观潮 · 模式预报与气象 AI 观察
龙卷生成后 30 分钟：可解释的概率雷达临近预报，FSS 0.73 对 HRRR 0.69
> 一个U-Net 在龙卷个例上训练，输出龙卷生成后 30 分钟的雷达组合反射率概率预报，不是单条确定性预报。不确定性的做法是让网络预测 SHASH（SinhArcSinh）分布的参数。作者给的数字是：全域 RMSE 7.71 dBZ，逐像元 Pearson 相关系数 0.88；龙卷生成后 15 分钟、在 16x16 km 窗口上 FSS 0.73，对照前一小时 HRRR 的 0.69；概率校准的 PITD统计量为 0.3。首个预报步的 MAE 约 3 dBZ，到 30 分钟时略高于 6 dBZ。数据集是从 Storm Events 拿到的 2020 年 10 月到 2024 年 12 月近 5000 个龙卷个例。
为什么要在雷达临近预报这条路上再放一个模型
作者先把基线摆清楚。雷达不是预报工具——它能通过钩状回波或后侧下击暴流（rear-flank downdraft surge）的出现指示可能的未来风暴行为，但无法直接预报未来风暴特征，这是正文原话。持久性类方法（PySTEPS、光流等）在预报大尺度降水场演变上有用，但作者判断它们「不太可能为快速演化的对流风暴提供足够高的技巧」，原因是这类方法可能无法捕捉平流场的演变或对流机制本身的改变。光流法的已发表基准是30 分钟时效上平均威胁评分 0.3。
NWP 侧的对照是 WoFS（Warn-On Forecast System）：36 个成员（18 个预报成员）、15 分钟同化观测含实时雷达和卫星数据。它的短板作者写得很直白——生成一个 6 小时预报需要 30 分钟墙钟时间。而做雷达临近预报，快速出报是作者明确列为 desirable 的质量。
深度学习这一侧已有 WoFSCast（WoFS 的机器学习仿真器，对流可分辨率尺度下 2 小时确定性预报，单GPU 30–40 秒出报，对比物理 WoFS 集合需要数千 CPU 核跑 30 分钟）、HRRRCast（用扩散模型在 HRRR 分析场上训练）、NVIDIA StormScope（10 分钟时间频率、6 km 水平格距、最长 6 小时时效）。
作者指出的空白是：雷达临近预报的深度学习研究里，很大一部分缺不确定性量化（UQ），Ravuri 等2021 年那篇是少见的例外。UQ 让预报能考虑多种可能结果，而不是只给一个确定性结果。
系统怎么搭的
概率的做法是让 U-Net 去预测 SHASH 分布（SinhArcSinh）的参数，而不是回归一个反射率值——SHASH 是一种能容纳偏态分布的分布族，在气象领域此前被用于雷达反射率的概率建模。作者的训练假设写得很具体：用前一小时的雷达图像和近地环境数据训出的 U-Net，能够产出相对 HRRR 和现有临近预报基线有技巧的概率反射率预报，同时配套的可解释性技术能让人理解模型依据了哪些区域和变量。
反射率输入用 MRMS（Multi-Radar Multi-Sensor，多雷达多传感器融合）v12 的组合反射率拼图产品，完整名是 MergedReflectivityQCComposite_00.50，简称 MRQC。选它而不是基反射率的理由是三层的：减轻地形遮挡区的波束阻塞影响；更充分利用近雷达处数据（低仰角扫描可能与高基底风暴相交不良）和远雷达处数据（分辨率天然较低）。MRQC 从 2020 年 10 月起提供，时间频率 2 分钟、格距 1 公里、覆盖 CONUS。缺失和超范围值分别用 -99 和 -999 标注，在构建模型数据集前掩膜掉。
