本文介绍了一篇发表在《系统工程与电子技术》期刊上的研究论文，题为《基于时空记忆解耦RNN的雷暴预测方法》。该研究由南京航空航天大学电子与信息工程学院/集成电路学院的何诗扬、汪玲、朱岱寅以及中国航空工业集团雷华电子技术研究所的钱君共同完成，发表于2023年11月。

研究背景与目的

雷暴是一种局地强对流天气，常伴随雷电、冰雹、强降水等剧烈天气现象，对工农业生产和人民生活构成严重威胁。全球每天约有44,000个雷暴发生，影响范围广泛。随着科技的进步，社会对天气预报的及时性、实效性和准确性提出了更高要求。传统的雷暴预测方法如单体质心法、光流法和交叉相关法，虽然能够利用连续时刻的雷达回波图像推测雷暴位置，但存在对历史雷达资料利用率不足和外推时效较短的问题。因此，本研究旨在利用循环神经网络（RNN）的强大非线性映射能力，结合气象雷达历史反射率因子数据，提出一种新的雷暴预测方法，以提高预测的准确性和时效性。

研究方法与流程

本研究采用了基于时空长短时记忆（ST-LSTM）单元的循环神经网络模型，并引入了记忆解耦结构，以分离时间记忆和空间记忆状态。具体流程如下：

1. 数据预处理：研究使用了香港天文台（HKO）的HKO-7数据集，该数据集包含2009年至2015年的雷达回波图像。通过对数据进行质量控制，包括孤立噪声点滤除、平滑滤波和高通滤波器处理，筛选出371天的雷暴数据，构建训练和测试数据集。最终得到279,318张128×128像素的灰度图像，并通过滑动窗口切片得到11,882组时间序列。

2. 网络模型构建：研究采用了带有记忆解耦结构的ST-LSTM单元组成的网络模型。ST-LSTM单元包含时间记忆单元和空间记忆单元，分别负责时间流和空间记忆的传递。通过1×1卷积层进行降维，使得隐藏输出具有与任一记忆单元相同的维度。记忆解耦结构通过显式扩展时间和空间记忆状态之间的距离，避免了记忆状态的纠缠，提升了网络参数的有效利用。

3. 模型训练与测试：研究将带有记忆解耦结构的ST-LSTM网络与无记忆解耦结构的ST-LSTM网络、MIM网络以及传统的单体质心法进行了比较。通过预测评分因子（POD、FAR、CSI）和结构相似性（SSIM）指标对模型性能进行评估。

研究结果

研究结果表明，带有记忆解耦结构的ST-LSTM网络在雷暴预测中的表现优于无记忆解耦结构的ST-LSTM网络、MIM网络和传统的单体质心法。具体结果如下：

1. 预测评分因子比较：在30分钟预测时间内，带有记忆解耦结构的ST-LSTM网络在临界成功指数（CSI）、探测成功概率（POD）和虚警率（FAR）上均优于其他方法。例如，在30dBz阈值下，CSI为0.59，POD为0.65，FAR为0.13，均优于单体质心法和MIM网络。

2. 个例分析：通过对2010年9月8日和2014年5月11日的雷暴个例进行分析，带有记忆解耦结构的ST-LSTM网络能够更准确地预测雷暴回波的演变趋势，尤其是在强回波区域的预测上表现更为出色。随着预测时间的增加，带有记忆解耦结构的网络在SSIM指标上也始终优于无记忆解耦结构的网络。

结论与意义

本研究提出了一种基于时空记忆解耦RNN的雷暴预测方法，通过引入记忆解耦结构，显著提升了雷暴预测的准确性和时效性。研究结果表明，带有记忆解耦结构的ST-LSTM网络在雷暴预测中的表现优于传统的单体质心法和MIM网络，尤其是在强回波区域的预测上具有明显优势。该研究为雷暴短时临近预报提供了一种新的技术手段，具有重要的科学价值和实际应用价值。

研究亮点

1. 创新性方法：本研究首次将记忆解耦结构引入ST-LSTM网络，有效分离了时间和空间记忆状态，提升了雷暴预测的准确性。
2. 数据驱动：研究基于香港天文台的HKO-7数据集，构建了大规模的雷暴数据集，并通过深度学习模型进行训练和测试，验证了方法的有效性。
3. 实际应用价值：该方法能够显著提高雷暴预测的准确性和时效性，为气象预报和灾害预警提供了新的技术手段。

未来研究方向

尽管本研究取得了显著成果，但仍有一些改进空间。未来的研究可以考虑引入更多的输入信息，如环境风场、气压等，以进一步优化雷暴演变的预测效果。此外，还可以探索其他深度学习模型或混合模型，以提高预测的稳定性和泛化能力。