天气雷达精准降水估计机器学习理论与算法研究

As extreme precipitation frequently occurs around the world, it puts forward urgent requirements of accurate precipitation estimation and forecast for modern meteorological service using weather radar. Due to the obvious spatiotemporal nonlinearity within the dynamic weather system, the performance of conventional meteorological methods based on physical models is unsatisfactory for precipitation estimation. Therefore, it is urgent to explore the new approach of data driven methods for kilometer scale nowcasting quantitative precipitation estimation. This project aims to propose a graph neural networks based model for spatiotemporal representation of radar data and combine semi-supervised metric learning to realize traceable and accurate precipitation estimation. Three aspects including basic theory, key technologies and applications are presented. First, the theory of deep representation for spatiotemporal data is investigated, including the feature extraction using graph convolution for dynamic graph and spatiotemporal attention mechanism of time varying radar data. Second, the algorithms of radar data representation based on graph neural networks, semi-supervised metric learning for precipitation processes and imbalanced resampling are studied, to construct deep representation for spatiotemporal radar data, fast trace back similar precipitation and accurately estimate extreme precipitation. Finally, the proposed theory and key technologies are verified by our current undertaking project from China Meteorological Administration. Through the above research, the dynamic spatiotemporal modeling and traceable generalization and estimation are realized. This project attempts to break out the bottleneck of weather radar based accurate precipitation estimation in a machine learning perspective, which has great significance to the theoretical researches and operational applications of machine learning.

随着全球极端降水显著增多，利用天气雷达进行降水精准估计和预报已经成为现代气象服务的迫切需求。动态天气系统呈现明显的时空非线性，传统基于物理模型的气象方法存在性能瓶颈，亟需探索数据驱动的新途径解决公里级超短临降水估计难题。本项目旨在提出一种图神经网络雷达数据时空表示模型，结合半监督度量学习，实现可回溯的精准降水估计，从基础理论、关键技术和实例验证三个方面进行研究。首先，研究时变雷达数据动态图的图卷积特征抽取机理与时空注意力机制，构建时空数据深度表示理论框架；其次，研究雷达数据时空图神经网络表示算法、降水过程半监督度量学习算法和不平衡重采样算法，实现雷达时空数据深度表示、相似降水快速回溯和强降水精准估计；最后，结合承担的国家气象局任务，验证提出的理论与关键技术。通过上述研究，实现动态的时空建模与可回溯的泛化估计，从机器学习角度突破天气雷达精准降水估计瓶颈，对机器学习理论研究和应用具有重要意义。

随着全球极端降水显著增多，利用天气雷达进行降水精准估计和预报已经成为现代气象服务的迫切需求。动态天气系统呈现明显的时空非线性，传统基于物理模型的气象方法存在性能瓶颈，亟需探索数据驱动的新途径解决公里级超短临降水估计难题。本项目旨在提出一种图神经网络雷达数据时空表示模型，结合半监督度量学习，解决可回溯的精准降水估计问题。本项目的主要研究内容包括：在理论方面，建立了时变雷达数据动态图的图卷积特征抽取机理与时空注意力机制，构建时空数据深度表示理论框架；在关键技术方面，实现了超短临降水雷达数据时空图神经网络表示、动静融合的晴空回波分类、融合结构信息的动态图链接预测、孪生图神经网络相似样本判别、容忍尺度和旋转的目标检测等关键技术的突破；在原型系统研发方面，与中国气象局公共气象服务中心合作开展了“基于位置服务分钟级降水产品加工算法优化与改造集成”，开发了晴空回波序列化标记系统，建立了一个相对完善的雷达回波机器学习分类数据库构建工作流，积累并预处理了一定规模的实况雷达数据与雨量站数据、标记数据与分钟级预报数据等；在实例验证方面，本项目在定量降水估计、超短临降水预报、雷达回波分类等气象场景以及安防图像监控、遥感图像检测、相似病例检索等其他民生场景对所提理论和关键技术进行了验证。项目各项研究成果均超过预期指标，共发表论文10篇，其中SCI论文9篇，包括IEEE TGRS、IEEE TCYB、IEEE TNSE、IEEE TCSVT、IEEE GRSL等领域顶级或权威的高水平期刊论文6篇；培养2名博士生、1名硕士生进行相关研究。通过本项目研究，从科学角度探索了动态的时空建模与可回溯的泛化估计，在技术上突破了天气雷达精准降水估计瓶颈，对机器学习服务于智慧气象具有重要的理论意义；相关的共性关键技术对于人工智能气象服务、人工智能辅助诊疗以及新型智慧城市具有广泛的应用前景。