李建柱　李磊菁　馮平　唐若宜

摘要：為探究深度學(xué)習(xí)的雷達(dá)降雨臨近預(yù)報在流域洪水預(yù)報中的適用性，采用U-Net、嵌入注意力門的Attention-Unet和添加轉(zhuǎn)換器的多級注意力TransAtt-Unet開展雷達(dá)降雨臨近預(yù)報，將預(yù)報降雨作為HEC-HMS水文模型的輸入，對柳林實驗流域進(jìn)行洪水預(yù)報。結(jié)果表明：1 h預(yù)見期時，Attention-Unet對短時強(qiáng)降雨預(yù)報結(jié)果較好，TransAtt-Unet預(yù)報降雨模擬的洪峰流量和徑流量相對誤差小于20%，各深度學(xué)習(xí)模型對量級較大的降雨和洪水預(yù)報精度較高;2 h預(yù)見期的預(yù)報降雨強(qiáng)度、降雨總量、洪峰流量和徑流量存在顯著低估，U-Net能取得相對較好的降雨預(yù)報結(jié)果?；谏疃葘W(xué)習(xí)的1 h預(yù)見期雷達(dá)降雨臨近預(yù)報及洪水預(yù)報可為流域防洪減災(zāi)提供科學(xué)依據(jù)。

關(guān)鍵詞：雷達(dá)降雨臨近預(yù)報;降雨定量估計;深度學(xué)習(xí);洪水預(yù)報;柳林實驗流域

中圖分類號：P333

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-6791（2023）05-0673-12

近年來，極端降雨事件導(dǎo)致洪澇災(zāi)害頻發(fā)，對洪水預(yù)報精度和時效性的要求越來越高［1］。準(zhǔn)確的降雨預(yù)報是洪水預(yù)報的關(guān)鍵，可為防洪減災(zāi)工作提供重要的科學(xué)依據(jù)［2］。傳統(tǒng)的洪水預(yù)報主要以地面雨量站實測降雨輸入水文模型，導(dǎo)致洪水預(yù)報的有效預(yù)見期短，且雨量站實測降雨無法反映其空間分布特性［3］。天氣雷達(dá)具有高時空分辨率、高精度和可靠性等特點［4］。將雷達(dá)降雨臨近預(yù)報結(jié)果作為水文模型的輸入進(jìn)行洪水預(yù)報，能在一定程度上延長洪水預(yù)見期［5］，是水文預(yù)報領(lǐng)域的主要發(fā)展趨勢，但降雨臨近預(yù)報是尚未解決的重要科學(xué)難題［6］。

以光流法、質(zhì)心跟蹤法、交叉相關(guān)法為主的傳統(tǒng)雷達(dá)回波外推方法［7］，能在較短預(yù)見期內(nèi)對緩慢變化的回波過程取得較好的外推效果，但無法準(zhǔn)確描述迅速變化的回波過程［8］。近年來大量研究將深度學(xué)習(xí)的方法引入到水文氣象領(lǐng)域，并取得顯著成效［9-10］。Zhang等［6］提出一種具有預(yù)測誤差優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型NowcastNet，基于中國和美國的雷達(dá)資料開展降雨預(yù)報，顯著提高了極端強(qiáng)降雨的預(yù)報精度。Ritvanen等［11］提出一種基于卷積神經(jīng)網(wǎng)絡(luò)U-Net的拉格朗日模型，改善了強(qiáng)降雨的臨近預(yù)報效果。作為一種應(yīng)用廣泛的基礎(chǔ)模型，U-Net在臨近預(yù)報領(lǐng)域得到推廣［12］。Han等［13］將U-Net模型用于雷達(dá)回波外推，并與循環(huán)神經(jīng)網(wǎng)絡(luò)的TrajGRU和交叉相關(guān)法的預(yù)報結(jié)果進(jìn)行對比，表明U-Net模型在時空序列預(yù)測問題的適用性。

預(yù)報降雨的重要用途之一是作為水文模型的輸入進(jìn)行洪水預(yù)報［14-15］。Heuvelink等［16］使用確定性和概率性方法進(jìn)行降雨預(yù)報，并將結(jié)果作為WALRUS水文模型的輸入進(jìn)行流量預(yù)報，在小流域取得較好的預(yù)報效果；Nguyen等［17］將雷達(dá)回波外推和數(shù)值模式天氣預(yù)報結(jié)合，提高了降雨預(yù)報精度，并指出降雨預(yù)報與分布式水文模型結(jié)合使用的優(yōu)勢；包紅軍等［18］構(gòu)建了臨近降雨集合預(yù)報的中小河流洪水預(yù)報模型，延長了洪水預(yù)報的預(yù)見期。但目前使用深度學(xué)習(xí)的方式開展雷達(dá)降雨臨近預(yù)報，從而進(jìn)行洪水預(yù)報的精度還有待提高，尤其是在半干旱半濕潤地區(qū)的小流域。