论文图 1：模型训练用的雷达反射率输入示例，取自 2024 年 5 月 21 日的一个训练个例。龙卷的起始位置用白色标记标出。这张图的作用是把后面所有个例图的输入形式先交代清楚——网络看到的是这种以龙卷为中心的 1 km 格距反射率拼图。
环境场来自 HRRR（High-Resolution Rapid Refresh，高分辨率快速刷新）数值预报模式，10 个变量，选取围绕龙卷风暴的热力、动力学和近地面场特征，从原生 3 km 网格双线性插值到 MRMS 的 1 km 网格。所有输入做 min-max 归一化。
网络的输出端每个像元给的不是反射率值，而是 SHASH 分布的四个参数 μ、σ、γ、τ（位置、尺度、偏态、尾部厚度）。图 2 的架构图里，每个输出时刻、每个像元位置上对应的就是这四个数。
个例从 Storm Events 拿到 2020 年 10 月至 2024 年 12 月近 5000 个龙卷个例。输入输出都取在 128x128 的格点框上，对应 1 km 格距即边长 128 km。输入是龙卷发生前 15 个时间步（即 30 分钟）的 MRQC 图像加 10 个 HRRR 变量，共 25 个预测因子；目标是发生后的 15 个时间步 MRQC。
模型结构是 U-Net 3+，作者选它的理由写在可解释性一节里：U-Net 的设计初衷是图像分割而非图像生成，而扩散模型近来在气象上有成功案例，作者认为后者在生成高分辨率反射率图上可能更成功。这条判断意味着这篇里 U-Net 是一个可替换的基线，不是终点方案。
拼图策略是：128×128 的瓦片逐块预测，相邻瓦片重叠 8 像素，移动步长 120 像素，重叠区取像素最大值，最终拼成 368×368 的域。图 3 把不做平滑和做高斯平滑两种拼法的接缝并列展示出来。
数据增强用随机平移，每个个例生成 4 个唯一样本，第一个中心固定在龙卷起始位置，后续对所有输入和目标图像施加一致的随机经纬平移，范围各方向 0 到 96 km，保证平移后风暴仍在图内。增强后训练集规模 18,389 个唯一输入/目标对，按2/3 训练、1/6 验证、1/6 测试划分，先按日期排序再切分——作者说这样避免推理时的交叉污染，测试集里的风暴不会被模型在训练中见过。
项 · 说明
个例总数 · 近 5000 个龙卷个例，2020-10 至 2024-12
输入 · 龙卷前 30 分钟的 15 步 MRQC + 10 个 HRRR 变量 = 25 个预测因子
目标 · 龙卷后 15 个时间步的 MRQC，128x128 格点框
增强后训练规模 · 18,389 个唯一输入/目标对
划分 · 按日期排序后切分，2/3 训练、1/6 验证、1/6 测试
概率输出 · 预测 SHASH 分布参数，30 分钟时效
数据位置 · MRMS 和 HRRR 都在 AWS 公开桶；预处理与训练脚本在 github.com/erickson-wx/TorU
结果数字
作者报告模型能产出物理上合理的反射率演变，全域 RMSE 7.71 dBZ。与 HRRR 的比较是：龙卷发生后 15 分钟、反射率预报、16x16 km 窗口上，U-Net 的 FSS 为 0.73，HRRR 为 0.69。概率校准用 PITD 统计量 0.3，作者形容为「合理的概率校准」。
FSS（Fractions skill score，分数技巧评分）在 40、45、50 dBZ 三个阈值上、用 16x16 邻域窗口评估，从龙卷发生的 T=0 到 T=30 分钟。U-Net 的 FSS 按输出时间步以 2 分钟间隔给出，而 HRRR 因为亚小时数据的时间分辨率限制只能每 15 分钟画一次。
