推荐｜雷达和卫星的气象深度学习应用最佳实践

深度学习已经在气象领域显示出很好的应用前景，并且已经在降水短临预报、雷达图像生成、锋面检测等方面取得了不错的进展。为了更有效的训练和验证这些复杂的算法，需要大量多样化的高分辨率数据集。目前有很多公开的PB级天气数据，比如静止气象卫星、天气雷达等。然而，这些数据集的大小和复杂性阻碍了深度学习模型的训练。为了解决此问题，引入了雷暴事件图像数据集(Storm EVent ImagRy, SEVIR)。此数据集包含了来自多个传感器的时空一致的数据。除了数据集外，还提供了深度学习模型作为基准模型和模型评估指标，以进一步加速深度学习新算法的创新。

除了SEVIR数据集之外，文章针对两个深度学习应用（ 降水的短临预报 和 雷达图像生成 ）给出了模型代码，并提供了详细训练过程和结果的评估。

SEVIR数据集

SEVIR数据集根据五种不同的数据类型进行采样和校准，包括GEOS-16的三个通道（C02、C09、C13）、NEXRAD的垂直液态水含量（vertically integrated liquid，对云总降水量的估计）、GEOS-16的闪电成像仪数据（Geostationary Lightning Mapper，GLM），关于变量的简单介绍见下图。此数据集共包含10000个天气事件，每个天气事件时间跨度4个小时，覆盖范围384km x 384km。

图1 五种不同类型数据简单描述

模型框架和结果

文章中给出了两个模型的应用，包括 Unet 和 cGAN，并且测试了四种不同的损失函数对模型训练结果的影响。在对模型结果的评估时采用了多个评估指标，如下：

论文中针对降水短临预报和雷达图像生成进行了详细的介绍，并给出了模型结果的评估。

下面两张图是降水短临预报的深度学习模型训练结果。