翟辰飛，董文瀚，張曉敏，李大東，陳曉軍

1.空軍工程大學(xué)，西安 710038

2.中國(guó)飛行試驗(yàn)研究院，西安 710089

3.中國(guó)人民解放軍94816部隊(duì)

4.中國(guó)人民解放軍 93135部隊(duì)

飛機(jī)積冰[1]是指飛行器在飛行過(guò)程中機(jī)體表面聚積冰層的現(xiàn)象，飛機(jī)積冰嚴(yán)重影響飛行安全，是造成飛行事故的主要原因之一。為減少因積冰造成的飛行事故，及時(shí)準(zhǔn)確地預(yù)測(cè)積冰云層的位置及強(qiáng)度一直是眾多專(zhuān)家學(xué)者及氣象工作者研究的重要課題。

強(qiáng)對(duì)流天氣所形成的云系中蘊(yùn)含大量水汽且溫度較低，易造成飛機(jī)中度以上積冰，對(duì)飛行安全危害最大。氣象工作者通過(guò)氣象雷達(dá)掃描得到的雷達(dá)回波圖可以準(zhǔn)確反映對(duì)流天氣的強(qiáng)度，分析歷史雷達(dá)回波圖可以尋找強(qiáng)對(duì)流天氣的發(fā)展規(guī)律，并進(jìn)一步預(yù)測(cè)對(duì)流天氣的發(fā)展變化。因此，準(zhǔn)確判斷強(qiáng)對(duì)流天氣的發(fā)展變化對(duì)于積冰云層的預(yù)測(cè)至關(guān)重要。

現(xiàn)階段，國(guó)內(nèi)外對(duì)于積冰云層的預(yù)測(cè)主要分為兩類(lèi)，傳統(tǒng)方法是在天氣學(xué)的基礎(chǔ)上實(shí)現(xiàn)雷達(dá)圖像外推。丁建軍等[2]提出了一種基于雷達(dá)跟蹤外推及GoogleMaps的強(qiáng)對(duì)流天氣臨近預(yù)報(bào)系統(tǒng)，利用交叉相關(guān)外推算法，實(shí)現(xiàn)對(duì)寧夏中北部地區(qū)1 h內(nèi)強(qiáng)對(duì)流天氣的跟蹤外推預(yù)報(bào)；曹春燕等[3]提出了一種基于傳統(tǒng)光流法的強(qiáng)對(duì)流預(yù)報(bào)算法，該算法彌補(bǔ)了交叉相關(guān)外推算法對(duì)于較強(qiáng)垂直運(yùn)動(dòng)預(yù)測(cè)不理想的問(wèn)題，提升了強(qiáng)對(duì)流天氣的準(zhǔn)確率。雖然傳統(tǒng)的雷達(dá)回波外推方法被長(zhǎng)期應(yīng)用于實(shí)際工作中且不斷改進(jìn)，但對(duì)流天氣本身的復(fù)雜非線性特點(diǎn)，導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際天氣相差較大。

隨著深度學(xué)習(xí)等方法的興起，計(jì)算機(jī)視覺(jué)技術(shù)逐漸成為雷達(dá)圖像外推任務(wù)的研究熱點(diǎn)。這一類(lèi)方法旨在通過(guò)對(duì)雷達(dá)圖像中各區(qū)域的空間相關(guān)性及同一區(qū)域的時(shí)間相關(guān)性的智能分析，解決對(duì)流天氣系統(tǒng)非線性的問(wèn)題。Shi等[4]提出了一種時(shí)空序列預(yù)測(cè)模型，將卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種全新的雷達(dá)回波外推方法；Wang等[5]將MIM模塊加入時(shí)空序列網(wǎng)絡(luò)，使模型能夠?qū)W習(xí)到更多高階非平穩(wěn)特征；Xu等[6]將GAN網(wǎng)絡(luò)與ConvLSTM網(wǎng)絡(luò)相結(jié)合，解決了小規(guī)模數(shù)據(jù)集不易訓(xùn)練等問(wèn)題；Geng等[7]將圖像數(shù)據(jù)與數(shù)值模擬數(shù)據(jù)同時(shí)作為輸入數(shù)據(jù)，提升了數(shù)據(jù)資料的多樣性；Shi等[8]結(jié)合光流法提出了TrajGRU模型，該模型解決了領(lǐng)域點(diǎn)位置信息固定的問(wèn)題，使其更好地學(xué)習(xí)回波圖像中的時(shí)空相關(guān)信息。

