庄潇然,刘梅,蔡凝昊,等.2025.基于深度学习的降水临近预报方法及其在2023年江苏汛期的应用评估[J].暴雨灾害,44(1):1−8. ZHUANG Xiaoran, LIU Mei, CAI Ninghao, et al. 2025. Evaluation of deep learning-based precipitation nowcasting methods during the 2023 flood season in Jiangsu Province [J]. Torrential Rain and Disasters,44(1):1−8 (in Chinese). doi:10.12406/byzh.2023−206
庄潇然1，刘梅1，蔡凝昊1，王啸华1，郑玉2，徐珺3，曾康4
(1. 江苏省气象台, 南京 210041；2. 南京气象科技创新研究院, 南京 210041；3. 国家气象中心, 北京100081；4. 南京信息工程大学, 南京210004)
摘 要: 与传统外推类临近预报方法相比，深度学习降水临近预报方法能够预报强降水的生消演变。目前应用较多的深度学习方法有PhyDNet、PredRNN-v2、GAN三种，前两种为深度学习框架下不同网络架构的时空卷积神经网络，第三种则是以PhyDNet为生成器、多层卷积为判别器构成的生成对抗网络。本文评估了上述三种方法在2023年江苏汛期(4—8月)的应用效果，并通过典型个例分析了各方法在不同降水类型中的适用性。结果表明：(1) 从整体时段的评估结果看，PhyDNet和PredRNN-v2的TS评分表现优于GAN，而GAN对于主要降水雨带的预报偏差(BIAS)有着最优表现，可消除前两种方法中出现的随预报时效趋于平滑的问题。(2) 系统性暴雨时段三种方法的评估结论与整体评估时段基本一致，但在局地强降水时段中，GAN的TS评分和BIAS表现均优于PhyDNet和PredRNN-v2。(3) 典型个例分析结果表明三种方法均能刻画降水系统的生消演变，在系统性暴雨过程中，PredRNN-v2对降水增强过程的预报能力优于其他两种方法，而在局地强降水过程中，GAN不仅能够克服“模糊”导致的降雨区偏大的问题，还能更好描述降水中心强度及位置。以上结果表明，三种预报方法针对两类强降水预报预警场景各具优势，PhyDNet整体评分表现最优，PreRNNv2适用于较长时效预报，GAN则适用于局地强降水预报，在实际业务中需根据各自特点择优参考。
关键词: 强降水；临近预报；深度学习；预报评估
中图法分类号: P456.9 文献标志码: A DOI: 10.12406/byzh.2023−206
收稿日期：2023−09−28；定稿日期：2024−05−30
资助项目：国家重点研发计划项目(2021YFC3000905)；中国气象局创新发展专项(CXFZ2023J008)；中国气象局能力提升联合研究专项(22NLTSZ001)；中国气象局揭榜挂帅项目(CMAJBGS202212，CMAJBGS202211)；中国气象局重点创新团队项目(CMA2022ZD04)；国家自然科学基金项目(42105008)
第一作者：庄潇然，主要从事灾害性天气机理和预报预警技术研究。E-mail：zxrxz3212009@163.com
© Editorial Office of Torrential Rain and Disasters. OA under CC BY−NC−ND 4.0
Evaluation of deep learning-based precipitation nowcasting methods during the 2023 flood season in Jiangsu Province
ZHUANG Xiaoran1, LIU Mei1, CAI Ninghao1, WANG Xiaohua1, ZHENG Yu2, XU Jun3, ZENG Kang4
(1. Jiangsu Meteorological Observatory, Nanjing 210041; 2. Nanjing Joint Institute for Atmosphere Sciences, Nanjing 210041; 3. National Meteorological Center, Beijing 100081; 4. Nanjing University of Information Science and Technology, Nanjing 210004)
Abstract: Compared to the traditional nowcasting methods based on extrapolation, deep learning-based precipitation nowcasting methods can effectively forecast the trigger, development, and dissipation of heavy rainfall events. Currently, there are three widely used deep learning methods, which are PhyDNet, PredRNN-v2, and GAN. The first two are spatiotemporal convolutional neural networks under the deep learning framework, while the third is the