基于分層生成對抗網絡的短臨降水預報方法研究*

曾強勝, 郭敬天, 任 鵬, 黃文華, 王 寧

(1. 國家海洋局北海預報中心, 山東 青島 266061; 2. 中國石油大學(華東)海洋與空間信息學院, 山東 青島 266555)

短臨降水預報在氣象防災減災中發揮重要的作用,根據世界氣象組織(World metecorological organization,WMO)的定義,短臨預報一般是指在0～2 h的時間內對某一區域內的降雨量或強對流天氣等天氣現象進行預測[1]。然而,建立一個有效的短臨降水預報模型面臨巨大的挑戰。首先,降水本身是一個非常復雜的非線性問題,涉及水循環過程中地面與空中水分、熱量、動量等交換問題;其次短臨降水多發生于中小尺度天氣系統,其具有一定的突發性,同時短臨降水自身也具有速度快、空間小的特點,因此對其預報具有一定的難度[2]。雷達回波圖具有較高的時空分辨率,近年來隨著雷達探測技術的快速發展,出現了大量的雷達回波圖序列,以可視化的方式反映了雷達回波演變過程的時空變化,成為短臨降水預報的主要工具。傳統的雷達回波推演的方法主要有單體質心法(SCIT)、雷達回波關聯算法(TREC)[3]和光流法[4]。其中,SCIT法通過計算單體質心位置、體積等特征,以連續多時刻的追蹤結果外推進行預警。SCIT法適用于對強雷暴單體的識別追蹤和短臨預報[5],然而SCIT法對弱回波信息不敏感,致使外推結果往往缺失弱回波信息。TREC法通過最優化雷達回波序列的空間相關性,獲取對流系統不同位置的移動矢量,用以對雷達回波進行外推預報[6],該方法對強雷達回波的識別效果良好,但對于目標是多個單體且彼此距離較近時,其識別和追蹤的效果較差[7]。光流法通過計算雷達回波圖的光流場獲取連續時刻雷達回波場位移矢量,對雷達回波進行外推。然而光流法對歷史雷達資料利用率不充分,無法準確挖掘雷達回波演變的內在規律。

針對上述傳統方法存在的問題,本文嘗試將深度學習法應用到雷達回波外推中。目前將深度學習模型應用于短臨預報還處于起步探索階段,陳家慧等[8]首次使用BP神經網絡對雷達回波進行外推,驗證了將深度學習法應用于雷達資料外推的可行性。馮漢中等[9]使用支持向量機(SVM)完成了對降水量的預報。Klein等[10]對卷積神經網絡(CNNs)進行改進,引入了動態卷積層,改進后的模型可以生成兩個預測概率向量,對雷達回波進行外推。Shi等[11]為了克服長、短時記憶單元(LSTM)無法提取雷達回波空間特征這一缺陷,提出將卷積LSTM(ConvLSTM)網絡應用于降水預報中,但存在對不同的時空位置,連續幀的局部相關結構不同的問題。Shi等[12]改進了模型,引入具有可學習卷積的TrajGRU模型,較之連接結構固定的ConvGRU更加靈活。Singh等[13]在循環神經網絡的基礎上增加卷積結構,以此捕捉雷達回波圖像的時、空依賴性,實現了基于雷達回波圖像序列的預測。郭尚瓚等[14]將傳統的光流法與多層感知器(MLP)相結合,實現了對某區域未來36 min內的降水概率的預測。郭瀚陽等[15]使用自編碼的ConvGRU對雷達回波進行外推,結果同傳統的TERC法相比,深度學習模型表現優異。然而,上述的方法生成的影像不夠清晰,相對于觀測影像,忽略了很多細節,且隨著預測時間的推移幾乎不能準確預測出未來回波的位置等問題。目前,生成對抗網絡(GAN)[16]是近年來提出的在復雜分布上最具前景之一的無監督學習模型,其在影像生成方面表現優異,能夠生成足夠清晰的影像,使GAN的眾多變體[17]在預測視頻幀方面的有效性得到了驗證。

