本文由陈元昭、林良勋、王蕊、兰红平、叶允明和陈训来等作者共同完成，分别来自深圳市气象局、广东省气象台和哈尔滨工业大学（深圳）。该研究于2019年发表在《大气科学学报》（Trans Atmos Sci）第42卷第2期，题为《基于生成对抗网络GAN的人工智能临近预报方法研究》。研究得到了中国气象局预报员专项、深圳市科技创新项目和广东省气象局科技创新项目的资助。
临近预报（Nowcasting）是气象学中的一个重要领域，旨在通过短时内的气象观测数据预测未来几小时内的天气变化。传统的临近预报方法主要依赖于雷达回波的运动矢量场，如交叉相关法、光流法和粒子滤波融合法等。然而，这些方法通常仅基于雷达反射率因子，未能充分考虑风暴的动力学和热力学因素，导致对回波生消和强度变化的预测能力有限。随着人工智能技术的快速发展，特别是深度学习算法的突破，人工智能在气象领域的应用逐渐成为研究热点。生成对抗网络（Generative Adversarial Networks, GAN）作为一种新兴的深度学习技术，能够通过对抗学习生成逼真的图像，为临近预报提供了新的可能性。
本研究的主要目标是利用GAN技术开发一种基于雷达回波图像的人工智能临近预报方法。研究流程包括以下几个步骤：
数据准备与质量控制
研究使用了广东省12部S波段天气雷达的反射率因子拼图数据，时间跨度为2015年至2017年。数据质量控制采用双边滤波法，并通过最近邻居法和垂直方向的线性内插法将雷达数据从极坐标格式转换为三维直角坐标系。
GAN模型的建立与优化
GAN模型由生成器（Generator, G）和判别器（Discriminator, D）组成。生成器通过学习真实雷达回波图像的分布生成预测图像，判别器则负责区分生成图像与真实图像。研究采用了四级图像金字塔网络结构，逐级缩小图像尺寸以获得更大的空间相关性。生成器和判别器的卷积层参数经过精心设计，激活函数分别采用纠正线性函数（ReLU）和双曲正切函数（Sigmoid）。
损失函数的计算与模型训练
研究采用两个损失函数对模型进行协同优化：生成器的损失函数和判别器的损失函数。通过对抗学习，生成器不断优化生成的图像，使其更接近真实图像，而判别器则不断提高对真假图像的辨别能力。训练过程中，模型通过迭代更新参数，最终达到生成图像与真实图像难以区分的平衡状态。
预报试验与效果检验
研究对2018年发生在广东地区的4个天气过程进行了外推预报试验，包括飑线、台风、季风低压和层状云降水。试验结果表明，GAN方法对对流天气过程的回波位置、形状和强度的预报效果较好，但对层状云降水的预报效果较差。此外，研究还对18个降水过程的1小时预报效果进行了定量检验，结果显示GAN方法对中等强度回波的预报效果较好，但对强回波的预报仍有待提高。
飑线天气过程
2018年5月7日的飑线天气过程中，GAN方法对飑线的形状、回波强度和移动速度的预报与实况基本一致，预报的飑线前沿位置和实况较为接近。
台风降水过程
2018年9月16日的超强台风“山竹”降水过程中，GAN方法对台风螺旋雨带的强度和分布的预报效果较好，能够准确预报台风眼区和螺旋雨带的旋转特征。
季风低压降水过程
2018年8月29日的季风低压降水过程中，GAN方法对强降水回波的位置和强度的预报与实况较为接近，但预报的回波范围偏大。
层状云降水过程
2018年12月29日的层状云降水过程中，GAN方法的预报效果较差，未能准确预报回波的位置和强度。
研究表明，基于GAN的人工智能临近预报方法在对流天气过程的预报中表现出较好的效果，能够准确预报回波的位置、形状和强度。然而，该方法对层状云降水的预报效果较差，且预报的回波范围偏大。未来研究应考虑引入更多的大气动力和热力信息，以提高模型的预测能力。此外，人工智能临近预报方法的发展还需要结合高时空分辨率的数值模式和风暴追踪算法的改进。
创新性方法
本研究首次将生成对抗网络（GAN）应用于气象临近预报领域，为传统的雷达回波外推预报提供了新的技术路径。
多尺度建模
研究采用了四级图像金字塔网络结构，通过逐级缩小图像尺寸获得更大的空间相关性，有效提高了模型的预测能力。
实际应用价值
该方法已在深圳市气象局投入业务运行，能够在2分钟内完成从雷达数据收集到预报显示的全部流程，具有较高的实际应用价值。
尽管GAN方法在临近预报中展现出一定的潜力，但其对强回波和层状云降水的预报效果仍有待提高。未来的研究应进一步探索如何将更多的气象信息（如大气动力、热力和地形信息）融入模型中，以提高预报的准确性和可靠性。同时，人工智能临近预报方法的发展还需要与数值模式和风暴追踪算法相结合，共同推动气象预报技术的进步。