输入的动态卷积神经网络的雷达回波外推方法

　　临近预报主要指0—3h的高时空分辨率的天气预报，主要预报对象包括强降水、大风、冰雹等灾害性天气。目前，临近预报的主要手段是基于天气雷达资料的雷达回波外推技术，即根据当前时刻雷达观测结果，推测雷达回波未来的位置和强度，以实现对强对流系统的跟踪预报。目前常用的雷达回波外推方法是质心跟踪法和交叉相关法（ Tracking　Radar Echoes by Correlation．TREC）。质心跟踪法通过预测雷达回波的质心来推测下一时刻的回波位置，该方法对采集到的信息的利用更加充分，但它依赖阈值来识别风暴单体，仅适用于对风暴的追踪，难以应用于预测大范围降水的回波变化；TREC通过对雷达回波划分区域，并求得各个区域当前时刻与前一时刻的相关系数，相关系数最大的区域即是回波移动矢量的终点。研究人员在TREC算法的基础上，进一步发展了COTREC（ Continuity Of TREC vectors）和DITREC（Difference Image-based TREC）等方法，但是此类方法仅根据几个时刻的回波特征推测下一时刻的回波分布，数据利用率较低，并且假设回波是线性演变的，而宾际情况下回波的变化更为复杂。

　　针对上述传统雷达回波外推方法存在的问题，本文在传统卷积神经网络（ Convolutional Neural Network，CNN）的基础上，提出了一种基于输入的动态卷积神经网络结构（ Dynamic　Convolutional Neural Networks based on Input，DCNN-I），该网络从历史的时序雷达回波图像集中学习回波变化规律，从而实现对雷达回波图像的预测与外推。DCNN-I通过改进传统CNN的结构和网络训练过程中的参数，使网络中直接影响图像变换的卷积核在网络测试阶段仍然能够随着输入的不同而变化，更加适用于雷达回波外推这一类输入图像与输出图像之间存在较强相关性的问题，能够取得较好的雷达回波图像预测结果。