气象大数据

降水临近预报：雷达外推与对户外作业、运维的意义

· 南京运梦科技算法团队 · 评审 算法负责人

降水临近预报：雷达外推与对户外作业、运维的意义 封面

降水什么时候落到工地、能下多大、几点停——这个朴素到家的问题，几乎是户外作业、电站运维和应急调度每天都要回答的。它对应气象学里一个专门的尺度：降水临近预报（precipitation nowcasting），通常指未来 0–2 小时、空间到公里级、时间到分钟级的逐格点降水预测。一个常被工程团队忽略的事实是：在这个尺度上，大家平时最信赖的数值天气预报（NWP）并不是主角，真正挑大梁的是雷达回波外推，再叠加光流、概率/集合与深度学习（如 DGMR、PySTEPS 的思路）。本文把临近预报的方法体系、它和 NWP 的分工边界讲清楚，再落到户外作业窗口、电站运维与风光功率超短期这些与新能源直接相关的用途上。

关键要点

  • 0–2 小时降水临近预报的主力是雷达回波外推，而非 NWP：直接把当前雷达观测到的降水回波场沿其移动方向向前平移、演变，而不是去求解大气物理方程。
  • NWP 在临近尺度有"启动期（spin-up）"短板：模式从初始场发育出协调一致的对流、降水场需要若干小时，前 1–2 小时的降水常被系统性低估或落区错配，恰好落在临近预报最关键的窗口。
  • 方法谱系从简单到复杂：刚体平移外推 → 光流估计非刚性运动 → 概率/集合外推刻画不确定性 → 深度学习直接学习回波生消（DGMR、PySTEPS 是两类代表）。复杂度换来对生消、形变的更好刻画，但都受"可预报性"物理上限约束。
  • 它的价值不在"更准的雨量"，而在"更早、更可信的窗口判断"：决定高空作业能不能继续、巡检/吊装/电缆敷设排在几点、雷电预警要不要拉响。
  • 对新能源而言，降水/对流临近预报是风光功率超短期订正的有用特征：阵风锋、强对流带来的辐照骤降与风速爬坡，正发生在 NWP 反应不过来的 0–2h 段。

为什么这一段 NWP 不灵：spin-up 与可预报性

临近预报为什么要"另起炉灶"，根子在 NWP 短临尺度的两个固有短板。

一是启动期（spin-up）。 数值预报从初始分析场出发，模式内部的动力、热力、微物理过程要一段时间才能调整到彼此协调，尤其对流和降水这类强非线性小尺度过程。于是预报开头的前若干小时，降水场往往偏弱、偏散、和实况对不齐；等模式"反应过来"、结构发育成熟，常已过了最在意的 0–2h。即便对流可分辨的高分辨率模式，也只是缓解而非消除。

二是可预报性（predictability）的物理上限。 对流尺度系统寿命短、混沌强，初始场里一点观测误差会在小时量级被快速放大，单体雷暴几十分钟后的精确位置存在内禀不确定性。临近预报承认这一点：它不追求"算出"未来的对流，而是充分利用刚观测到的实况把已存在的回波向前外推——0–2h 内"刚观测到的现在"比"从初始场算出的未来"信息量更大。Germann 与 Zawadzki（2002）从大陆雷达图像出发，量化了降水可预报性随尺度衰减的规律。

所以行业普遍做法是分工而非二选一：0–2h 以雷达外推为主，2–6h 是外推技巧衰减、NWP 技巧上升的过渡带（常用统计/机器学习做 blending），6h 以上交还给 NWP。这也呼应了全球预报模式选型对比里的一点：3h 内单纯依赖任何全球模式都不够。

方法谱系：从刚体平移到深度学习

临近预报的核心输入是雷达反射率（回波）——近实时、覆盖广、分钟级更新，直接反映"哪里正在下、下多大"。方法演进，本质是对"回波怎么动、怎么变"刻画得越来越细。

第一档，刚体平移外推。 假设降水系统短时间内形态不变、整体平移：用相邻两帧回波估计整体位移矢量（如经典 TREC/COTREC 类交叉相关追踪）再按此速度外推。简单、稳健、极快，对层状云和移动稳定的雨带尤其有效，至今仍是很多业务系统的基线。

第二档，光流（optical flow）。 刚体平移描述不了系统内部的差异运动。光流法把回波看作随时间演变的亮度场，逐像元估计运动矢量，捕捉雨带的旋转、切变、局部加速；配合半拉格朗日平流方案外推，在保持回波形态、处理非刚性运动上明显优于单一平移，是开源临近预报库里的常见主力。