generative adversarial network with PhyDNet as the generator and multilayer convolution as the discriminator. This study evaluates the application of the above three deep learning-based precipitation nowcasting methods during the flood season of 2023 (April to July) in Jiangsu region. The applicability of these methods in different precipitation types was also discussed through the representative case studies. The results are as follows. (1) From the entire evaluation period, PhyDNet and PredRNN-v2 show better TS performance than GAN. However, GAN performs the best in terms of BIAS for the main precipitation bands, which helps eliminate the "blurry" issue observed in the first two methods with the increase of forecast lead time. (2) During the systematic heavy precipitation periods, the evaluation results for all three methods are consistent with the overall period assessment. However, during the localized heavy precipitation periods, GAN outperforms PhyDNet and PredRNN-v2 in both TS and BIAS. (3) The results of the typical case analysis show that all three methods can capture the evolution of precipitation systems. In the case of systematic heavy rainfall events, PredRNN-v2 exhibits better performance in precipitation intensification compared to the other two methods. In localized heavy rainfall events, GAN not only overcomes the issue of precipitation overestimation caused by "blurriness" but also provides a better representation of the intensity and locations of the heavy precipitation centers. The above results suggest that each of the three forecasting methods has its advantages for different scenarios in heavy precipitation forecasting and warning. PhyDNet performs the best overall, PredRNN-v2 can be used for forecasts with longer lead time, while GAN is suitable for localized heavy rainfall events. Therefore, in practical operational applications, the choice of method should be based on their respective strengths and characteristics.
Key words: heavy precipitation; nowcast; deep learning; forecast evaluation
引 言
江苏地处长江中下游地区的南北气候过渡带，受典型季风气候影响，夏季极端强降水天气频发。根据世界气象组织定义，临近预报是指当前到未来6 h对局地中小尺度天气细节的预报(Wang et al.，2017)。因此，基于天气雷达等高分辨率观测资料驱动的外推方法已成为当前业务上应对极端强降水预报的重要手段之一。风暴追踪(Thunderstorm Identification,Tracking, Analysis and Nowcasting， TITAN)、交叉相关(Tracking Radar Echoes by Correlation，TREC)、光流法等外推技术在临近预报中应用最为广泛(程丛兰等，2013；田刚等，2021；张勇等，2023)，能够根据雷达回波或降水发生实况进行未来2 h 的准线性预报， 并已广泛集成于STEPS (Short-TermEnsemble Prediction System) (Bowler et al.， 2007；Pulkkinen et al.， 2019)、SWAN (Severe Weather AutoNowforecasting) (韩丰等， 2023)、INCA (IntegratedNowcasting through Comprehensive Analysis) (解小寒等，2018) 等成熟短临预报系统中，但这一类方法不能体现降水系统的生消演变，因此预报可信度随时间快速降低， 难以提供超过1 h 时效的预报支撑(Mandapaka et al.，2012；庄潇然等，2023)。