上述深度學(xué)習(xí)方法均是卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）與循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）模型的改進(jìn)，雖然此類(lèi)模型解決了對(duì)流天氣預(yù)測(cè)過(guò)程中的非線性不穩(wěn)定，但在訓(xùn)練、檢驗(yàn)過(guò)程中還存在以下幾點(diǎn)問(wèn)題：（1）時(shí)間維度信息不均衡。RNN將當(dāng)前時(shí)間狀態(tài)與前面多個(gè)時(shí)間的隱藏狀態(tài)相結(jié)合作為當(dāng)前時(shí)間的輸入信息，此舉可以使網(wǎng)絡(luò)模型有效學(xué)習(xí)到同一區(qū)域的回波變化，但當(dāng)輸入序列過(guò)長(zhǎng)時(shí)，會(huì)因梯度衰減較大導(dǎo)致梯度消失，造成圖像低層信息丟失。（2）空間維度信息缺失。CNN通過(guò)一定大小的卷積核有效提取圖像空間信息，隨著特征圖的減小，卷積核中的感受野可以逐步學(xué)習(xí)到圖像全局信息。但因CNN卷積核使用相同權(quán)重參數(shù)進(jìn)行特征提取，會(huì)導(dǎo)致重要程度高但出現(xiàn)次數(shù)少的空間信息被忽略，特別是在積冰云層預(yù)測(cè)任務(wù)中，強(qiáng)回波區(qū)占比少，易造成強(qiáng)回波區(qū)預(yù)測(cè)結(jié)果的準(zhǔn)確率下降。

針對(duì)時(shí)間維度信息不均衡問(wèn)題，Ronneberger等[9]提出了基于全卷積網(wǎng)絡(luò)的U-Net網(wǎng)絡(luò)模型，其獨(dú)特的U型結(jié)構(gòu)較好地解決了RNN因梯度消失導(dǎo)致的初始圖像信息消失的問(wèn)題；針對(duì)空間維度信息缺失問(wèn)題，Vaswani等[10]基于自注意力模塊（self-attention）計(jì)算圖像中不同像素之間的特征關(guān)系并建立圖像的全局特征，從而提取不同回波強(qiáng)度之間的依賴(lài)關(guān)系。相比于使用同一權(quán)重參數(shù)的CNN，自注意力模塊為不同重要程度的信息分配不同權(quán)重參數(shù)，從而提高圖像重要特征的提取能力。針對(duì)上述問(wèn)題，本文提出U-Net網(wǎng)絡(luò)與自注意力機(jī)制相結(jié)合的GC-ResUNet預(yù)測(cè)模型，該模型繼承了兩種網(wǎng)絡(luò)的優(yōu)點(diǎn)，為解決積冰云層的預(yù)測(cè)問(wèn)題提供了一種新的思路。

1 數(shù)據(jù)集的建立

1.1 數(shù)據(jù)集選取

氣象雷達(dá)在連續(xù)時(shí)間內(nèi)向云中發(fā)射電磁脈沖，脈沖散射后返回雷達(dá)天線構(gòu)成氣象雷達(dá)回波[11]，通過(guò)雷達(dá)回波可以準(zhǔn)確判斷云中對(duì)流的活動(dòng)情況，該數(shù)據(jù)在時(shí)間和空間上均具有相關(guān)性。

