1 引言
对流天气临近预报是指对雷暴及其产生的灾害性对流天气未来几小时之内发生、 发展、 演变和消亡的预报， 在气象灾害防御中具有极为重要的地位。天气雷达是0~2 h对流天气临近预报的主要工具， 目前， 业务上应用的临近预报方法主要是基于雷达数据的雷暴识别追踪和自动外推预报技术（俞小鼎等， 2012； 郑永光等， 2015）， 包括单体质心法（Dixon and Wiener， 1993； Johnson et al， 1998）、 交叉相关法（Rinehart et al， 1978）和光流法（韩雷等， 2008； 曹春燕等， 2015）等。单体质心法通过识别和跟踪对流单体和对流单体群， 基于对流单体的合并和分裂， 提供对流单体的移动和演变信息， 在业务上被广泛应用的有TITAN算法（Thunderstorm identification tracking analysis and nowcasting）（Dixon and Wiener， 1993）和SCIT算法（Storm cell identification and tracking）（Johnson et al， 1998）。Austin and Bellon （1982）提出了三维矩心跟踪法， Rosenfeld（1987）使用反射率因子描述并识别风暴， 但没有考虑风暴的分裂和合并。Dixon and Wiener（1993）引入了描述风暴状态特征量。肖艳娇等（1998）提出了矩心跟踪法匹配相邻两时刻的风暴； 徐月飞等（2011）结合TITAN和SCIT技术， 采用自适应阈值识别风暴带的内部结构， 并加入DT（Delaunay Triangle）算法计算几何凸面， 识别风暴合并、 分裂临界区域。交叉相关技术的核心是通过计算连续时次雷达回波不同区域的最优空间相关来确定雷达回波移动矢量特征进行跟踪和外推（陈明轩等， 2007； 王丹等， 2014）。Rinehart et al（1978）提出的TREC算法（Tracking radar echoes by correlation）是交叉相关法的代表。Li et al（1995）引入连续方程作为限制条件， 提出了COTREC（Continuity of TREC vectors）技术， 对外推后的回波加以水平无辐散限制， 使外推后的回波保持平滑连续的形状。张亚萍等（2006）基于TREC技术发展了DITREC（Difference Image-based TREC）技术， 取得了良好的效果。徐亚钦等（2011）基于TREC技术发展了多重动态区域TREC算法， 得到较为均匀的风场， 改进后的TREC方法的稳定性较好， 但对于气旋性曲率较大、 速度梯度较大及演变快的回波单体的反演误差较大， 且存在计算量大的缺点。交叉相关技术是用来追踪雷达回波移动的一种传统算法， 被广泛用于国际上多个临近预报系统， 如英国气象局的NIMROD（Golding， 1998）、 美国国家大气研究中心的Auto-Nowcaster（Muller et al， 2003）、 中国香港天文台的SWIRL（Li and Wiener， 2004）和广东省气象局临近预报系统“雨燕”（胡胜等， 2009）等。但是基于交叉相关的外推预报算法获得的雷达回波移动矢量主要是水平方向上的， 而没有考虑深对流系统通常存在的较强的垂直运动， 因此， 该方法适用于变化缓慢的层状云系降水系统， 对快速增长或者消散的强对流的预报效果不理想（陈明轩等， 2007； 吴剑坤和陈明轩， 2018）。
为了改进雷达回波外推预报技术， 许多学者引入了在计算机视觉领域应用较广的光流法来追踪回波的运动。该方法在由Gibson（1950）首先提出， 其基本原理是由于运动目标和观测器之间的相对运动， 以图像亮度变化作为识别对象， 在时序图像中产生瞬时位移， 体现了图像亮度模式的表观运动。基于光流法的临近预报通过从连续时次雷达回波图像中计算光流场， 用光流场代替雷达回波运动矢量场， 并基于该运动矢量场对雷达回波进行外推从而达到临近预报的目的。由于光流法使用约束条件求解偏微分运动方程， 对变化较大的强对流降水系统， 可以较为准确地得到雷暴的整体运动趋势， 对移动型局地生成及强度和形状随时间变化较快的回波具有较好的预报效果（韩雷等， 2008； 曹春燕等， 2015； Bechini and Chandrasekar， 2017）。韩丰等（2013）提出了采用连续两次的反射率因子和径向速度数据共同约束光流基本方程的方法来反演风场， 具有一定的业务应用价值。