近年来，深度学习在降水临近预报中应用愈发广泛，与光流法等传统技术相比，尽管深度学习业务应用尚不成熟，但已经表现出预报降水生消演变特征的能力，因此能够有效延长预报时效(Espeholt etal.， 2022； 庄潇然等， 2023； Ko et al.， 2023)。早在2015 年， Shi 等(2015) 就开始尝试将深度学习方法(ConvLSTM) 应用于降水临近预报，通过中国香港地区雷达回波数据集建立预报模型并结合雷达反射率(Z) 与降雨强度(R) 之间的关系求得未来90 min 的降水量，结果表明ConvLSTM 对0.5 mm·h
−1 阈值降水预测结果优于传统光流法。此后，Shi 等(2017) 进一步通过改进原模型中的门结构发展了TrajGRU，并通过对损失函数权重的设置改善了模型对较大量级降水的预报能力；Sønderby 等(2020) 发展了一种基于深度神经网络的降水预报模型MetNet，通过输入雷达定量估测降水、卫星、地形高度等信息，可预测未来8 h的降水发生概率，检验结果表明MetNet 对较小量级降水(<0.2、1.0 和2.0 mm·h−1) 预测效果优于光流法和北美高分辨率模式(HRRR)；Ravuri 等(2021) 提出了基于生成式网络的降水临近预报模型DGMR(Deep Generative Model of Rainfall)，通过输入雷达定量估测降水场预报未来90 min 的降水量，可以改善深度学习中普遍存在随预报时效趋于平滑的问题（即“模糊”问题），定量评估结果表明，与STEPS 系统中的光流法以及卷积神经网络U-Net 相比，DGMR对中等到较强雨强的预报能力更优；近期，清华大学研究团队开发了生成对抗网络和物理约束机制相结合的降水临近预报模型NowcastNet (Zhang et al.，2023)，可生成未来3 h、覆盖全中国地区的降水预报，与DGMR 相比，NowcastNet 在解决“模糊”问题的同时还通过物理约束机制的引入提升了模型对极端强降水的预报能力。内地气象部门的学者针对降水临近预报技术也开展了充分研究，顾建峰等(2020)发展了基于TrajGRU 的重庆地区雷达回波和降水临近预报技术，新方法较传统外推方法的预报技巧随时间降低速度减慢，但对强降水预报能力仍旧有限；庄潇然等(2023) 基于深度学习方法研制了融合雷达和地面自动站的降水临近预报方法，在江苏地区汛期不同背景下的强降水过程中均能够较好地刻画未来3 h 时效内降水的快速增强及组织化演变过程，凸显出深度学习在提升气象预警提前量中的应用潜力。
以上研究从不同层面证实了深度学习方法在降水临近预报中的有效性，但各种方法在实际业务应用中的表现尚不明确，尤其是针对暴雨预警业务关注的降水增强过程预报。2023 年汛期(4—8 月)，江苏地区降水发生频次、强度及覆盖范围较过去2 a 均有明显增强，其中4、5、8 月以分散性局地对流降水为主，降水特征呈现局地性、突发性等特点，6—7 月则以梅雨期系统性强降水为主，表现出明显的持续性和极端性特征。2021 年起，江苏省气象台陆续研发了多种基于深度学习的降水临近预报方法并投入业务应用，本文对其中具有代表性的PhyDNet、PredRNN-v2和GAN三种方法在2023年汛期的应用情况开展评估，分析各方法的优缺点，为深度学习在强降水临近预报的业务应用提供科学支撑。
1 资料与方法
1.1 资料说明
本文用到的三种深度学习降水临近预报方法均采用2019—2021年的江苏天气雷达组合反射率因子拼图和网格化降水数据集训练得到，原始的雷达基数据和自动站降水观测数据来源于中国气象局气象大数据云平台(天擎)，数据集具体处理方法见庄潇然等(2023)的文献。
1.2 预报及评估方法
在深度学习的使用方面，三种方法分别采用了PredRNN-v2、PhyDNet和GAN。PredRNN-v2是由Wang 等(2022)在PredRNN (Wang et al.，2017)基础上通过增加记忆解耦和反向计划采用功能后改良得到，较PredRNN、TrajGRU、ConvLSTM、MIM等时空卷积神经网络能提供更优的预报技巧和更低的预报误差；PhyDNet是由Le Guen 和 Thome (2020)提出的一种物理约束深度学习网络，通过残差网络设计区分物理运动项和非线性扰动项，可以有效延长临近预报时效；在第三种方法GAN的技术路线中，采用PhyDNet作为生成器，并通过判别器同时接收生成器生成的图像及真实的图像(即实况降水场)，并给出其是否真实的判断，在二者的持续博弈过程中使最终的输出结果趋近真实，一般认为，GAN可解决深度学习时空序列预报任务中普遍存在的“模糊”问题（曾康等，2024）。在预报结果方面，三种方法均以起报时刻前2 h逐6 min的数据作为输入，输出覆盖江苏地区6 min滚动更新的0~3 h、6 min间隔、1 km空间分辨率的降水量预报结果。
