地球科学中的人工智能3（2022）8用巴西东南部天气雷达资料作强对流降水临近预报的卷积递归神经网络安吉莉卡Caseria，*，Leonardo Bacelar Lima Santosa，Stephan StephanybaCEMADEN-Estrada Dr. Altino Bondensan，500-Eug^enio de Melo，S.J.Campos，巴西bINPE-平均数dos Astronautas，1758-Jardim da Granja，S.J. Campos，12.227-001，巴西A R T I C L E I N F O关键词：临近预报降雨EX treme事件天气雷达深度学习A B S T R A C T强对流系统和相关的强降雨事件可以引发洪水和山体滑坡，造成严重的有害后果。这些事件具有很高的时空变异性，很难通过标准气象数值模型进行预测。本文提出了利用卷积递归神经网络对天气雷达资料进行强对流降水短时预报的M5Images方法。它的循环部分是一个长短期记忆（LSTM）神经网络。对位于巴西东南部的坎皮纳斯市及其周边地区进行了预测测试卷积递归神经网络的训练使用时间序列的降雨率图像来自天气雷达数据的一组选定的强降雨事件。在不同的预测时间，所得到的预测性能优于持久性预测方法1. 介绍与强对流系统相关的降雨通常会导致洪水和山体滑坡，每年袭击世界无数地区，造成重大的根据（Kron，2003年），自然灾害造成的损失中有50%是由于火山灰造成的，火山灰局限于有限的区域，并呈现出快速的动态（Cristiano等人，2017年）。暴风骤雨通常是由于强对流事件引起的高降雨造成的（Li et al.， 2022年）。因此，强降雨预报可以为能够向受影响地区发出早期警报的粮食预报系统提供信息（Caseri等人， 2016），（Santos等人， 2017））。特别是，这种警告对巴西等热带国家更有意义，因为这些国家经常出现强对流降雨事件。 强降雨事件可定义为24小时累计降雨量超过64.5 mm的强降雨，超过124.5 mm的特大降雨，超过244.5 mm的特大降雨（Pune，2017）。在过去的几年里，人工智能方法越来越多地用于补充预测复杂现象的数值模型（Schmidhuber，2015）。 这样的方法通常基于机器学习算法，该算法使用给定现象的已知观测数据进行调整/训练，以便从新数据中检测它。最常用的算法之一是神经网络。作为气象学的一个例子（Aoki，2017），使用卷积神经网络（CNN）（Springenberg等人， 2014年），使用卫星图像（NOAA GOES Imagery）进行降雨检测和估计的方法。与这项工作更相关的其他例子是（Shi等人，2015）和（Heye等人，2017年），它应用了长短期记忆（LSTM）递归神经网络，使用天气雷达数据进行降雨预报。使用NASA全球降水测量（GPM）卫星数据的其他方法包括基于卷积LSTM的模型来预测短期降水事件（Kumar等人，2020），以及用于降雨临近预报的CNN-LSTM神经网络（Gamboa-Villafruelaet al.，2021年）。开发了其他CNN-LSTM模型来进行径流预测，以模拟水文径流模型，如（Deng et al.， 2022）或（Li等人， 2022），使用二维降雨雷达图，并测试德国流域。这项工作提出了一种深度学习方法，一种使用天气雷达数据的机器学习算法，用于强降雨事件的临近预报根据《世界气象组织1》，临近预报是指最长6小时的预报。这些降雨事件具有很高的时空变异性，难以通过标准数值模型进行预测天气雷达允许对流降雨的实时监测，从而提供可以由机器学习算法（在这种情况下，卷积递归神经网络）采用的图像的时间序列。在这项研究中，提出了一种新的方法称为M5图像，* 通讯作者。电子邮件地址：angelica. gmail.com（A.N. Caseri），santoslbl@gmail.com（L.B. 利马桑托斯），斯蒂芬.斯蒂芬@ inpe.br（S。Stephany）。https://doi.org/10.1016/j.aiig.2022.06.001接收日期：2022年4月6日;接收日期：2022年5月31日;接受日期：2022年6月2日2022年6月13日在线提供2666-5441/©2022作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesA.N. Caseri等人地球科学中的人工智能3（2022）89××× ××××Fig. 1. 