基于深度学习的多模型雷达回波外推

过去的一个月，因为疫情原因封校哪都去不了。在这一个月的时间里基于 PyTorch 复现了一些深度学习时空预测模型，就有了这个多模型集合的雷达回波外推库。

目前此工具库包括了Unet、TrajGRU、PredRNN、SAConvLSTM等模型。如果只是单纯复现这些模型倒没太多意思了，为了能够更好的利用这些模型进行雷达回波外推，那肯定是要集模型训练和推断为一体呀。

下面简要介绍一下目前雷达回波外推库的一小部分小功能：

• 模型训练和推断均通过 YAML 配置文件控制参数，更方便的控制和调整参数
• 加入了多种气象相关评估指标，比如 CSI(TS)、POD等等，更方便的监控模型训练过程
• 加入了多种损失函数，除基本损失函数外，还包括了多种加权损失函数

除了上面提到的小部分模型及功能外，还包含了其他模型以及很多常用的功能。搞定了上面这些，配置好参数，只需要一句命令即可进行模型训练和推断。

以下是基于 TensorBoard 的模型训练过程可视化，包括模型训练和验证的评估指标信息，以及模型训练和验证阶段模型预测和对应的 ground truth 的可视化：

未来2小时预测模型A的训练和验证评估指标

每一帧大于30dBZ的反射率的CSI(Smoothed是平滑后的值，以Value为准)

仅采用加权损失函数训练，未进一步调优

未来2小时预测模型B的训练和验证评估指标

每一帧大于30dBZ的反射率的CSI(Smoothed是平滑后的值，以Value为准)

同样仅采用加权损失函数训练，未进一步调优

未来2小时预测模型A训练和验证可视化

模型可以有效补全观测缺失数据(比如训练的第3列第1和2行的个例)

单模型A未来2小时预测的训练和验证效果

单模型B未来2小时预测验证效果(模型未完全收敛)

捕捉到了强对流系统降雹回波(第3行第1列个例)

以上是部分雷达回波外推系统模型训练和验证的可视化。为了更快的验证模型，上述模型训练和验证过程仅采用了部分数据，并且仅用过去5帧预测未来10帧的雷达回波。

总的来说，模型预测结果还算不错。从上图来看，对一些小的孤立对流表现还不是很好，但对于大的对流系统而言表现效果还是很不错的。尤其是一些强对流的个例，比如热带气旋、弓状回波，个别模型抓住了这些回波的发展演变特征，并且能够维持回波的强度。此外，还有一些比较有意思的现象，限于篇幅这里就不多说了。

上述这些模型除了可以对雷达回波进行外推外，还可以进行定量降水估计。