Chen et al（2017）发展了基于粒子滤波（Particle Filter）算法的临近预报方法。粒子滤波技术由Carpenter et al（1997）首次提出， 主要通过非参数化的蒙特卡洛（Monte Carlo）模拟来实现递推贝叶斯滤波（Bayes 滤波）估计， 贝叶斯估计是粒子滤波的理论基础（李天成等， 2015）， 核心思想是通过具有相应权重的随机样本集（粒子集）来获得后验概率密度分布（Arulampalam et al， 2002）。基于粒子滤波算法的临近预报首先利用同一时次的雷达回波采用两种不同的估测方法得到相同时次的两组回波运动矢量场， 然后采用粒子滤波算法对运动矢量场进行融合， 再根据得到的运动矢量场进行雷达回波的外推预报。粒子滤波算法可以获得更精细的雷达回波运动矢量 （Chen et al， 2017）。
尽管通过雷达回波外推方法的不断改进， 基于回波外推的短临预报效果得到较大提升， 但是由于没有考虑风暴的动力学、 热力学等因素对降水回波强度变化的影响， 对流系统的生消和发展临近预报还存在较大不足， 误差仍然较大（王改利等， 2013； 郑永光等， 2015）。近年来， 以深度学习为代表的人工智能技术具有针对不确定性问题进行分析、 联想、 记忆、 学习和推断的能力， 在图像识别、 临近预报等领域取得了显著的进步（许小峰， 2018）。深度学习技术作为一种先进的非线性数学模型， 含有多层神经元， 具有优异的特征学习能力， 能够通过对海量数据进行自动学习， 从而挖掘到数据的内在特征及其蕴含的物理规律， 被广泛用来建立复杂的非线性模型（孙志远等， 2016）。对流天气临近预报是一种基于时间和空间范畴的序列预测问题， 已有学者将深度学习技术引入气象临近预报领域， 取得了较好的应用成果。Shi et al（2015）提出了卷积长短时记忆单元的循环神经网络（long short-term memory-recurrent neural network， LSTM-RNN）， 对0.5 mm·h-1以上的降水预报准确率有明显提升。Wang et al（2017）提出了带有时空LSTM单元的预测循环神经网络， 在实际应用中取得了明显的性能提升。韩丰等（2019）在长短时记忆单元中增加时空记忆单元， 对雷达反射率因子强度变化有一定的预报能力。Shi et al（2017）结合连续光流法， 提出的TrajGRU（Trajectory Gated Recurrent Unit）模型， 能够更好地学习到位置变化结构和权重， 捕捉时空相关性。陈元昭等（2019）研究了基于生成对抗网络（GAN）的临近预报方法， 对中等强度雷达回波的预报较好。
虽然基于深度学习的临近预报技术上取得了一定的成果， 但总得来说， 如何利用深度学习提高强对流天气临近预报的精准度仍需进行深入的研究。目前适合对流天气预报的深度学习网络模型主要有三种： 卷积神经网络（Convolutional Neural Networks， CNN）、 循环神经网络（Recurrent Neural Networks， RNN）以及将这两种神经网络相结合的模型， 其中第三种模型可以同时学习到时间和空间的特征， 更适合解决对流天气的预报问题（郭瀚阳等， 2019）。本文借鉴第三种将卷积神经网络和循环神经网络相结合研究思路， 应用广东省长序列的多普勒雷达网拼图资料， 研究基于卷积门控循环单元神经网络（Convolutional gated recurrent unit， ConvGRU）的临近预报方法， 开展对流天气雷达回波0~2 h的临近预报， 并与已用于业务中的基于交叉相关法、 光流法（曹春燕等， 2015）和粒子滤波法（Chen et al， 2017）的临近预报结果进行客观检验和对比分析， 以期为强对流的临近预报提供参考。