本文所用數(shù)據(jù)集由2018—2020年間沿海地區(qū)雷達(dá)回波拼圖制作而成，其原始圖像尺寸大小為3 190×2 240，每張圖像之間間隔6 min。由于圖像邊緣包含大片無(wú)回波區(qū)域，為減少網(wǎng)絡(luò)計(jì)算的復(fù)雜度，提高計(jì)算機(jī)的運(yùn)算效率，針對(duì)原始圖像數(shù)據(jù)主回波區(qū)域進(jìn)行裁剪，裁剪后的圖像尺寸大小為900×900，再通過(guò)壓縮處理，將圖像調(diào)整為尺寸大小為256×256的PNG圖片。然而，處理后的回波圖像分辨率降低且圖像特征易丟失，為解決上述問(wèn)題，對(duì)處理后的特征圖像采用增強(qiáng)深度超分辨率網(wǎng)絡(luò)（ED-SR）[12]重構(gòu)圖像分辨率，以此達(dá)到訓(xùn)練、檢驗(yàn)?zāi)Ｐ偷哪康摹?/p>

1.2 數(shù)據(jù)預(yù)處理

氣象雷達(dá)在平掃過(guò)程中，受雷達(dá)站附近建筑物、山體等低空地物影響，在低仰角區(qū)域往往會(huì)產(chǎn)生地物虛假回波[13]。模型訓(xùn)練與檢驗(yàn)過(guò)程中，地物回波會(huì)影響模型對(duì)氣象回波的特征提取，從而降低氣象回波預(yù)測(cè)的準(zhǔn)確率。

如圖1所示，矩形區(qū)域?yàn)槎嗥绽仗鞖饫走_(dá)受地物雜波影響產(chǎn)生的地物噪聲。為減小噪聲對(duì)雷達(dá)回波外推模型的影響，使用非局部均值濾波算法（non-local means filter）對(duì)調(diào)整后的圖像去噪。其過(guò)程為將濾波區(qū)域范圍為滑動(dòng)窗口大小遍歷整個(gè)圖像，計(jì)算濾波值點(diǎn)與滑動(dòng)窗口中像素點(diǎn)的絕對(duì)差值和，將計(jì)算結(jié)果輸入到指數(shù)函數(shù)中，計(jì)算權(quán)值并通過(guò)權(quán)值進(jìn)行濾波操作。相比于均值濾波，該算法在去除噪聲的同時(shí)保留了圖像邊緣的細(xì)節(jié)，更適用于處理雷達(dá)回波噪聲。圖2為去噪后的回波圖像。

2 建立GC-ResUNet時(shí)空序列預(yù)測(cè)模型

2.1 U-Net時(shí)空序列預(yù)測(cè)模型

U-Net神經(jīng)網(wǎng)絡(luò)[14]最早應(yīng)用于醫(yī)學(xué)圖像語(yǔ)義分割，該算法獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)以及強(qiáng)大的遷移學(xué)習(xí)能力使其被廣泛應(yīng)用于目標(biāo)識(shí)別、物體檢測(cè)等任務(wù)且取得了較好的預(yù)測(cè)效果。

相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，U-Net神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有以下三個(gè)特點(diǎn)：（1）傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)由全連接層組成，其網(wǎng)絡(luò)結(jié)構(gòu)與圖像輸入密不可分，導(dǎo)致訓(xùn)練好的網(wǎng)絡(luò)只能應(yīng)用于相同尺寸的圖像輸入，網(wǎng)絡(luò)泛化能力差。為解決此問(wèn)題，U-Net神經(jīng)網(wǎng)絡(luò)使用全卷積層（fully convolution）替代全連接層（fully connection），由于其卷積核尺寸與圖像輸入無(wú)關(guān)，使得U-Net神經(jīng)網(wǎng)絡(luò)適用于任意圖像尺寸輸入，增強(qiáng)了網(wǎng)絡(luò)的泛化能力。同時(shí)，全卷積網(wǎng)絡(luò)在GPU加速的前提下網(wǎng)絡(luò)整體運(yùn)算效率顯著提升。（2）傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)通過(guò)下采樣（downsampling）操作實(shí)現(xiàn)圖像特征信息壓縮，以學(xué)習(xí)更深層次的特征信息，但在圖像壓縮過(guò)程中容易丟失空間信息。為解決此問(wèn)題，UNet神經(jīng)網(wǎng)絡(luò)加入上采樣（upsampling）操作還原像素的空間信息。（3）U-Net網(wǎng)絡(luò)在編碼器與解碼器之間加入跳躍連接（skip-connection）操作，整合不同層次的特征圖像信息，避免傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)因梯度消失造成低層特征信息丟失的問(wèn)題。

