本文介绍了一项由Jussi Leinonen、Ulrich Hamann、Ioannis V. Sideris和Urs Germann共同完成的研究，题为《Thunderstorm Nowcasting with Deep Learning: A Multi-Hazard Data Fusion Model》。该研究于2023年发表在《Geophysical Research Letters》期刊上，作者均来自瑞士联邦气象与气候办公室（MeteoSwiss）。研究的主要目标是利用深度学习（Deep Learning, DL）技术，开发一种能够预测雷暴相关灾害（如闪电、冰雹和强降水）的模型，以提供及时、准确的短期预警。

研究背景

雷暴是一种常见的极端天气现象，能够通过闪电、强降水、冰雹和强风等多种物理过程对人类生命和财产造成严重威胁。传统的数值天气预报（Numerical Weather Prediction, NWP）虽然能够在大范围内预测雷暴的发生和强度，但在精确预测雷暴的具体时间和位置上存在困难。相比之下，临近预报（Nowcasting）利用最新的观测数据，能够在几分钟到几小时的时间尺度上提供更精确的预测。近年来，深度学习技术在雷暴临近预报中的应用逐渐增多，显示出其在处理复杂气象数据方面的潜力。

研究方法

本研究基于递归卷积深度学习模型，结合了多种数据源，包括天气雷达观测、闪电探测、卫星可见光/红外图像、数值天气预报（NWP）和数字高程模型（Digital Elevation Model, DEM）。研究的主要创新点在于： 1. 多灾害预测：模型能够同时预测闪电、冰雹和强降水，且使用相同的网络结构。 2. 概率预测：模型输出的是灾害发生的概率，而非确定性结果。 3. 多阈值预警：模型能够同时提供多个阈值水平的预警。 4. 长时间累积预测：模型能够预测超过其原生5分钟时间分辨率的累积降水量。

研究使用了来自瑞士及其周边地区的数据，时间跨度为2020年4月至9月。数据经过预处理，最终生成了约100万个训练样本。模型训练使用了8个NVIDIA V100 GPU，耗时约一个月。

数据来源与处理

研究使用了五种数据源： 1. 天气雷达观测：来自瑞士的雷达网络，提供了降水率和雷达反射率的垂直结构信息。 2. 卫星图像：来自Meteosat第二代卫星的可见光和红外波段数据。 3. 闪电探测：来自欧洲闪电探测网络（Euclid）的数据，生成了闪电密度和电流密度图。 4. 数值天气预报：来自COSMO模型，提供了与雷暴相关的变量，如对流有效位能（CAPE）。 5. 数字高程模型：来自ASTER全球DEM，用于模拟地形。

模型架构与训练

研究采用了递归卷积深度学习模型，该模型在Weather4Cast 2021竞赛中表现优异。模型的主要变化在于对强降水的预测仅使用最后一层的时间步长，以预测1小时的累积降水量。训练过程中，闪电预测使用了焦点损失函数（Focal Loss），而冰雹和降水预测则使用了交叉熵损失函数（Cross Entropy Loss）。

结果与分析

研究结果表明，模型在预测闪电、冰雹和强降水方面表现出色。闪电预测的准确性最高，冰雹和强降水的预测准确性相对较低，但仍能提供有效的预警信息。通过Shapley值分析，研究发现天气雷达数据在所有三种灾害预测中都是最重要的数据源，其次是闪电探测和卫星数据。数值天气预报数据在长时间预测中也显示出其重要性。

结论与意义

本研究展示了深度学习模型在雷暴灾害预测中的潜力，特别是在多数据源融合和概率预测方面的创新。该模型能够为公众、基础设施管理者和应急服务提供及时的预警信息，帮助减少雷暴带来的损失。未来的研究可以进一步优化模型架构，并引入更多高分辨率数据源，以提高预测的准确性，特别是在长时间预测中的应用。

研究亮点

1. 多灾害预测能力：模型能够同时预测闪电、冰雹和强降水，展示了其广泛的适用性。
2. 概率预测与多阈值预警：模型输出的概率预测和多阈值预警功能使其在实际应用中更具灵活性。
3. 数据源重要性分析：通过Shapley值分析，研究揭示了不同数据源在预测中的贡献，为未来的数据选择提供了指导。

总的来说，这项研究为雷暴灾害的短期预测提供了一种高效、灵活的工具，具有重要的科学和应用价值。