在训练阶段提出的CNN-LSTM神经网络架构的图示（在训练过程中，输入了794个具有N1/4 5图像的序列，输出了794个图像）。降雨临近预报，使用天气雷达数据作为卷积递归神经网络的输入数据它的循环部分是一个长短期记忆（LSTM）神经网络。研究区域是巴西东南部的坎皮纳斯市及其周边地区。天气雷达数据进行处理，以产生一个时间序列的二维图像的降水率。M5Images是一种预测算法，旨在预测所考虑网格像素的降雨率值高于定义的阈值 Mason和Graham，1999年建议使用降雨率阈值，此处采用的值为5 mm/h，与Caseri等人， 2020年）。所提出的方法不同于以前的只使用数据的强降雨和特大降雨事件的神经网络的训练阶段，除了提出了一个新的校正因子，以提高预测。在不同的预报提前时间下，M5Images方法对所考虑的测试用例的预报性能优于作为参考方法的持续性预报方法（PFM）。 PFM只是将上一次观测视为下一次观测的预测。本文介绍了以下几个部分：第2节描述了方法，包括提出的神经网络，数据分区和验证方案，以及在训练/验证和测试阶段的图像输入序列第三部分介绍了暴雨的位置、雷达资料和降雨率图像.第4节显示了预测结果，并使用标准度量分析和讨论了预测性能。最后，第5节包含结论和最后的评论，以及对未来工作的建议。2. 卷积递归神经网络这里使用的神经网络来自于（Hochreiter&Schmidhuber，1997）的CNN-LSTM，提出来解决消失梯度的问题，这是递归神经网络的一个特殊问题。在训练阶段，使用误差梯度迭代地更新网络权重，以校正网络输出。然而，由于时间序列的大量时间步长，这种梯度的计算可能产生零LSTM神经网络是一种递归神经网络，能够更好地处理梯度问题，因此适用于涉及时间序列的预测问题。LSTM网络基于一个具有入口门、输出门和遗忘门的单元，它们以一种以任意时间间隔保留一些神经元值的方式调节进出单元的信息流（Sherstinsky，2018）。二维降水率图的历史气象系列被视为一个数据立方体，其中第三维是时间。 3D CNN- LSTM神经网络仅使用与一组暴雨和特大暴雨事件相关的图像时间序列进行训练，从而学习此类事件的特征模式，包括其演变趋势。这种CNN-LSTM神经网络是多对一的，即 具有任意数量的按时间排序的降雨图像的输入序列被用于输出单个图像。在这里，图像由覆盖研究区域的有限组网格点给出，每个网格点的降雨率以mm/h为在这项工作中，在训练和测试阶段使用的图像的输入序列的大小分别表示为TSI和PSI。对TSI和PSI的不同值进行了评估，导致训练/验证阶段采用5：1的比例（TSI等于5），这意味着5张图像的序列为神经网络提供预测第6张图像的数据。对于测试阶段，采用3：1和2：1的比例（PSI等于2或3），对应于2或3个图像的序列，分别馈送神经网络以预测接下来的第3或第4个图像。 TSI和PSI的这些值导致更好的预测性能，如第4节所示。图 1提出了拟议的神经网络架构，包括四个2D-CNN-LSTM层和一个3D-CNN-LSTM层。图像有150个像素或网格点。在训练阶段，每个5个图像的序列（按时间排序）依次遍历四个2D-CNN-LSTM（每个图像将3 3内核应用于图像），然后将所得的5图像集合并到使用3 3 3内核的3D-CNN-LSTM层中的5 150 150阵列中最后，这些阵列中的每一个被馈送到呈现150 × 150输出图像的全连接层。测试阶段的唯一区别是输入，由2图像或3图像序列给出。在每一层之后，执行归一化相同的填充方案应用于所有层，从而保留了输入数据的空间维度。激活函数是一种特殊的非线性sigmoid（S形）函数，即逻辑函数，它允许节点学习复杂的结构（Chandra，2003）。与大多数神经网络一样，训练涉及更新权重矩阵集，以最小化损失函数，该损失函数评估预测和观测降水率之间的差异这里，损失函数由均方误差（MSE）度量给出。在神经网络的训练中，epoch被定义为使用训练集的所有实例/样本执行训练的次数训练集被分成大小相等的批次，对于每一批次，网络的权重和偏差都使用反向传播方案作为损失函数的函数进行调整期望神经网络沿着历元收敛，最小化损失函数。