U-Net神經(jīng)網(wǎng)絡(luò)解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)時(shí)間維度信息丟失的問(wèn)題，但其在卷積壓縮過(guò)程中降低了圖像分辨率，使得重要程度高但出現(xiàn)頻率低的空間特征信息丟失，雷達(dá)回波圖像包含大量此類(lèi)空間特征。因此，U-Net神經(jīng)網(wǎng)絡(luò)對(duì)于積冰云層的預(yù)測(cè)結(jié)果與實(shí)際情況差別較大。

2.2 GCNet自注意力機(jī)制模塊

注意力機(jī)制[15]（attention）源于人類(lèi)視覺(jué)注意力機(jī)制，通過(guò)對(duì)不同信息分配不同權(quán)重，實(shí)現(xiàn)重要特征信息的提取。然而該方法僅能分析判斷信息的重要程度，缺乏對(duì)空間信息的捕捉能力，面對(duì)回波區(qū)域分布密集且相關(guān)性強(qiáng)的雷達(dá)回波圖，更需關(guān)注各回波區(qū)域之間相連的邊緣信息。因此本節(jié)引入GCNet（global context network）自注意力機(jī)制[16]，對(duì)圖像信息中的重要特征進(jìn)行提取。

自注意力機(jī)制分為空間自注意力機(jī)制和通道自注意力機(jī)制，GCNet屬于通道自注意力機(jī)制的一種。通道自注意力將像素信息壓縮到不同通道內(nèi)，通過(guò)計(jì)算不同通道之間的權(quán)重比達(dá)到提取重要信息的目的。具體結(jié)構(gòu)見(jiàn)圖3。

GCNet由三部分組成：

（1）建立全局上下文特征圖。首先將經(jīng)過(guò)特征提取后的特征圖X∈RC×H×W（C為特征圖通道數(shù)，H為高度，W為寬度）輸入到權(quán)重參數(shù)為Wk的1×1卷積層以及非線性激活函數(shù)Softmax中，得到包含全局上下文信息大小為(H×W)×1×1的權(quán)重矩陣，然后與Reshape后大小為C×(H×W)的特征矩陣相乘，得到大小為C×1×1的具有全局上下文信息的特征矩陣(Z1)。計(jì)算見(jiàn)式（1）：

（2）計(jì)算每個(gè)通道的重要程度。首先將大小為C×1×1的特征矩陣Z1輸入到權(quán)重參數(shù)為Wv1、大小為1×1的卷積層，得到大小為C/r×1×1的特征矩陣。其中r為參數(shù)減少值，目的是通過(guò)減少參數(shù)量提高網(wǎng)絡(luò)的計(jì)算效率。為使模型在訓(xùn)練過(guò)程中更加穩(wěn)定防止過(guò)擬合，在卷積層后加入層歸一化LayerNorm以及非線性激活函數(shù)ReLU。然后將大小為C/r×1×1的特征矩陣輸入權(quán)重參數(shù)為Wv2大小為1×1的卷積層。該卷積層的目的是計(jì)算每個(gè)特征通道的權(quán)重比例，得到大小為C×1×1的特征矩陣Z2。計(jì)算見(jiàn)式（2）：

式中，ReLU為非線性激活函數(shù)，LN表示層歸一化，Wv1、Wv2分別為兩個(gè)卷積層的權(quán)重參數(shù)。

（3）將具有不同通道權(quán)重的特征矩陣Z2與輸入特征圖X∈RC×H×W相乘，得到含有不同權(quán)重信息的特征圖Z∈RC×H×W，計(jì)算見(jiàn)式（3）。

GCNet自注意力模塊通過(guò)學(xué)習(xí)不同通道之間的相關(guān)信息，增加了重要信息的權(quán)重參數(shù)，突出圖像中的重點(diǎn)信息，增強(qiáng)了網(wǎng)絡(luò)捕獲強(qiáng)對(duì)流回波的能力。

