基于時空記憶解耦RNN的雷暴預測方法

何詩揚, 汪 玲,*, 朱岱寅, 錢 君

(1. 南京航空航天大學電子與信息工程學院/集成電路學院, 江蘇 南京 211106;2. 中國航空工業集團雷華電子技術研究所, 江蘇 無錫 214063)

0 引 言

雷暴是一種局地強對流天氣,通常伴隨雷電、冰雹、強降水、龍卷等劇烈天氣現象,這些天氣現象會嚴重威脅到工農業生產及人民日常生活[1]。據統計,全球各地每天約有44 000個雷暴發生,其影響范圍達到了全球的1%。1987年,聯合國將雷暴列為最嚴重的十大自然災害之一。同時,隨著科技的進步,社會對于天氣預報的及時性、實效性和準確性提出了更高的要求,因此提供更為準確高效的雷暴短時預報尤為重要。

由于常規資料時間和空間分辨率有限,并且雷暴具有生命周期短、空間尺度小的特征,很難對其實現探測和預警。多普勒氣象雷達資料具有高時空分辨率,是探測強對流天氣系統和短時臨近預報的主要工具[2]。傳統的雷暴預測方法主要有單體質心法、光流法和交叉相關法[3]。這些方法僅利用若干個連續時刻的雷達回波圖像推測下一時刻雷暴位置,忽略了在實際情況中雷暴的移動通常是非線性的,存在對歷史雷達資料利用率不足和外推時效較短的局限。而神經網絡模型具有強大的非線性映射能力,且對數據的利用率大大提高。

連續的雷達觀測圖像是一種時序數據,想要在外推時取得較好的效果,需要充分考慮相鄰時次雷達反射率因子之間的時序相關性[4]。而循環神經網絡(recurrent neural network, RNN)是一種遞歸神經網絡,常用來進行關于時序問題的數據建模[5-6]。循環神經網絡內不僅有前向反饋,還存在后向反饋,通過內部循環的方式,將內部的神經網絡多次利用,其輸入依賴于當前的輸入和對歷史輸入的記憶,可以將時間序列數據中的關鍵信息持久化,使其擁有較強處理時間序列的能力。張心宇等利用長短時記憶(long short-term memory, LSTM)網絡進行衛星軌道預測,其預報精度滿足衛星自主軌道預報以及地面測控的需求[7]。何春蓉等提出了基于注意力機制的門控循環單元(gate recurrent unit, GRU)神經網絡安全態勢預測方法,該方法具有較快的收斂速度和較低的復雜度[8]。胡玉可等提出了一種基于門控循環單元的循環神經網絡模型,實現了對目標傳播進行航跡預測[9]。

卷積神經網絡在雷達回波外推上的研究目前仍處于起步階段,國內外學者在此方面進行了一定的研究。Shi等提出使用帶有卷積層的LSTM單元組成RNN,并將其應用到雷達外推預報中[10]。隨后,Shi等又提出了一個具有可學習卷積的軌跡門控循環單元(trajectory gate recurrent unit, TrajGRU)模型[11]。Jing等提出了一種由堆疊的RNN模塊和細化模塊構成的多層級預測RNN(hierarchical prediction RNN,HPRNN)模型,有助于實現長時間的雷達回波外推[12]。韓豐等在文獻[13-15]所提出的PredRNN系列模型基礎上將時空長短時記憶(spatiotemporal long short-term memory, ST-LSTM)單元應用到RNN模型中[16],將其結果與交叉相關算法對比,結果表明這個網絡在20/30 dBz上的準確率顯著提升。Wang等將三維卷積和RNN集成為Eidetic-3D-LSTM單元[17],使得網絡具有較好的對早期活動的識別能力。Wang等改進了LSTM單元的forget門結構,提出了MIM模型,使得網絡具有捕捉非平穩特征的能力[18]。傳統RNN網絡,如LSTM等,只能實現時間尺度上的預測,而雷暴預測不僅需要時間維度上的信息,還需要空間維度信息,故本文將能同時提取空間記憶和時間表示的ST-LSTM單元作為網絡結構用于雷暴回波外推。考慮到雷暴屬于強對流天氣系統,變化很快且具有隨機性,在預測上有一定難度,在此基礎上進一步引入時空記憶解耦結構,提升雷暴預測性能。選取香港天文臺(Hong Kong Observatory, HKO)的HKO-7雷達回波圖像數據集作為試驗對象,通過構建時間序列輸入網絡進行訓練預測雷暴演變,并將有記憶解耦結構ST-LSTM網絡、常規ST-LSTM網絡與傳統的單體質心法及MIM網絡進行比較。

論文結構安排如下:第1節給出基于時空記憶解耦RNN的雷暴預測網絡模型;第2節給出氣象雷達數據預處理的詳細步驟;第3節給出網絡試驗結果及個例分析;第4節對文章進行了總結。