U-Net結(jié)構(gòu)簡單，可根據(jù)目標(biāo)靈活調(diào)整和添加模塊，為實現(xiàn)更加精確的雷達(dá)降雨臨近預(yù)報和洪水預(yù)報提供了更多可能。因此，本研究采用深度學(xué)習(xí)的U-Net，并嘗試使用嵌入注意力門的Attention-Unet（簡寫為Att-Unet）和添加轉(zhuǎn)換器的多級注意力TransAtt-Unet進(jìn)行柳林實驗流域典型降雨過程的1 h和2 h預(yù)見期雷達(dá)回波外推，利用動態(tài)雷達(dá)反射率因子和降雨強(qiáng)度關(guān)系計算外推回波對應(yīng)的逐小時降雨，作為半分布式水文模型HEC-HMS的輸入進(jìn)行洪水預(yù)報，對比分析預(yù)報降雨與雨量站實測降雨模擬的洪水精度差異，探討基于深度學(xué)習(xí)的雷達(dá)降雨臨近預(yù)報在小流域洪水預(yù)報中的適用性。

第5期李建柱，等：基于深度學(xué)習(xí)的雷達(dá)降雨臨近預(yù)報及洪水預(yù)報

水科學(xué)進(jìn)展第34卷

1 研究區(qū)域與數(shù)據(jù)

1.1 流域概況

選擇河北省邢臺市內(nèi)丘縣柳林實驗流域為研究區(qū)。如圖1所示，流域出口位于114°21′E、37°17′N，布設(shè)有柳林水文站進(jìn)行水位和流量觀測。流域面積為57.4 km²，主河道長13.2 km，流域坡度為30.9‰。地處半干旱半濕潤氣候區(qū)，季節(jié)變化分明，徑流的年內(nèi)和年際分配不均，降雨多發(fā)生在6—9月，多年平均降水量為594.5 mm，多年平均徑流深為80.7 mm。雷達(dá)資料來源于中國新一代多普勒天氣雷達(dá)監(jiān)測網(wǎng)河北省石家莊市的Z9311站。雷達(dá)位于114°42′50″E、38°21′00″N，采用VP21體掃模式，掃描半徑為230 km，時間分辨率為6 min，能夠完成9個不同仰角的掃描。柳林實驗流域在距離雷達(dá)120 km范圍內(nèi)，可保證雷達(dá)回波數(shù)據(jù)的質(zhì)量。

1.2 雷達(dá)數(shù)據(jù)預(yù)處理

將2018—2020年降雨時段的雷達(dá)基數(shù)據(jù)，經(jīng)過編碼轉(zhuǎn)換、雜波抑制、衰減訂正、地物遮擋訂正、坐標(biāo)轉(zhuǎn)換后，形成反射率混合掃描數(shù)據(jù)圖，用于深度學(xué)習(xí)模型的訓(xùn)練。由于柳林實驗流域面積較小，將回波圖裁剪至流域周圍128行128列的范圍（113°36′36″E、37°30′36″N到114°53′24″E、36°47′24″N）。以訓(xùn)練集中20180521場次降雨為例，圖2為經(jīng)過預(yù)處理與未處理回波對比圖，經(jīng)過質(zhì)量控制后的回波剔除了雜波干擾并顯著減少波束遮擋，具有較高的可靠性。訓(xùn)練集和驗證集共包含20 000幀回波圖，按照8∶2的比例劃分進(jìn)行模型訓(xùn)練和驗證。測試集選取2012年、2016年和2021年的4場典型降雨過程對應(yīng)的雷達(dá)數(shù)據(jù)。

1.3 典型降雨洪水過程

降雨洪水資料來源于河北省邢臺水文勘測研究中心。洪水資料為柳林水文站汛期實測逐小時流量數(shù)據(jù)，暴雨資料為流域內(nèi)菩薩嶺、神頭、任莊、安上和柳林5個雨量站汛期逐小時雨量，篩選出與雷達(dá)回波時段對應(yīng)的典型降雨洪水過程對降雨和洪水預(yù)報精度進(jìn)行評價。降雨洪水信息如表1所示。由于20211006場次降雨過程在汛期后發(fā)生，柳林水文站未對其洪水過程進(jìn)行觀測。

2 研究方法

2.1 雷達(dá)回波外推的深度學(xué)習(xí)模型

2.1.1 U-Net

U-Net網(wǎng)絡(luò)由4層編碼器-解碼器組成，是一種卷積神經(jīng)網(wǎng)絡(luò)。如圖3（a）所示，網(wǎng)絡(luò)的左邊是編碼器，應(yīng)用最大池化和雙重卷積來減小圖像大小和加倍特征映射的數(shù)量。編碼器之后的右側(cè)為解碼器，通過雙線性插值進(jìn)行上采樣操作，使特征圖大小增加1倍。每層編碼器和解碼器之間通過1個跳躍連接保存來自較淺層的細(xì)尺度信息。完成上述采樣操作之后，模型通過一個1×1的卷積，輸出代表網(wǎng)絡(luò)預(yù)測值的單個特征圖。