現有的GAN框架由生成器和鑒別器組成,該模型框架可以對歷史的雷達回波圖進行訓練,生成未來時刻的雷達回波圖序列。然而,將GAN直接應用于雷達回波的視覺預測得到的結果往往產生低質量的圖像,特別是在雷達回波演變的區域。造成圖像質量低下的原因包括兩方面:首先GAN訓練的過程涉及到圖像的下采樣,而圖像的下采樣會導致圖像分辨率的丟失。其次鑒別器作用于整張圖像,對雷達回波和靜止的底圖不加區分的訓練不能有效地擬合局部的雷達回波演變趨勢。針對上述問題,本文在GAN的基礎上開發了一個以全局生成器和局部鑒別器構成的分層生成對抗網絡(HGAN),以多層子網構建全局生成器用以生成未來時刻的雷達回波圖,采用上采樣過程訓練模型,以期生成的影像具備更多的細節。同時局部鑒別器根據局部區域將預測的雷達回波圖與觀測的雷達回波圖區分開,避免采用原始GAN以整張影像作為判別依據,降低背景底圖對結果的影響;引入緩沖區機制,保存歷史預測序列,使最終預測的結果更加符合時序性。以歷史的雷達回波圖序列作為原始訓練數據,對全局生成器和局部鑒別器進行對抗性訓練,以期生成足夠清晰的未來時刻雷達回波圖序列,為雷達回波的演變趨勢提供視覺指示,提高對短臨降水預報的準確性。

1 數據源介紹

本文使用中央氣象臺提供的雷達拼圖數據,該數據由多普勒天氣雷達系統處理生成。多普勒天氣雷達系統是由多波段(S,C)、多型號(SA,SB,SC,CC)雷達組成,采用了多站資料自動獲取、數據的歸一化處理、數據質量控制、坐標轉換和地理信息疊加等技術,生成的雷達回波拼圖能準確、快速地反應降水過程演變情況。將獲取的雷達拼圖進行預處理,保留圖像中心的360×260像素區,研究區域的范圍是104°16′E—119°10′E、22°50′N—35°34′N,過濾掉雷達回波面積覆蓋率小于1/10的個例,由此構建數據集對HGAN進行試驗評估。

2 模型與改進

2.1 分層生成對抗網絡模型架構

本文開發了一個基于分層生成對抗網絡(HGAN)的短臨降水預報模型,該模型以歷史雷達回波序列作為輸入,并生成揭示雷達回波演變規律的未來雷達圖序列。HGAN由一個全局生成器和一個局部鑒別器相互對抗訓練構成。圖1為HGAN結構的樣例,它是由一個全局生成器G和一個局部鑒別器D組成,其中全局生成器由兩個分層的子網絡G0、G1構成。

圖1 分層生成對抗網絡

全局生成器由眾多子網絡以分層結構構成。每一子網生成不同分辨率尺度的雷達回波圖。從上層子網生成的小尺度分辨率雷達回波圖將被用作下層子網的輸入。圖1中的藍色虛線框中展示了一個帶有兩個層次子網的全局生成器G的例子。G0、G1是G的兩個子網絡,且都是卷積神經網絡。輸入X是按照時間順序排列的雷達回波圖序列,展示了雷達回波的結構和演變趨勢。X包含X0、X1兩個子序列,它們是兩個采樣尺度下的相同的雷達回波圖序列。將X1輸入到G1子網中,生成與X1相同分辨率的未來時刻雷達回波圖G1(X1)。下層子網G0將X0和經過上采樣的G1(X1)圖像作為輸入,生成與X0相同分辨率的未來時刻雷達回波圖G0(X0)。重復上述操作,最下層子網生成的圖像將作為全局生成器G生成的最終預測圖像。卷積神經網絡中涉及的下采樣過程會造成分辨率的損失,并導致生成的雷達回波圖質量低,特別是在雷達回波演變的區域,生成的圖像回波邊緣將會變得模糊。全局生成器使用上采樣和卷積神經子網的分層策略,來彌補這一缺陷。全局生成器通過歷史雷達回波序列學習雷達回波的演變趨勢,并生成未來雷達回波圖,提供雷達回波的可視化預測,以提高短臨降水的準確性。

