光流法以及結合機器學習在臨近預報中的應用

林 青 潘 寧 劉 銘

?

光流法以及結合機器學習在臨近預報中的應用

林 青 潘 寧 劉 銘

福建省氣象臺

通過采用Gunnar Farneback的稠密光流跟蹤法對雷達反射率進行2h外推，并結合半拉格朗日外推方法，保持天氣系統回波的旋轉效應，可有效提高回波短臨預測的精準度。結合該方法外推的回波結果及歷史降水觀測，采取機器學習中ConvLSTM(空間深度學習)的模型結合Z-R關系進行1h降水預測，結果表明其降水預測的空漏報率低于SWAN業務系統QPF預測結果。

光流法 機器學習 臨近預報

1 概述

強對流天氣是一種多發生在中小尺度范圍的、伴有劇烈氣流上升運動的災害性天氣。當空氣發生強烈的垂直運動時，就可能發生強對流天氣，并且常伴隨有雷雨、大風、冰雹、龍卷風等危害性很強的現象。然而，由于強對流天氣發生的速度快、范圍小、時間短，如何準確預報出強對流天氣發生的時間和地點一直是氣象學研究的重點和難點。

為了對強對流天氣進行預測，在氣象研究和業務中，臨近預報會根據短時間內雷達回波、云圖演變等，進行推演和判斷，預測未來強對流天氣可能發生的區域和時間。一方面，外推判斷依賴人的經驗；另一方面，研究如何實現氣象數據外推自動化。

早期有拉格朗日持續性預報、最優化相關系數的交叉相關法等，這些方法主要是基于臨近短時間的氣象數據做簡單線性的外推，沒有考慮到氣象變化的一些非線性關系。為了改進回波外推技術，引入了在計算機視覺領域應用較廣的光流法來追蹤回波的運動。該方法在1950 年由Gibson[1]首先提出，當被觀測的目標和傳感器之間有相對運動時，所觀察到的亮度模式運動稱之為光流。對于變化較快的強對流降水天氣過程，光流法具有明顯的預報優勢，曹春燕等[2]研究認為光流法預報效果優于SWAN（Severe Weather Automatically Nowcast System）業務系統中使用的交叉相關法。光流法可以彌補傳統交叉相關法的缺陷，提升對流臨近預報系統的性能。因為在為平緩的層狀云降水系統中，交叉相關法的效果相對理想。但在強對流天氣中，跟蹤失敗的情況會顯著增加，從而影響到最終的預報結果，而光流法采用全局平滑的假設使得風暴單體的追蹤計算在整個區域內都得到了準確的運動矢量。張蕾等[3]利用金字塔分層思想和RPM-SL方案改進HS光流法后發現，對強對流回波預報具有優勢。

2 雷達回波外推方法

2.1 光流法簡介

光流是指空間運動物體在觀察成像平面上的像素運動的瞬時速度，是利用圖像序列中像素在時間域上的變化以及相鄰幀之間的相關性來找到上一幀跟當前幀之間存在的對應關系，從而計算出相鄰幀之間物體的運動信息的一種方法。

光流場就是類剛體物體的速度矢量場，光流場與交叉相關法所求得的運動矢量場在物理意義上是等價的：如果把傳感器從攝像機換成多普勒雷達，被探測的目標從一般的運動物體換成雷達回波，則可以用光流法替代交叉相關法得到運動矢量場。

2. 2 半拉格朗日外推方法

由于臺風、強天氣中的渦度大，單體運動軌跡都有一定旋轉效應，為了解決線性外推不考慮旋轉的缺點，采用了半拉格朗日平流方案對雷達回波進行外推。半拉格朗日方法具有良好的穩定性和精度，目前已廣泛應用到數值預報模式和氣候模式，采用RPM-SL ( remapped particle-mesh semi- Lagrangian) 方案外推回波，該方案可保持回波的旋轉性，提高回波預報效果。