第三档，概率与集合外推。 单条"最可能轨迹"回答不了"这场雨多大概率在 13:30 前落到工地"。以 STEPS（Bowler 等，2006）为代表的概率临近预报把确定性外推与随机扰动结合：用尺度分解区分大尺度（外推为主）与小尺度（随机噪声表征），生成集合成员，输出降水的概率分布而非单值，并与降尺度后的 NWP 做 blending。开源实现 PySTEPS（Pulkkinen 等，2019）把"外推 + 概率/集合 + blending"工程化，成了常用基础设施。这类方法对要做风险决策的运维/作业窗口尤其有用——它直接给出"超过某阈值的概率"。

第四档，深度学习外推。 用卷积/循环网络（ConvLSTM 思路）或生成式模型，直接从历史回波序列学习"下一帧长什么样"，把运动估计与生消演变一并交给网络。DeepMind 的 DGMR（Ravuri 等，2021，Nature）有代表性：它用深度生成模型对雷达观测做概率式临近预报，生成一组类集合样本，对流的空间覆盖与发展刻画好于纯平流，且不过度高估强度。代价是对训练数据、雷达质控依赖强；纯回归式网络还易出现回波"过度平滑/模糊"——预测越往后越像被抹糊的一团，这恰反映了可预报性的物理上限，也正是 DGMR 这类生成式方法想绕开"均值回归"的动机。

须强调：以上各档都受同一条可预报性曲线约束，时效越长、尺度越小，技巧衰减越快。方法升级能把曲线抬一点、过渡带往后推一点，但不可能把 0–2h 的不确定性变成确定性。任何"精确到分钟、精确到楼栋"的承诺都该警惕。

误差与边界：怎么算"准"

评估临近预报不能只看一个 RMSE。降水是间歇、偏态、强空间相关的变量，常用一组互补指标：命中/空报/漏报（列联表的 POD、FAR、CSI/TS 评分）回答"该报的报到没有、报了的对不对"；位置误差——雨量量级对了但落区偏几公里，对"落到我头上没有"是致命的；概率评分（Brier 分数、可靠性图）看"说 70% 概率时，是否真有约 70% 兑现"。

几条经验：技巧随时效快速衰减，0–60 分钟通常远好于 60–120 分钟；层状云、规整雨带可预报性高，孤立强对流、快速生消的单体低；雷达的地物杂波、衰减、波束遮挡、零度层亮带都会污染回波，外推前的质控往往比外推算法本身更影响结果。具体数字强依赖雷达网、地形、季节与个例，不宜跨场景照搬，更不能当成对外承诺。

对户外作业与运维：把预报变成"窗口"

临近预报的落地形态，常常不是一张雨量图，而是一个可执行的时间窗口判断。

  • 高空与吊装作业：风电叶片吊装、塔筒组立、检修登高对雷暴和阵风极敏感。临近预报 + 雷电临近预警能量化"未来 30–60 分钟本场站上空对流抵达概率"，决定继续还是收工——价值在提前量而非精确雨量。
  • 巡检与电气作业：组件冲洗、电缆敷设、开关柜带电作业排程，可用 0–2h 降水概率把作业插到雨歇窗口，减少返工和安全事件。
  • 应急与防汛防雷：升压站、集电线路、场内道路在短历时强降水下可能内涝或冲毁，雷击直接威胁人员设备；分钟级落区外推 + 雷电外推为现场争取转移、加固和停工避雷的窗口。

共同点：决策对时间提前量和概率可信度的敏感度，远高于对雨量绝对值的敏感度。所以选型上，能输出概率/集合的临近预报，往往比只给单值的更新一帧更有用。

对新能源功率预测：被低估的超短期特征

切到风光功率预测，降水/对流临近预报的价值常被低估。功率预测最难的恰是超短期 0–4h（两个细则里 15 分钟步长的考核区），正是 NWP spin-up 失灵、强对流最易制造剧烈波动的窗口：

  • 光伏侧：对流云、雷暴几十分钟内让地面辐照骤降又回升，单看 NWP 辐照场跟不上。把"未来 0–2h 强回波/对流逼近概率"作为特征喂给偏差订正模型，能提前感知辐照急跌风险。配套的可见光/红外云团外推思路见光伏超短期：云团外推临近预报。
  • 风电侧：强对流的**阵风锋（gust front）**带来短时风速爬坡和风向突变，对爬坡事件预报（ramp forecasting）是高价值信号；临近预报捕捉到的对流移动可作为爬坡概率的前置预警。
  • 运行与考核：极端对流往往同时冲击发电量和电网偏差考核，把临近预报纳入超短期链路，有助于在波动来临前调整申报与备用策略。

