基于多普勒天气雷达图像的短时降雨预测.pdfVIP

摘要

降雨因素常诱发气象灾害，会对生产生活造成不利影响。尤其是短时强降雨等强对

流天气，由于其演变快、降雨强度大，因而破坏力极大，严重威胁人类的生命财产安全，

因此精细化的短时降雨预测对防范气象灾害具有至关重要的现实意义。与此同时，随着

气象探测技术的发展，多普勒天气雷达被广泛部署，可提供大量高时空分辨率的数据，

利用气象雷达数据进行短时降雨预测已成为非常重要的课题。当前，主要的预测方法是

基于光流法进行回波外推的方式来实现的，但在精度上仍不满足业务要求，因此，本文

引入深度学习方法，通过对雷达回波外推和多元回归区域降雨预测两类问题进行研究，

分别构建了预测模型，提高了短时降雨预测的精度。具体工作内容如下：

（1）针对基于雷达回波外推的短时降雨预测问题，首先利用传统的光流法实现了

雷达回波外推模型，尽管光流法可以保留雷达图像上的纹理特征，但是考虑到光流法的

约束条件较为严格以及不能充分利用雷达数据的缺点，本文引入深度学习网络模型

Unet，并在其基础上构建了雷达回波外推模型SA-Unet，在收集的且经过预处理的雷达

数据集上进行测试，实验结果表明SA-Unet在命中率、临界成功指数等气象指标上均优

于光流法，且外推的雷达图像更加接近真实雷达图像，证明了深度学习方法在回波外推

上的有效性。本文还进一步讨论了使用不同损失函数对模型外推的影响，通过实验表明，

使用多尺度结构相似性指数作为损失函数的效果要优于平均绝对误差，更适用于雷达回

波外推问题。

（2）多元回归的区域降雨预测是更精细化的降雨预测问题，由于该问题属于时空

预测问题，因此参考长期递归卷积网络(Long-termRecurrentConvolutionalNetworks，L

RCN)，利用长短时记忆神经网络擅长处理长时间序列预测的特点，将其与卷积神经网

络及注意力机制相结合，构建了一种可端到端输出结果的CNN-BiLSTM降雨预测模型。

该模型首先通过卷积神经网络部分提取序列中每帧雷达回波图的空间信息，然后利用双

向长短时记忆神经网络对雷达回波序列时间维度上的关系进行分析，提取时空特征，从

而预测降雨量。模型在卷积神经网络部分引入高效通道注意力机制，使模型可自适应的

对重要程度不同的空间特征进行权重赋值，从而增加有用信息对模型的影响。实验结果

表明，所提模型的结果在均方根误差、平均绝对误差和相关系数等回归指标上均优于其

他模型。

关键词：光流法；卷积神经网络；长短时记忆神经网络；回波外推；降雨回归

Abstract

Rainfallfactorsofteninducemeteorologicaldisasters,whichwillhaveadverseeffectson

productionandlife.Inparticular,thesevereconvectiveweathersuchasshort-termheavy

rainfallhasgreatdestructivepowerduetoitsrapidevolutionandhighrainfallintensity,

whichseriouslythreatensthesafetyofhumanlifeandproperty.Therefore,meticulous

short-termrainfallpredictionisofgreatpracticalsignificancetopreventmeteorological

disasters.Atthesametime,withthedevelopmentofmeteorologicaldetectiontechnology,

Dopplerweatherradariswidelydeployed,whichcanprovidealargenumberofhighspatial

an