利用 U-Net 对卫星图像进行反演降水，继而用光流法预测未来降水量。而 Kevin，et al28 更进一步提出基于 U-Net 预测未来 30 min 的雷达回波，通过引入
14、注意力机制和深度可分离卷积，既保持较高的预测准确率又极大减少了计算参数，提高运算效率。基于 U-Net 在图形学的分割处理能力，本文尝试开展 U-Net 在短临预报方向上应用，提升短临降水预报准确性。本文设计的 U-Net 深度学习模型直接将观测的降水量作为输入量，预测京津冀地区 02 h 逐 10 min 降水量，并与光流法、持续性预报以及CMA-MESO 模式结果进行对比，给出长时间序列的检验和个例检验效果评估。1资料和方法11资料本研究区域覆盖京津冀地区、山西省大部、山东省和河南省等部分地区(3543N，111119E)。以 1 km 为单位，将研究区域大致划分成800800 个网格。基
15、于国家气象信息中心提供的 20182020年 QPE 实况资料，水平分辨率为 1 km，其中 20182019 年数据用于训练深度学习模型参数，2020 年数据用于评估模型性能。12方法深度学习通常以图像方式处理数据，对于气象格点数据，可将格点与图像中的要素点一一对应起来。深度学习分割网络 U-Net 是一种端对端的全卷积神经网络，在生物医学图像分割领域具有很好的应用效果29。如图 1 所示，U-Net 由编码阶段和解码阶段两部分组成，整体呈 U 字型对称结构:左侧为要素特征提取的编码结构，右侧为要素特征还原的解码结构。编码阶段包括卷积层和池化层，实现特征图提取和图像降维，表达气象数据的高级特
16、征。卷积层采用二维卷积提取特征，若输入尺寸为287气象科学42 卷6800800 的图片，经过 16 个 33 卷积核作用，图片尺寸变为 16800800。池化层负责降低特征图像维度，若输入特征图为 16800800，经池化后变为 16400400。解码阶段包括上采样和通道复制拼接操作，起到图像特征复原的作用，既能保留气象数据高级特征又可重建位置信息。上采样层采用二维转置卷积提高特征图分辨率，若特征图大小为 5122525，经上采样后变为 2565050。复制拼接可将编码器与解码器的的特征图做通道拼接，如编码器 2565050 的特征图与解码器 2565050 拼接后可获得的大小为 5125050 的新特征图。经过重复数次上采样和复制拼接操作，最底层特征图(5122525)由低分辨率逐步还原高分辨率特征图(16800800)，最后经过网络尾部卷积层输出最终预报结果(12800800)30。图 1U-Net 网络结构Fig1The network structure of U-Net相比于一般 U-Net 结构，本文构建的 U-Net 落到模型具体实现上有一些不同30:(1)在选择模型深