在本文评估的三种方法中，PredRNN-v2和PhyDNet均采用了考虑降水权重的联合回归损失函数(庄潇然等，2023)。GAN采用了将联合回归损失函数与判别器空间损失相结合的损失函数，其中前者与前两种方法一致，后者则可用下式表示
采用业务上通用的TS评分和BIAS对上述三种深度学习方法在2023年汛期预报中的表现进行定量评估，评估对象为逐30 min间隔的1 h累积降水，并按照0.1、5、10和20 mm·h−1四个阈值分别进行评估，评估区域及自动站分布见于图1，在评估时首先通过天擎获取检验区域内的逐5 min降水量观测并累加得到逐30 min间隔的降水观测，进而将1 h累积格点降水预报场通过最邻近插值方法插值到检验站点上，继而开展点对点的评估。
2 评估结果与分析
2.1 综合评估结果
首先对三种深度学习临近预报方法在2023年4—8月的整体预报表现进行评估(图2)，在TS评分方面，PhyDNet和PreRNN-v2较GAN对各阈值区间的降水预报均有明显优势，二者对5 mm·h−1阈值预报的TS评分相近，但PhyDNet在10 mm·h−1及以上量级的总体TS评分表现更优。在BIAS方面，GAN对于0.1 mm·h−1，即晴雨预报较其他两种方法会更倾向于过度预报，但对5 mm·h−1和10 mm·h−1两个阈值而言，与PhyDNet和PredRNN-v2呈现出的过度预报相比，GAN表现出更优的预报“平衡性”，对于20 mm·h−1的短时强降水量级而言，三种方法表现相似，均表现为强降水量级预报不足的特点。上述特点通过三种试验的时间序列表现也可以得到体现(图3)，也就是说，从汛期整体表现来看，尽管GAN能够克服主要雨带(5 mm·h−1和10 mm·h−1)的预报模糊问题，即降水预报细节随时间趋于均一化(Ravuri et al.，2021；Zhang et al.，2023)，但对于小雨和短时强降水量级的预报效果仍不明显。
2.2 系统性暴雨过程评估结果
为进一步理解各临近预报方法在不同类型强降水过程预报中的性能，首先选取6月17—23日及7月5—17日梅雨期的系统性暴雨时段对各方法表现进行评估，从整体情况和各方法的时间序列表现来看(图略)，系统性暴雨时段的评估结果与汛期整体结果基本一致，考虑到梅雨期的锋面暴雨多具有系统性、持续性的特点，且2023年降水极端性特征明显，降水强度、持续时间和覆盖范围均明显大于2021和2022年，因此可以认为汛期的主要雨量来源于梅雨期的一系列系统性暴雨过程，故而该评估结论是可靠的。
2.3 局地强降水过程评估结果
根据江苏省气象台的天气过程统计，选取4月15—16日、5月4—5日、5月28—29日、6月10—14日、7月1—2日以及8月6日作为强对流天气引发的局地强降水时段开展评估。图4给出局地强降水时段三种方法的TS评分和BIAS评分，区别于系统性暴雨，可以看出在该评估时段GAN在各阈值区间均呈现出最优的TS评分表现，且该优势随阈值提高愈发明显，说明GAN对于局地短历时强降水有着较好的预报表现。结合BIAS评分发现，PhyDNet和PredRNN-v2对于5 mm·h−1和10 mm·h−1降水存在明显的过报现象，例如PredRNN-v2对10 mm·h−1 降水的BIAS评分已超过3，这意味着与系统性暴雨相比，深度学习的“模糊”问题在局地性强降水预报中造成的负面影响更为突出，而GAN可以在该情形下解决这种不足。但同时注意到，对于20 mm·h−1短时强降水量级而言，GAN的BIAS评分出现了小于1的情况，说明GAN对强降水中心的预估仍存在明显不足。
图5进一步给出各预报方法在局地强降水时段的评估结果，从TS评分(图5a1—d1)来看，GAN的优势随着预报时效的增加趋于降低，尤其是对于5 mm·h−1和10 mm·h−1的降水而言，其相对于PhyDNet的正技巧主要体现在前2 h；而对于20 mm·h−1短时强降水而言，其正技巧则能够维持整个3 h预报时段，这一特点在BIAS评分(图5a2—d2)上体现得更为明显，这进一步说明通过GAN改善“模糊”问题能够显著优化深度学习临近预报方法对于局地强降水的预报能力。
3 深度学习降水临近预报方法在典型个例中的应用效果分析
为更直观地对比各预报方法的业务实用效果，分别选取一次系统性暴雨过程和一次局地短历时对流性强降水过程(两次过程中均选取降水快速增强时段)进行分析。
3.1 局地对流性强降水过程
2023年6月10日，在东北冷涡大尺度天气背景下，江苏中南部地区自北向南出现大范围强对流天气，其中，位于江苏西部的淮安市多站出现50 mm·h−1左右的短时强降水和12级雷暴大风，而位于东南部的南通及其沿海地区不仅出现了12级以上雷暴大风，还出现了EF1~EF2级龙卷，造成人员伤亡、电线杆倒塌、农作物破坏、房屋损毁等重大损失，该过程是一次以风雹天气为主，并伴有局地短时强降水的强对流天气过程，本文主要就各预报产品对当日15:00—17:00 (北京时，下同)淮安盱眙县发生的局地短时强降水天气的预报表现进行讨论。