2.1.2 Att-Unet

Att-Unet（圖3（a））在U-Net的解碼器前添加注意力門，以此過濾跳躍連接傳播的特征，再將編碼器的特征與解碼器中相應(yīng)的特征進(jìn)行拼接，有效抑制無關(guān)區(qū)域的激活，減少編碼器中無關(guān)信息的跳躍連接，達(dá)到改善預(yù)測效果的目的［19］。本研究將Att-Unet模型調(diào)整為時間序列預(yù)測模型進(jìn)行回波外推。

2.1.3 TransAtt-Unet

TransAtt-Unet將多層次引導(dǎo)注意和多尺度跳躍連接聯(lián)合嵌入U-Net，如圖3（b）。將變換器自注意力（TSA）和全局空間注意力（GSA）嵌入到網(wǎng)絡(luò)中，同時在解碼器中使用多尺度跳躍連接來聚合不同語義尺度的特征，從而有效減少卷積層疊加和連續(xù)采樣操作造成的細(xì)節(jié)損失。如圖3（c）和圖3（d）所示，TSA將特征嵌入到Q、K、V 3個矩陣中，在Q和K的轉(zhuǎn)置之間采用Softmax函數(shù)進(jìn)行歸一化運算，形成注意力圖，再與V矩陣相乘得到注意力權(quán)重。GSA對特征進(jìn)行卷積轉(zhuǎn)置映射為W、M、N，對M、N采用Softmax函數(shù)進(jìn)行歸一化運算得到位置注意力信息，再與W相乘得到位置特征。在解碼器部分采用殘差多尺度跳躍連接的方式［20］，輸入特征圖通過雙線性插值向上采樣到輸出的分辨率，然后與輸出特征圖進(jìn)行級聯(lián)，作為后續(xù)塊的輸入。

2.2 深度學(xué)習(xí)模型訓(xùn)練

1 h外推數(shù)據(jù)集取前1 h間隔6 min共10幀回波圖（反射率因子），預(yù)測后1 h共10幀回波圖（2 h外推為前20幀預(yù)測后20幀）。深度學(xué)習(xí)模型基于Pytorch環(huán)境，初始學(xué)習(xí)率設(shè)置為0.001，批處理大小設(shè)置為8，損失函數(shù)采用均方根誤差（E_MS）［13］，在NVIDIA Geforce RTX 3050上采用Adam優(yōu)化器訓(xùn)練200個輪次。當(dāng)損失函數(shù)在4個周期內(nèi)沒有增加時，學(xué)習(xí)率調(diào)節(jié)器將學(xué)習(xí)率自動減小10%。采用二元評價指標(biāo)命中率（Probability of detection，D_PO）、虛警率（False alarm ratio，R_FA）、臨界成功指數(shù)（Critical success index，I_CS）和準(zhǔn)確率（Accuracy，A）進(jìn)行雷達(dá)回波外推精度的評價［21］。

2.3 雷達(dá)降雨臨近預(yù)報

多普勒天氣雷達(dá)采用Z—R關(guān)系描述雷達(dá)反射率因子（Z）和降雨強(qiáng)度（R）的冪指數(shù)關(guān)系［22］。中國的多普勒雷達(dá)普遍采用Z=aRb（a=300，b=1.4）進(jìn)行降雨定量估計，但僅適用于平均情況?；趯崪y資料動態(tài)調(diào)整的Z—R關(guān)系，可以實現(xiàn)更加精確的降雨估計［23］。殷志遠(yuǎn)等［24］采用4種不同的Z—R關(guān)系開展雷達(dá)降雨定量估計，并將結(jié)果用于水文模擬，表明動態(tài)Z—R關(guān)系的降雨定量估計精度最高，洪水模擬效果最好。動態(tài)Z—R關(guān)系建立在逐小時快速更新資料的基礎(chǔ)上，通過動態(tài)調(diào)節(jié)參數(shù)a和b，使逐小時雷達(dá)估測降雨與對應(yīng)的雨量站觀測降雨的最優(yōu)判別函數(shù)δ達(dá)到最小［23］，從而確定適用于逐小時雷達(dá)定量降雨估計的多組Z—R關(guān)系參數(shù)。為保證參數(shù)a和b的取值合理，限定a和b數(shù)值調(diào)節(jié)范圍分別為［150.00，400.00］、［0.80，2.40］，調(diào)整間隔分別為10和0.05。經(jīng)過上述步驟最終確定出每場降雨過程的動態(tài)Z—R關(guān)系參數(shù)如圖4所示。采用相關(guān)系數(shù)（Correlation coefficient，C_C）、平均偏差（Mean bias，B_M）和平均絕對誤差（Mean absolute error，E_MA）進(jìn)行降雨預(yù)報精度評價［14］。

