原创 夏江江 RUMLA

Research Unit of Machine Learning Application

问题：

监测强对流天气存在一定的不确定性，各种方法（包括传统方法或深度学习方法）均有好有坏。针对此问题，需要将多种方法进行整合，进行预报。

基于多种深度学习算法的雷达回波短临（0-1小时或0-2小时）外推预报（图1），包括经典的ConvLSTM、U-Net、PredRNN、MIM等。进一步地，基于可解释性技术对模型和个例进行可解释性研究，以此来获取影响预报结果的敏感区；同时，又结合了扰动技术，对模型的初始场进行扰动，以获取多模型多成员的集合预报，如图2的雷达回波外推概率预报，预报结果不仅包括降水量，同时包括不确定性区间。

图1 基于多种深度学习算法（ConvLSTM、U-Net、PredRNN、MIM）的雷达回波外推预报个例

图2 基于深度学习算法和可解释性技术的雷达回波外推概率预报。等值线为降水预报，阴影为预报的标准差。