1 基于ST-LSTM的雷暴預測網絡

循環神經網絡是一類以時序數據作為輸入,在序列演進方向進行遞歸且所有節點按鏈式連接的網絡結構。雷暴的預測實質上是時間序列數據的外推問題,這很符合循環神經網絡的特性。本文采用了帶有記憶解耦結構的ST-LSTM單元組成的網絡模型。

ST-LSTM單元是在LSTM單元[5,19-20]的基礎上進行擴展,它包含兩個記憶模塊:時間記憶單元和空間記憶單元。時間記憶單元C也就是LSTM單元中的結構,負責橫向時間流的傳遞;空間記憶單元M負責層與層之間空間記憶的傳遞,它從同一時間步的l-1層垂直傳遞到當前節點。最后將這兩個記憶單元的內容進行融合,并使用一個1×1卷積層進行降維,使得該單元的隱藏輸出具有和任一記憶單元相同的維度。在雷暴預測中,ST-LSTM單元的優勢在于將狀態之間的轉化改為卷積形式,使得網絡模型可以同時提取到時間信息以及空間特征,并且兩種記憶類型使用共享輸出門來實現無縫記憶融合,這可以有效地模擬雷暴時空序列的形狀和運動軌跡信息。網絡記憶流如圖1所示。

圖1 ST-LSTM網絡記憶流結構

(1)

(2)

(3)

2 數據處理與分析

2.1 數據集選取

本文數據來源為香港天文臺HKO-7數據集,該數據集包含2009年至2015年的雷達回波圖像。考慮到雷暴數據的特殊性,從2009年至2015年數據中選取符合條件的共計371天的數據組成本文所使用的數據集,具體分布如圖2及表1所示。

表1 采樣天數年份統計表

圖2 采樣天數月份統計圖

2.2 雷達資料預處理

為保證樣本數據質量,需要對雷達數據進行質量控制,包括孤立噪聲點濾除、平滑濾波、構造高通濾波器濾除與降水無關的反射率因子值。HKO-7數據集中的雷達回波圖像以灰度圖像方式存儲,圖像分辨率為480×480。尺寸過大的圖像中包含的時空信息較多,為提高網絡訓練效率,需將回波圖像裁剪為分辨率128×128的小尺寸圖像。

面積過小的回波一般較弱且演變較快,對預測結果正向影響較小,所以在數據集構造過程中還需要對裁剪后的灰度圖像進行進一步篩選,只保留有效像素值占比超過10%的圖像。隨后采用滑動窗口對連續序列雷達回波圖像進行切片,此處連續的定義為間隔6 min的連續掃描雷達數據,得到時間序列。每個序列包含20幀圖像,其中10幀輸入、10幀輸出,涵蓋了2 h的回波變化數據。數據集構造流程如圖3所示。

圖3 數據集構造流程

通過上述步驟對采樣圖像進行處理,得到共計279 318張128×128像素灰度圖像。通過滑窗切片得到時間序列共11 882組,采用8:2比例劃分訓練集及測試集,結果如表2所示。

表2 數據集劃分表

3 檢驗結果與分析

3.1 模型評價指標

檢驗雷暴預測性能的指標為探測成功概率(probability of detection, POD)、虛警率(false alarm ratio, FAR)、臨界成功指數(critical success index, CSI)。考慮到雷暴這類天氣系統的特殊性,所涉及反射率因子范圍偏高,選取30 dBz、40 dBz、50 dBz作為判別閾值,預測時長為1 h,每張預測圖像間隔6分鐘。模型評價指標定義如表3所示,其中NA為預報正確次數,NB為空報次數,NC為漏報次數。

(4)

(5)

(6)

除上述預報因子外,在個例檢驗中還使用結構相似性(structural similarity index measure, SSIM)指標來衡量預測圖像和真實圖像之間的相似度[21]。SSIM是一種基于感知的模型指標,從亮度、對比度、結構3個方面評價兩張圖像的相似程度。SSIM的計算方法如下所示:

(7)

3.2 測試集檢驗結果

表4和表5給出了有記憶解耦結構和無記憶解耦結構的兩種網絡在測試集上的雷暴預測評分因子指標結果,分別給出在不同時間步長,6 min、30 min、60 min情況下采用30 dBz、40 dBz、50 dBz為閾值的檢驗結果。

表4 ST-LSTM+記憶解耦網絡測試集指標檢驗結果

表5 ST-LSTM網絡測試集指標檢驗結果

從表4和表5中數據對比可以看出,在相同檢驗條件下,有記憶解耦結構的網絡效果優于常規ST-LSTM,3個預測評分因子POD、CSI、FAR平均提升0.05～0.1。隨著預報時間的推移,兩個網絡均表現出臨界成功指數、預測成功概率隨時間延長而下降,虛警率隨時間延長而上升的趨勢。此外,由表4和表5中相同預測時間下各預測評分因子值可以看出,隨著反射率閾值的增大,臨界成功指數和探測成功概率有所下降,而虛警率上升。這是由于當閾值增大的時候,更著重于強回波區域的演變,但強回波區域相對變化更快且不確定性更強,所以會出現預報因子下降的情況。

