1.介绍
多普勒天气雷达一直是观测云层和降水的最重要遥感仪器，是恶劣天气预警和长期气候监测等应用的基石。近年来，人工智能(AI)在地球科学领域的应用越来越受到关注，其中包括气象雷达。长期以来雷达观测资料丰富，但是由于分析工具的局限性，传统的评估方法只能提取部分信息。一个简单的例子是贝叶斯技术在太空观测中的成功应用。实现双极化技术后，雷达观测变成多维度，而人工智能已被证明可以有效地从大量雷达数据中实时提取信息。[1-4]
如图1所示，在本文中描述了天气雷达的几个主要应用：降雨量估计、降水分类、降水临近预报（短期预报）。阐述了人工智能在这些应用中的关键作用。还有其他方面的应用，但为简洁起见本文略过。
图1基于AI的天气雷达应用
2. 降水定量估计
从根本上说，地面的降雨量可能与高空水凝物的剖面有关。传统上，基于雷达的降雨量估计是通过降雨率和模拟雷达数据之间的非线性回归获得的经验参数关系得出的。这种经验关系的表现高度依赖于雨滴大小分布的变化。在实际应用中，衍生的雷达降雨算法通常需要针对不同的气候状况和不同的降雨类型进行调整，并且我们没有简单的参数表达式将降雨强度与雷达观测值联系起来。
先前的研究表明，神经网络可以通过地面雷达观测量来估计地表降雨量（例如，[1] [2] [4]）。然而，神经网络在降雨量估计中的应用受到许多因素的影响，如训练数据集的代表性和充分性以及训练模型对包含降水季节性变化数据的泛化能力[3][4]。利用深度学习模型来构建混合降雨估计系统，其中地面雷达用于弥合雨量计测量和卫星观测之间的尺度差距[5]。图2说明了这种基于混合深度神经网络学习系统的结构，用于地基和星载雷达降雨估计。热带降雨测量任务降水雷达(TRMM PR)观测的示范研究表明，这种非参数深度学习技术在区域和全球降雨制图中的巨大潜力。这种深度学习方案非常灵活，还可以通过结合额外的降水估计值,如数值天气预报模型的输出,扩展为数据融合平台。
图2用于地基和星载雷达降雨估计的混合深度神经网络系统
另一方面，传统方法用于极化雷达降雨量估计经验关系中的固有参数化误差较大,人工智方法可以大大减少该参数误差。在图3中，说明了一个混合神经网络系统，用于从极化雷达观测值估计地表降雨量。这种混合算法能够从高维输入空间即极化变量到目标空间即降雨率提取复杂的函数关系，并在业务应用中充分利用降水物理特性。基于模拟雷达测量和真实雷达观测的广泛研究表明，该机器学习系统具有优于传统固定参数雷达降雨关系的性能，尤其是在结合所有极化观测值时即图3中的模型1。
图3基于极化雷达的混合神经网络的降水估计
3. 降水分类
降水分类问题通常有两个方面。从广义的角度来看，降水系统由于其在物理学上的根本差异，通常被归类为对流系统或层状系统。从微观物理学的角度来看，天气雷达观测到的降水精细尺度结构主要由不同的降水颗粒组成。因此，使用天气雷达测量水凝物分类是雷达气象学界的活跃研究课题之一。
将模糊逻辑和神经网络相结合，创建了一个用于水凝物分类的早期人工智能系统[6]。有许多方法可以适用于人工智能框架进行水凝物分类，如决策树和贝叶斯理论[7]。观测空间不是互斥的，从观测空间到决策空间的映射也不是一对一的。因此，一些较简单的技术不易实现，采用了神经模糊系统，并在当今广泛应用。
随着深度学习方法开始被气象界所接受，它们也可以应用于基于雷达的降水分类问题。图4显示了基于机器学习的水凝物分类和冰雹识别系统的示例。同样，降水类型（对流与层状）的广泛分类可以通过训练观察来完成。例如，迁移学习方法可用于从雷达图像中识别对流雨和层状雨[8]。降水类型分类将持续是人工智能在天气雷达应用方面的重要领域。
图4基于机器学习的降水分类系统
04降水临近预报
四维天气雷达观测对于以高时空分辨率（三个空间维度和时间）的风暴临近预报至关重要。传统的临近预报技术，如TITAN[9]和美国国家大气研究中心(NCAR)[10]开发的自动临近预报系统(ANC)，依赖于外推和多源数据的可用性。光流和图像相关技术也用于提高临近预报性能[11][12]。
近年来，深度学习技术已被证明对雷达临近预报有效。例如，施等人[13]引入了一个称为ConvLSTM的深度学习框架，并证明ConvLSTM优于传统的雷达临近预报方法。韩等人[14]开发了一种用于对流风暴临近预报的深度卷积神经网络(CNN)模型，该模型可以从雷达数据中提取预测信息，而无需像传统临近预报技术那样做出任何物理假设。图5显示了可用于基于雷达的降水临近预报的卷积神经网络的简化结构。
图5用于基于雷达的降水临近预报的卷积神经网络的简化结构
训练这些人工智能模型需要大量的历史雷达数据。此外，从一个区域训练的模型中学到的知识是否可以应用于其他区域也不清楚。由于计算成本高，收集长期雷达数据以重新训练不同感兴趣区域的模型在操作上是不可行的。为了推进基于人工智能的雷达临近预报，[15]开发了一种从先前任务中提取知识的新方法，并将提取的知识应用于新的目标任务。这样，基于深度学习的雷达临近预报模型可以很容易地适应不同区域的应用。
05总结
人工智能在天气雷达中是一个非常活跃的领域,它有着悠久的历史。随着人工智能领域的快速发展，越来越多的人工智能技术被应用到雷达应用中。其中，本文重点介绍了天气雷达中的一些常见应用，包括定量降水估计、降水分类、临近预报。由于数据丰富，预计人工智能将促进天气雷达观测中的数据融合，例如[16]。
参考文献：
[1] H. Liu, V. Chandrasekar, and G. Xu, “An adaptive neural network scheme for radar rainfall estimation from WSR-88D observations,” J. Appl. Meteorol., vol. 40, pp. 2038-2050, 2001.
[2] R. Xiao and V. Chandrasekar, “Development of a neural network based algorithm for rainfall estimation from radar observations,” IEEE Trans.Geosci. Remote Sens., vol. 35, pp. 160-171, 1997.
