人工智能應用于雷達回波外推研究綜述

中圖分類號：TN82 文獻標志碼：B 文章編號：2095-3305（2025）05-0172-03

氣象雷達是重要的氣象觀測手段之一。他可以實時提供高精度的大氣信息，同時也是許多天氣識別和預報算法的基礎。雷達回波外推技術主要用于預測雷達觀測到的降水等大氣現象在未來一段時間內的發展趨勢。該技術分析雷達回波在過去幾分鐘內發生的變化，在接收到數據后，幾分鐘內形成高時空分辨率的未來大氣演化。外推技術在未來幾個小時內預測能力較強，尤其是在第一個小時。高質量雷達回波外推結果是許多預測算法的基石，對防災減災工作具有重要意義。

1雷達回波外推傳統方法

傳統的雷達外推方法可分為基于單元的方法和像素級方法。其中，雷暴識別、跟蹤、分析和臨近預報（TITAN）方法和風暴單元識別和跟蹤（SCIT）方法是基于單元的方法的代表。這些方法以風暴為對象通過跟蹤其質心來計算其運動矢量。每個單元的預測軌跡通常通過擬合或其歷史運動矢量的加權求和。像素級方法采用獲得的密集運動矢量場并逐點進行外推。跟蹤雷達回波相關（TREC）方法是具有代表性的像素級方法，基于運動矢量計算每個點鄰域之間的相關性。圖像處理中的光流法也常用于雷達外推。這種方法可以被視為互相相關方法的特例，通過像素級匹配得到密集的運動矢量場。光流法的優點是其原理已包含全局平滑約束，能夠有效地降低運動矢量場中的噪聲。在確定密集運動矢量場時，通常由前進或后退決定半拉格朗日方案逐點計算。與上述方法不同，一些研究試圖從信號處理的維度改進外推技術。這些研究分析了雷達回波尺度與可預測性的相關性，對小尺度低可預測性回波進行濾波，以提高預測精度。此外，額外的隨機噪聲用于重建由小尺度引起的不確定性結構。盡管這些方法都為雷達外推提供了解決方案，但仍存在一些問題。基于單元的方法可以在外推過程中保留單元的結構，但如果沒有任何單元，就無法覆蓋雷達回波。像素級方法可以執行逐點外推，但鄰域尺度和平滑約束使其預測更加復雜的局部演變存在挑戰性，尤其是對流系統。基于信號處理的方法有時也無法精度處理局部濾除低可預測性雷達回波的外推。此外，這些傳統方法在外推過程中通常將回波強度視為常數，但實際的回聲總是伴隨著增強和減弱。此外，他們只使用當前雷達序列用于外推，無法從大量歷史樣本中受益。所有這些缺陷決定傳統的外推方法難以準確預測復雜的非線性氣象過程。

2雷達回波外推研究現狀

近年來，機器學習方法已經廣泛應用于氣象領域，并取得了顯著的成效。機器學習方法可以對大量歷史數據進行建模，形成統計視圖。一系列基于機器學習的雷達回波預測方法相繼被提出。如雷達降水臨近預報的外推方法（ConvLSTM），該方法使用卷積神經網絡（CNN）提取雷達圖像中的特征并使用長短期記憶神經網絡（LSTM）模擬雷達掃描之間的時間依賴性。與光流法相比，其性能得到顯著提升。軌跡門控遞歸單元（TrajGRU）模型增強了模型的時空表示能力。與傳統算法相比，基于機器學習的雷達外推方法取得了顯著成效，但仍存在一些挑戰。構建模型時，可以設計一個損失函數來衡量預測和地面實況，并建立機器學習模型，通過降低損失函數來提高性能。幾乎所有基于機器學習的雷達外推方法都采用均方誤差（MSE）作為損失函數的擴展。然而，一些使用機器學習，并對圖像進行時空分析的研究預測表明，均方誤差通常會“模糊”結果。這種“模糊”的原因可以從兩個方面來解釋。一方面，均方誤差對異常值很敏感，這使得模型更傾向于均值預測。另一方面是可預測性較低，雷達回波的頻率與回波尺度有關，小尺度高頻回波細節通常具有較低的可預測性。對于雷達外推方法，這種模糊現象對外推產生兩種不利影響：一是反射率外推的強度被低估；二是外推中的回波小尺度細節丟失，對流系統的結構不能完整表示。這些使得機器學習方法難以提供足夠的災害預報信息，特別是對流災害預報信息。