作者对 FSS 曲线形状的描述值得单独拎出来：U-Net 在 T=0 的三个阈值上都优于 HRRR；约 20 分钟后 HRRR 通常略高；到 30 分钟时两者在 40 dBZ 上大致相当，而 HRRR 在更高阈值上更好。这不是一条全程领先的曲线。临近时刻是雷达外推的强项，越往后数值模式的动力场优势越明显。
论文图 2：U-Net 的模型架构图，各层的张量形状标在括号中。图中同时画出了若干卷积/池化层的特征图。
论文图 3：个例研究，左为 MRMS 实况，右为 U-Net 生成的预报。预报取在龙卷生成时刻，即最后一张输入图像之后 2 分钟。MRMS 实况与 U-Net 预报都画在 368×368 网格上，完整预测由 128×128 图像瓦片逐块预测生成，相邻瓦片重叠 8 像素。图 middle 为沿瓦片重叠边界不做平滑的结果，right 为沿重叠边界做高斯平滑的结果，高斯滤波核的标准差为 1。这张图把拼缝伪影和它的缓解方式并列展示出来。
论文图 4：2024 年 4 月 26 日 08:52 UTC 龙卷个例的结果。从左到右依次为 MRMS 实况雷达反射率、U-Net 的中位数预测（即各点预测 SHASH 分布的中位数）、第 25 百分位预测和第 75 百分位预测。实况与预测分别画在龙卷生成时刻附近（T=0，上排）、生成后 15 分钟（T=15，中排）和生成后 30 分钟（T=30，下排）。每块瓦片与相邻窗口有 8 像素重叠。红色轮廓标出美国州界。
论文图 5：与图 4 相同的展示方式，但对应 2024 年 4 月 26 日 16:59 UTC 的龙卷个例。该个例发生在得克萨斯州 Hill County，是一个离散的强对流单体，其中一个单体产生了短暂的 EF2 龙卷。同一组结果里，作者说明中位数预测随时间略微低估反射率，而第 75 百分位预测更接近 MRMS 实况——这句话是后文「预报偏模糊」这一限制的直接证据。
论文图 6：(a) 测试集上第 50 百分位预测与 MRMS 实况之间逐时间步的平均绝对误差；(b) 逐时间步的中位数绝对误差（实线）。阴影表示中位数预测与 MRMS 实况之间误差的 25 和 75 百分位。图中 MAE 在第一个预报步约 3 dBZ，到 30 分钟时略高于 6 dBZ，30 分钟时绝对误差的第 75 百分位略低于 10 dBZ。作者指出误差分布明显右偏，说明少数像元存在较大误差，把均值拉高。
误差随时间往上走这条曲线，和上一段的 FSS 曲线方向一致：越往后越难。
论文图 7：从龙卷生成时刻（T=0）到生成后 30 分钟（T=30）的分数技巧评分（FSS），U-Net 预测为蓝线，前一小时 HRRR 预报为红线。FSS 分别在 40、45、50 dBZ 三个阈值上、用 16×16 邻域窗口给出。U-Net 的 FSS 按输出时间步以 2 分钟间隔计算，HRRR 因亚小时数据的时间分辨率限制只每 15 分钟绘制一次。
论文图 8：(a) U-Net 预报反射率与 MRMS 实况反射率的逐像元比较，左上角给出 Pearson 相关系数和均方根误差。(b) 用 PIT（概率积分变换）直方图衡量模型的概率校准，左上角给出 PITD 统计量。(a) 中低于 30 dBZ 的部分对应较好，高于 30 dBZ 时常出现低估。(b) 中部柱高偏多，说明输出分布比实况真实离散度更宽，即模型略显过度自信——这与后文「概率校准仍有改进空间」是同一件事的两面。
文中给的相关系数是 r² = 0.88、RMSE = 7.71 dBZ。散点图的形状也说明了误差的位置：低值区贴着对角线，高值区系统性落在对角线下方。