2.4 水文模型

李建柱等［25］研究了地形數(shù)據(jù)源和分辨率對柳林實驗流域洪水模擬精度的影響，結(jié)果表明，基于無人機(jī)三維傾斜攝影構(gòu)建的1 m分辨率DEM能反映流域真實地形的變化，在此基礎(chǔ)上構(gòu)建的HEC-HMS模型能較好地模擬流域洪水過程。本研究采用作者基于無人機(jī)三維傾斜攝影構(gòu)建的1 m分辨率HEC-HMS模型，將雷達(dá)降雨臨近預(yù)報結(jié)果作為HEC-HMS水文模型的輸入，進(jìn)行柳林實驗流域洪水預(yù)報。采用洪峰流量相對誤差（E_RP）、徑流量相對誤差（E_RV）、峰現(xiàn)時差（ΔT）和納什效率系數(shù)（E_NS）進(jìn)行洪水預(yù)報精度評價［25］。

3 結(jié)果及分析

3.1 回波外推結(jié)果分析

以反射率20 dBZ和30 dBZ為閾值計算二元評價指標(biāo)。1 h回波外推評價結(jié)果見表2，Att-Unet對20120726場次降雨的回波外推效果相對較好，注意力門加強(qiáng)了Att-Unet對強(qiáng)回波的識別和外推效果，同時抑制弱回波或雜波產(chǎn)生的干擾，但對弱回波或中等回波的外推效果較差；TransAtt-Unet采用的多尺度跳躍連接和注意力機(jī)制使模型能綜合不同尺度的圖像特征，提高模型精度和穩(wěn)定性，因此，該模型對于持續(xù)時間較長、降雨過程變化豐富的20160719場次回波過程取得了較好的外推效果；20210721和20211006場次降雨的過程回波總體偏弱，各模型的1 h預(yù)見期回波外推精度差異并不顯著。2 h回波外推評價結(jié)果見表3，U-Net模型對30 dBZ閾值的回波外推效果優(yōu)于其他模型，其原因是雷達(dá)回波外推需要預(yù)測每個像素的精確值；Att-Unet和TransAtt-Unet所采用的注意力門或者多尺度跳躍連接結(jié)構(gòu)僅增強(qiáng)局部特征的學(xué)習(xí)，而忽略隨時間動態(tài)變化的信息，因此導(dǎo)致預(yù)測時效性的不足。U-Net模型盡管結(jié)構(gòu)簡單，但以往研究表明其在時間序列預(yù)測中具有一定適用性［26］，對不同等級回波信息具有一定的泛化能力［27］，因此，盡管U-Net的1 h預(yù)見期回波外推效果略差于添加注意力機(jī)制的模型，但能在更長預(yù)見期的回波外推中保持相對較好的效果?？傮w來看，3種模型對中等強(qiáng)度回波外推效果均好于強(qiáng)回波，1 h預(yù)見期回波外推效果好于2 h預(yù)見期。

國內(nèi)外研究主要依靠天氣雷達(dá)外推實現(xiàn)1 h預(yù)見期降雨預(yù)報［5］。與傳統(tǒng)的雷達(dá)外推方法相比，深度學(xué)習(xí)對回波和降水的演變趨勢具有更好的預(yù)報效果，更適用于劇烈變化的降雨過程［28］。曹偉華等［29］使用基于U-Net網(wǎng)絡(luò)搭建的RainNet模型開展雷達(dá)降雨臨近預(yù)報，并與交叉相關(guān)的外推結(jié)果進(jìn)行對比，指出了深度學(xué)習(xí)模型對降雨消亡過程的時空演變趨勢和強(qiáng)度變化范圍具有更好的預(yù)報效果，而交叉相關(guān)法更適合于穩(wěn)定降雨的預(yù)報。本研究預(yù)報的4場典型降雨過程，除20211006場次持續(xù)時間短、降雨強(qiáng)度較小外，其余場次降雨過程變化較為劇烈，回波過程變化較為迅速，因此，采用深度學(xué)習(xí)的方法進(jìn)行雷達(dá)降雨臨近預(yù)報更為合適。

3.2 降雨預(yù)報精度分析

利用動態(tài)Z—R關(guān)系計算各降雨場次真實回波和外推回波的逐小時降雨，精度和相關(guān)性評價指標(biāo)見表4。20160719、20210721和20211006場次真實回波的反演降雨與實際降雨有較高的相關(guān)性，但20120726場次真實回波反演降雨與實際降雨的相關(guān)性較弱，但該場次回波外推取得較高的技能評分，其原因可能是2012年Z9311雷達(dá)為單偏振雷達(dá)，所采集的原始回波數(shù)據(jù)存在一定的數(shù)值和發(fā)生時間的系統(tǒng)誤差，且該場降雨過程變化迅速，導(dǎo)致預(yù)報降雨與實際產(chǎn)生誤差。TransAtt-Unet對20160719和20210721場次降雨在1 h預(yù)見期內(nèi)具有較小的誤差，Att-Unet在20160719場次降雨的預(yù)報中具有最高的相關(guān)性。3種模型對20211006場次降雨預(yù)報效果差別并不顯著，其原因是該場降雨強(qiáng)度較小，深度學(xué)習(xí)模型對此類降雨預(yù)報性能較接近。在2 h預(yù)見期降雨預(yù)報中，U-Net模型的降雨預(yù)報效果優(yōu)于其他模型，這與雷達(dá)回波外推結(jié)果相對應(yīng)，表明了U-Net在較長預(yù)見期降雨預(yù)報中的適用性。