局部鑒別器將預測的雷達回波圖與觀測的影像進行區分。如圖1所示,局部鑒別器D判斷一張影像是觀測影像還是由鑒別器G生成的預測影像。對于一張雷達回波圖,它具備正在演變的雷達回波以及靜止的底圖兩個部分。演變的雷達回波較之靜止的底圖更難預測,且往往位于影像平面上特定的局部區域。因此,傳統的鑒別器基于整張影像來判斷其是否為觀測值將存一定的誤差。本文引入了基于局部區域的局部鑒別器用以區分預測的影像與觀測的影像。具體來說,將輸入的影像分割成若干局部區域,局部鑒別器將給出每個區域為觀測影像的概率如圖2所示。

圖2 局部鑒別器處理過程

將所有局部區域的預測概率組合起來進行判別,相對于整個靜止的底圖,局部鑒別器可以更好地描述局部區域內移動的雷達回波的特征。因此,鑒別器的局部檢查、輔助生成器生成的預測影像更接近其對應的觀測影像,可以更清晰地描述雷達回波的演變。

2.2 損失函數

本文使用對抗性損失來訓練全局生成器和局部鑒別器,按照對抗策略,交替更新全局生成器和局部鑒別器。假設全局生成器有M層子網,用Gm(Xm)表示全局生成器子網絡生成的雷達回波圖,Tm表示它們對應的觀測的影像。訓練全局生成器的對抗損失LG-adv函數如下:

(1)

式中D(Gm(Xm))表示輸入的圖像是觀測雷達回波圖的概率。通過最小化全局生成器的對抗損失函數(見式(1)),驅動全局生成器生成足夠真實的影像。為了使進一步提高生成影像的質量,本文引入了L1損失函數,LG-adl梯度差損失。

同時為了約束噪聲,防止生成的影像受到偽影影響,本文引入總變分損失LG-tvl,定義如下:

(2)

全局生成器的總損失LG函數如下:

LG=γ1LG-adv+γ2L1+γ3LG-adl+γ4LG-tvl。

(3)

式中γ1、γ2、γ3和γ4為經驗加權參數。

通過最小化總損失函數(見式(3)),驅動全局生成器生成高質量的難以被局部鑒別器鑒別的未來雷達回波影像,而局部鑒別器的對抗損失LD-adv函數如下:

(4)

式中1-D(Gm(Xm))表示全局生成器生成未來影像為真的概率。通過最小化局部鑒別器的對抗損失(見式(4)),使得局部鑒別器將Tm和Gm(Xm)正確的分類為觀測影像和預測影像。

HGAN的全局生成器生成未來影像,局部鑒別器對生成影像與觀測影像進行鑒別。通過同時最小化損失函數(見式(1)和式(4)),生成器與鑒別器之間相互博弈,對抗學習,既增強了生成器的擬合樣本空間的能力,也增強了鑒別器的鑒別能力。模型最終生成鑒別器無法區分的足夠真實的未來雷達回波圖,用以輔助短臨降水預報。

2.3 模型改進

在分層生成對抗網絡生成未來時刻雷達回波圖的過程中,全局生成器生成影像、局部鑒別器鑒別影像是否為生成器預測的影像,需要判別。當局部鑒別器只關注當前預測的影像,將很容易被當前預測的影像所迷惑,從而忽略了預測的雷達回波圖的時序性。為了解決這一局限,使得預測的影像更加符合其本身的時序性,并加強局部鑒別器區分預測影像的能力,本文使用緩沖區存儲歷史預測的雷達回波序列,如圖3所示。

