通过SEVIRI RGB图像的扩散模型预测进行沙尘暴和对流风暴的即时预报

《Weather and Climate Extremes》：Nowcasting of dust and convective storms via diffusion-model predictions of SEVIRI RGB imagery

本研究提出基于扩散模型的DustCast方法，利用SEVIRI卫星数据生成西非6小时内沙尘暴和强对流天气现在cast图像。实验表明，该模型在5小时内沙尘暴和4小时内对流系统的预测技能优于传统光流方法，并有效捕捉既有系统的演变。但新生对流预测不足，且计算资源需求较高。分隔符：

　　### 热带地区对流风暴的不确定性与现在casting的必要性

在热带地区，对流风暴本质上难以在数值天气预报（NWP）模型的典型时间尺度上进行预测。这种不可预测性主要源于对流过程的复杂性和模型在捕捉这些快速变化天气现象上的局限性。为了弥补这一不足，现在casting（短时预测）成为一种重要的补充手段。现在casting通常基于实时观测数据，能够提供更及时的预测信息，尤其适用于那些在NWP模型中无法准确再现的快速发展的高影响天气事件。由于NWP模型在热带地区对对流风暴的预测能力有限，现在casting的引入为提高对这些天气事件的预报能力提供了重要支持。

### 西非地区对流风暴与尘暴的频繁发生

西非地区是频繁受到对流风暴和由此产生的尘暴影响的区域。对流风暴不仅直接造成天气影响，其产生的冷池还会引发大规模的尘暴。这些尘暴对人类生活具有重要影响，包括对陆地和空域交通的干扰、对太阳能系统的能量输送造成影响、对健康构成威胁，以及导致显著的经济损失。因此，对尘暴的早期预警对于减轻其负面影响至关重要。然而，目前操作性的NWP模型和再分析数据在尘暴预测方面存在较大局限，尤其是在对流活动初期的预测上。此外，尘暴的预测还受到尘暴发射机制的非线性特性以及参数化方法的不确定性影响，导致许多尘暴事件未能被准确捕捉。

### 现在casting的挑战与优势

传统基于光学流（OF）的现在casting方法通过提取观测序列中的运动信息，并将这些运动向量用于像素位置的正向外推，从而生成预测图像。这种方法在降水和风暴的现在casting中已被成功应用超过二十年，例如Burton等（2022）、Bowler等（2006）以及Srivastava等（2012）的工作。然而，OF方法在预测对流风暴的形成过程中仍然存在挑战。由于尘暴和云层的运动方向可能不同，且尘暴常被云层部分遮挡，OF方法在处理这些复杂场景时表现受限。此外，正向外推可能导致图像出现不合理的失真，例如由于相反方向的运动向量造成的错误传播。因此，OF方法在尘暴的现在casting中存在局限，特别是在对流风暴的形成和传播方面。

### 机器学习在现在casting中的应用潜力

相比之下，机器学习（ML）方法在处理非线性系统方面展现出更强的能力，能够直接从数据中捕捉复杂的关系。因此，ML方法在对流风暴和尘暴的现在casting中具有较大的应用潜力。例如，Denton和Fergus（2018）以及Wang等（2018）已经展示了ML模型在预测具有移动、碰撞、合并或遮挡特征的图像方面的能力。此外，近年来，ML方法在天气预测领域的应用也取得了显著进展，如Keisler（2022）、Bi等（2022）、Lam等（2023）以及Lang等（2024）的研究。然而，目前大多数基于ML的天气预测模型（MLWP）仍然依赖于再分析数据进行训练，因此只能预测那些在输入数据中已经存在的特征，而无法预测新出现的天气现象。

### 机器学习与扩散模型的引入

为了克服这些局限，我们引入了一种基于扩散模型（DM）的现在casting方法，称为DustCast。扩散模型是一种深度生成模型，其在图像生成任务中表现出最先进的性能。DM通过迭代的前向和反向过程来生成图像，其中前向过程逐步向图像中注入噪声，而反向过程则逐步从噪声中恢复图像。这种模型可以通过条件输入（如先前的观测数据）进行训练，从而生成具有预测能力的图像。此外，DM具有内建的集成方法，能够在不同噪声场中生成多个不同的但清晰的图像实例，从而实现对图像特征的多种可能预测。

### SEVIRI数据与尘暴RGB合成图

我们使用欧洲气象卫星开发组织（EUMETSAT）运营的Meteosat第二代（MSG）卫星上的Spinning Enhanced Visible and Infrared Instrument（SEVIRI）仪器提供的数据。SEVIRI能够提供12个光谱通道的数据，覆盖可见光到红外波段，具有1到3公里的空间分辨率和15分钟的时分辨率。这些数据具有很高的时间分辨率和低延迟，非常适合用于现在casting。我们使用SEVIRI的三个特定通道（8.7、10.7和12.0微米）生成尘暴的RGB合成图，该合成图能够突出显示尘暴的特征，使其在图像中以明亮的颜色呈现。此外，我们还使用了Meteosat云掩膜（EO:EUM:DAT:MSG:CLM）来辅助云层的识别和排除。