預(yù)報降雨過程如圖5所示。3種模型在1 h預(yù)見期時，預(yù)報的20120726場次降雨峰值與實際較為一致，但出現(xiàn)1 h時差；對20160719和20210721場次降雨過程預(yù)報結(jié)果出現(xiàn)部分異常值，這與回波外推過程較大的虛警率有關(guān)，但總體上能反映降雨過程變化和雨強(qiáng)峰值；20211006場次降雨則存在少量低估，但能預(yù)報出該場降雨峰值出現(xiàn)的時間，這與動態(tài)Z—R算法對較弱降雨的系統(tǒng)性低估有關(guān)。2 h預(yù)見期降雨可以一定程度預(yù)報降雨過程的變化，但對各場降雨的峰值存在顯著低估。

目前，小流域降雨臨近預(yù)報效果普遍較差。Heuvelink等［16］采用拉格朗日持續(xù)性方法在一個40 km2的流域上對一場強(qiáng)降雨進(jìn)行預(yù)報，產(chǎn)生了50%相對誤差，發(fā)現(xiàn)面積越小的流域?qū)^程變化迅速的降雨越容易產(chǎn)生誤報；石毅［30］采用Farneback光流法和ConvLSTM在柳林實驗流域進(jìn)行降雨預(yù)報，結(jié)果表明光流法對回波演變的敏感性相對較低，ConvLSTM對強(qiáng)回波存在顯著的均化趨勢，導(dǎo)致1 h預(yù)見期強(qiáng)降雨存在嚴(yán)重的低估。本研究采用的深度學(xué)習(xí)方法，在1 h預(yù)見期內(nèi)對不同類型的降雨均取得相對較好的回波外推效果，且能較準(zhǔn)確的預(yù)報出強(qiáng)降雨峰值和變化過程，盡管2 h預(yù)見期的預(yù)報精度相對較差，但能預(yù)報出降雨變化過程。預(yù)報結(jié)果存在的誤差與定量降雨估計方法的系統(tǒng)誤差和小流域上有限的雷達(dá)回波信息相關(guān)。動態(tài)Z—R關(guān)系在定量降雨估計中具有相對較高的精度，但在降雨預(yù)報的業(yè)務(wù)化應(yīng)用中仍然具有優(yōu)化的空間，如Mihulet等［31］使用機(jī)器學(xué)習(xí)的方法改善了定量降雨估計的效果。另外，由于流域面積較小，隨著預(yù)見期的延長降雨發(fā)生的實際位置也許出現(xiàn)在雷達(dá)圖之外，使得深度學(xué)習(xí)的方法對劇烈變化的降雨產(chǎn)生較大的誤差，Heuvelink等［16］也指出面積越小的流域?qū)涤臧l(fā)生的位置敏感性越高。

3.3 洪水預(yù)報精度分析

表5為洪水預(yù)報精度評價結(jié)果。3場實測降雨模擬的洪峰流量均小于實測洪峰流量，但E_NS均達(dá)到了0.7以上。預(yù)報降雨模擬的20120726和20210721場次峰量較小的洪水，E_NS均小于0.3，但20120726場次洪水1 h預(yù)見期徑流量相對誤差小于20%，20210721場次洪水的洪峰流量預(yù)報效果也好于實測降雨模擬結(jié)果。對于20160719場次峰量較大的洪水，1 h預(yù)見期預(yù)報的洪水E_NS均能達(dá)到0.7以上且預(yù)報洪峰流量相對誤差均小于20%，滿足預(yù)報的精度要求。2 h預(yù)見期洪水預(yù)報效果顯著變差，洪峰流量和徑流量的預(yù)報也存在較大誤差。1 h預(yù)見期時，TransAtt-Unet對于3場洪水的預(yù)報洪峰流量和徑流量相對誤差均小于20%，且20160719場次洪水E_NS達(dá)0.78；Att-Unet則較準(zhǔn)確地預(yù)報出20210721場次洪水的洪峰流量，相對誤差僅為-0.9%。由于2 h預(yù)見期預(yù)報的降水量存在顯著低估，使得預(yù)報洪峰流量顯著小于實測值，但U-Net模型對3場洪水預(yù)報的E_NS為3個深度學(xué)習(xí)模型的最優(yōu)值，且預(yù)報的20160719場次洪水E_NS達(dá)0.52。