合理姿势仍是融合：0–2h 以雷达临近预报/外推产物为主导特征，向 NWP 平滑过渡，而非指望任何单一数据源通吃全时效。

在运梦气象 API 上手

先把数据口径说清：南京运梦科技的运梦气象 API 提供 ERA5（历史回测，再分析数据集本身覆盖 1940 年至今，产品历史数据范围为 1950 年至今）与德国气象局（预报）双数据源，统一通过 downloadSync 接口按 dataSourceId 与 fields 取数。需客观指出：逐格点的雷达回波临近预报产物依赖分钟级雷达观测，本身不在上述再分析/中期预报数据源范畴内，其外推链路通常要对接专门的雷达数据。运梦气象 API 在这里的合适定位，是为临近预报建模提供历史降水/辐照/风场的回测样本与未来时段的预报背景场。

例如做"对流天气下功率急跌"的历史复盘、给超短期订正模型造训练标签时，先用 ERA5 拉一段长历史的降水、辐照与风场：

import os, requests

API = "https://console.yun-meng.top/api/energy-weather/search/weather/action/downloadSync"

payload = {
    "dataSourceId": "era5",            # 历史回测：复盘对流过程、构造超短期订正样本
    "lat": 31.5, "lon": 118.5,          # 场站单点
    "stime": "2020-06-01 00:00",
    "etime": "2022-09-30 23:00",        # 覆盖多个汛期/对流季
    "fields": ["pr", "rsds", "uas", "vas", "tas"],   # 降水、辐照、近地面风、气温
    "timezone": "8"
}

resp = requests.post(
    API,
    headers={"Authorization": f"Bearer {os.environ['YUNMENG_TOKEN']}"},
    json=payload, timeout=600
)
resp.raise_for_status()
result = resp.json()
if not result.get("success"):
    raise RuntimeError(result.get("msg", "查询失败"))

data = result["data"]
print(len(data["timeList"]), data["pr"][0], data["rsds"][0])

切到预报背景场时，把 dataSourceId 换成 ger（德国气象局），时间窗调到未来即可，字段名保持一致。字段含义与单位见数据要素解释，接口参数以 API 参考文档为准；预报源详情见德国气象局预报，历史回测源见 ERA5 数据产品。一句工程提醒：临近预报先把"现在"观测好、质控好，比急着上深度学习更划算；接到风光超短期链路时，要的是"提前量"和"概率"，不是逼模型在 0–2h 给出精确雨量。

常见问题

Q：降水临近预报为什么不直接用数值天气预报（NWP）？ A：NWP 存在启动期（spin-up）——从初始场到产生协调一致的对流、降水场需要若干小时，前 1–2 小时的降水常被低估或落区错配；加上对流尺度本身可预报性低。0–2h 内直接外推刚观测到的雷达回波信息量更大，所以这一段以外推为主、NWP 为辅。

Q：雷达回波外推具体怎么做？ A：用相邻几帧回波估计运动（从整体平移到逐像元光流），再在"短时间内回波形态变化有限"的假设下把当前回波沿运动方向平移、演变到未来。进一步的概率/集合方法（STEPS、PySTEPS）和深度学习方法（DGMR），会额外刻画不确定性与回波的生消形变。

Q：临近预报对风光功率预测有什么用？ A：超短期 0–4h 正是 NWP 失灵、强对流制造剧烈波动的窗口。把"未来 0–2h 强对流/强回波逼近概率"作为特征，可提前感知光伏辐照急跌、风电阵风锋爬坡，提升超短期订正与爬坡事件预报。须注意逐格点雷达临近预报需对接专门雷达数据，不在 ERA5/德国气象局数据源范畴内。

引用与参考

Germann, U., & Zawadzki, I. (2002). Scale-Dependence of the Predictability of Precipitation from Continental Radar Images. Part I: Description of the Methodology. Monthly Weather Review, 130(12), 2859–2873. DOI: 10.1175/1520-0493(2002)130<2859:SDOTPO>2.0.CO;2

Bowler, N. E., Pierce, C. E., & Seed, A. W. (2006). STEPS: A probabilistic precipitation forecasting scheme which merges an extrapolation nowcast with downscaled NWP. Quarterly Journal of the Royal Meteorological Society, 132(620), 2127–2155. DOI: 10.1256/qj.04.100

Pulkkinen, S., Nerini, D., Pérez Hortal, A. A., Velasco-Forero, C., Seed, A., Germann, U., & Foresti, L. (2019). Pysteps: an open-source Python library for probabilistic precipitation nowcasting (v1.0). Geoscientific Model Development, 12(10), 4185–4219. DOI: 10.5194/gmd-12-4185-2019

Ravuri, S., Lenc, K., Willson, M., Kangin, D., Lam, R., Mirowski, P., Fitzsimons, M., et al. (2021). Skilful precipitation nowcasting using deep generative models of radar. Nature, 597, 672–677. DOI: 10.1038/s41586-021-03854-z