第一时间获取气象科研资讯
『气象学家』公众号交流群
加入

GRL | 针对降水短临预报的随时间自适应动态融合的深度学习模型

王敬囝，王晓东，关吉平，张立凤，周杰

国防科技大学计算机学院国防科技大学气象海洋学院

准确的降水短临预报（0-12h）是当前我国防灾减灾和气象高质量发展的迫切需求。对于降水临近预报（0-2h），目前以雷达回波进行线性或非线性外推预报为主，但随着预报时效延长预报技巧迅速下降；对降水短时预报（2-12h），主要依靠包含资料快速更新同化技术的中尺度数值预报，由于目前模式预报在最初几小时始终存在“模式起转（spin-up）”问题，导致最初几小时内预报结果不甚理想。可见，在临近预报和短时预报的过渡时段目前存在外推方法和数值预报可用性都较低的问题。如何有效地利用雷达观测和数值预报产品，提高临近和短时预报过渡时段的预报技巧，是目前世界天气预报业务的难点，也是急需解决的问题。

课题组基于深度学习框架，利用雷达观测和数值预报产品，针对短时临近降水预报，构建了随时间感知的动态特征融合模型（TAFFNet，如图1）。TAFFNet首先分别提取雷达观测和数值预报产品的特征，然后考虑两种资料在不同预报时段的贡献不同，提出了自适应的动态调整特征融合权重的方法，在模型训练过程中通过自动学习得到最优的动态权重，确保预报前期模型能充分利用雷达观测，在预报后期能充分利用数值预报产品，最大化的发挥两种资料的优势，实现信息互补的效果。最终提高短临降水的无缝隙预报能力。

以我国东南沿海为试验区，采用我国多普勒天气雷达回波和GRAPES-3km数值预报产品作为数据集，进行了TAFFNet模型的训练和验证（图2）。结果表明该模型不仅明显优于传统数值天气预报，也优于仅基于雷达观测的深度学习模型（TAFFNet-R）。此外，将该模型与固定权重的特征融合模型（TAFFNet-Fix）进行了对比，发现固定权重的特征融合尽管在预报后期显著提高了降水预报技巧，但却降低了前期降水的预报精度。而TAFFNet模型利用随时间感知的自适应特征动态融合方法，有效的融合了两种资料的优势，在整个短时和临近预报时段都保持了较好的预报效果（图3）。

该研究成果于2023年8月发表在地学权威期刊Geophysical Research Letters，题目为“TAFFNet: Time-Aware Adaptive Feature Fusion Network for Very Short-Term Precipitation Forecasts”。该研究由国防科技大学气象海洋学院张立凤教授、关吉平副教授和计算机学院王晓东研究员共同组成的交叉研究团队完成，论文第一作者为王敬囝博士研究生，通讯作者为气象海洋学院关吉平副教授。该研究得到了国家自然科学基金（No.41975066）的资助。