论文图 10：训练集上若干特征的 ALE（累积局部效应）曲线。六个面板依次为 (a) 龙卷前 30 分钟的 MRMS 反射率、(b) 前 6 分钟的反射率、(c) 前 2 分钟的反射率、(d) 前一小时 HRRR 预报的 925 mb 温度、(e) 500 mb U 风、(f) 500 mb V 风。每个面板里折线是按特征分箱算出的 ALE 效应量，直方图是该特征值在测试集中的分布。ALE 这个工具回答的是「落在某个特征值区间里，预报结果局部变化多少」，它不像置换重要性那样打乱整个特征，而是顺着特征自己的分布逐箱看。图中较低反射率对应负 ALE，较高反射率对应正 ALE；925 mb 温度和 500 mb V 风在极端取值区的 ALE 变化尤其明显。
论文图 11：SHASH 概率分布的中位数预测（上排）以及中位数预测所依据的逐像元概率密度函数（下排）。左列为龙卷生成时刻（子面板 a、c），右列为生成后 10 分钟（子面板 b、d）。下排的 PDF 按各点 SHASH 分布的标准差参数着色，颜色对应不确定度。发生时刻的对流区既有较高的分布均值、也有较高的标准差；10 分钟后高均值仍在风暴东侧的对流区，但标准差有所下降。这是全文唯一直接展示「不确定度长什么样」的图——它说明模型给出的宽分布不是均匀撒开的，而是跟着强回波区走。
论文图 12：测试集上表现最好与最差个例的输入特征合成。上排是 RMSE 最低（表现最好）的 25 个个例，下排是 RMSE 最高（表现最差）的 25 个个例。从左到右五列依次为：龙卷前 30 分钟的反射率、龙卷前 2 分钟的反射率、500 mb U 风、500 mb V 风、对流有效位能（CAPE）。合成图采用 PMM（概率匹配平均），并且只用风暴居中的样本来构建，以减少随机平移带来的影响。差异最明显的是反射率：最好的一批是范围较大、平滑、组织良好的 QLCS（准线性对流系统）型结构，最差的一批更接近离散超级单体。500 mb U 风两组差别不大；V 风在最好的一批里呈南—北偶极结构，最差的一批则更一致地偏南风；CAPE 在最好的一批里有较清晰的南北梯度，最差的一批更弥散、噪声更大。
论文图 13：与图 12 相同的合成方式和特征顺序，但上排换成测试集中 25 个最「新颖」的个例，下排换成整个测试集的平均合成。新颖性由 VAE（变分自编码器）确定：VAE 在测试集输入上训练后，重建误差最高的个例被视为最新颖。这一组回答的是另一个问题——模型是不是只在自己熟悉的那类输入上表现好。结果是：新颖个例的反射率更常呈高度线性的 QLCS 结构，500 mb U 风较弱且一致偏西风、V 风较强且一致偏南风；而整个测试集的风场更明显呈偶极分布。这个对比说明模型对输入形态的偏好是存在的，只是方向上「新颖」与「好表现」高度重合。
论文图 9：所有用于训练模型特征的分组建模置换重要性。柱条按特征组是否来自 MRMS 或 HRRR 着色。每根柱上的黑色线是分组置换重要性的 5–95 百分位置信区间。结果为测试集上 100 次迭代的平均。柱高是置换某组输入后 SHASH 负对数似然损失的增加量，即 loss(X_p) − loss(X)。
图 9 里最靠近龙卷发生时刻的反射率时间步（提前 2–10 分钟）明显最高，作者给出的量化是：它造成的损失增加约为次要特征组的 7 倍。
论文图 14：(a) 2024 年 4 月 26 日 20:18 UTC 个例龙卷生成前 30 分钟（即第一个输入时间步）的反射率图像；(b) 梯度解释，由各点反向传播梯度的强度衡量；(c) input×gradient 解释，由反射率图像各点的值乘以该点反向传播梯度值得到。d/e/f 与 a/b/c 相同，但对应龙卷生成前最后一个输入时间步（即 2 分钟前）。图中模型主要利用强对流核心，低反射率区域梯度很弱；但主单体以南新出现或已存在的弱对流回波也具有相对较强的梯度，说明即使较弱的新生对流也可能影响后续预测。