这里，每个样本/实例由5个连续图像的序列组成，每个图像具有所有像素的降雨率。为了找到最佳的epoch数，在训练阶段进行了10、30、50甚至超过50个epoch的测试预测误差从10个时期下降到30个时期，但超过30个时期没有显著变化，因此，采用的时期数为30。建议的CNN-LSTM模型使用选定研究区域的一组选定的暴雨和特大暴雨事件的图像的时间序列的时间分辨率是10分钟，但是训练采用从具有给定事件的N个图像的时间序列中提取的5个图像序列（TSI等于5），其使用大小为W1/4 5的滑动窗口，其每一步推进一个图像（10分钟），从而呈现一个图像序列。A.N. Caseri等人地球科学中的人工智能3（2022）810þ××þþ图二. 研究区域（坎皮纳斯市及其周边地区）和X波段天气雷达的位置（红点）。训练集的每个事件的总共（N-W 1）个序列。这些序列允许CNN-LSTM网络同化降雨事件的时间演变。此外，还提出了一个降水预报的修正方案，以处理在试验中观察到的降水预报低估，提供更可靠的预报。该方案采用从第一个观察到的图像导出的乘法校正因子，如下所示。考虑到10、20和30 min的预测，计算观察值和第一次预测（10 min）之间所有像素的平均绝对百分比误差（MAPE）然后，使用MAPE来导出将被应用于另外的20和30分钟预测的校正因子，该校正因子被应用于所有像素。本研究使用R语言和以下软件包进行：keras、ten- sor tenchow、raster、ten、MLmetrics。通过ROC（受试者操作特征）曲线2的曲线下面积（AUC）以及均方根误差（RMSE）对预测/预报性能进行评估。 RMSE是使用预测图像和观测图像的像素的降雨率连续值来计算的。然而，ROCAUC度量是针对二元分类器/预测器定义的，而不是像本例中这个问题的解决方法是，如果降雨率高于定义的阈值5 mm/h，则将像素指定为降雨发生，如果低于阈值，则将其指定为降雨发生，从而定义了两个类别：降雨发生或未发生ROC曲线是一个x-y图，显示了真阳性（y值）和假阳性之间的平衡tives（X）用于二进制分类器，线性曲线斜率为45° C对应于随机分类器。ROC AUC范围在0和1之间，后一个值表示完美的分类器，0.5对应于随机分类器。3. 案例研究地点和数据所提出的方法应用于坎皮纳斯（巴西）的城市和周边地区，使用2016年和2017年的数据，主要是在夏季。之所以选择这个地点，是因为近年来发生了许多重大事件。天气雷达是一个移动的X波段雷达，提供了研究区域的全面覆盖，如图所示。二、它具有双极化（垂直和水平）和电子束开放能力，每10分钟提供一次完整的体积扫描。 雷达空间分辨率对应于200米2的水平面，但减少到1公里1公里的分辨率产生的图像与150 - 150像素。巴西最近才使用双极化天气雷达表1所选降雨事件的特征事件ID开始日期和时间持续时间（h）最大观测总降雨量（mm）相12016/11/2320169培训2六点半2016/11/268149培训315点半2016/11/2715150培训413点半2016/11/2817183测试515点半2016/12/039117测试614点半2017/02/185113测试700：302017/02/2411172培训815点半2017/02/251383培训9十点半2017/02/2611144培训1013点半2017/03/0220168培训11十一点整2017/05/1917191培训1202时00分2017/05/2118139培训12点半有助于改进气象学的相关研究（Seron等人， 2019年）。坎皮纳斯位于过渡带，夏季降水主要是对流性的，并受南大西洋辐合带（SACZ）的影响。坎皮纳斯拥有100多万居民，城市发展令人印象深刻它的人口增长，像大多数巴西城市一样，以一种混乱的方式发生，缺乏组织和基础设施。这种无序的增长导致了灾害和极端事件的频率和规模的增加，造成了该地区的社会经济破坏（Vicente等人， 2004年）。利用安装在坎皮纳斯的移动X波段天气雷达获得的10分钟分辨率的历史系列图像，选择了研究地区的暴雨和特大暴雨事件使用合适的Z-R关系（Marshall-Palmer）将雷达反射率值（Z，单位：mm 6/m3）映射到降雨率（R，单位：mm/h）。 降雨率阈值为每小时5毫米，以筛选降雨率较低的降雨事件。