2.3 應用分析

本文選取兩次對流過程資料，利用光流法對雷達組合反射率因子進行0～2h的外推預報，并與SWAN產品（即交叉相關法）對比分析。

2.3.1 2017年4月11日福建強對流天氣過程

2017年4月11日福建強對流天氣過程是一般性對流天氣過程，11日，湖南南部到福建中部出現帶狀的強對流天氣分布區；南面廣東上空出現分散性強對流天氣，閩粵交界地帶也出現明顯的強對流天氣，15時（北京時間）前后回波從江西進入福建省，最強的回波強度在40～45dBZ。30dBZ以上的強回波區呈現弓形分布（圖略），回波后側有偏北風侵入，南側為西南風，總體為弓形回波的結構。

利用光流法結合拉格朗日跟蹤外推算法，外推預報（圖1c）得到的強對流的形狀、位置和雷達觀測到的實況（圖1a）比較接近。系統較好地預報出了福建中部、南部的回波及福建西部的強回波。當然，比較圖1a、1c也可以看出，回波南段的移動速度偏慢。對比預報和實況可知，光流法基本預報出了最大反射率因子特征的位置。實況回波上的強中心主要分布在西段、中段和南段，西段主要為大面積回波，最強回波約40dBZ左右，中段和南段為類弓形回波，最強回波約為50dBZ。光流法預報后的強回波中心也主要在西段、中段和南段，南段的最強回波比實況偏南，中段相當，但最大值即50dBZ范圍大于實況回波。從本次過程１h預報以及１h后的回波實況對比可知，預報1h以后強回波位置與回波實況比較一致，形狀也與實況比較接近，而SWAN產品（圖1b）盡管回波位置相近，中段強度明顯偏弱偏北。因此利用光流法對大范圍的對流系統1h外推預報也有較大的參考價值。

圖1 2017年4月11日19時(北京時間)福建強對流天氣過程

a——實況回波；b——SWAN 10時預報1h外推回波；c——光流法10時預報1h后的外推回波

2.3.2 2017年4月24日福建對流天氣過程

2017年4月24日，福建省上空出現分散性強對流天氣，強度相對一般，全省多地有局地的對流過程，較11日強度小，風暴主體在浙江境內，福建以40dBZ以下回波為主，光流法外推預報（圖2c）得到的強對流的形狀、位置與雷達觀測到的實況（圖2a）比較接近。SWAN產品（圖2b）明顯強度較弱，35dbz以上區域預報偏少，由此可見對于分散性對流，光流法效果也較SWAN方法理想。

圖2 2017年4月24日22時(北京時間)福建對流天氣過程

a——實況回波；b——SWAN21時預報1h外推回波；c——光流法21時預報1h外推回波

3 臨近降水估測

3.1 算法介紹

近些年來，隨著數據的不斷豐富，深度學習應運而生。深度學習可以從大量數據中自動學習數據的特征，并映射到輸出空間中，在圖像識別、文本預測等領域已經取得了非常好的效果。

對于雷達、氣象這樣的時空數據，近年來也有一些研究工作。例如，Srivastava等人提出了基于整個圖像的推演模型FC-LSTM[4]，通過將全圖展開為一維向量，并輸入到LSTM模型中，再通過卷積神經網絡預測模型。

雷達回波圖中，可以得到一定范圍內每個格點的雷達回波率。根據Wilson等人[5]的研究，雷達回波率和降水率的關系可以表示為：

=2001.6

雷達回波圖可以很好地反映地區的降水量，對預測強對流具有非常重要的作用。但在實際過程中，雷達回波和降水的關系可能受地理位置、降水類型、發展過程的影響，系數值200、指數值1.6往往需要依靠人工的經驗。本方法利用深度學習神經網絡，通過歷史數據學習來找到雷達回波和降水強度之間的關系，實驗結果證明，該方法可以取得非常好的效果。

