利用深度学习融合NWP和多源观测数据的闪电落区短时预报方法

摘要

强对流短时预报(2—6 h)具有较大难度.一方面,基于观测数据的外推已基本不可用;另一方面,高分辨率数值模式(High-resolution Numerical Weather Prediction,HNWP)的预报性能有待提升.利用深度学习方法,将卫星、雷达、云-地闪电(简称闪电)等观测数据和高分辨率数值模式预测数据进行融合,得到更有效的闪电落区短时预报结果.基于多源观测数据和高分辨率数值天气预报数据的特性,构建了一个双输入单输出的深度学习语义分割模型(LightningNet-NWP),使用了包括闪电密度、雷达组合反射率拼图、卫星成像仪6个红外通道,以及GRAPES_3km模式预报的雷达组合反射率等共9个预报因子.深度学习模型使用了编码-解码的经典全卷卷积结构,并使用池化索引共享的方式,尽可能保留不同尺度特征图上的细节特征信息;利用三维卷积层提取观测数据时间和空间上的变化特征.结果表明,LightningNet-NWP能够较好地实现0—6 h的闪电落区预报,具备比单纯使用多源观测数据、高分辨率数值模式预报数据更好的预报结果.深度学习能够有效实现多源观测数据和数值天气预报数据的融合,在2—6h时效预报效果优于单独使用观测数据或数值天气预报数据;预报时效越长,融合的优势体现得越明显.