短临降水预报方法及其应用研究综述

• 11

•

短临降水预报表示的是0~6小时内的降水天气预报。本文对短临降水预报的研究现状进行了综述，系统地对目前短临降水预报方法进行了分类，针对神经网络方法，重点对短临降水预报的模型构建过程进行详细论述。最后，在总结的基础上对短临降水研究的未来发展趋势进行了分析与展望。

引言：近年来，企业在运营及管理上与气象的关联度越来越高，极端天气对经济的影响也日益突显，短临降水预报的研究对于企业做出正确决策有着重要的意义。随着人工智能的发展，以及深度学习等技术的更新，短临降水研究有了更多机遇。

对于短临降水预报，传统的方法主要包括统计预报、经验外推方法和数值模式预报。早期的预报多采用经验外推法。50年代，随着计算机技术的发展，统计学方法和数值预报产品在短临降水研究领域得到了更多应用。统计预报不仅对降水因素预报，在对降水的形势预报中也取得了一定成效，但统计天气预报缺乏物理基础，统计关系的稳定性也不高，所以统计预报依然面临诸多挑战。随着气象数据的增多，卫星勘探技术的发展，基于某种或多种资料的传统预报方法，在预报效果上有了进一步的提升。

近年来，随着大数据和人工智能的发展，海量数据、深度学习、复杂神经网络等逐步应用，为短临降水研究带来了新的机遇。传统方法在短临预报中的时效性及准确性上都有待提高，深度学习方法在一定程度上弥补了传统方法的不足。基于深度学习的短临降水预报开始受到学者和企业的更多关注。

本文主要对短临降水的研究与应用状况进行综述。第一节简要论述研究的目的与意义。第二节概括了短临降水预报的主要方法。第三节重点介绍了短临降水预报模型构建的思想与过程。第四节分析了短临降水预报的应用状况。最后一节展望短临降水的未来研究趋势。

1.研究目的与意义

短临降水预报的研究对象主要是中小尺度系统，和中长期及短期降水预报相比，就需求区域、预报时效等要素而言，短临预报有着更高的要求。短临降水预报一般是指六个小时内的降水天气预报，预报精度可以达到公里级和分钟级。短临降水的价值主要体现在，对于更多的企业和需求者来说，“接下来1小时没雨”远比“今天可能有雨”更有意义。近年来，海洋气候的变化和极端天气事件发生的频率、强度不断增加，极端天气对港口作业的影响日益突显。短临天气对物流等企业的安全及正常运营都会产生较大的影响，及时获得天气预报，能帮助政府、行业相关组织做出正确决

短临降水预报方法及其应用研究综述

策，因此，课题的研究具有实际意义。

近几年来，随着人工智能的发展，降水预测的方法及准确性都有了改善，但对短临降水的方法研究多为单一层面的算法研究，对于面向行业的短临天气研究仍较少。另一方面，系统研究在预测算法和精度上还存在很多问题。所以，从学术角度来看，短临降水这一领域有着巨大的研究空间。

随着研究的拓展与深入，国家也意识到气象资源的潜力和作用，不断出台新的政策鼓励该方面的发展。2015年，气象局发布了一项法令，宣布开放中国的气象信息，该方面的信息于 2020年完全开放，鼓励民间资本和气象部门合作。据《中国气象服务产业发展报告（2014）》显示，到2025年，我国的气象服务市场规模将达到3000亿元。

2.短临降水预报的主要研究方法

2.1 短临降水的传统预报方法

短临降水预报的传统方法主要包括：统计降水预报方法，基于数值模型的降水预报方法和基于雷达外推的降水预报方法。这些方法使用的数据并不完全相同，有些使用单个数据，有些使用不同类型的数据来预测降水。

刘瑞霞在数值模型的基础上，结合多种观测数据，开展了中国风云卫星资料改变模式初值，对短临天气预报中降水预报的影响研究。宋晓辉等人根据多普勒探测资料，利用统计预报方法，对短临强降水发生的重要指标进行了筛选。徐琼芳等根据高空、地面逐小时实况资料和多普勒雷达资料，对短时强对流天气过程进行了统计分析。陈明轩等人为了克服中尺度数值模式在降水短时预报中的不足，弥补基于“外推”的临近预报技术的缺陷，研究设计了一种基于“外推”临近预报技术和中尺度数值模式的降水预报融合技术方案。Rinehart和Garvey等人将雷达回波划分为多个区域，然后获取回波运动数据的多个向量，并提了雷达回波跟踪的方法（TREC）。王钰和张家国等深入研究了暴雨中雷达回波信号的特征，并对雷达回波进行了缩放。回波分割和信号匹配的处理最终产生了不同尺度的降水分布。该研究已经实现了对暴雨可靠性的短期预测。

随着降水探测技术的发展，短临降水预报的气象资料得到了进一步完善。研究人员在传统方法的改进上，对短临降水有了更加深入的研究。但传统的统计学方法和数值预报方法，在对短临降水进行预测时，均给出了具有函数，这意味着公式化和规律化严重，反而限制了短临降水预报的准确性。基于雷达的外推法受地理因素和

• 12

•

雷达数据的准确性的影响，在研究中也具有局限性。

2.2 基于神经网络的降水预报方法

随着研究的深入，很多学者发现降水元素之间的关系大多是非线性的，因此传统的预测方法不适合处理降水元素的关系。鉴于上述情况，研究人员逐渐开始研究短临降水中的非线性关系，对于复杂的非线性统计，越来越多的研究者开始尝试用神经网络的方法来进行降水预测。

