基于物理信息判别生成模型的降水临近预报研究

作者及机构
本研究的核心团队来自荷兰代尔夫特理工大学（Delft University of Technology）和三角洲研究所（Deltares），第一作者为Junzhe Yin和Cristian Meo（并列贡献），通讯作者为Junzhe Yin。研究论文已被2024年欧洲信号处理会议（European Conference on Signal Processing, EUSIPCO 2024）接收。

学术背景
降水临近预报（precipitation nowcasting）旨在利用实时大气数据预测未来6小时内的局地降水，对防洪减灾、农业规划和公共健康管理至关重要。传统数值天气预报（Numerical Weather Prediction, NWP）模型因计算复杂度高、时空分辨率低，难以应对极端降水事件的突发性。现有雷达外推方法（如PySTEPS）虽能基于光流和统计分析提升预测精度，但忽略了降水过程的物理约束（如对流降雨的生成与消散机制），导致极端事件预测能力不足。近年来，生成对抗网络（Generative Adversarial Network, GAN）和变分自编码器（Variational Autoencoder, VAE）等深度生成模型在降水预测中展现出潜力，但其预测结果常违背物理规律，且对极端事件的建模能力有限。为此，本研究提出了一种物理信息判别生成对抗网络（Physics-Informed Discriminator GAN, PID-GAN），通过将水分守恒方程等物理约束嵌入对抗学习框架，提升预测的物理一致性与极端事件识别能力。

研究流程与方法
1. 数据准备与预处理
- 数据来源：使用荷兰皇家气象研究所（KNMI）2008–2021年的雷达降水数据（时空分辨率：1 km/5分钟）、自动气象站（AWS）的逐小时气象数据（风速、风向、气温等）及ERA5再分析数据。
- 极端事件定义：3小时平均降水量超过历史前1%阈值（5 mm/3小时）。
- 数据对齐：通过三次样条插值将AWS和ERA5的逐小时数据匹配至雷达数据的30分钟间隔；采用克里金插值（Kriging）提升气象数据的空间分辨率至1 km。

1. 模型架构设计

   • 生成器：结合向量量化生成对抗网络（VQ-GAN）和自回归Transformer（Autoregressive Transformer, AT）。
     
     • VQ-GAN：包含CNN编码器（E）、解码器（G）和码书（Z），通过重构损失（L1范数）、承诺损失（码书优化）和感知损失（高维语义差异）训练。
       
     • Transformer：将降水序列编码为离散标记（token），通过因果注意力机制预测未来帧的概率分布。
       
   • 判别器：时空判别器（Spatial-Temporal Discriminator）结合物理一致性评分（η），监督生成结果是否符合水分守恒方程。
     

2. 物理约束集成

   • 水分守恒方程：简化垂直风速项，利用ERA5的100米高度（u100/v100）和AWS的10米高度（u10/v10）风场数据近似水平输送项，结合Makkink方程计算蒸散发（et）。物理残差定义为：
     [ rq = -\frac{\partial q}{\partial t} - u{10}\frac{\partial q}{\partial x} - v{10}\frac{\partial q}{\partial y} - u{100}\frac{\partial q}{\partial x} - v_{100}\frac{\partial q}{\partial y} + et - p ]
     
   • 对抗训练：判别器损失函数（公式6）同时优化生成样本的真实性和物理一致性评分η。
     

主要结果
1. 预测性能对比
- 在12个荷兰流域的测试中，PID-GAN在均方误差（MSE: 3.117）、皮尔逊相关系数（PCC: 0.313）和临界成功指数（CSI-1mm: 0.313）上均优于PySTEPS、TECO等基准模型（表I）。
- 极端事件检测的精确率-召回率曲线（图2）显示，PID-GAN的曲线下面积（AUC: 0.567）显著高于其他模型，移除物理约束（PID-GAN(-p)）会导致AUC下降6.17%。

1. 物理约束的贡献
   
   • 水分守恒方程的引入使模型在20 km空间尺度的分数技能评分（FSS: 0.591）提升约10%，验证了物理信息对长期预测稳定性的增强作用。
     

结论与价值
本研究通过PID-GAN框架首次实现了物理约束与生成模型的深度融合，其创新性体现在：
1. 科学价值：提出了一种可扩展的物理信息对抗学习范式，为气象建模中物理规律与数据驱动的平衡提供了新思路。
2. 应用价值：模型在极端降水事件中的高精度预测（如CSI-8mm达0.011）可支持应急响应和灾害预警。

研究亮点
- 方法创新：结合VQ-GAN的离散表示学习与Transformer的时序建模能力，解决了传统GAN在长程预测中的模糊性问题。
- 物理可解释性：通过η量化预测的物理一致性，提升了模型的可信度。
- 数据融合：多源数据（雷达、AWS、ERA5）的协同处理为复杂气象建模提供了范例。

未来方向
作者计划进一步整合温度对极端降水的影响机制，并验证模型在不同地理区域的泛化能力。