2 基于ConvGRU临近预报模型
2.1 ConvGRU模型
由于传统的循环神经网络RNN在训练时产生的梯度爆炸或者梯度消失的原因， 无法很好地处理长期依赖， 门控循环单元（Gated Recurrent unit， GRU）是在传统循环神经网络RNN上进行改进的， 它是长短时记忆神经网络LSTM的变体， 简化了LSTM的结构， 只有更新门（update gate）和重置门（reset gate）。GRU模型虽然参数更少， 模型简单， 但能保持与LSTM相当的性能， 训练收敛时间更快。它既继承RNN探索序列数据内在依赖关系的能力， 又能解决传统RNN因序列过长而导致的梯度消失、 训练时间长和过拟合等问题， 并提升局部优化能力和网络泛化能力（Cho et al， 2014）。
更新门主要作用是控制前一时刻状态信息流入当前状态的量， 其计算公式为：
重置门的主要作用是控制遗忘前一时刻节点状态信息的程度， 其计算公式为：
式中： 和 为更新门与重置门的结果； 为非线性激活函数； 为前一时刻的状态； 为输入的雷达回波图像序列； 、 、 和 为卷积核； 为层数； 为输入序列。则当前状态由以下公式获得：
式中： 表示元素相乘。与GRU网络相比， 基于卷积的门控循环单元（ConvGRU）神经网络具有更强的学习能力， 所以本文使用基于卷积的GRU（ConvGRU）进行建模， 其基本计算公式如下：
为了简化， 公式中省略了偏差部分， *表示卷积操作； 表示哈达玛积（Shi et al， 2017）； ， ， 和 分别表示记忆状态、 重置门、 更新门和新信息（图1）； 是输入； f是激活函数， 是负斜率为0.2的带泄露修正的ReLU（Maas et al， 2013）。H和W是状态和输入张量的高和宽。每当新的输入到来时， 重置门就会控制决定是否清除掉前一状态， 更新门就会控制新信息进入状态的量。
2.2 多损失函数加权
损失函数的作用是为了测量预测值与真实值之间的差异， 用于对训练过程进行指导。目前， 常用的损失函数有交叉熵、 均方根误差等， 每种损失函数有其应用场景和特点（Zhao et al， 2017）。由于平均绝对误差MAE（Mean Absolute Error）损失函数与均方误差MSE（Mean Squared Error）损失函数平均了整幅图的误差， 在预测后期数值趋向于平均， 视觉上图像分布与真实图片差异很大， 为了预测图像更加符合真实分布， 引入了图像梯度差损失函数GDL（Gradient Difference Loss）， 该损失函数可以让训练更加注重图像整体结构而忽略局部噪声影响。图像梯度是考虑图像每个像素的某个邻域内的灰度变化， 利用边缘临近的一阶或二阶导数变化规律， 对原始图像中像素某个邻域设置梯度算子， 图像梯度差损失函数GDL最小化两幅图像对应点的梯度大小的差异。综合应用多个损失函数可以更好地平衡各损失函数的特点， 同时， 由于雷达回波预测的准确度评估与其他图像预测有所区别， 本文定义了多损失函数加权策略：
由于雷达回波反射率数据的MSE损失函数值会比较大， 为了与另外两个损失函数具有可比性， 文中取 。
平均绝对误差MAE定义为：
均方误差MSE定义为：
图像梯度差损失函数GDL定义为：
式中： 和 为实际回波图像和预测回波图像； 和 为图像的高和宽； i和j为像素坐标； 为大于或等于1的整数。
2.3 预报模型的建立