預(yù)報洪水過程線如圖6所示。3種模型1 h預(yù)見期洪水變化過程與實際較為一致，預(yù)報的20120726場次洪水峰現(xiàn)時間和洪水漲落時間較實際滯后1 h；20160719場次預(yù)報洪水與實測降雨模擬的峰現(xiàn)時間均較實際滯后1 h，預(yù)報洪峰與實際較為接近，但徑流量存在一定的高估；對于20210721場次洪水預(yù)報，U-Net預(yù)報的洪峰流量較實際偏大，Att-Unet預(yù)報的峰現(xiàn)時間較實際滯后1 h，TransAtt-Unet的預(yù)報結(jié)果與實際更為接近，3種模型均能預(yù)報出該場洪水的漲落過程。深度學(xué)習(xí)的方法對于劇烈變化的降雨引發(fā)的洪水，1 h預(yù)見期的預(yù)報洪水E_NS較低，但能較好地預(yù)報出洪水的變化過程和洪峰流量，對量級較大的洪水能取得較高的E_NS，且能在準(zhǔn)確預(yù)報洪水變化過程的基礎(chǔ)上，較準(zhǔn)確地預(yù)報出洪峰流量、徑流量和峰現(xiàn)時間。2 h預(yù)見期降雨雖然可以預(yù)報出洪峰形成過程，但對洪峰流量和徑流量存在顯著低估。糜佳偉等［32］在梅溪流域（面積約956 km2）進(jìn)行降雨預(yù)報和洪水預(yù)報，指出1 h預(yù)見期降雨預(yù)報結(jié)果能滿足中小流域洪水預(yù)報需求。本研究在降雨徑流響應(yīng)時間更快的柳林實驗流域進(jìn)行洪水預(yù)報，盡管預(yù)報洪水E_NS較小，但能在1 h預(yù)見期對不同類型降雨引發(fā)的洪水取得較為準(zhǔn)確的洪峰流量和徑流量預(yù)報效果，預(yù)報的20160719場次大洪水的洪峰流量和徑流量相對誤差小于實測降雨模擬洪水結(jié)果，因此，1 h預(yù)見期洪水預(yù)報效果具有一定的準(zhǔn)確性，為流域的防洪減災(zāi)工作爭取了更長的時間。未來可在更多流域開展雷達(dá)降雨臨近預(yù)報和洪水預(yù)報研究，以驗證本文采用的深度學(xué)習(xí)方法在其他流域的適用性。

4 結(jié)論

采用深度學(xué)習(xí)的U-Net、Att-Unet和TransAtt-Unet進(jìn)行雷達(dá)回波外推，通過動態(tài)雷達(dá)反射率因子和降雨強(qiáng)度關(guān)系實現(xiàn)雷達(dá)降雨臨近預(yù)報，將降雨預(yù)報的結(jié)果輸入HEC-HMS水文模型對柳林實驗流域典型洪水過程進(jìn)行預(yù)報，得到以下主要結(jié)論：

（1） 1 h預(yù)見期時Att-Unet對強(qiáng)回波過程外推效果較好，TransAtt-Unet對變化更豐富的回波過程外推效果較好;2 h預(yù)見期時U-Net外推效果更穩(wěn)定。

（2） 深度學(xué)習(xí)模型在1 h預(yù)見期對短時強(qiáng)降雨存在時間上的誤差，對持續(xù)時間較長的降雨存在少量預(yù)報異常值，但均能較準(zhǔn)確地預(yù)報降雨強(qiáng)度和過程;2 h預(yù)見期降雨存在顯著低估和較大誤差。

（3） 3種模型的1 h預(yù)見期預(yù)報的洪水能反映實際變化過程，TransAtt-Unet預(yù)報的洪峰流量和徑流量誤差更小，Att-Unet能對部分場次洪水取得較準(zhǔn)確的洪峰預(yù)報效果。U-Net在2 h預(yù)見期洪水預(yù)報效果精度最高。

參考文獻(xiàn)：

［1］雍斌，張建云，王國慶.黃河源區(qū)水文預(yù)報的關(guān)鍵科學(xué)問題［J］.水科學(xué)進(jìn)展，2023，34（2）：159-171.（YONG B，ZHANG J Y，WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River［J］.Advances in Water Science，2023，34（2）：159-171.（in Chinese））

［2］金君良，舒章康，陳敏，等.基于數(shù)值天氣預(yù)報產(chǎn)品的氣象水文耦合徑流預(yù)報［J］.水科學(xué)進(jìn)展，2019，30（3）：316-325.（JIN J L，SHU Z K，CHEN M，et al.Meteo-hydrological coupled runoff forecasting based on numerical weather prediction products［J］.Advances in Water Science，2019，30（3）：316-325.（in Chinese））

［3］IMHOFF R O，BRAUER C C，van HEERINGEN K J，et al.Large-sample evaluation of radar rainfall nowcasting for flood early warning［J］.Water Resources Research，2022，58（3）：e2021WR031591.