### 现在casting的数据预处理与模型训练

为了训练DustCast模型，我们使用了2018、2019年以及2024年前七个月的SEVIRI数据。数据预处理包括选择一个覆盖西非的区域（3–38°N，18°W–20°E），将数据从原始网格重新映射到256×256的正则网格，以简化投影处理并降低数据分辨率。这一过程将平均像素大小控制在约15×15公里。随后，我们计算了BTD（120–108）和BTD（108–087），并使用表中给出的范围和伽马校正因子对这些数据进行了归一化处理。最终，我们将这些归一化后的数据组合成一个RGB图像。

为了提高模型的收敛速度，我们采用了一种迭代训练方法，首先在较低分辨率（64×64像素）的数据上进行预训练，然后在较高分辨率（256×256像素）的数据上进行微调。这种训练方法结合了AdamW优化器和均方误差（MSE）损失函数，通过一个激进的学习率调度策略（最大学习率为2.5×10??）加速训练过程。模型在不同分辨率下分别训练了50个周期和20个周期，并使用余弦调度策略逐步降低学习率。通过这种方式，模型能够学习到图像的整体色彩分布以及大尺度的运动模式，同时逐步捕捉小尺度的特征。

### 现在casting的评估指标

为了评估现在casting的性能，我们使用了分数技能评分（FSS）作为主要的评估指标。FSS是一种基于邻域的方法，能够评估预测图像与观测图像之间的匹配程度。我们首先通过应用特征检测方法生成二值掩膜（BM），其中BM的值为1表示检测到特征，为0表示未检测到。随后，我们计算邻域概率（NP），即在每个点周围邻域内检测到特征的比例。通过比较预测NP与观测NP，我们计算了分数偏差评分（FBS），并将其与最坏情况下的FBS进行比较，以得出FSS评分。FSS的得分越高，表示预测的技能越强。我们发现，在预测尘暴时，DustCast在5小时的提前期范围内达到了有用的技能水平（FSS > 0.5），而在预测对流系统时，其有用技能水平可以持续到4小时。这一结果表明，DustCast在现在casting任务中具有较高的实用价值。

### 现在casting的性能表现与局限性

在实际应用中，DustCast表现出较强的预测能力，能够准确再现尘暴的传播、发展以及对流系统的演变。然而，该模型在预测新出现的对流活动方面仍存在一定局限，特别是在对流风暴的初始阶段。这种局限性主要源于输入数据中缺乏对流风暴的初始信号，以及模型复杂度的限制。此外，随着预测时间的延长，图像可能会出现模糊现象，导致小尺度特征逐渐消失，从而影响人类观察者的可解释性。尽管如此，DustCast仍然能够在较短的预测时间内提供高质量的图像，并帮助预报员识别和跟踪尘暴和对流系统的演变过程。

### 现在casting的实践应用与挑战

我们还部署了一个简化版本的DustCast模型，用于在Zambia的Nowcasting Testbed项目中进行实际测试。该项目专注于使用多种现在casting工具来提高对严重风暴的预测能力。测试结果表明，DustCast在预测快速发展的对流风暴方面优于传统的OF方法，能够准确捕捉风暴的增长和衰减过程。然而，由于对流风暴的形成具有内在的随机性，模型在预测对流风暴的初始阶段仍然面临挑战。此外，模型的可访问性也是一个重要的障碍，尽管DustCast能够生成高质量的图像，但其在实际操作中的应用仍然需要进一步的改进，以提高其对操作性预报员的实用性。

### 模型的扩展性与未来发展方向

尽管DustCast目前主要专注于尘暴的现在casting，但其方法可以扩展到其他常用的RGB合成图，例如对流、火山灰或雾的合成图。此外，该模型还可以通过重新训练来适应新的数据源，例如即将部署的Meteosat第三代（MTG）卫星上的Flexible Combined Imager（FCI）仪器。FCI与SEVIRI具有相似的波段范围，因此可以作为DustCast的潜在输入数据。未来的研究可以探索如何将模型应用于更广泛的气象场景，并通过引入更先进的采样方法来减少计算需求，提高预测的实时性。此外，模型还可以进一步优化，例如引入三维卷积层或独立的预报员模块，以提高其在复杂天气场景中的预测能力。

### 模型的局限性与改进方向

尽管DustCast在现在casting任务中表现出较高的技能水平，但其仍然存在一些局限性。首先，模型在预测新出现的天气现象方面能力有限，尤其是在对流风暴的初始阶段。其次，随着预测时间的增加，图像的模糊现象可能影响预报员对天气变化的判断。此外，模型在预测对流风暴的传播速度方面也存在一定的偏差，尤其是在较长的预测时间范围内。为了克服这些局限性，未来的研究可以探索更复杂的模型架构，例如引入更高维的特征提取方法或更精确的参数化策略。同时，模型的计算需求仍然较高，因此需要进一步优化，以提高其在实际应用中的效率。

### 结论与未来展望

综上所述，DustCast是一种基于扩散模型的现在casting方法，能够生成高质量的尘暴RGB合成图，并在预测对流风暴和尘暴方面展现出较高的技能水平。该模型在现在casting任务中具有重要的应用价值，尤其是在西非地区，尘暴和对流风暴的频繁发生使得早期预警成为必要的。然而，模型在预测新出现的天气现象和长时间尺度上的表现仍然存在局限。未来的研究可以进一步优化模型的结构，提高其在复杂天气场景中的预测能力，同时探索其在其他气象产品中的应用潜力。此外，随着卫星观测数据的不断丰富和计算技术的进步，DustCast有望在实际气象服务中发挥更大的作用，为提高天气预报的准确性提供有力支持。