圖3 緩沖區結構

緩沖區的引入,使得局部鑒別器可以基于當前預測和歷史預測的結果進行更新判別。在每一次訓練鑒別器的迭代中,局部鑒別器將結合當前預測的雷達回波圖和從緩沖區隨機采樣的影像進行更新。在每一次訓練迭代后,遵循“先進先出”的原則,將當前預測的雷達回波圖放入緩沖區并去除最早進入緩沖區的影像以此更新緩沖區。同時緩沖區的大小是固定的,在實際情況中緩沖區的大小遠遠大于圖3所示大小,并且微調緩沖區的大小并不影響模型的性能。通過引入緩沖區,使得最終的模型預報生成的雷達回波序列更加符合數據本身的時序性。

3 試驗

3.1 試驗設置

本文使用2019年6—8月和2021年6—9月,時間間隔為10 min的雷達拼圖,并過濾掉雷達回波面積覆蓋率小于1/10的個例,共計24 307張影像建立了一個訓練集,使用2020年7、8兩個月的雷達拼圖,共4 285張影像構建測試集。訓練后得到的模型將利用歷史1 h的雷達回波資料來預測未來1.5 h內逐10 min的雷達回波。在試驗過程中,將從HGAN模型獲取的未來時刻的雷達回波圖與從GAN獲得的影像進行了經驗比較。使用同HGAN全局生成器的最終子網相同的架構構建了GAN的生成器,用來提高GAN生成圖像的質量,以保證兩模型比較的公平性。

3.2 模型評價指標

為了檢驗模型預測的性能,對模型生成結果的檢驗使用在不同閾值、相同預報時效的評估方法。選取20、30、40和50 dBz作為判別閾值,預報時長為90 min,預報步長均為10 min,使用臨界成功指數(CSI)、命中率(POD)、虛警率(FAR)作為模型評價指標。假設檢驗的雷達回波的閾值為k dBz,將預測的雷達回波圖與觀測的雷達回波圖進行逐點對比,判斷每個像素點是命中點(TP)、空報點(FP)、漏報點(FN)。三個評估指標的計算公式如下:

(5)

(6)

(7)

同時為了定量評估預測雷達基本反射率影像的質量,在試驗環節計算了預測圖像相對于真實的觀測圖像之間結構相似性指數(SSIM)[18]。SSIM的值越大,表示預測的影像與其對應的觀測的影像越相似。

3.3 試驗結果與分析

分層生成對抗網絡HGAN和生成對抗網絡GAN在測試集上的結果如表1所示。

表1 預報評分Table 1 Prediction score

從表中可以看到,在30、60和90 min預測中,不同閾值下,HGAN的臨界成功指數(CSI)、命中率(POD)數值均高于GAN,同時其對應的虛警率(FAR)更低。然而隨著預報時長的增加,兩個模型在相同閾值下,均表現為CSI、POD隨著預報時長增加而下降,FAR隨著預報時長增加而上升,這說明隨著預報時長的增加,兩個模型的預報準確率逐漸下降。同時從表1中也可以看出,同一模型在相同預報時長下,雷達回波的強度越強,其預報的準確率越低。但表中也反應出對于強回波的演變趨勢的捕捉,HGAN總體上是優于GAN。郭瀚陽等[15]于2019使用自編碼的ConvGRU對雷達回波進行1 h內外推。本試驗結果相較于其試驗結果,30 min模型預報評分,CSI提升0.104,POD提升0.042,同時FAR下降0.118。

圖4、5是2020年7月11日一次降水過程對應的天氣圖和地面觀測以及模型預測結果示意圖。從圖4中可以看到,受地面氣旋倒槽影響,在陜西、河南等地出現了降雨。圖5中GAN和HGAN都能夠在視覺上預測得到接近觀測影像的雷達回波。從10～90 min可以觀察到地面觀測雷達回波在向安徽方向移動,GAN和HGAN模型預測的雷達回波都符合這一演變趨勢。這說明兩個模型都可以有效地捕獲雷達回波演變的時空特征。從圖5中我們可以看到,對于較弱的回波,如15 dBz的雷達回波,也就是圖中淡藍色的區域,來自HGAN的預測影像比來自GAN的影像更接近觀測的影像,同時也展現了更多的細節。同樣的對于較強的回波,如50 dBz的雷達回波,即圖中的紅色區域,GAN在第90 min中的預測已經無法有效地預測其回波細節,而HGAN對于強回波的演變依舊同真實圖像有著一定的相似程度。這說明了HGAN對雷達回波的細節刻畫優于GAN,且對于強回波演變趨勢的推演更具有優越性。

