卷积门控循环单元神经网络与光流法在临近预报中的适用性研究

深度学习目前在临近预报的雷达外推应用中发展迅速,对其适用性的客观评估是业务应用的重要前提.利用粤港澳大湾区雷达回波开放数据集,基于回波图像形态、命中率、虚警率以及技巧评分,对比评估了卷积门控循环单元神经网络(ConvGRU)与基于半拉格朗日平流方案的快速稠密光流法(OF)在未来120 min雷达回波外推中的效果,结果表明ConvGRU与OF虽外推效果良好,但均不适用于外推回波的生成、加强以及局地分散性特征,且外推效果显著受到天气过程种类的影响.其中,ConvGRU可能更适用于外推分布范围适中且运动简单的回波的主体位置,但回波的强度不稳定且形态模糊,其无法表征回波的精细化运动规律与演化特征;OF更适用于外推50 dBz以上的强回波,且回波结构更优,但在回波缺测区与强度少变区内的外推易存在很大的分布偏差.深度学习的数据集样本数是决定模型效果的最重要原因之一,但样本数实际未能全面覆盖各类天气过程,总体仍偏少,预报业务需进一步扩增.