表1显示了每个选定的降雨事件的开始日期和时间、持续时间（小时）以及所有像素的最大观测降雨率，并考虑了事件的所有时间步长在本表中，使用5 mm/h的阈值选择了12次所有这些事件持续不到24小时，降雨量在83和191毫米之间。考虑到巴西东南部，一个单一的事件可能代表整个月的降雨量。显示这些总数是为了说明这些降雨事件的严重程度，但没有在预测测试中使用。这12个事件被分为训练集和测试集，分别有9个和3个事件 考虑到训练事件，95%的图像用于训练，其余5%用于验证。验证阶段旨在优化神经网络超参数，在这种情况下，损失函数（由MSE给出），批量大小和时期数。训练/验证集包括总共133 h或798个以10 min分辨率采样的图像，通过滑动窗口方案在（794- 51）或794个5个连续图像的序列（TSI等于5）中产生测试集对31 h或186个10 min分辨率采样的图像进行重采样，得到（186-5 1）或182个5个连续图像的A.N. Caseri等人地球科学中的人工智能3（2022）811表2TSI和PSI（分别用于训练和测试的输入图像数量）的不同组合以及不同预测时间的AUC ROC结果（阈值5 mm/h）5张图片2张图片0.90 0.62 0.563张图片0.87 0.676张图片2张图片0.50 0.60 0.50 0.503张图片0.50 0.51 0.504张图片0.52 0.617张图片2张图片0.53 0.53 0.463个图像0.54 0.47 0.51 0.52 0.504个图像0.46 0.51 0.50 0.505张图片0.52 0.50表3TSI和PSI（分别用于训练和测试的输入图像数量）的不同组合以及不同预测时间的RMSE结果TSIPSI10分钟20分钟30分钟40分钟50分钟5个图像2个图像1.002.642.643个图像0.893.016个图像2个图像1.300.253.10.113个图像2.9212.992.954个图像6.82.987映像2个图像4.639.6311.8310.107.003个图像5.616.776.204.674个图像6.706.134.645张图片6.284.174. 雨量预报结果CNN-LSTM神经网络使用上一节中描述的雷达数据进行了训练、验证和如上所述，在训练阶段之后，验证阶段允许优化网络超参数，然后将网络用于测试阶段。此外，实验允许优化在训练阶段（TSI）中使用的图像序列的大小，以及在测试阶段（PSI）中用于预测的图像序列的大小对于TSI范围5H. 考虑到ROCAUC，最佳组合是TSI/PSI为5/3（仅略优于5/2），因此在本工作中采用。如上所述，在训练和验证阶段，也采用5个图像的连续序列（TSI等于5）以5：1的比率预测第6个下一个图像，但是在测试阶段，2：1的比率（PSI等于2）用于第3个图像（10分钟预测），并且添加刚刚预测的网格，然后3：1的比率（PSI等于3）用于下一个图像。第4和第5张图像（分别为20分钟和30分钟预测）。这些预测对应于10、20和30分钟的降雨率图像 图 3提出了一个流程图，总结了所提出的方法的主要步骤和方法。对于10，20和30分钟的预测时间，与观测数据相比，对于特定时刻（2016/11/28 20：10 h），考虑到研究领域。结果表明，随着预测时间的增加，预测性能变差虽然10分钟的预测是非常相似的观测到的降雨量，20分钟和30分钟的预测不能识别相应的像素的降雨带和降雨强度这些降雨事件的高度可变性和它们的低时空相关性使得预测难以用于更高的预测时间（Caseri等人， 2020年）。如前所述，通过两个标准度量进行预测/预报性能的评估，即ROC（接收器操作特征）曲线的曲线下面积（AUC），以及比较预测图像和观察图像的像素的均方根误差（RMSE）RMSE采用像素的连续降雨率值计算，而ROC AUC需要基于所采用的阈值5 mm/h的一种降雨率的值高于阈值被映射为降雨发生，而值低于，作为没有。考虑到这些图像的所有像素，针对3个预测连续图像的每个序列计算这些度量相同的度量应用于PFM，它将最后一个图像视为下一个网格的预测，piX el到piX el。因此，采用这种方法作为拟议方法的参考图图5显示了M5图像和PFM方法产生的预报的AUC，考虑了三个预报时间（10、20和30分钟），降雨阈值为5 mm/h。对于这两种方法，预测性能随着预测时间的增加而降低，但M5Images方法表现更好，即使是30分钟的预测 时 间 。 