為了比較不同方法的性能,表6中給出了預報時間為30 min時單體質心法、MIM網絡、ST-LSTM網絡和有記憶解耦結構ST-LSTM網絡的預報評分因子結果。可以看出對于3個評分因子,有記憶解耦結構和無記憶解耦結構的預測神經網絡結果均明顯優于單體質心法,并且也優于MIM網絡結果。

表6 不同預測方法30 min預報評分因子結果

綜上所述,預測神經網絡對于雷暴的預測能力明顯優于單體質心法,也優于MIM網絡,并且帶有記憶解耦結構的ST-LSTM網絡在雷暴的預測效果上相較于常規ST-LSTM有提升。

3.3 個例分析

3.3.1 雷暴個例天氣過程1

2010年9月8日,受到雷雨帶經過影響,香港東南部遭遇狂風雷暴天氣。選取當日的雷達回波圖像進行個例檢驗,圖4給出了有記憶解耦結構ST-LSTM網絡和常規ST-LSTM網絡在60 min內的不同時間步長的預測結果,及其對應時刻的真實地面回波圖像。從圖4中可以看出,有記憶解耦結構的網絡預測的反射率因子位置分布與真實回波基本一致,正確預報出自北向南的強回波帶以及整個回波向西南方收縮移動的趨勢,而常規ST-LSTM網絡在預測時間較短時結果也基本一致,但隨著預測時間的增加,預測的反射率因子區域相較于真實回波差距增大。通過對比可以看出,有記憶解耦結構ST-LSTM網絡在內部最強回波區域的預測上明顯優于常規ST-LSTM網絡,后者隨著預測時間的增加,所預測的強回波區域越來越小。

圖4 2010年9月8日雷暴回波真實觀測圖像與模型預報結果

圖5是兩個網絡預測圖像與真實回波的結構相似性曲線,可以看出預測準確率整體隨預測時間的增加呈下降趨勢,但帶有記憶解耦模塊的網絡預測效果始終優于常規ST-LSTM網絡。

圖5 2010年9月8日不同模型預報結果SSIM曲線

3.3.2 雷暴個例天氣過程2

2014年5月11日,香港出現雷暴天氣,并影響上百架航班離港。選取該日的雷達回波圖像進行個例檢驗,圖6給出了有記憶解耦結構ST-LSTM網絡和常規ST-LSTM網絡在60 min內不同時間步長的預測結果,及其對應時刻的真實地面回波圖像。從圖6中可以看出,真實回波中有明顯的強回波帶,并且呈融合趨勢,有記憶解耦結構的網絡預測反射率因子位置分布與真實回波基本一致,正確預報出回波輪廓和位于內部的強回波區域,以及整個回波區域向東側移動的趨勢。

圖6 2014年5月11日雷暴回波真實觀測圖像與模型預報結果

常規ST-LSTM網絡在預測時間較短時結果也基本一致,但預測反射率因子區域相較于真實回波隨著預測時間的增加差距增大。并且在內部的強回波區,有記憶解耦結構的網絡預測結果明顯優于常規ST-LSTM網絡,能較好地預測強回波區的形態及變化趨勢。

圖7是兩個網絡預測圖像結構相似性曲線,曲線整體呈下降趨勢,且有記憶解耦模塊ST-LSTM網絡SSIM值大于常規ST-LSTM網絡,圖像相似度更高。在雷暴預測后期出現模糊現象,考慮到雷暴回波屬于強對流天氣,變化快且具有相當的不確定性,分析原因可能為隨著預測時間增長,對回波細節預測難度增大,網絡會更加注重整體回波形態的演變,從而丟失一些細節上的推斷。

圖7 2014年5月11日不同模型預報結果SSIM曲線

4 結 論

本文針對傳統雷暴預測方法外推時效較短且對歷史雷達資料利用不足的局限,搭建帶有記憶解耦結構的RNN模型用于雷暴預測,在HKO-7數據集基礎上構建雷暴數據集進行訓練。通過預測評分因子結果,表明ST-LSTM循環神經網絡在雷暴預測方面的效果優于單體質心法和MIM網絡;結合個例檢驗結果說明常規ST-LSTM網絡能較好預測雷暴發展變化,加入記憶解耦結構的ST-LSTM RNN網絡效果更好,尤其針對大片回波區域內部的強回波區,能更好地預測其發展趨勢。

目前對于預測神經網絡在雷暴回波外推上的資料使用僅為不同時次的反射率因子信息,在后續研究中考慮加入其他輸入,例如環境風場、氣壓等信息,從而進一步優化對雷暴演變的預測。