2.3 GC-ResUNet時(shí)空序列預(yù)測(cè)模型

本文提出了基于U-Net神經(jīng)網(wǎng)絡(luò)的改進(jìn)模型GCResUNet，該模型繼承了U-Net神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)，在此基礎(chǔ)上加入自注意力模塊，確保上下文語(yǔ)義信息完整的同時(shí)，加強(qiáng)圖像中重要信息的提取能力。

本文利用10張連續(xù)歷史雷達(dá)回波圖（過(guò)去1 h）作為預(yù)測(cè)模型輸入，在U-Net框架的基礎(chǔ)上加入自注意力機(jī)制模塊搭建GC-ResUNet時(shí)空序列預(yù)測(cè)模型，對(duì)雷達(dá)回波圖像進(jìn)行未來(lái)1 h的外推分析。首先將建立的氣象雷達(dá)回波數(shù)據(jù)集按照6∶2∶2的比例劃分成訓(xùn)練集、交叉驗(yàn)證集以及測(cè)試集，利用訓(xùn)練集訓(xùn)練GC-ResUNet模型，通過(guò)反復(fù)迭代優(yōu)化模型參數(shù)，減小預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)之間的誤差值；其次利用交叉驗(yàn)證集進(jìn)一步擬合模型參數(shù)，不斷更新?lián)p失函數(shù)，使損失函數(shù)穩(wěn)定到一個(gè)較小的數(shù)值；最后將驗(yàn)證集以10張為一個(gè)batch輸入調(diào)試好的GC-ResUNet模型得到未來(lái)1 h的預(yù)測(cè)結(jié)果。從雷達(dá)圖像的預(yù)測(cè)結(jié)果可以判斷強(qiáng)對(duì)流天氣發(fā)生的強(qiáng)度及位置，進(jìn)而完成對(duì)積冰云層的預(yù)測(cè)任務(wù)。

GC-ResUNet模型主要由壓縮路徑（編碼結(jié)構(gòu)）、擴(kuò)展路徑（解碼結(jié)構(gòu)）、跳躍連接結(jié)構(gòu)以及自注意力模塊四部分組成，具體模型結(jié)構(gòu)見(jiàn)圖4。

網(wǎng)絡(luò)框架左半部分為壓縮路徑（編碼結(jié)構(gòu)），自注意力模塊嵌入在壓縮路徑中。壓縮路徑采用自上而下結(jié)構(gòu)，包含4個(gè)模塊，每個(gè)模塊先采用兩次3×3大小的非線性卷積層和歸一化層獲得圖像中的細(xì)節(jié)信息，然后將特征圖分別進(jìn)行下采樣及自注意力操作。下采樣壓縮特征圖尺寸，使得特征信息更加抽象，便于下層網(wǎng)絡(luò)提取更深層次的邊緣信息，新的特征圖向下傳遞作為下一層網(wǎng)絡(luò)的輸入，特征圖尺寸減半，通道數(shù)增加一倍。自注意力模塊不改變特征圖的尺寸及通道數(shù)，經(jīng)過(guò)該模塊后的特征圖保留了原圖中的重要特征信息。

網(wǎng)絡(luò)框架右半部分為擴(kuò)展路徑（解碼結(jié)構(gòu)），擴(kuò)展路徑采取自下而上結(jié)構(gòu)，與壓縮路徑相對(duì)稱(chēng)，也包含4個(gè)模塊。每個(gè)模塊先通過(guò)非線性上采樣將下層特征圖通道數(shù)減半，再將該特征圖與壓縮路徑中經(jīng)過(guò)自注意力模塊得到的特征圖拼接，合并成一個(gè)2倍大小的特征圖，該特征圖經(jīng)過(guò)兩次非線性卷積處理后，提取出包含重要特征信息以及邊緣輪廓信息的特征圖像。由于GCResUNet網(wǎng)絡(luò)中每一層特征圖尺寸相同，這保證了該層特征圖不會(huì)因圖像壓縮而丟失細(xì)節(jié)信息，使得自注意力模塊可以學(xué)習(xí)到原始輸入圖像中的重要特征信息。

2.4 評(píng)估標(biāo)準(zhǔn)