考 虑 到 最短 的 10 分 钟 预 测 ， M5Images 的AUCROC接近1，而PFM接近0.7。最后，如图所示。 6，M5Images预报的RMSE平均值分别为2.0、3.3和3.6 mm/h，对于10、20和30 min的预报时间，而PFM预报的相应RMSE平均值分别为4.0、4.5和4.7 mm/h。正如预期的那样，预测时间越长，预测性能越低。5. 结论降雨临近预报对预警系统至关重要，特别是在降雨频繁的地区 这项工作提出了采用机器学习方法的M5 Images方法，这是一种CNN-LSTM卷积递归神经网络，用于使用来自以下的降雨率时间序列预测降雨率图像：图三. 所提出的M5Images方法的阶段流程图。TSIPSI10分钟20分钟30分钟40分钟50分钟图图4显示M5Images方法产生的雨量预报A.N. Caseri等人地球科学中的人工智能3（2022）812见图4。 观测和M5图像生成的预测降雨率图像的三个预测时间为10，20和30分钟。图五. M5图像（蓝色）和持久性（浅灰色）方法在（从左到右）10、20和30分钟预测时间内所做预测的AUC的BoX天气雷达数据一个创新的方面是网络的训练阶段，这是只使用图像对应的大雨和特大暴雨事件在考虑的研究领域测试进行了预测时间为10，20和30分钟的研究领域，巴西城市坎皮纳斯及其周边地区。 正如预期的那样，预测时间越长，预测准确度越低，因为随后的预测采用了之前的预测。这些降雨率预测的M5Images方法进行了比较，从天气雷达数据得出相应的降雨率，也给持久性方法的预测所有的预测结果都通过ROC-AUC和RMSE指标进行了评估，显示出M5Images预测的更好的预测性能考虑10分钟分辨率的图像时间序列，使用5个连续图像的输入序列（TSI等于5）训练M5 Images方法的CNN-LSTM网络，并使用2或3个连续图像的输入序列（PSI等于2或3）进行预测，以使用连续图像的滑动窗口（10-30分钟）预测下一个图像TSI和PSI的最佳值以及训练阶段的时期数（30）通过实验来定义。预计将采用GPU处理，因为训练阶段需要在标准PC上进行3-4天，并且有专门的未来的工作还包括集成方案的实现，该方案包括使用相同的输入数据为有限的一组不同的预测因子生成多个预测，而不是一个集合产生一组有限的预测图像，即A.N. Caseri等人地球科学中的人工智能3（2022）813图第六章M 5 图像（蓝色）和持久性（浅灰色）方法对（从左到右）10、20和30分钟预测时间所做预测的RMSE的Bo x图。通过对这些图像的pi× el到pi× el求平均而给出的结果预报。例如，可以使用丢弃技术来获得一组不同的预测器，该技术随机擦除渲染网络输出的全连接输出层之一。 另一种集成可以通过对每个预测器使用不同的网络架构或不同的权重初始化方案来产生。此外，M5Images方法的预测性能将在预测时间超过30分钟的情况下进行评估，因为对于临近预报，预测时间越长，预警系统的有用性就越好。竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。确认作者感谢圣保罗州保护研究基金会（FAPESP）拨款号2015/50122- 0，17/0027 5 - 0和15/14497-0;国家科学发展委员会Tecnolo'gico（CNPq）资助编号420338/2018-7和DFG-IRTG资助编号1740/2用于财务和研究支持。这项研究部分由Coordenal'ao-del' aefeiçoa资助mento de Pessoal de Nível Superior-巴西（CAPES）-财务代码001。引用青木，下午，2017.从地球同步卫星图像降水估计的CNN。CS 231N项目报告9。Caseri，N.A.，Angelis，C.F，Sperling，V.B.，Leblois，E.，2020年。巴西东南部强降雨的统计变率。AnuarioIGEO。Caseri，A.，Javelle，P.，拉莫斯，MH，Leblois，E.，2016年。为粮食警报和风险管理生成降水集合。洪水风险管理9（4），402 - 415. 网址：http：//doi.org/10.1111/jfr3.12203Chandra，P.，2003.