气象原因导致的灾害占自然灾害的80%左右。强降水导致的洪水和滑坡泥石流是当前最为常见的自然灾害。由于数值天气模式不能完整地表征地球表层大气系统运行的规律以及计算量巨大的原因，数值天气模式预报往往对短期（0~6小时）的降水过程出现漏报误报现象，降水落区错误、时间超前或滞后、强度太弱或太强是目前模式降水预报最为常见的误差。近年来，随着计算机技术和人工智能技术快速发展，基于雷达观测和人工智能的短临天气预报技术得到越来越广泛的应用，普遍比数字天气模式预报有更高的预报技巧。

当前基于雷达观测和人工智能的短临天气预报碰到两个常见的问题，一是模型能够训练的区域比较小，二是预报的雷达反射率强度很快降低和消失。第一个问题其主要原因一个是GPU显存太小，另外一个是模型本身的限制，这造成需要把大尺度的雷达观测进行瓦片分割分别训练预报，然后再对瓦片进行拼接。这个局限往往使短临预报模型不能很好把握大尺度降水系统的空间信息从而影响预报技巧。第二问题也就是预报出现模糊或平滑的问题，该问题往往是由深层网络中卷积操作造成的，并且往往随着预报时长增长，累积预报误差严重。

针对这两个问题，南方海洋科学与工程广东省实验室（珠海）海洋-陆地-大气相互作用与全球效应创新团队陈生研究员带领“海卓天气”团队研发基于深度学习的雷达回波外推大尺度降水预报模型，提出了“时间序列补偿卷积time series residual convolution (TSRC)”的深度学习网络框架（见图1），解决大尺度区域降水数据的训练和预报的关键技术问题，掌握提升预报雷达反射率图像清晰度缓解模糊的关键技术，成功实现中国及周边地区的大区域的0~6小时短临降水预报。训练和预报输入数据均来源于国家气象局官网提供的雷达拼图图片数据（2017~2021年）。实验结果表明该方法在命中率(POD)、误报率(FAR)、平均绝对误差(MAE)、径向功率谱、结构相似(SSIM)等多个评价指标上，均优于光流法(OF)和UNet网络。

图1：时间序列补偿卷积（TSRC）框架

TSRC框架采用“编码-解码”结构，有效提取雷达回波空间尺度信息。另外，TSRC框架采用残差连接方式将当前时刻的雷达回波信息补偿到后一时刻，可在一定程度上缓解卷积过程中的局部信息丢失、累积误差增大等问题。同时，TSRC框架根据当前时刻雷达回波信息对卷积核进行“平均-扩展”处理。以上步骤也体现了TSRC框架与传统的卷积方式的不同，在某种程度上有利于缓解实际预报中的平滑/模糊效应、强度衰减严重等问题。如图2所示，TSRC模型和OF模型对于降水落区的预报优于UNet模型，然而在局部降水“生消”和快速演变等预报上，TSRC模型明显优于OF模型。同时在降水强度预报上，TSRC模型依然有较好的预报技巧，而OF模型未能预报出从起始时刻到3小时的强度变化规律，UNet模型的预报强度衰减效应最为明显，尤其在2小时之后未能预报出大于40dBz的雷达回波。

图2：2021年5月23日一次降水预报过程

TSRC模型在台风降水预报方面的应用也取得良好的效果。如下图3为2021年7月25日一次降水过程及台风“烟花”的降水预报。相比较而言，TSRC无论是对于降水落区还是强度的预报，均优于OF和UNet模型。以上研究结果表明该模型具有良好的业务应用前景。目前该模型从2021年10月开始业务化稳定运行，预报结果在微信小程序“海卓天气”(用户名：guest，密码：gst123)实时展示，为国内外气象爱好者和专业气象研究人员提供参考。

图3：2021年5月23日一次降水过程（包括台风烟花）的预报

上述研究成果已于2022年12月27日发表在SCI期刊《Remote Sensing》，题目为“TSRC: A Deep Learning Model for Precipitation Short-Term Forecasting over China Using Radar Echo Data”。创新团队骨干成员陈生研究员与黄启桥为论文的共同第一作者，谭金凯博士为论文通讯作者。本研究得到南方海洋科学与工程广东省实验室(珠海)、国家自然科学基金、广东省基础与应用基础研究基金、广西重点研发基金和中国博士后基金等项目联合资助。

原文链接：https://doi.org/10.3390/rs15010142