CV与物理模型的结合，正在改变传统天气预报

最新推荐文章于 2022-06-24 17:17:11 发布

我爱计算机视觉

最新推荐文章于 2022-06-24 17:17:11 发布

阅读量783

点赞数 1

随着经济社会发展和生活水平提高，人们对天气预报的要求越来越高。天气与每个人的生活息息相关，影响国民经济和国家安全。

天气预报也不只是单纯的第二天的温度和晴雨预报，它可以细分为很多种类。一般说来，天气预报按预报时效长短来分，主要可以分为：临近天气预报（2小时内）、短时天气预报（2-12小时），短期天气预报（12小时-3天）、中长期天气预报（3天以上）。由于各种天气预报的要求不同，因此它们的预报思路和方法也不同。

天气预报业务示意图

对于大范围、短中期的专业天气预报，世界各国都采用数值天气预报为主要手段。

数值天气预报（numerical weather prediction，NWP）是指根据大气实况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。

地球大气是流体，因此可以利用计算流体力学的方法预测未来的大气状态。本质上数值天气就是计算流体力学，利用大气流体的初始状态和物理规律，求解出大气的未来状况。

各种时空尺度和它对应的天气现象

数值模式在不同时空尺度上都有很强大的预报能力。然而，数值模式在降水的短临预报，特别是在1小时内的预报方面，往往显得无能为力。这主要是由于两方面的原因造成的：1.数值模式所花费的时间往往很长，从获取数据到同化再到预报，往往计算出结果就需要花费半个小时至一个小时，那时预报已经失去了时效性；同时，数值模式的成本很高，进行高频的预报花费成本巨大。2. 数值模式开始1小时的预报效果往往不佳。数值模式开始积分的第一小时，在气象学被称为spin up。在这1小时里，由于观测资料的密度不够高，使得输入场并不是理想的准确的，特别是湿度场，往往过于平滑，使得输入模式的初始场中，辐散场、非绝热加热与湿度场之间缺乏一致性，动力、热力过程与水分循环不协调。

短临预报

一般而言，针对数值天气模式无法很好解决的降水短临预报的问题，气象学上的解决方案是：用天气雷达观测云，然后通过预测云的未来移动，判断未来降水的落区和大小。

雷达反射率图

彩色区域为雷达探测到的积雨云所在的位置

通过外推方法，预测出未来一两个小时内云的运动方向和强弱变化，便可以得出一两个小时内的降水的短临预报。

经典短临预报方法

经典的短临预报方法主要包括主观预报和客观预报。

主观预报，即气象专家利用他们丰富的经验得出预测结果。许多资深预报员，依靠自己长时间的预报经验，可以从雷达云图的变化趋势中，准确地抓住常人难以发现的特征，从而判断出未来云的移动方向和强弱变化，然后再据此判断降水及强对流天气的强弱和增减。该方法是目前最可靠的预报方法之一。

经典的客观预报方法主要是光流法。根据流体力学中的泰勒冻结假设(Taylor Frozen Hypothesis)，流场中存在显著的时空关联特性。在雷达反射图，云团在短时间内趋向于在空间以当地平均对流速度平移，短时间内并不会发生外形或者反射强度的剧烈改变。因此传统上，光流法被使用于雷达反射率图的外推中。

简单点讲，就是每个粒子沿着运动方向往前冲就是了

然而，上述假设是在短时间内云团不会发生外形或者反射强度的剧烈变化，从通常意义上来说，这个短时间内可能只有30分。这也就意味着，超过30分钟的外推预测结果就会与实际不符。

光流法预测结果与实况对比

可以很明显看出光流法预测结果以平移为主，云主体没有发生变化

那么问题就来了，究竟有没有一种方法既可以捕捉到云团的移动，又可以模拟出云团的变化呢?

眼控解决方法

眼控科技作为高端人工智能科技企业，第一时间设想能否在人工智能的框架内解决这一传统方法难以解决的复杂问题。

从深度学习的角度来看，降水预测类似于语义分割，输入是多通道图像，输出是每个像素。在使用RNN利用这种串联的方式进行视频预测时有一个共同的问题，那就是信息衰减。在这种多层RNN结构的decoder部分，每进行一个step的传递，在RNN单元内都会有一部分信息被丢弃，在没有额外信息补充的情况下，网络状态所包含的信息也就越来越少。体现在预测结果上就是，预测的云层越来越小，越来越糊。为了解决这个问题，MCNet中在decoder中的每一个step都添加最后一帧的真实数据作为输入，用来抑制这种信息衰减。用这种方法从源头来说信息衰减算是解决了，但是由于decoder中生成器的局限性，生成的图的效果大都不尽如人意，最关键的问题是，预测出来的图像肉眼看起来十分模糊。

基于GAN提升预报的视觉效果

为了提升预测图像的清晰度，我们眼控科技的小伙伴们想到了使用GAN网络，即对抗生成网络。GAN网络在生成器与鉴别器交替训练提升，通过两个网络互相对抗来达到最好的生成效果。我们在网络中添加了两个鉴别器。一个鉴别器用来鉴别序列的连续性，另一个鉴别其用来鉴别图像的真实性。从结果上看，使用GAN的预测网络在视觉效果上提升明显。

光流法结果的引入

在训练中，眼控的小伙伴们发现，在非常临近的时间段内(大概5-20分钟，1-4帧的范围)，传统的光流外推法的结果是优于我们模型的结果的。原因是，基于泰勒冻结假说，短时间内云团不会发生外形或者反射强度的剧烈变化，而且时间越临近，云团的形态和强度变化越小，因此光流法的效果越好。所以传统光流法的结果在4帧之内的预测都是非常准确。我们小组的人一起头脑风暴了很久，如何在前几帧打败这个呆板的“剪影戏”，但是都以失败告终。最后小伙伴们决定，既然无法击败你，那就融合你吧。

左图为实验预测结果，右图为实际观测结果

我们在decoder的输入中，加入一定比例的光流外推法的结果，并且这种比例随着时间地增加不断减小。通过这种方法，我们在前几帧的结果跟光流外推法的结果在准确率上相近，而在光流外推法准确率急速下降的后期，我们的结果依旧可以保持相对稳定的准确率。

总结展望

从前面的论述中我们可以看出，雷达回波外推不准确的根本原因，在于信息随时间增加不断衰减。而在实际的场景中，影响雷达云图运动的因素肯定不止图中包含的反射率因子信息。风向风速、温度、湿度、气压等对云的移动与变化都会有影响。而如果将这些信息也放入模型中，可以使模型学习到这种关系，势必会使得模型的预测效果在理论上更加有说服力。在我们眼控科技中，气象领域和ai领域的小伙伴正在通力合作，尝试将这些数据融合进模型中。期待在不久的将来，能看到相比现在更佳的成果。

作者：眼控人工智能研究院

责编：李锋才

END