基于深度学习和迁移学习的对流新生临近预报方法研究

Despite marked progress in weather forecast over the past several decades, convective storm nowcasting remains a challenge, especially the nowcasting of convection initiation (CI). Due to the small scale, short lifetime, the limited observation conditions and the lack of understanding of the physical mechanism of CI, the existing operational methods have limited capability for CI nowcasting. Since AlphaGo which is based on deep learning technology has achieved a landmark victory, artificial intelligence continues to make new breakthroughs in many fields and provides a potential new way for CI nowcasting. This study will select the Beijing-Tianjin-Hebei region as the study domain, and use the deep learning and transfer learning methods to conduct automatic feature analysis and nowcasting for CI based on multi-source data. The deep convolutional neural network is used first to select CI candidate-regions, then deep deconvolution network is used to fulfill fine CI prediction, and finally the transfer learning technique is used to adjust CI nowcasting results. This study will explore a new CI nowcasting method based on deep learning and transfer learning, and provide a theoretical and applied basis for automatic identification and prediction of complex atmospheric phenomena and processes.

虽然近几十年来天气预报技术取得了很大进步，但对强对流天气的预报依然面临很大挑战，其中对流新生（CI）的临近预报更是学术界公认的科学难题。由于对流空间尺度小，具有突发性，受观测条件限制和对CI物理机制的了解缺乏，现有的业务短临预报方法对CI的预报能力有限。自基于深度学习的AlphaGo取得标志性胜利之后，人工智能技术继续在许多领域不断取得新的突破，为CI临近预报提供了一个潜在的新途径。本项目将选取京津冀地区为研究区域，利用深度学习和迁移学习方法，使用多源资料，首先使用深度卷积神经网络进行多尺度扫描，实现CI候选区域的发现和推荐，进而基于深度反卷积网络实现CI的精确预报，最后使用迁移学习技术对CI预报结果进行实时自适应调整，从而改进CI的临近预报能力。本项目将探索一条新的基于深度学习和迁移学习的CI临近预报手段，并为这些方法用于大气各种复杂现象及过程的自动识别和预测提供可能的理论和应用基础。

强对流天气是我国主要的灾害性天气之一，如雷电、冰雹和大风等，具有持续时间短、空间尺度小、突发性强，而破坏能力大的特点。虽然近几十年来天气预报技术取得了很大进步，但受观测条件和预报技术限制，对强对流天气的预报依然面临很大挑战，其中对流新生（ CI）的临近预报更是学术界公认的科学难题。本项目综合利用VDRAS数值模式反演的三维物理场、多普勒天气雷达和静止卫星等多源数据，建立了一套同时具有时间信息和空间信息的京津冀地区CI数据集，为强对流研究提供准确可靠的观测依据和数据支持。基于该数据集，建立了基于卷积神经网络的深度学习CI预测模型，利用该模型能对CI进行自动特征分析及预测。将深度学习领域近年来取得广泛影响的注意力机制，引入上述的卷积模型，提出了基于通道注意力机制和空间注意力机制的预测模型，以进一步提高CI的临近预报能力，并使用可解释性方法，分析了不同特征对CI预测的影响。使用迁移学习技术对CI预报结果进行自适应调整，使得在一个特定场景下训练的模型，可以快速迁移到另一个场景。本项目的探索表明，基于深度学习和迁移学习的方法可以成为一种新的CI临近预报手段，并可用于大气各种复杂现象及过程的自动识别和预测。