可解释性做了什么
作者给了一整套可解释性工具，四种各测一件事：
工具 · 测的是什么
分组置换重要性 · 哪一组变量在驱动预测
ALE（累积局部效应） · 某个特征的变化方向与效应大小的关系
梯度解释 · 图像里的哪些位置在驱动预测
input×gradient · 位置重要性乘以该处输入值
四种工具分工是明确的：置换重要性回答「哪组变量重要」，ALE 回答「这个变量往哪个方向推、推多少」，梯度解释和 input×gradient 回答「图像的哪个位置重要」。两个特征级的工具配两个空间级的工具，覆盖了变量和图像两条线。
置换重要性的结果被平均了 100 次迭代，并给出 5–95 百分位置信区间。
置换重要性跑出来一个作者专门写进「结论与讨论」的结果：后期反射率时间步的重要性远高于早期时间步。作者对此的解读是——这说明模型并没有完全学会跨时间步的时序关系。
这条限定比它看起来更要紧。它意味着模型目前主要在用临近龙卷时刻的反射率图像做外推，跨 30 分钟的时序演化没有真正被建模。作者给的下一步也正是这个方向：引入注意力类架构，让模型学会聚焦多个时间步上的特定区域。
作者承认的限制
迁移到热带气旋龙卷上失败了。作者测试了模型在产生龙卷的热带气旋上的泛化能力，理由是热带气旋龙卷（常记作 TCT）的雷达特征与陆上龙卷不同。结果原文是：模型在一个独立的 TCT 测试集上表现普遍很差，预测非常模糊、技巧很低（未展示数据）。这条不写出来，读者会把这套系统的适用范围高估。
预报偏模糊。作者说当前模型的一个弱点就是预测的模糊化，无论是因为风暴聚集时的边界，还是因为时效变长。可能的改法是改损失函数，加一项惩罚模糊预测的项。
拼图接缝的线性伪影仍然存在。案例研究是把多块 128x128 预测图拼成更大域：步长取 120 像素，留 8 像素重叠，重叠区取像素最大值。作者说即便有小重叠，相邻图块之间也可能出现不连续；对拼缝加高斯滤波（核标准差 1，避免过度模糊）能部分缓解，但伪影在一定程度上仍然存在，还需要进一步探索。他们试过留小缝再线性插值、Tukey/Hann 距离加权、只保留内区 64x64、64 像素重叠取最大值等一系列策略。
概率校准仍有改进空间。当前 PIT 直方图显示略微偏保守，输出分布比实况真实离散度更宽。作者提议做训练后的概率校准，比如微调各个 SHASH 分布参数。
用组合反射率作预测因子本身可能限制业务能力——作者认为这个取舍值得，但未来可以用基反射率训类似模型。
特征集和架构都有可加项：差分反射率 ZDR 和差分相移率 KDP 都能用来判读龙卷潜势，可以作为输入；扩散模型在气象应用上近来有成功，而 U-Net 的设计目的是图像分割不是图像生成，作者认为后者可能在生成高分辨率反射率图上更成功。
一句话判断
这篇的实际贡献是把「雷达临近预报要不要上 UQ」这个问题在龙卷个例上做了正面回答，并给出可比数字：在龙卷发生后 15 分钟、16x16 km 窗口上，0.73 对 0.69 的 FSS 差距，配合 7.71 dBZ 的 RMSE 和 0.3 的 PITD。这三个数一起看，说明它不是一个精度上的碾压，而是把概率信息和可解释性一起交付了。
同一篇里作者写明的边界也同样确定：热带气旋龙卷上迁移失败且未展示数据；拼缝伪影缓解但未消除；概率偏保守；以及置换重要性揭示的模型尚未真正学到时序关系。这些不是待补的小瑕疵，而是决定它离业务还有多远的东西。