图6给出6月10日当天淮安短时强降水的实况及三种方法14:42起报的预报结果，根据实况可知，当天16:00 (即15:00—16:00的1 h累积降水，下同)和17:00位于江苏西部的淮安市出现了局地短时强降水(图6c1、c2)，站点观测到的局地最大雨强分别达到48.4 mm·h−1和51.4 mm·h−1，对比前2 h的降水实况(图6a、b)可见，起报时刻观测降水仍比较弱，尽管已初步呈现增强趋势，但预报员主观上仍难以判断后续降水强度和位置的发展趋势。针对16:00的局地强降水，三种预报方法在78 min的预报结果均能预报出局地的强降水中心，其中PhyDNet对于强降水中心位置的预报出现明显偏差(图6d1)，相比较之下PredRNN-v2和GAN表现更优(图6e1、f1)。对于17:00的局地强降水，由于预报时效较长，各方法在时间上出现一定偏差，因此选取预报效果相对好的时次(156 min)进行对比(图6d2—f2)，可以看到此时PhyDNet对于大值中心的预报已出现明显低估，PredRNN-v2尽管仍旧能预报出局地的强降水中心，但位置明显偏东，相比较之下GAN对位于淮安南部的强降水中心的位置和强度均给出了精准体现。另一方面，可以看到PhyDNet和PredRNN-v2对于中等量级降水的范围在局地明显偏大，即出现了“模糊”现象，相比较之下观测降水更多呈现出强中心零散分布的特征，GAN对于这种降水中心“局地化”特征的刻画能力明显更优。另外值得一提的是，从单时次预报雨强(即6 min预报降水量乘以10)的角度来看，GAN预报结果与实况出现的51.4 mm·h−1极值匹配度更优，但由于该方法存在预报结果时间不连续的问题，致使累加雨量偏低，这也是有待进一步攻克的技术难题。
3.2 系统性暴雨过程
进一步对三种预报方法在大范围梅雨期暴雨中的表现进行分析，2023年7月7日，受低空急流、冷式切变线等大尺度天气系统影响，江苏中南部(淮河以南)地区出现持续性强降水，选取该日05:00起报的3 h预报产品进行分析，从模型输入的过去2 h降水场，即03:00和04:00的降水实况(图7a、b)可见，此时上一阶段的强降水正处于减弱状态，同时主雨带西段(位于南京一带)的降水则呈现稍许增强趋势，从随后与预报时段匹配的05:00—07:00逐1 h降水场(图7c1—c3)中能够进一步看出西段雨带在经历了短暂的局地增强后进一步东移发展，造成下游的扬州、泰州等部分地市出现局地可达暴雨红色预警信号标准(200 mm·(6 h)-1)的强降水，也就是说，能否成功预报这一降水快速增强过程将直接决定市县一级暴雨预警信号发布的提前量，而这次预报的难点一方面来源于能否判断出降水在上游的快速增强，另一方面则源于能否准确判断其下游移动发展趋势。
三种预报方法对前1 h降水预报基本趋同(图7d1—f1)，均有效预报出西段降水的增强及前一时段降水在东段的减弱特征；对于2 h预报时效，PhyDNet和PredRNN-v2均能够较好地预报出东西线状强雨带的位置和强度(图7d2、e2)，其中PredRNN-v2对东段的预报效果更优，但同时注意到二者对强雨区预报明显偏宽，即表现出“模糊”的特点，相比较之下，尽管GAN能够克服该“模糊”问题，但似乎出现了“过量”的情况，并导致强降水雨带的预报偏弱(图7f2)，这也可能与前文提到的增加GAN之后预报结果出现时间上不连续的问题有关；对于第3 h的预报，PhyDNet和GAN均出现了强度估计明显不足的问题(图7d3、f3)，相比较之下PredRNN-v2的预报效果更优，更好地预报出了强降水雨区的形态和位置(图7e3)，提供了更有参考价值的预报结果，结合图3d1—d2对20 mm·h−1阈值统计评估结果，PredRNN-v2能够更好地维持2 h后的BIAS评分并取得更优的TS评分表现，说明该方法具备在较长时效中更好地预报强降水维持及增强的能力，因此在极端强降水的临灾预警业务中更具参考价值。
4 结论
本文评估了PhyDNet、PredRNN-v2、GAN三种深度学习降水临近预报方法在2023年江苏汛期(4—8月)的应用表现，各方法均能提供逐6 min起报的0~3 h预报时效、1 km水平分辨率及6 min时间间隔的定量降水预报。通过评估得到以下主要结论：
(1) 从整体时段的评估结果来看，PhyDNet和PredRNN-v2的TS评分表现优于GAN，但是GAN对于能够代表主要降水雨带中5 mm·h−1和10 mm·h−1阈值的BIAS评分表现最优，可消除前两种方法中出现的“模糊”问题。
(2) 系统性暴雨时段三种方法的评估结论与整体时段基本一致，但在局地强降水过程中，GAN的TS评分和BIAS评分表现均优于PhyDNet和PredRNN-v2。
(3) 典型个例分析结果表明，三种深度学习方法均能刻画降水系统的生消演变，在系统性暴雨过程中，PredRNN-v2对于120 min后的较长时效的预报，能够更好地维持20 mm·h−1阈值强降水的BIAS，因此对降水增强过程的预报能力优于其他两种方法。而在局地强降水过程中，GAN不仅能够克服“模糊”导致的降水区偏大的问题，还能更好地表述局地强降水中心的强度及位置。
以上结果表明，三种预报方法针对不同的强降水预报预警场景各具优势，在实际业务应用中需根据各自特点择优参考。
参考文献(References)：
程丛兰,陈明轩,王建捷,等.2013.基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验[J].气象学报,73(3):397−415. Cheng C, Chen M, Wang J, et al. 2013. Short-termquantitative precipitation forecast experiments based on blending ofnowcasting with numerical weather prediction [J]. ActaMeteorologica Sinica,73(3):397−415 (in Chinese). doi:10.11676/qxxb2013.041
