读论文：Convective precipitation nowcasting using U-Net Model

标题: U-Net模式对对流降水的近时预报
作者: Xiao-Hui Li , Caleb Chen Cao, Yuhan Shi, Wei Bai, Han Gao, Luyu Qiu, Cong Wang, Yuanyuan Gao,Shenjia Zhang, Xun Xue, and Lei Chen.

Abstract

由于对流天气的快速变化，所以对流降水即时预报就并非一件易事。本文提出了一种基于降水临近预报的雷达数据库U-Net模型。与基于CNN的U-Net模型不同，现在常用的TrajGRU是一个基于RNN(循环神经网络)的模型，它擅长时间序列处理，在降水研究领域得到了广泛的应用。实验结果表明，基于CNN的U-Net可以达到与TrajGRU几乎相同的性能，这说明这个模型未来可期。

Index Terms：降水即时预报，深度学习，U-Net，天气雷达

Introduction

对流降水即时预报在业务天气预报服务中发挥着重要作用，但是由于对流天气的空间尺度小、生命周期短，使得该项工作并不是那么好实现。而气象雷达是唯一能提供三维、高时空分辨率数据的观测仪器。本文所提出的基于CNN的降水近预报U-Net模型将雷达图像作为输入，对应的输出则是雷达反射率图像的预测。并利用2010-2017年华北地区的拼接雷达图像进行训练、验证和测试

综述

一、数据

本研究采用雷达反射率拼接图像。所有雷达图像均由北京气象局(BMS)在中国收集：

利用2010 - 2017年温暖季节的雷达数据，分为训练、验证和测试子集(见表1和表2)。所有雷达反射率数据归一化为[0~1]

二、方法

在这项研究中应用了U-Net模型进行降水预报。设置了五幅连续雷达复合反射率图像作为U-Net的输入，先通过下采样来提取底层特征，再通过跳越连接和上采样的方式来将低阶和高阶特征结合起来，对输出图像进行细化，最后将30min的雷达反射率图像作为输出。 训练后的U-Net可以以雷达反射率的形式提供30分钟的预报图像。

图1显示了网络的整体架构，这是一种对称的编码器-解码器的结构；
模型的输入是5幅连续的雷达图像，输出是30分钟的预测。该模型包括上采样（直接将特征图的元素进行复制，以扩充feature map）、下采样（不断聚合各种特征，以缩小图像）和跳接（跳跃连接，跳跃神经网络中的某些层，并将一层的输出作为下一层的输入）三部分。模型左侧为Encoder，通过卷积和最大池化减小图像尺寸，提取底层特征。模型的右边部分是Decoder，它提取高级特征并将输出恢复到600×600的原始大小。通过跳越连接的操作，将低阶和高阶特征结合起来，对输出图像进行细化。

由于雷达反射率值的数据分布极不均匀，采用不同权重的方式来进行平衡：

其中x为雷达反射率

则加权损失函数BMSE可计算为：

其中N代表总帧数，ω_n,i,j代表了为第N帧中第(i,j)个像素点对应的权重，x_n,i,j和x^ _n,i,j分别代表了观测值和预测值

三、结果

使用了探测概率(POD)(有点像召回率）、虚警率(FAR)和临界成功指数(CSI)来作为评估指标：

其中TP为观测雷达反射率和预测雷达反射率均大于阈值的网格像素数;FP为观测反射率低于阈值而预测反射率大于阈值的网格像素数;FN为观测到的降雨量大于设定阈值而预测的反射率低于设定阈值的网格像素数

本实验用了时间序列模式TrajGRU来作为对比，这是一种已被降水研究界广泛使用的模型。结果如下表所示：

从表3可以看出，基于CNN的U-Net模型可以达到与TrajGRU模型几乎相同的性能。U-Net在20 dBZ范围内的CSI值略高于TrajGRU (0.54 vs 0.53)。两种模型在30 dBZ时的CSI均为0.39，而TrajGRU在40 dBZ时的CSI值略高于U-Net (0.30 vs 0.29)

图2展示了一个真实的30分钟临近预测案例。

总的来说，U-Net和TrajGRU都给出了合理的结果。
相比之下，U-Net在中心大风暴中可以提供更详细的内部结构，更符合实际观测

总结

本文提出了一种基于CNN的降水即时预测U-Net模型，该模型包括上采样、下采样和跳接三部分。由于雷达反射率值的数据分布极不均匀，采用了加权损失函数。在实验中通过TrajGRU模型进行比较。实验结果表明，U-Net可以达到与TrajGRU几乎相同的性能，这说明了该模型在处理时间序列应用方面有着巨大潜力。

未来展望

我认为可以将该项技术应用于稍微长一点的降水预测来提升其使用价值。从前面的实验不难看出，他的预测要更加具体详细，这能够给人们带来更为精确的预报信息。