本實(shí)驗(yàn)所用數(shù)據(jù)集以雷達(dá)回波圖為基礎(chǔ)，為準(zhǔn)確分析判斷預(yù)測(cè)結(jié)果，本文選用氣象領(lǐng)域常用臨界成功指數(shù)（critical success index，CSI）、探測(cè)概率（probability of detection，POD）、虛警率（false accept rate，F(xiàn)AR）作為預(yù)測(cè)評(píng)價(jià)標(biāo)準(zhǔn)，計(jì)算見(jiàn)式（4）、（5）、（6）：

式中，NTP為觀測(cè)發(fā)生且預(yù)報(bào)發(fā)生的總格點(diǎn)數(shù)；NFP為觀測(cè)發(fā)生但預(yù)報(bào)未發(fā)生的總格點(diǎn)數(shù)；NFN為觀測(cè)未發(fā)生但預(yù)報(bào)發(fā)生的總格點(diǎn)數(shù)；NTN為觀測(cè)未發(fā)生且預(yù)報(bào)未發(fā)生的總格點(diǎn)數(shù)。

不同強(qiáng)度條件下，逐格點(diǎn)計(jì)算實(shí)驗(yàn)評(píng)分，事件發(fā)生記為1，事件未發(fā)生記為0，由此對(duì)預(yù)測(cè)得到的回波圖像進(jìn)行評(píng)估分析，具體判斷標(biāo)準(zhǔn)見(jiàn)表1。

表1 類(lèi)別判斷標(biāo)準(zhǔn)Table 1 Category criteria

2.5 損失函數(shù)

損失函數(shù)用來(lái)衡量模型訓(xùn)練中預(yù)測(cè)值與真實(shí)值的差異，通過(guò)反復(fù)調(diào)整模型參數(shù)使模型的學(xué)習(xí)能力達(dá)到最優(yōu)狀態(tài)。對(duì)回波圖像數(shù)據(jù)集中不同閾值下的格點(diǎn)數(shù)進(jìn)行統(tǒng)計(jì)，弱回波區(qū)（20～30 dBz）占總回波強(qiáng)度區(qū)域的80%，強(qiáng)回波區(qū)（40 dBz以上）僅占總回波強(qiáng)度區(qū)域的15%左右，數(shù)據(jù)不均衡影響網(wǎng)絡(luò)模型的特征學(xué)習(xí)能力。為解決上述問(wèn)題，本文構(gòu)建以均方誤差（MSE）與平均絕對(duì)誤差（MAE）為基礎(chǔ)的加權(quán)損失函數(shù)，為兩個(gè)函數(shù)分別配置權(quán)重參數(shù)W1=0.01,W2=1，從而提高整個(gè)回波區(qū)的預(yù)測(cè)能力。

平均絕對(duì)誤差損失函數(shù)：

均方誤差損失函數(shù)：

加權(quán)損失函數(shù)：

式中，yi,j、y′i,j分別表示真實(shí)回波圖與預(yù)測(cè)回波圖中的像素值；H和W分別表示圖像的高和寬；N表示圖像中像素點(diǎn)的數(shù)量；W1、W2分別表示MAE、MSE的權(quán)重參數(shù)。

3 實(shí)驗(yàn)分析

本文將歷史雷達(dá)回波圖分別輸入GC-ResUNet以及傳統(tǒng)光流法進(jìn)行對(duì)比實(shí)驗(yàn)，分析不同回波強(qiáng)度條件下，網(wǎng)絡(luò)模型的預(yù)測(cè)能力。實(shí)驗(yàn)選用Pytorch深度學(xué)習(xí)框架，根據(jù)超參數(shù)初始化設(shè)置經(jīng)驗(yàn)，經(jīng)過(guò)反復(fù)調(diào)試，將初始學(xué)習(xí)率設(shè)為10-4，動(dòng)量大小設(shè)為0.5，訓(xùn)練批量大小設(shè)為10，訓(xùn)練最終迭代30萬(wàn)次。模型訓(xùn)練、測(cè)試的數(shù)據(jù)集源自2018—2020年間沿海地區(qū)雷達(dá)回波拼圖資料，每張回波圖間隔6 min，模型以10張（1 h）歷史回波圖作為輸入，預(yù)測(cè)10張（1 h）未來(lái)回波圖。

