近日来，在高志球教授导师团队指导下，大气物理学院博士二年级研究生尹剑同学针基于雷达图像外推的临近预报方法中存在的外推图像随预报时长增加而趋于模糊的问题，提出了在深度学习模型中引入结构相似度(SSIM)和多尺度结构相似度(MS-SSIM)指标作为损失函数来改善外推后的雷达图像质量。研究工作在美国American Geophysical Union (AGU）旗下的Earth and Space Science期刊发表。
基于雷达图像外推的深度学习方法发展迅速，逐渐成为了热门的临近预报手段。已有研究表明，卷积门控循环单元(ConvGRU)作为时空序列预测的深度学习模型之一，在强对流临近预报的表现中明显优于传统方法。尽管ConvGRU具有更优秀的临近预报表现，但其使用的均方误差(MSE)损失函数往往会造成外推的雷达回波图像随外推时间增大而趋于模糊的问题，并且不能对具有多模态和偏态分布的雷达回波进行很好地建模。
SSIM和MS-SSIM指数由图像的亮度、对比度和结构组成，提供了更多关于雷达回波的强度、梯度和形状的信息。尹剑等人将其作为新的损失函数引入ConvGRU模型，并通过个例分析以及对整体测试集在不同的降水率阈值（2、5、10和30 mm/h）下的评分验证，详细探讨了SSIM和MS-SSIM损失函数方案对外推图像模糊问题的改进。个例分析表明： SSIM和MS-SSIM损失函数方案均能有效减少外推图像模糊问题，且在对流系统旋转移动的情况下，只有MS-SSIM方案较为成功的预测了其2小时后的区域强雷达回波形态（左图）。整体测试集的验证指标表明：在不同降水率阈值下，SSIM和MS-SSIM方案的评分效果相对于MSE方案显著提高，特别是在暴雨级别（降水率>30 mm/h）的雷达外推试验中，随着预报时效的增加，MS-SSIM方案仍能保持一定的评分表现，提高了ConvGRU模型的临近预报能力（右图）。
左图为不同损失函数方案对旋转移动的对流系统的外推结果比较：其中，(a)2 h外推后的雷达真实观测，(b) MSE损失函数方案的2 h外推结果，(c)SSIM损失函数方案的2 h外推结果，（d) MS-SSIM损失函数方案的2 h外推结果。右图为不同损失函数方案对整个测试集在不同的降水率阈值（2、5、10和30 mm/h）下的CSI评分表现。
论文资讯及链接：
Yin, J., Gao, Z., & Han, W. (2021). Application of a radar echo extrapolation-based deep learning method in strong convection nowcasting. Earth and Space Science, 8, e2020EA001621.
https://doi.org/10.1029/2020EA001621