在計算機視覺領域，生成對抗網絡（GAN）通常被認為是一種能夠減少均方誤差所帶來的模糊現象，同時增強圖像細節以及銳度的方法。生成對抗網絡是一種用于根據給定數據生成圖像最初模型，由兩部分組成。第一部分稱為生成器，負責生成所需的圖像。另一部分稱為鑒別器，負責判斷輸出的真實性。鑒別器是具有學習能力的損失函數，已通過更新觸發器的訓練，可以動態測量生成器生成的圖像的質量。生成對抗網絡可以克服由特定損失函數引起的問題，生成逼真的圖像。

目前，研究人員通過生成對抗網絡來減少模糊現象。采用樸素生成對抗網絡范式于外推模型的訓練過程，并提高了像素級得分。然而，受限于樸素生成對抗網絡的固有特性，生成對抗網絡模型難以實現生成高分辨率圖像。

研究人員提出了一種AF-LSTM單元，將時空和通道的注意力融合機制嵌入到ST-LSTM單元[1。在編碼器和解碼器之間添加了信息回憶模塊（Recall）搭建起AFR-LSTM網絡模型。模型結構如圖1所示。

采用帶有Causal-LSTM單元組成的神經網絡模型作為網絡架構有利于捕捉短期動態變化和突發情況[2]Causal-LSTM單元包含兩個記憶狀態：時間記憶單元和空間記憶單元。與傳統LSTM單元相比，整個網絡就可以提取圖像的空間特征如圖2所示。

根據雷達數據的特點，研究人員提出了一種新的時空融合神經網絡STUNNER，能實現雙流時空融合策略提取融合空間和時間信號，如圖3所示[3]。

研究人員提出了上下文融合和注意力機制的時空模型[4]。該模型能夠感知更多的時間信息，輸入特征和先前特征之間不僅在時間上存在先后關系，在空間上也存在著低層和高層的關系。不同尺寸的運算可以充分提取雷達回波圖像中更全的時空演變特征信息，基于權重對歷史時間記憶信息給予不同程度的注意力，并將歷史信息聚合為長期記憶信息。網絡結構如圖4所示。

研究人員基于分析現有的常規模型的基礎上，從輸入雷達數據層數和修改模型損失函數兩個方面對循環神經網絡外推模型進行改進[5]。在損失函數中對外推圖像中的錯報、漏報、誤報情況分別考慮，構造損失函數時對錯報、漏報、誤報區域像素給予不同的權重。同時增加一個高度的圖像數據作為輸入，每個高度層數據使用獨立的模型，兩個高度層的損失函數計算權重和作為整個模型的損失函數。模型結構如圖5所示。

研究人員提出了一種基于多源數據的模型優化方案[。一種是將多種雷達回波特征集成到神經網絡模型中。另外一種是引入地表的特征數據，地表特征數據可以與歷史雷達回波數據一起構成了多維時空特征數據，進一步提高了降水預測的準確性。結果顯示，模型在集成地表特征數據方面表現出色，特別是在雷達回波外推預測方面，其結果優于僅依賴雷達產品數據的結果。網絡模型結構如圖6所示。

3結束語

當前，雷達回波外推現已發展為基于深度學習模型的智能化方法，各種創新模型不斷涌現。研究表明，該領域正逐步向多源數據融合外推方向發展。

參考文獻

[1]程勇，錢坤，康志明，等.一種雷達回波外推的注意力融合和信息回憶的LSTM方法[J].熱帶氣象學報，2023.39（5）：653-663.

[2]黃興友，馬玉蓉，胡蘇蔓.基于深度學習的天氣雷達回波序列外推及效果分析[J].氣象學報，2021，79（5）：817-827.

[3]方巍，龐林，易偉楠.基于深度時空融合網絡的雷達回波外推模型[J].電子學報，2023，51（9）：2526-2538.

[4]渠海峰，何光鑫，康志明，等.CAST-LSTM：一種用于雷達回波外推的時空LSTM模型[J].氣象，2023，49（12）：1481-1494.

[5]尹麒名，甘建紅，漆慧，等.一種改進的循環神經網絡雷達圖像外推算法[J].氣象科技，2021，49（1）：18-24，45.

[6]李宇宸.集成地理要素的雷達回波外推預測研究[D].南京：南京信息工程大學，2023.