文中選取一組強(qiáng)回波天氣作為個(gè)例進(jìn)行分析，圖5為歷史10個(gè)時(shí)刻回波數(shù)據(jù)，圖6為未來(lái)10個(gè)時(shí)刻真實(shí)回波數(shù)據(jù)，圖7為未來(lái)10個(gè)時(shí)刻預(yù)測(cè)回波數(shù)據(jù)。從預(yù)測(cè)效果來(lái)看，GC-ResUNet模型能夠預(yù)測(cè)出回波的整體運(yùn)動(dòng)趨勢(shì)，在初始時(shí)刻對(duì)于回波的位置及強(qiáng)度預(yù)測(cè)基本準(zhǔn)確，但隨著時(shí)間序列的增長(zhǎng)，模型的預(yù)測(cè)能力減弱，主回波區(qū)中的強(qiáng)回波在位置及強(qiáng)度上都未能實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)，邊緣區(qū)域的弱回波消失。

為檢驗(yàn)GC-ResUNet模型在不同回波強(qiáng)度下的魯棒性，本實(shí)驗(yàn)對(duì)該模型在20、30、40、50 dBz四種不同回波強(qiáng)度下的CSI、POD、FAR結(jié)果進(jìn)行分析評(píng)價(jià)，圖8為評(píng)分結(jié)果的趨勢(shì)圖。從結(jié)果來(lái)看，該模型在不同回波強(qiáng)度下的預(yù)測(cè)結(jié)果隨著時(shí)間序列的增加，CSI和POD評(píng)分逐漸下降，F(xiàn)AR評(píng)分逐漸升高；隨著回波強(qiáng)度的增強(qiáng)，CSI和POD評(píng)分逐漸減少，F(xiàn)AR評(píng)分逐漸增加。

為更好地檢驗(yàn)GC-ResUNet算法的預(yù)測(cè)效果，將GC-ResUNet算法與傳統(tǒng)光流法的評(píng)分結(jié)果進(jìn)行定量分析，分析結(jié)果如表2、表3所示。

表3 逐6 min模型回波強(qiáng)度評(píng)分結(jié)果對(duì)比Table 3 Comparison of echo intensity score results for each 6 min model

表2為不同回波強(qiáng)度模型評(píng)分結(jié)果對(duì)比。從預(yù)測(cè)結(jié)果來(lái)看，GC-ResUNet在不同回波強(qiáng)度下CSI相較于傳統(tǒng)光流法的提升幅度在0.08～0.10之間，POD相較于傳統(tǒng)光流法提升幅度在0.06～0.13之間，雷達(dá)回波強(qiáng)度在30 dBz以下GC-ResUNet的預(yù)測(cè)成功率相較于傳統(tǒng)光流法有20%左右提升，而雷達(dá)回波強(qiáng)度在30 dBz以上時(shí)GC-ResUNet的預(yù)測(cè)成功率相較于傳統(tǒng)光流法提升33%～70%，表明GC-ResUNet在保證回波主體預(yù)測(cè)能力的前提下增強(qiáng)了重要信息的學(xué)習(xí)能力；FAR相較于傳統(tǒng)光流法下降幅度在0.10～0.13之間，表明GC-ResUNet對(duì)于邊緣信息的預(yù)測(cè)能力有所增強(qiáng)。

表2 不同回波強(qiáng)度模型評(píng)分結(jié)果對(duì)比Table 2 Comparison of scoring results of different echo intensity models

表3為逐6 min模型回波強(qiáng)度評(píng)分結(jié)果對(duì)比。從預(yù)測(cè)結(jié)果來(lái)看，初始時(shí)刻傳統(tǒng)光流法與GC-ResUNet的預(yù)測(cè)成功率相差0.05，但隨著預(yù)測(cè)時(shí)間的增加兩者之間的差距越來(lái)越大，當(dāng)預(yù)測(cè)時(shí)間為60 min時(shí)，兩者的預(yù)測(cè)成功率相差0.11，表明兩者在初始時(shí)刻的預(yù)測(cè)能力近似，但隨著時(shí)間增長(zhǎng)，GC-ResUNet的預(yù)測(cè)能力優(yōu)于傳統(tǒng)光流法。POD與FAR的變化趨勢(shì)也都能表明GC-ResUNet對(duì)于長(zhǎng)時(shí)間的預(yù)測(cè)能力有所提升。