［4］IMHOFF R O，de CRUZ L，DEWETTINCK W，et al.Scale-dependent blending of ensemble rainfall nowcasts and numerical weather prediction in the open-source pysteps library［J］.Quarterly Journal of the Royal Meteorological Society，2023，149（753）：1335-1364.

［5］劉佳，邱慶泰，李傳哲，等.降水臨近預(yù)報及其在水文預(yù)報中的應(yīng)用研究進(jìn)展［J］.水科學(xué)進(jìn)展，2020，31（1）：129-142.（LIU J，QIU Q T，LI C Z，et al.Advances of precipitation nowcasting and its application in hydrological forecasting［J］.Advances in Water Science，2020，31（1）：129-142.（in Chinese））

［6］ZHANG Y C，LONG M S，CHEN K Y，et al.Skilful nowcasting of extreme precipitation with NowcastNet［J］.Nature，2023，619（7970）：526-532.

［7］SOKOL Z，SZTURC J，ORELLANA-ALVEAR J，et al.The role of weather radar in rainfall estimation and its application in meteorological and hydrological modelling：a review［J］.Remote Sensing，2021，13（3）：351.

［8］HAN L，ZHAO Y Y，CHEN H N，et al.Advancing radar nowcasting through deep transfer learning［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-9.

［9］BI K F，XIE L X，ZHANG H H，et al.Accurate medium-range global weather forecasting with 3D neural networks［J］.Nature，2023，619（7970）：533-538.

［10］李步，田富強(qiáng)，李鈺坤，等.融合氣象要素時空特征的深度學(xué)習(xí)水文模型［J］.水科學(xué)進(jìn)展，2022，33（6）：904-913.（LI B，TIAN F Q，LI Y K，et al.Development of a spatiotemporal deep-learning-based hydrological model［J］.Advances in Water Science，2022，33（6）：904-913.（in Chinese））

［11］RITVANEN J，HARNIST B，ALDANA M，et al.Advection-free convolutional neural network for convective rainfall nowcasting［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2023，16：1654-1667.

［12］AYZEL G，SCHEFFER T，HEISTERMANN M.RainNet v1.0：a convolutional neural network for radar-based precipitation nowcasting［J］.Geoscientific Model Development，2020，13（6）：2631-2644.

［13］HAN L，LIANG H，CHEN H N，et al.Convective precipitation nowcasting using U-net model［J］.IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-8.

［14］熊立華，劉成凱，陳石磊，等.遙感降水資料后處理研究綜述［J］.水科學(xué)進(jìn)展，2021，32（4）：627-637.（XIONG L H，LIU C K，CHEN S L，et al.Review of post-processing research for remote-sensing precipitation products［J］.Advances in Water Science，2021，32（4）：627-637.（in Chinese））

［15］劉家宏，梅超，劉宏偉，等.特大城市外洪內(nèi)澇災(zāi)害鏈聯(lián)防聯(lián)控關(guān)鍵科學(xué)技術(shù)問題［J］.水科學(xué)進(jìn)展，2023，34（2）：172-181.（LIU J H，MEI C，LIU H W，et al.Key scientific and technological issues of joint prevention and control of river flood and urban waterlogging disaster chain in megacities［J］.Advances in Water Science，2023，34（2）：172-181.（in Chinese））

［16］HEUVELINK D，BERENGUER M，BRAUER C C，et al.Hydrological application of radar rainfall nowcasting in the Netherlands［J］.Environment International，2020，136：105431.

［17］NGUYEN H M，BAE D H.An approach for improving the capability of a coupled meteorological and hydrological model for rainfall and flood forecasts［J］.Journal of Hydrology，2019，577：124014.

［18］包紅軍，曹勇，曹爽，等.基于短時臨近降水集合預(yù)報的中小河流洪水預(yù)報研究［J］.河海大學(xué)學(xué)報（自然科學(xué)版），2021，49（3）：197-203.（BAO H J，CAO Y，CAO S，et al.Flood forecasting of small and medium-sized rivers based on short-term nowcasting and ensemble precipitation forecasts［J］.Journal of Hohai University （Natural Sciences），2021，49（3）：197-203.（in Chinese））

［19］GAO Y B，GUAN J P，ZHANG F H，et al.Attention-unet-based near-real-time precipitation estimation from Fengyun-4A satellite imageries［J］.Remote Sensing，2022，14（12）：2925.

［20］FANG J，YANG C，SHI Y T，et al.External attention based TransUNet and label expansion strategy for crack detection［J］.IEEE Transactions on Intelligent Transportation Systems，2022，23（10）：19054-19063.

［21］TREBING K，STACZYK T，MEHRKANOON S.SmaAt-UNet：precipitation nowcasting using a small attention-UNet architecture［J］.Pattern Recognition Letters，2021，145：178-186.

［22］ZOU H B，WU S S，TIAN M X.Radar quantitative precipitation estimation based on the gated recurrent unit neural network and echo-top data［J］.Advances in Atmospheric Sciences，2023，40（6）：1043-1057.

