一种集成气象数据用于阿尔卑斯地区强降水临近预报的深度学习方法 穆一琳（Yilin Mu）、 刘家赫（Jiahe Liu）、 李阳（Yang Li） 以及 张瑞东（Ruidong Zhang）

《Applied Sciences》：A Deep Learning Method Integrating Meteorological Data for Heavy Precipitation Nowcasting in the Alps Region Yilin Mu, Jiahe Liu, Yang Li and Ruidong Zhang

　　

摘要

预测短期强降水对于提前预警山洪暴发、滑坡和城市内涝等灾害至关重要。然而，在复杂的地形条件下，传统的数值预报方法仍然难以捕捉高分辨率的强降水事件，而传统的雷达外推方法也难以准确描述天气系统在对流、变形和强度调整过程中的非线性演变。为了解决高海拔复杂地形下短期强降雨预报的难题，本文提出了结合深度学习与多源气象数据的短期降水预报框架Nowcast with Flow-Net（Nwf-Net）。该框架由形态演变轨迹模块（MET）和降雨强度校正模块（RIC）串联组成：前者将高空风场数据与传统的光流算法相结合，共同描述雷达回波的位移和形态变化；后者利用深度循环神经网络校正预报结果的强度，从而增强模型对强对流回波演变过程的描述能力。在阿尔卑斯山地区的实验表明，Nwf-Net在32 dBz的条件下，CSI、HSS和F1分数分别达到了0.392、0.506和0.546。这些结果优于传统数值模型和部分主流模型，表明Nwf-Net能够准确捕捉多尺度强对流信息，并持续生成精确的预报。