基于深度学习的降水短临预报是一个新的领域。但对于深度学习、神经网络在降水预报中的研究，国内外专家很早就开始了探索。国外方面：Ramirez，Velhob和Ferreira对巴西圣保罗州的两种降雨预报统计模型进行了分析。结论是，与多元线性回归（MLR）模型相比，ANN模型性能更好，特别是对于雨量预测等非线性现象。B.Root等通过雷达和观测数据，建立了一个用于降水预测的MLP网络。

国内针对基于神经网络的降水预报研究较晚。虞双吉、苗春生等结合主成分分析方法，利用极限学习机神经网络方法进行降水的分级预报研究。关鹏洲等以多普勒雷达数据为基础，改进了传统机器学习模型及近年兴起的深度学习算法,提出了多种对于短期降雨预测的统计改进模型，取得了较好的预测效果。蒋志等比较了不同神经网络和TREC在降水预测中的作用。

随着预报技术的发展，降水预报的时效性得到很大提高。学者不再满足对降水的精准预报，研究的热点集中在神经网络对短时降水，甚至是短临降水预报效果的研究上。Robert J. Kuligowski等使用人工神经网络研究当地降水的短期临近预报。贺佳佳,陈凯等对每个气象站点进行单独建模,建立了动态SVM短时临近降水预测模型，初步实现了地理空间上更精细化的对流天气预测。

神经网络由于参数过多使网络结构复杂，易陷入局部极小点，收敛速度慢等缺点，在基于神经网络的降雨预报研究中，有些学者把研究重点放在了对神经网络的改进和优化上。林开平发现神经网络方法在实际天气预报业务中有存在一个重要的问题，人工神经网络的泛化性问题。针对在短期天气预报神经网络建模过程中难以确定网络的结构和优化网络参数问题，林开平提出了利用遗传算法优化神经网络的连接权和网络结构。Bowden，Dandy和Maier也通过对遗传算法和一般回归神经网络相结合的部分互信息（PMI）和自组织图（SOM）网络的研究，改进了神经网络模型。李玮构建了基于改进的粒子群算法优化径向基神经网络的降水预报模型，并以某地短临降水预报为例进行了应用研究。

神经网络预报方法为短临降水的研究提供了新思路，但神经网络方法仍存在很多缺点，比如与实际业务之间存在矛盾等，所以研究人员应继续探究对神经网络的优化。

3.短临降水预报模型的构建

由于基于单一方法的降水预测其结果具有不确定性，所以更多的研究者建立了降水预测模型，以此提高时效性和预报准确率。目前的研究热点有两个方面：在短临降水预报方法中引入时空序列和利用卷积神经网络来预测短临降水。

3.1 基于时空序列的预测模型

基于时空序列的降水预测模型分为前处理，特征提取，模型训练三个部分。前处理步骤中，完成局部图像的拼接，通过SIFT 描述子寻找时间方向的对应关系，获得云团运动的轨迹。特征描

述中，将问题的特征归纳为3部分，分别为时间空间方向的矢量描述，云团形状的统计描述，及由云团轨迹外推得到目标站点的雷达反射率的空间图像描述。模型训练模型采用卷积神经网络CNN，图像部分采用卷积池化层，在全连接层与其余非图像类特征合并，共同输入到隐藏层的神经网络中。

（1）图像拼接

局部雷达图像样本与样本之间并不完全独立，图像样本之间存在一定的重叠，可以通过模板匹配的方式寻找样本之间的坐标关联特性。通过样本之间的局部图像拼接，能够将一系列小范围的局部雷达图像恢复到空间更大范围的雷达图像，进而获得关于云团更加整体的特性。

（2）轨迹追踪

根据流体力学中的泰勒冻结假设，流场中存在显著的时空关联特性，即可以认为雷达反射图中云团在短时间内趋向于在空间以当地平均对流速度平移，短时间内并不会发生外形或者反射强度的剧烈改变。为了寻找每个空间坐标对应的对流速度，可以通过SIFT 描述子在一定时间间隔内，在空间坐标上的匹配，寻找相同关键点在较短时间间隔内像素的平移量,即得到空间每个位置处的对流速度。

（3）特征提取

特征包含时间外插反射率图像，时间空间的矢量，云团形状的统计描述三部分。

由上述的图像拼接及轨迹追踪后，能够定位出全场的速度矢量，见下图。以泰勒冻结假设和关键点匹配追踪到未来时间内流场速度矢量后，能够外插未来每个坐标点的运动轨迹，即能够推测出未来位于目标站点上方的云团，在当前时刻雷达图像上的空间坐标。图中白色圆圈坐标点的云团，会在对流矢量的作用下，运动到红色目标站点上方因。截取空间轨迹上白点周围图像和空间高度的

局部图像作为卷积神经网络的图像输入。

图3-1 定位全场的速度矢量

在时间和空间方向提取图像像素的统计值（平均值、 最大值、极值点个数、方差等等），作为时空特征的描述输入CNN的全连接层。最后从拼接后的全局图像中提取云团形状的整体形态特征，包含雷达反射率的直方图和统计类信息、云团运动速度和方向、加速度、流线曲率、SIFT描述子的直方图、监测点位置、检测点反射率与最大值比值等。

（4）训练模型

卷积层中图像的输入为时间外推得到的目标站点附近的空间范围，采用较大的空间图像输入。图像部分采用卷积池化层，随后将向量拉平到一维，即在全连接层与其余非图像类特征合并，共同输