卷積神經網絡（CNN）是一種前饋神經網絡，通過疊加卷積層、池化層、RELU層等操作來對圖像進行處理，并生成圖像的特征。

卷積層通過不同的卷積對圖像進行處理，可以生成圖像的局部特征。一幅圖像可能存在各種各樣不同的局部特征，傳統的圖像處理算法SIFT等通過手工提取特征來對圖像進行分類，然而，這一方法不僅需要大量人工的參與，也很難取得很好的效果。近年來，隨著數據的不斷增多和GPU處理能力的增速，通過誤差反向傳播的BP算法可以自動學習神經網絡中的卷積核，從而提取更好的圖像特征。圖3展示了一個3×3卷積的示例。

圖3 卷積過程示例

3.2 模型建立

收集2015年12月～2017年6月共19個月的雷達回波圖，建立數據集。雷達回波圖為從0dBZ到70dBZ以上的不同等級的基本回波率值。回波率的dBZ值越高，一般表示該區域的降雨量越大。在雷達圖中，用前17個月的數據作為訓練集，倒數第二個月的數據作為驗證集，最后一個月作為測試集。在對未來天氣進行預測中，我們用過去5個小時的歷史雷達回波圖作為輸入，并預測未來3個小時的雷達回波圖。

實際模型計算時，設置了以下一些神經網絡參數：將卷積神經網絡設置為Alexnet的結構，并去掉了最后的兩層全連接層；模型中一共有6層LSTM（長短期記憶網絡）層。使用前3層LSTM對輸入進行編碼，并用后3層來對編碼后的隱藏單元進行解碼。對于編碼網絡層，每層的隱藏單元數分別為128、64、64。對于解碼網絡層，每層的隱藏單元數也為128、64、64。輸入數據為訓練過去三個小時每6min（12min）雷達回波，過去三個小時自動站站點累積降水量。通過模型計算未來三個小時每6min雷達回波矩陣，進而換算未來三小時各個站點累積降水量預測。具體步驟為：在該模型中，首先對輸入回波進行兩次卷積，這里假設在每個卷積核大小的范圍內，降水和回波具有相近的關系。然后對卷積后的結果進行Z-R積分，積分的參數是動態可以優化的。最后在用兩層反卷積得到降水輸出結果。模型的結果如圖4所示。

圖4 降水量卷積模型

3.3 應用分析

同樣以4月11日強對流天氣過程為例。

圖5為4月11日過程小時降水預測，可見模型預測與實況相對接近，隨著起報時間臨近，強降水范圍與實況更接近，集中在福建南側，圖5b為預報2h后結果，強降水范圍接近，但強度偏大，但隨著起報時間接近，明顯強降水范圍減小到與實況一致。

選取2017年4月～6月資料，計算了逐月的TS和漏報率評分（表1），與SWAN產品對比，模型預測TS接近，但漏報率遠小于SWAN產品，因此對模型的業務化應用有一定價值。

圖5 2017年4月11日20時1小時降水

a——實況19～20時1h累計降水；b——18時起報預報19～20時1h累計降水；c——19時起報預報19～20時1h累計降水

表1 2017年4～6月逐月的TS和漏報率評分

4 結論

本文提出了聯用光流法和拉格朗日外推模型對雷達回波圖進行推演預測。通過兩個對比，發現方案優于SWAN產品，在強度預測上有明顯優勢；同時，利用CNN+LSTM的深度學習模型對降水進行預測，結果也較有參考價值，在后續的研究中需要更多個例驗證。同時光流法外推和交叉相關均存在局限，即短時間局地生消預測還有一定難度，需要引入模式動力機制影響改進回波生消的預測方案。

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

[2] 曹春燕，陳元昭，劉東華，等．光流法及其在臨近預報中的應用[J]．氣象學報，2015, 73(3)：471-480

[3] 張蕾, 魏鳴, 李南, 等. 改進的光流法在回波外推預報中的應用[J]. 科學技術與工程, 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.