利用过去1 h逐6 min的覆盖广东省范围的雷达回波反射率因子拼图（CAPPI）数据（连续10帧）， 基于ConvGRU框架搭建三层的编码-解码模型（Encoder-Decoder）进行训练建立雷达回波预测模型， 预测未来2 h逐6 min、 连续20帧雷达回波图。图2为Encoder-Decoder编码-解码模型网络结构图， 假设当前t时刻， 模型依次输入10帧连续的雷达回波图像（Xt -9， Xt -8， …， Xt）， 首先对原始雷达回波图像进行预处理， 通过图像填补（padding）、 缩放（resize）， 对图像边界信息进行补齐， 使得输入图片尺寸一致； 其次， 通过Encoder编码模块学习由低维至高维的图像特征， 即经过卷积下采样缩小图像特征尺寸和ConvGRU单元学习图像序列特征后， 得到中间向量， 然后将中间向量输入至Decoder解码模块， 通过转置卷积上采样增大图像特征尺寸和ConvGRU单元学习图像序列特征， 输出未来预测雷达回波图像， 在时间上展开运行20次即可输出未来20帧预测雷达回波图像（Xt +1， Xt +2， …， Xt +20）， 并且在训练过程中不断更新损失函数， 使损失函数值不断降低。训练完成后， 模型就可以根据过去10帧的雷达回波图像， 给出未来20帧雷达回波预测图像。
编码-解码模型包括编码模块（Encoder）和解码模块（Decoder）。通过卷积下采样层从雷达回波图像中提取特征， 输入Encoder编码模块的第一层E_ConvGRU_1后， 更新第一层E_ConvGRU的状态并且产生输出， 传递给下一层E_ConvGRU_2， 而新的状态会被保留下来并用于下一个时间步， 当输入时间序列按照时间步先后顺序依次输入Encoder编码模块后， Encoder编码模块中的三层E_ConvGRU会得到最终的状态， Encoder编码模块的最终状态会传递给Decoder解码模块作为Decoder模块中三层D_ConvGRU的初始状态。
Decoder解码模块是编码的逆过程， Decoder模块中D_ConvGRU的初始输入均为0， 在每一个时间步Decoder模块中的D_ConvGRU接受来自上层D_ConvGRU的输出作为输入并不断更新自身记忆单元中的状态， 每一个时间步Decoder模块最后一层D_ConvGRU的输出在经过处理后， 得到未来预测的雷达回波图像。
从Encoder模块到Decoder模块过程中特征图（Feature Map）变化（图3）可以看出， 在Encoder阶段特征图尺寸逐渐变小而通道数量逐渐增多， 提取的特征逐渐由低维至高维变化， 在Decoder阶段特征图尺寸逐渐变大而通道数量逐渐变小， 直至最终变成通道数为1， 得到尺寸与输入图像大小相同的输出图像。
训练过程的参数细节如下： 初始学习率10-4， 学习率惩罚因子0.5， 批量大小设为2， 最终训练迭代为30万次。训练过程使用三层ConvGRU组成的Encoder-Decoder网络， 网络结构参数信息如表1， GRU卷积核数量分别为96， 192， 192， 卷积核尺寸分别对应为5×5， 3×3， 3×3， Encoder编码模块下采样层和Decoder解码模块上采样层卷积数量分别为8， 128， 192， 卷积步长为3， 2， 2， 卷积核尺寸分别为7×7， 5×5， 3×3， 变量个数32个， 变量参数12085757。
表1 ConvGRU网络结构参数信息Table 1 The parameters of the ConvGRU network |
| 层类型 | 卷积核尺寸 | 卷积核数量 | 步长 | |
|---|---|---|---|---|
| 编码模块(Encoder) | DownSample_1 | 7×7 | 8 | 3 |
| E_ConvGRU_1 | 5×5 | 96 | 1 | |
| DownSample_2 | 5×5 | 128 | 2 | |
| E_ConvGRU_2 | 3×3 | 192 | 1 | |
| DownSample_3 | 3×3 | 192 | 2 | |
| E_ConvGRU_3 | 3×3 | 192 | 1 | |
| 解码模块(Decoder) | UpSample_1 | 7×7 | 8 | 3 |
| D_ConvGRU_1 | 5×5 | 96 | 1 | |