圖4 2020年7月11日03 UTC地面天氣圖

圖5 2020年7月11日氣旋降水過程雷達觀測與模型預報結果

圖6、7是2020年8月19日一次降水對應的天氣圖和地面觀測以及模型預測結果示意圖。從圖6中可以發現,位于鄂霍斯克海的氣旋向西南經日本海進入中國的低壓帶,與大陸高壓之間形成冷鋒,引發降水現象。圖7中,GAN和HGAN可以有效模擬雷達回波的形態和演變情況。從圖中也可以觀察到來自HGAN的預測影像展現的細節相對于GAN更加接近地面觀測的影響。對于弱回波,也就是位于雷達回波邊緣的淡藍色區域,可以看到位于113°00′E、35°30′N附近的淡藍色區域,圖中的觀測影像隨著時間的推移,淡藍色區域在逐漸消失,HGAN生成的影像很好地模擬了這一演變趨勢,而在GAN生成的影像中,該處的淡藍色區域并沒有明顯的變化;對于較強的回波,即圖中的紅色區域,GAN從30 min開始已經無法有效地預測其回波細節,HGAN在30 min則是較為接近。隨著預測時間的延長,GAN對于強雷達的模擬已經隱約可見,而HGAN仍能一定程度的模擬強雷達回波的演變過程。

圖6 2020年8月19日12UTC地面天氣圖

圖7 2020年8月19日鋒面降水過程雷達觀測與模型預報結果

為了進一步評估預測的未來時刻雷達回波圖的質量,本文基于整個測試集計算了預測的未來雷達回波影像相對于其對應的觀測影像的結構相似性指數(SSIM)。SSIM值越大,說明預測的影像與其對應的觀測影像越相似。從圖8中可以觀察到,HGAN在同一預報時長下SSIM指標上總是優于GAN。這說明在相同的預報時長下,HGAN預測的影像較之GAN預測的影像更接近其對應的雷達觀測影像,對于回波強度的極值也就是影像圖中強回波區與弱回波區的刻畫優于GAN。

圖8 結構相似性指數評分

4 討論與結語

本文在原始生成對抗網絡GAN的基礎上,開發了一種基于歷史雷達回波圖序列生成未來雷達回波圖的分層生成對抗網絡HGAN,用于雷達回波可視化預報。HGAN由一個全局生成器和一個局部鑒別器組成,全局生成器通過上采樣的方式生成盡可能逼真的未來雷達回波圖,局部鑒別器基于局部區域鑒別預測的雷達回波圖和觀測的雷達回波圖,引入緩沖區機制,鼓勵全局生成器生成足夠真實的雷達回波序列。與直接應用GAN、層次結構使得HGAN能夠生成質量更高的雷達回波圖,尤其是雷達回波演變的區域。該方法準確預報了雷達回波極值和范圍,提高了降水量和落區的預報準確性。

需要指出的是,把深度學習的方法應用到氣象領域仍處于探索階段,尚有較大的改進空間。本文提出的分層生成對抗網絡HGAN模型適用于數據集覆蓋區域,對于覆蓋區域外短臨降水預報的準確性仍需進一步探討。后續可以進一步優化其全局生成器的結構,改善模型的性能,提高對強回波變化趨勢的預報能力。同時設計自動化程序,自動下載并處理數據,以擴充數據集,擴大模型可適用范圍,并定時更新迭代模型,逐漸提高模型預報的準確性。

致謝：感謝國家海洋局北海預報中心王彬工程師在本文寫作過程給予的很多指導和幫助。