基于深度学习的降水临近预报与估测的有效训练策略

深度学习已成功应用于降水临近预报。在本工作中，我们提出了一种预训练方案和一种新的损失函数，用于改进基于深度学习的临近预报。首先，我们调整了广泛使用的深度学习模型 U-Net，用于此处关注的两个问题：降水临近预报与基于雷达图像的降水估测。我们将前者表述为具有三个降水区间的分类问题，将后者表述为回归问题。针对这些任务，我们提出在无需真实降水标签的情况下预训练模型以预测近未来雷达图像，并提议使用一种新的损失函数进行微调，以缓解类别不平衡问题。我们利用从韩国收集长达七年的雷达图像与降水数据集证明了我们方法的有效性。需要强调的是，在 5 小时预报时效下，我们的预训练方案与新的损失函数分别将强降雨（至少 10 mm/hr）临近预报的临界成功指数（CSI）提升了高达 95.7% 和 43.6%。我们还证明，对于小雨（1 至 10 mm/hr 之间），与常规方法相比，我们的方法将降水估测误差降低了高达 10.7%。最后，我们报告了我们的方法对不同分辨率的敏感性以及对四个强降雨个例的详细分析。