| UpSample_2 | 5×5 | 128 | 2 | |
| D_ConvGRU_2 | 3×3 | 192 | 1 | |
| UpSample_3 | 3×3 | 192 | 2 | |
| D_ConvGRU_3 | 3×3 | 192 | 1 |
3 数据说明
本研究中用于ConvGRU模型的训练数据集和验证数据集为覆盖广东范围的2015 -2018年共4年、 11部新一代S波段多普勒雷达反射率因子拼图（CAPPI）数据。采用最近邻居法和垂直方向的线性内插法相结合的方法将雷达资料从极坐标格式插值到三维直角坐标系中（肖艳娇和刘黎平， 2006）。俞小鼎等（2006）研究表明雷达反射率回波数据在低层存在地物杂波和由于大气超折射造成的异常传播（Anomalous Propagation， AP）等虚假回波， 在4~5 km高度可能存在“0 ℃层亮带”回波， 这些回波会对真实雷达回波运动矢量的分析和跟踪产生影响， 而对流活动常常出现在中、 低层， 所以， 文中选用海平面高度为2.5 km的雷达回波拼图数据用以表征强对流回波的主要演变特征， 在很大程度上避免了虚假回波和地物杂波的影响（曹春燕等， 2015； Chen et al， 2017； 吴剑坤等， 2019）， 水平格点数为700×900， 水平分辨率为0.01°×0.01°。雷达拼图数据集时间间隔为6 min， 每天240帧数据。雷达回波数据采用双边滤波法进行质量控制， 详细算法见Chen et al （2017）。
文中将2015 -2017年数据作为训练集进行模型训练， 2018年数据作为交叉验证集， 优化模型参数， 没有任何人工特征选取的过程， 直接使用逐6 min的雷达回波拼图数据； 最后从2019年前汛期的4月11日至5月11日连续进行1个月的临近预报试验， 并与业务上已运行的交叉相关法、 光流法和粒子滤波法的临近预报结果进行对比， 因为2019年数据没有参与模型训练和调参， 可以客观地验证模型学习能力及临近预报效果。
为了有效评价各临近预报方法的预报效果， 各方法每6 min预测未来2 h内、 逐6 min雷达回波图像变化及分布， 并利用雷达回波实况进行客观评分检验。文中涉及的地图是基于广东省标准地图服务网站下载的审图号为粤S（2018）010号的标准地图制作， 底图无修改。在业务试验这段时期内， 广东省受切变线、 高空槽或偏南暖湿气流的影响， 强对流天气发生频繁， 常出现全省性的强降水过程， 从广东全省自动气象站日平均降水变化（图5）上可以看出， 广东全省日平均雨量主要集中在5~30 mm之间， 其中日平均雨量在25 mm以上（大雨）出现了6天。
4 检验方法
以实况回波图像为基础， 逐格点检验预报准确率。同时， 针对不同强度的雷达反射率因子， 考察各量级范围内的预报能力。采用临界成功指数CSI、 命中率POD和虚警率FAR对预报结果进行量化评估。
检验评分的计算公式如下：
式中： NAk为预报正确格点数； NBk为空报格点数； NCk为漏报格点数； k为检验雷达反射率不同强度的阈值， 分别为20， 30， 40和50 dBz。采用分预报时效和分阈值的检验方法， 逐格点计算， 即选用同一格点的预报值和观测值进行检验对比。
表2 雷达回波预报分级检验分类表Table 2 Classification of radar echo forecast test |
| 实况 | 预报 | |
|---|---|---|
| NAk | NCk | |
| NBk | NDk | |
5 结果分析
5.1 典型个例分析
5.1.1 2019年4月19日西南季风天气过程