從實(shí)驗(yàn)結(jié)果來(lái)看：（1）不同模型隨著回波強(qiáng)度的增強(qiáng)預(yù)測(cè)成功率均有下降，這是因?yàn)樵摰貐^(qū)全年出現(xiàn)40 dBz以上的強(qiáng)對(duì)流天氣相對(duì)較少，導(dǎo)致用于訓(xùn)練強(qiáng)回波區(qū)的數(shù)據(jù)少，無(wú)法使模型很好地學(xué)習(xí)到此類(lèi)回波的圖像特征，但GC-ResUNet網(wǎng)絡(luò)的下降幅度小于傳統(tǒng)光流法。雖然GC-ResUNet網(wǎng)絡(luò)相比于傳統(tǒng)光流法可以學(xué)習(xí)到更全面的信息，但數(shù)據(jù)特征數(shù)量上的差異還是會(huì)使網(wǎng)絡(luò)學(xué)習(xí)到的圖像特征產(chǎn)生偏差。（2）不同模型隨著預(yù)測(cè)時(shí)間序列增長(zhǎng)預(yù)測(cè)成功率均有下降，傳統(tǒng)光流法的下降程度大于GC-ResUNet。這是因?yàn)閺?qiáng)對(duì)流天氣生命史短暫且具有明顯的突發(fā)性，隨著時(shí)間的增加，網(wǎng)絡(luò)累積帶來(lái)的誤差會(huì)對(duì)預(yù)測(cè)結(jié)果帶來(lái)較大影響，雖然GC-ResUNet產(chǎn)生的誤差小于傳統(tǒng)光流法，但是僅依靠深度學(xué)習(xí)網(wǎng)絡(luò)無(wú)法完全捕捉到天氣變換過(guò)程中的內(nèi)在規(guī)律。

4 結(jié)束語(yǔ)

本文針對(duì)雷達(dá)回波外推問(wèn)題，提出了基于U-Net神經(jīng)網(wǎng)絡(luò)與GCNet自注意力機(jī)制的深度學(xué)習(xí)模型GC-ResUNet，該模型利用雷達(dá)回波數(shù)據(jù)集進(jìn)行模型訓(xùn)練與測(cè)試，根據(jù)積冰云層與回波強(qiáng)度之間的關(guān)系，完成了積冰云層的預(yù)測(cè)任務(wù)。通過(guò)與傳統(tǒng)光流法的預(yù)測(cè)評(píng)分對(duì)比，得出以下結(jié)論：

（1）GC-ResUNet模型在訓(xùn)練過(guò)程中同時(shí)提取出回波圖像的細(xì)節(jié)信息與全局上下文信息，并通過(guò)全局信息的權(quán)重比增強(qiáng)了圖像中重要信息的學(xué)習(xí)能力。相較于傳統(tǒng)光流法，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)結(jié)合加權(quán)損失函數(shù)，使該模型對(duì)于中低強(qiáng)度回波的預(yù)測(cè)能力提升20%左右，對(duì)于強(qiáng)回波的預(yù)測(cè)能力提升33%～70%，可以更好地完成積冰云層的預(yù)測(cè)任務(wù)。

（2）在數(shù)據(jù)集較小的情況下，GC-ResUNet發(fā)揮了比傳統(tǒng)光流法更好的預(yù)測(cè)效果，但該模型還有很大的提升空間，可以通過(guò)增加強(qiáng)回波發(fā)生的比例，提升模型對(duì)于強(qiáng)回波區(qū)的預(yù)測(cè)能力。

（3）雖然用來(lái)解決氣象任務(wù)的方法眾多，但都有各自的局限性，這是由天氣變化的復(fù)雜性以及天氣預(yù)報(bào)的特殊性決定的。未來(lái)可以考慮將深度學(xué)習(xí)方法與基于物理機(jī)制的數(shù)值模擬方法相結(jié)合，發(fā)揮各模型的優(yōu)勢(shì)，提升預(yù)測(cè)效果。