［23］GOU Y B，CHEN H N，CHANDRASEKAR V.A dynamic approach to quantitative precipitation estimation using multiradar multigauge network［J］.IEEE Transactions on Geoscience and Remote Sensing，2020，58（9）：6376-6390.

［24］殷志遠(yuǎn)，楊芳，王斌，等.基于雷達(dá)估算降雨的湖北漳河流域徑流模擬研究［J］.自然災(zāi)害學(xué)報，2020，29（1）：143-151.（YIN Z Y，YANG F，WANG B，et al.Research on runoff simulation of Zhanghe basin based on radar estimation precipitation［J］.Journal of Natural Disasters，2020，29（1）：143-151.（in Chinese））

［25］李建柱，李磊菁，張婷，等.DEM數(shù)據(jù)源及分辨率對流域洪水模擬影響研究［J］.水力發(fā)電學(xué)報，2023，42（3）：26-40.（LI J Z，LI L J，ZHANG T，et al.Effect of DEM data sources and resolutions on watershed flood simulations［J］.Journal of Hydroelectric Engineering，2023，42（3）：26-40.（in Chinese））

［26］KO J，LEE K，HWANG H，et al.Effective training strategies for deep-learning-based precipitation nowcasting and estimation［J］.Computers & Geosciences，2022，161：105072.

［27］LAGERQUIST R，STEWART J Q，EBERT-UPHOFF I，et al.Using deep learning to nowcast the spatial coverage of convection from himawari-8 satellite data［J］.Monthly Weather Review，2021，149（12）：3897-3921.

［28］SUN F L，LI B，MIN M，et al.Toward a deep-learning-network-based convective weather initiation algorithm from the joint observations of Fengyun-4A geostationary satellite and radar for 0—1 h nowcasting［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2023，16：3455-3468.

［29］曹偉華，南剛強(qiáng)，陳明軒，等.基于深度學(xué)習(xí)的京津冀地區(qū)精細(xì)尺度降水臨近預(yù)報研究［J］.氣象學(xué)報，2022，80（4）：546-564.（CAO W H，NAN G Q，CHEN M X，et al.A study on fine scale precipitation nowcasting in Beijing-Tianjin-Hebei region based on deep learning［J］.Acta Meteorologica Sinica，2022，80（4）：546-564.（in Chinese））

［30］石毅.基于雷達(dá)短時降雨臨近預(yù)報小流域洪水預(yù)報研究［D］.天津：天津大學(xué)，2023.（SHI Y.Flood forecasting based on radar precipitation nowcasting in a small watershed in North China［D］.Tianjin：Tianjin University，2023.（in Chinese））

［31］MIHULE瘙塃 E，BURCEA S，MIHAI A，et al.Enhancing the performance of quantitative precipitation estimation using ensemble of machine learning models applied on weather radar data［J］.Atmosphere，2023，14（1）：182.

［32］糜佳偉，田濟(jì)揚，楚志剛，等.耦合天氣雷達(dá)定量降水估計與定量降水預(yù)報的中小流域洪水預(yù)報研究［J］.華北水利水電大學(xué)學(xué)報（自然科學(xué)版），2022，43（3）：11-18.（MI J W，TIAN J Y，CHU Z G，et al.Study on flood forecasting of small and media size basins by coupling weather radar quantitative precipitation estimate and quantitative precipitation forecast［J］.Journal of North China University of Water Resources and Electric Power （Natural Science Edition），2022，43（3）：11-18.（in Chinese））

Radar rainfall nowcasting and flood forecasting based on deep learning

The study is financially supported by the National Natural Science Foundation of China （No.52279022）.

LI Jianzhu，LI Leijing，F(xiàn)ENG Ping，TANG Ruoyi

（State Key Laboratory of Hydraulic Engineering Simulation and Safety，Tianjin University，Tianjin 300350，China）

Abstract：To explore the applicability of deep learning methods to radar rainfall nowcasting and flood forecasting，U-Net，Attention-Unet and TransAtt-Unet are used to carry out rainfall nowcasting.The nowcasted rainfall results are used as inputs to the HEC-HMS hydrological model for flood forecasting.The results show that with a 1-hour lead time，Attention-Unet has the best performance in nowcasting heavy rainfall with a short duration，and the relative errors in the simulated flood peak and runoff volume by the nowcasted rainfall of TransAtt-Unet are less than 20%.Each deep learning model has a good forecasting accuracy for rainfall and flood events with large magnitudes.The rainfall intensity，rainfall totals，flood peaks and runoff volumes are significantly underestimated with a 2-hour lead time，with U-Net achieving relatively good rainfall nowcasting.The 1-hour lead time radar rainfall nowcasting and flood forecasting based on deep learning can provide a scientific reference for watershed flood prevention and mitigation.

Key words：radar rainfall nowcasting;quantitative rainfall estimation;deep learning;flood forecasting;Liulin experimental watershed