2019年4月19日， 受西南季风和高空槽影响， 广东北部、 东部出现了大雨到暴雨， 局部特大暴雨的降水， 全省日平均雨量42.1 mm， 也是在业务试验期间内出现的最大日平均雨量。选取当日14:00（北京时， 下同）起报的雷达回波进行1 h预报， 对比分析不同预报方法1 h后预报雷达回波强度和位置（图5）。从图5中可以看出， 14:00在珠江三角洲及粤东沿海地区有三个较强降水回波带， 其中中部位于惠州沿海到河源南部一带降水雷达回波最强， 35 dBz以上较强降水回波覆盖范围最广， 整体上降水系统向东南方向移动且雷达回波强度有所减弱； 在15:00位于中部的较强降水回波带移到汕尾及南部海面上， 35 dBz雷达回波覆盖区域明显减小。从不同方法的1 h后预报雷达回波分布图可以看出， 交叉相关法、 光流法和粒子滤波法预报降水回波以偏东方向移动为主， 南压趋势不明显， 造成较强降水回波位置偏北， 梅州南部出现了虚假的较强降水回波， 并且交叉相关法和光流法预报降水回波较实况偏强， 35 dBz以上覆盖区域范围明显较实况偏大， 而粒子滤波法则预报出了较多的弱降水虚假回波。ConvGRU方法预报出了降水雷达回波向东南方向移动的趋势， 与实况较为一致， 并且较强降水回波位置与实况也比较接近。但与实况相比， ConvGRU方法预报的雷达回波图中， 雷达回波的边缘轮廓较为模糊， 丢失了一些细节， 如对深圳-东莞一带的较强降水回波， 几个位置相近的不同雷达回波单体， ConvGRU方法预报图中融合为一个更大的回波， 产生了虚报的问题。
5.1.2 2019年4月20日飑线天气过程
2019年4月20日早晨， 一条飑线自广西进入广东西北部后， 自西北向东南移动， 影响了广东中东部地区， 带来了短时强降水和雷暴大风。广东省多普勒雷达网完整的记录了这次由切变线和高空槽共同作用的飑线演变和移动过程。
从2019年4月20日飑线降水雷达实况和预报对比（图6）中可以看出， 此时东北西南走向的飑线强降水回波主要影响东莞西部-中山到江门北部一带， 飑线西南端呈弓形， 飑线后部在广州-佛山地区有35~45 dBz的较强降雨云团。13:30飑线向东南方向移动， 强降水回波移到东莞东部-深圳中部到珠海-江门南部一带， 飑线南端降水回波强度有所减弱， 整体呈东北-西南线状， 飑线后部的降雨云团范围扩大， 覆盖广州大部分地区。对比1 h后临近预报雷达回波图可以看出， 这几种方法都较好地预测出了飑线的位置和移动方向， 交叉相关法和光流法预报强度与实况较为吻合， 粒子滤波法预报强度偏弱， 且产生了一些弱的虚假回波。交叉相关法、 光流法和粒子滤波法预报飑线南端位于江门的雷达回波仍呈弓形， 移动速度较实况偏慢， 且没有预报出飑线后部较强降雨云团范围扩大的趋势。ConvGRU较准确的预报飑线的位置和强回波影响区域， 飑线呈东北-西南的线状分布， 与实况也更加吻合， 且预报出了飑线后部强降雨云团范围扩大的趋势。
5.1.3 2019年5月5日层状云降水过程
5月5日受高空弱波动和低层南风辐合的影响， 出现了一次以层状云降雨为主的降水过程， 总体雨势平缓， 但持续时间长。从当日10:30的雷达回波进行1 h外推预报试验（图7）中可以看出， 降水回波主要覆盖粤北和粤东地区， 大部分地区雷达回波强度在15~35 dBz之间， 雨强较弱， 且雷达回波整体上处于减弱的过程中。对比各方法预报1 h后的结果， 交叉相关法对雷达回波预报较实况偏强， 光流法和粒子滤波预报位置较实况偏东， 移动速度偏快， 而ConvGRU方法预报20 dBz回波覆盖范围与实况较为一致， 但强度偏强， 且对20 dBz以下的弱回波与实况有较大差异， 由此可见， ConvGRU方法对层状云的预报效果较差， 这可能与模型训练过程中以对流性强降水的样本为主有关。
4.2 长时间评分检验
从图8和图9中可以看出， 对不同时效的雷达回波预报， 在初始6 min内， CSI、 POD和FAR评分比较接近， 这几种方法的预报能力比较接近， 但是随着预报时效的延长， CSI和POD评分逐渐下降， FAR评分增加， 各方法的预报能力下降， 其中ConvGRU方法的预报能力较好， 在不同的预报时效内， 其CSI和POD检验评分最高， FAR为最小； 其次为交叉相关法， 而光流法和粒子滤波法CSI和POD的评分较小。对不同强度的雷达回波预报的评分检验， 各方法对20 dBz以上强度的雷达回波的预报评分最高， 随着雷达回波强度的增加， CSI评分和POD评分逐渐降低， FAR评分上升； 对50 dBz以上强回波的预测， 技巧评分最低， 各方法的预报能力都显的不足， 特别是在预报时效1 h后， 交叉相关法、 光流法和粒子滤波法的CSI评分降低到0.05以下， 而ConvGRU方法的CSI评分为0.11， 高于其他三种方法。