[3] R. Teschl, W. L. Randeu, and F. Teschl, “Improving weather radar estimates of rainfall using feed-forward neural networks,” Neural Networks., vol. 20, pp. 519-527, 2007.
[4] G. Xu and V. Chandrasekar, “Operational feasibility of neural-networkbased radar rainfall estimation,” IEEE Geosci. Remote Sens. Lett., vol. 2,pp. 13-17, 2005.
[5] H. Chen, V. Chandrasekar, H. Tan, and R. Cifelli, “Rainfall estimation from ground radar and TRMM Precipitation Radar using hybrid deep neural networks,” Geophys. Res. Lett., vol. 46, pp. 10669-10678, 2019.
[6] H. Liu and V. Chandrasekar, “Classification of hydrometeors based on polarimetric radar measurements: Development of fuzzy logic and neurofuzzy systems, and in situ verification,” J. Atmos. Oceanic Technol., vol.17, pp. 140-164, 2000.
[7] J. Yang, K. Zhao, and Coauthors, “A Bayesian hydrometeor classification algorithm for C-band polarimetric radar,” Remote Sens., vol. 11, pp. 1884,2019.
[8] S. R. Gooch and V. Chandrasekar, “Classifying meteorological echoes in weather radar images with transfer learning,” IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, Yokohama, Japan, 2019, pp. 640-643.
[9] M. Dixon, and G. Wiener, “TITAN: Thunderstorm Identification,Tracking, Analysis, and Nowcasting—A Radar-based Methodology,” J.Atmos. Oceanic Technol., vol. 10, pp. 785–797, 1993.
[10] C. Mueller, T. Saxen, R. Roberts, J. Wilson, T. Betancourt, S. Dettling,N. Oien, and J. Yee, “NCAR Auto-Nowcast System,” Wea. Forecasting,vol. 18, pp. 545–561, 2003.
[11] R. Bechini, and V. Chandrasekar, “An enhanced optical flow technique for radar nowcasting of precipitation and winds,” J. Atmos. Oceanic Technol., vol. 34, pp. 2637–2658, 2017.
[12] E. Ruzanski, V. Chandrasekar, and Y. Wang, “The CASA nowcasting system,” J. Atmos. Oceanic Technol., vol. 28, pp. 640-654, 2011.
[13] X. Shi, Z. Chen, H. Wang, D. Yeung, W. Wong, and W. Woo, “Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting,” In NIPS, pp. 1-12, 2015.
[14] L. Han, J. Sun and W. Zhang, “Convolutional Neural Network for Convective Storm Nowcasting Using 3-D Doppler Weather Radar Data,”IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 2, pp.1487-1495, 2020.
[15] L. Han, Y. Zhao, H. Chen, and V. Chandrasekar, “Advancing radar nowcasting through deep transfer learning,” Geophysical Research Letters, (under review)
[16] H. Chen, V. Chandrasekar, R. Cifelli and P. Xie, “A Machine Learning System for Precipitation Estimation Using Satellite and Ground Radar Network Observations,” IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 2, pp. 982-994, 2020.