顾建峰,周国兵,刘伯骏,聂磊,张亚萍,张勇,吴胜刚.2020.人工智能技术在重庆临近预报业务中的初步研究与应用[J].气象,46(10):1286−1296. GU Jianfeng, ZHOU Guobing, LIU Bojun, NIE Lei, ZHANGYaping, ZHANG Yong, WU Shenggang. 2020. Study on ArtificialIntelligence Technology and Its Application to ChongqingOperational Nowcasting [J]. Meteor Mon,46(10):1286−1296 (inChinese).
韩丰,唐文苑,周楚炫,等.2023.基于SWAN 系统的降水临近预报算法改进和应用评估[J].气象学报,81(2):304−315. Han F, Tang W, ZhouC, et al. 2023. Improving a precipitation nowcasting algorithm basedon the SWAN system and related application assessment [J]. ActaMeteorologica Sinica,81(2):304−315 (in Chinese). doi:10.11676/qxxb2023.20220066
田刚,陈良华,魏凡,等.2021.基于光流法雷达外推的2020 年长江致洪降水临近预报检验评估[J].暴雨灾害,40(3):316−325. Tian G, Chen L,Wei F, et al. 2021. Evaluation of flood-producing rainfall nowcastingbased on radar extrapolation with the variational optical flow methodin the Yangtze River Basin in 2020 [J]. Torrential Rain andDisasters,40(3):316−325 (in Chinese). doi:10.3969/j.issn.1004−9045.2021.03.010
解小寒,王勇,郭倩.2018.具有复杂地形适应能力的inca 短临预报系统介绍[J].气象科技进展,8(3):70−76. Xie X, Wang Y, Guo Q. 2018.Introduction to the INCA nowcasting system with complex terrainadaptability [J]. Advances in Meteorological Science and Technology,8(3):70−76 (in Chinese). doi:10.3969/j.issn.2095−1973.2018.03.006
曾康,闵锦忠,庄潇然,等.2024.基于生成对抗网络的强对流临近预报方法及其在中国东部地区的应用评估[J].大气科学,48(X):1−13. ZengK, Min J Z, Zhuang X R, et al. 2024. Severe convection nowcastingmethod based on a generative adversarial network and its applicationevaluation in Eastern China [J]. Chinese Journal of AtmosphericSciences,48(X):1−13. doi:10.3878/j.issn.1006−9895.2310.23094
张勇,刘慧,郑颖菲,等.2023.人工智能模型的分类临近预报产品效果检验与分析[J].沙漠与绿洲气象,17(1):115−121. Zhang Y, Liu H,Zheng Y F, et al. 2023. Effect verification of classified productsoutputted by artificial intelligent nowcasting model [J]. Desert andOasis Meteorology,17(1):115−121 (in Chinese). doi:10.12057/j.issn.1002−0799.2023.01.017
庄潇然,郑玉,王亚强,等.2023.基于深度学习的融合降水临近预报方法及其在中国东部地区的应用研究[J].气象学报,81(2):286−303.Zhuang X, Zheng Y, Wang Y, et al. 2023. A deep learning-basedprecipitation nowcast model and its application over East China [J].Acta Meteorologica Sinica,81(2):286−303 (in Chinese). doi:10.11676/qxxb2023.20220081
Bowler N E, Pierce C E, See A W. 2007. STEPS: A probabilisticprecipitation forecasting scheme which merges an extrapolationnowcast with downscaled NWP [J]. Quarterly Journal of the RoyalMeteorological Society,132(620):2127−2155. doi:10.1256/qj.04.100
