中国气象学会气象青年科技交流会暨2021年青年科学家论坛

本文基于PredRNN++、MIM、CrevNet和PhyDNet四种机器深度学习算法，利用武汉地区2012～2019年的雷达和降水资料，开展了人工智能（AI）技术在武汉地区临近预报中的应用研究，根据均方误差（MSE）、结构相似性指数（SSIM）、命中率（POD）、虚警率（FAR）和临界成功指数（CSI）等指标检验评估了四种机器学习算法对武汉地区雷达回波临近预报的预报性能，并以半拉格朗日光流法进行了对比，得到以下主要结论：（1）MIM算法的MSE和FAR最低，SSIM最高，PredRNN++算法的POD和CSI最高。机器深度学习算法的POD、CSI和SSIM均高于光流法，FAR和MSE则更低，其中SSIM、POD、CSI三种指标的提升幅度在7.3%～24.7%之间，MSE和FAR两种指标的降幅在13.1%～44.3%之间。（2）30分钟以内，除CrevNet外，其余三种机器学习算法和光流法的预报能力较为接近；30分钟以后，深度学习算法和光流法都随着预报时效的延长，预报能力均显著下降，但机器学习算法下降得更缓慢，尤其是60分钟以后光流法的降幅进一步增加，显示出机器学习长预报时效的优势。此外，机器学习算法之间针对不同评分指标在不同预报时效的下降速度并不一致。（3）PredRNN++算法在所有强度上CSI均表现最佳，MIM和PhyDNet两种算法对≥40dbz的回波预报、CrevNet算法对≥50dbz的回波预报均好于光流法。机器学习算法和光流法都随着回波强度的增加，CSI和POD迅速降低，FAR快速上升，但机器学习算法的FAR上升得更慢。（4）4个不同回波形态、不同发展趋势个例的分析结果表明，机器学习算法不仅具备一定回波强度变化的预报能力，而且对回波强度和面积变化趋势的时间节点预报也与实况基本一致。此外，机器学习算法对回波运动的预报能力明显强于光流法，显示出机器学习算法良好的应用前景。
 

机器深度学习，雷达回波,临近预报，检验评估