基于变分自编码的多普勒气象雷达图估计与预测研究

【摘要】：雷达回波外推方法是人类对降水进行预测的重要方法,在天气预测任务中有重要地位。由于雷达回波外推本身就是一个十分具备挑战性的任务,本文着力于提升雷达回波外推精准度。传统的雷达回波外推方法包含了多种方法,如单体质心法、交叉相关法和光流法。这些传统方法能够对雷达回波图上的平移变换进行很好的建模,但是很难捕捉雷达回波图的消散、增强等变换。深度学习是21世纪以来迅猛发展的一个机器学习分支。深度学习方法在图像和时序的处理上都有杰出的贡献。雷达回波外推任务中研究对象是由多张连续雷达回波图构成的序列,这使得深度学习在雷达回波外推任务上有很大的应用潜力。事实上早前的研究人员已经把基于深度学习的卷积长短期记忆模型(CLSTM)应用在雷达回波外推任务上,并且取得了较好的效果。但是CLSTM仍然有其缺陷,该方法生成的雷达回波图有明显的模糊效应,CLSTM对越长时间范围的预测越模糊。本文对CLSTM的特性进行了详细分析,认为该方法在雷达回波外推上效果不佳的原因主要是容易掉入局部最优值点。在该模型中,为了对下一个时间步进行预测,模型需要在特征空间中进行大范围搜索。基于上述分析,本文考虑了在雷达回波外推任务中引入变分自编码器的可行性。变分自编码器是一种深度生成算法,它能够通过一个识别模型计算样本点的一种新表达,称之为隐藏变量,该模型还能够根据给定的隐藏变量生成新样本点。变分自编码器所计算的隐藏变量存在良好的特性,语义相似的样本点对应的隐藏变量距离相近。而在同一个雷达回波图序列中连续的两张雷达回波图通常是十分相似的,如果对雷达回波图使用变分自编码器,连续的两张雷达回波图对应的隐藏变量距离也应该相近。因此,使用前一个时间步的隐藏变量对下一个时间步的隐藏变量进行预测比较简单,不需要进行大范围的搜索,减小了落入局部最优值点的风险。基于对变分自编码器特性的分析,本文首先使用变分自编码器的识别模型计算当前所得雷达回波图的隐藏变量,然后根据这些隐藏变量使用LSTM预测未来雷达回波图对应的隐藏变量,最后基于未来雷达回波图对应的隐藏变量,变分自编码器生成模型能够生成未来雷达回波图的预测,即雷达回波外推图。最后,实验证明本文方法所生成的雷达回波图在对于较短时间范围的预测效果不如CLSTM,但是其对于较长时间范围的预测效果优于CLSTM。