Espeholt L, Agrawal S, Sønderby C, et al. 2022. Deep learning for twelvehour precipitation forecasts [J]. Nature Communications,13:5145.doi:10.1038/s41467−022−32483−x
Le Guen V, Thome N. 2020. Disentangling physical dynamics fromunknown factors for unsupervised video prediction [C]//Proceedingsof the 2020 IEEE/CVF Conference on Computer Vision and PatternRecognition (CVPR). Seattle: IEEE, 11471-11481
Ko J, Lee K, Hwang H, et al. 2023. Deep-learning-Based precipitationnowcasting with ground weather station data and radar data [J].arXiv: 2210.12853[physics. ao-ph]. doi:10.48550/arXiv.2210.12853
Mandapaka P V, Germann U, Panziera L, et al. 2012. Can Lagrangianextrapolation of radar fields be used for precipitation nowcasting overcomplex alpine orography? [J] Weather and Forecasting, 27(1): 28-49. doi:10.1175/WAF−D−11−00050.1
Pulkkinen S, Neini D, Hortal A A, et al. 2019. Pysteps: an open-sourcePython library for probabilistic precipitation nowcasting (v1.0) [J].Geoscientific Model Development,12:4185−4219. doi:10.5194/gmd−12−4185−2019
Ravuri S, Lenc K, Willson M, et al. 2021. Skilful precipitation nowcastingusing deep generative models of radar [J]. Nature 597, 672–677. doi:https://doi.org/10.1038/s41586-021-03854-z
Sønderby C K, Espeholt L, Heek J, et al. 2020. MetNet: A neural weathermodel for precipitation forecasting [J]. arXiv: 2003.12140v2. doi:10.48550/arXiv.2003.12140
Wang Y, Coning E D, Harou A, et al. 2017. Guidelines for nowcastingtechniques [M]. World Meteorological Organization: Geneva,Swizerland
Wang Y, Long M, Wang J, et al. 2017. Predrnn: recurrent neural networksfor predictive learning using spatiotemporal lstms [C] // Proceedingsof the 31st International Conference on Neural InformationProcessing Systems. Long Beach: Curran Associates Inc. , 879-888
Wang Y, Wu H, Zhang J, et al. 2022. PredRNN: A recurrent neuralnetwork spatiotemporal predictive learning [J]. IEEE Transactions onPattern Analysis and Machine Intelligence,45(2):2208−2225. doi:10.1109/TPAMI.2022.3165153
Zhang Y, Long M, Chen K, et al. 2023. Skillful nowcasting of extremeprecipitation with NowcastNet [J]. Nature,619:526−546. doi:10.1038/s41586−023−06184−4
(责任编辑 闵爱荣)
中国信息化周报
中国新技术新产品
科技创新与品牌
计算机科学与探索
中国洗涤用品工业
物理化学学报
世界科学
暴雨灾害
四川环境
安徽地质
科学中国人
中国国家天文
现代食品·下
现代食品·上
工矿自动化
机器人产业
乳业科学与技术
中国认证认可
广东科技
宝石和宝石学杂志
海洋开发与管理
煤气与热力
岩土力学（英文网络版）
中国高新科技
新一代信息技术
电信科学
宇航学报 
化学试剂
电子测试
科技传播