前馈人工神经网络的S形函数类。神经过程。Lett. 十八岁Cristiano，E.，Veldhuis，M. C. t.，Giesen，N.v. d.，2017.降雨的时空变异性及其对城市水文响应的影响水。地球系统科学21（7），3859-3878. https://doi.org/10.5194/hess-21-3859-2017网站。Gamboa-Villafruela，C.J.， Fern'ana-Alvarez，J.C. ，M'arquez-Mijares，M. ，P'erez-阿拉克·奥恩，A.，Batista-Leyva，A.J.，2021年利用卫星资料进行降水临近预报的卷积lstm结构。Environ. Sci. Proc. 8（1）。Heye，A.，Venkatesan，K.，Cain，J.，2017.降水临近预报：利用深度递归卷积神经网络。在：Cray用户组（CUG）2017年会议记录中，p. 八、Hochreiter，S.，Schmidhuber，J.，1997.长短期记忆。神经元计算9（8），1735-1780。https://doi.org/10.1162/neco.1997.9.8.1735网站。Kron，W.，2003.洪水灾害：从国际再保险公司的观点看原因-损失-预防。In：Proceedings.中国科学出版社.库马尔，A.，Islam，T.，Sekimoto，Y.，马特曼，C.，Wilson，B.，2020. Convcast：一种基于嵌入式卷积lstm的架构，用于使用卫星数据进行降水预报。PLoS One 15，1-18. https://doi.org/10.1371/journal.pone.0230114网站。Li，P.，张杰，Krebs，P.，2022.基于cnn-lstm结合深度学习方法的预测。水14（6）。梅森，S.J.，Graham，N.E. 1999.条件概率、相对操作特性和相对操作水平。天气预报. 14（5），713-725。https：//doi.org/10.1175/1520-0434（1999）014<0713：CPROCA> 2.0.CO;2.浦那岛，2017年。Met术语表。https://www.imdpune.gov.in/Weather/Reports/glossary.pDF。桑托斯湖Carvalho，T.，安德森，L.O.，Rudorff，C.，Marchezini，V.，L.R.隆德，Saito，S.M.，2017.基于rs-gis的森林资源综合影响评价--以巴西亚马逊河西部马德拉河为例。吉奥西。雷姆Sens. Lett. IEEE 1- 4。Schmidhuber，J.，2015年。神经网络中的深度学习：概述。神经网络的61,85-117. https://doi.org/10.1016/j.neunet.2014.09.003网站。Seron，W.，Santos，L.B.L.，Dolif Neto，G.，Quiles，M.，O.A.，2019年。甚高分辨率气象网中的社区探测。吉奥西。雷姆Sens. Lett. IEEE 1，1- 4。Sherstinsky，A.，2018年递归神经网络（RNN）和长短期记忆（LSTM）网络的基础物理非线性现象https://doi.org/10.1016/j.physd.2019.132306www.example.com施，X.，陈志，王，H.，Yeung，D.-是的，Wong，W.-k.，喔，W.-c.将该混合物干燥，2015年。 卷积LSTM网络：降水临近预报的机器学习方法。在：第28届神经信息处理系统国际会议论文集arXiv：1506.04214。Springenberg，J.T.，Dosovitskiy，A.，X兄弟T Riedmiller，M.，2014.追求简单：全卷积网络。In：ICLR（Workshop Track）.Nunes，L.H.，Vicente，A.K.，2004.在巴西坎皮纳斯的E x treme降水事件。TERRAE科学通信。Deng，H.，陈伟，Huang，G.，2022.基于cnn-lstm模型的日径流预报研究。国家危险。https://doi.org/10.1007/s11069-022-05363-2，10.1007/HYPERLINK。
我的内容管理
展开