从上述试验检验结果可以看出， ConvGRU方法整体上预报能力优于传统的交叉相关法、 光流法和粒子滤波法， CSI评分和POD评分高于其他三种预报方法， 且FAR评分为最小， 说明ConvGRU方法对雷达回波的临近预报具有较好的业务应用价值。但是ConvGRU方法也存在不足， 对20 dBz以下弱降水回波预测能力不足， 且预测雷达回波图像的空间细节信息缺失比较严重， 不同强度的雷达回波的边缘轮廓较为模糊， 这与深度学习方法建模中应用样本数据集， 以及训练过程中的下采样和上采样过程有关。业务中应用的交叉相关、 光流法和粒子滤波法等算法的临近预报结果虽然包含更多的雷达回波细节， 但这些细节主要是从初始雷达回波“复制”过来的， 没有考虑雷达回波强度的变化， 而雷达回波一直处在动态的变化之中， 这种保留细节的方式会带来更多的虚报（郭瀚阳等， 2019）， 这从FAR的评分结果来能看出来， 并且对飑线等系统的预报位置也有偏差。因此， 如何在保持较高准确度的前提下， 改进雷达回波样本数据集， 提高深度学习方法预测结果的空间细节信息， 是未来重点研究的方向。
5 结论与讨论
基于卷积门控循环单元神经网络ConvGRU， 提出了多损失函数加权与分级加权的策略， 建立了雷达回波0~2 h临近预报方法， 应用广东省11部多普勒雷达反射率因子拼图数据进行建模训练， 开展了从2019年4月11日至5月11日为期1个月的临近预报试验， 并与业务中已经应用的交叉相关法、 光流法和粒子滤波法的临近预报结果进行对比， 通过典型个例分析和长时间检验， 得到以下主要结论：
（1） 通过对2019年广东地区3个典型天气过程的临近预报试验和分析表明， ConvGRU方法对强对流天气具有较好的预报效果， 对雷达回波位置、 强度和形状与实况更接近， 但该方法对层状云降水的雷达回波临近预报效果较差。
（2） 从长时间评分检验上来看， 卷积ConvGRU方法的CSI评分和POD评分高于传统的交叉相关法、 光流法和粒子滤波法， 且FAR评分为最小， 表明该方法对强对流雷达回波临近预报准确性有一定的提高， 这主要得益于深度学习模型对时间序列数据的学习能力， 能较好地把握强回波区域的特征， 在一定程度上能够相对比较准确地预报较强回波范围。
虽然深度学习方法较传统预报方法有一定程度的评分优势， 但是也存在一些问题， 由于深度学习模型中采用了上采样和下采样操作， 导致预测结果损失了很多的空间细节信息。深度学习模型具有强大的自动学习能力， 能够学习到天气发展过程中的更多隐藏特征， 因此， 只有通过不断地改进深度学习模型结构， 持续优化参数， 才能够获得更强大的预测能力， 提供更高精度和更多空间细节信息的预测结果， 这也是未来的研究方向。需要指出的是， 由于大多数雷暴生命史平均时间为30 min， 对于生命史小于预报时效的雷暴， 外推的意义不大（俞小鼎等， 2012）， 对那些风暴生命史较长， 比如超级单体风暴、 持续几个小时的强飑线过程、 由锋面造成的强降水雨带、 台风等大尺度天气过程， 外推临近预报才有现实意义。并且仅基于雷达回波临近预报算法有一定的局限性， 大多数雷暴的雷达回波外推预报的可用时效不超过1 h， 即便是长生命史的超级单体风暴和强飑线， 通常也不超过2 h（Wilson et al， 1998； 俞小鼎等， 2012）， 雷暴更精准的临近预报未来还得依赖于使用包括了动力和热力过程的快速更新同化高分辨率数值模式的发展和风暴追踪算法的持续改进与提升（郑永光等， 2010； 王丹等， 2014）， 其中雷达资料同化以及对流尺度集合预报是高分辨率数值模式的重要技术（陈葆德等， 2013； 马申佳等， 2018； 张兰等， 2019）。