文档名：基于深度时空融合网络的雷达回波外推模型
摘要：基于深度学习的雷达回波外推是实现短临降水预报的重要方法,由于雷达回波数据具有显著的非刚性的运动特征,使得数据的统计特性随时间在不断变化,意味着其具有高阶非平稳性,而现有深度学习方法难以捕捉回波序列的非刚性运动特征,且难以建模雷达数据的高阶非平稳性.为此,本文针对雷达数据特征提出了一种新的时空融合网络STUNNER(Spatio-TemporalFusionNeuralNetwork).STUNNER设计了一种两路时空融合架构,通过交叉连接时间差分网络和时空轨迹网络实现高效的雷达回波外推.时间差分网络通过引入差分的思想提取高阶非平稳数据中平稳性特征来学习雷达回波的长期趋势,时空轨迹网络利用动态卷积将卷积循环神经网络中普通卷积固定的参数采样位置优化为随时间变化的动态位置来提取雷达回波的瞬时变化,同时采用两路融合策略将长期趋势与瞬时变化融合,实现长短时关联记忆.所提模型与其他四个模型在两个公开数据集上进行了实验对比.在雷达回波外推任务中当雷达反射率阈值为45dBZ时,STUNNER在POD(ProbabilityOfDetection)、CSI(CriticalSuccessIndex)、FAR(FalseAlarmRate)上相比MIM(MemoryInMemory)分别优化了0.020,0.023,0.043.实验结果表明新模型在处理雷达回波外推任务上具有更高的准确率.
作者：方巍 庞林 易伟楠 Author：FANGWei PANGLin YIWei-nan
作者单位：南京信息工程大学计算机学院数字取证教育部工程研究中心,江苏南京210044;气象灾害国家重点实验室,北京100081;南京信息工程大学江苏省大气环境与装备技术协同创新中心,江苏南京210044;中国气象局气象干部培训学院,北京100081南京信息工程大学计算机学院数字取证教育部工程研究中心,江苏南京210044;中国气象局气象干部培训学院,北京100081南京信息工程大学计算机学院数字取证教育部工程研究中心,江苏南京210044
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(9)
分类号：TP399
关键词：雷达回波外推 短临降水预报 高阶非平稳性 动态卷积 两路时空融合
Keywords：radarechoextrapolation precipitationnowcasting high-ordernon-stationarity dynamicconvolution twostreamspatio-temporalfusion
机标分类号：P435TN967.5TP391.41
在线出版日期：2023年12月26日
基金项目：基于深度时空融合网络的雷达回波外推模型[
期刊论文] 电子学报--2023, 51(9)方巍 庞林 易伟楠基于深度学习的雷达回波外推是实现短临降水预报的重要方法,由于雷达回波数据具有显著的非刚性的运动特征,使得数据的统计特性随时间在不断变化,意味着其具有高阶非平稳性,而现有深度学习方法难以捕捉回波序列的非刚性运...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于深度时空融合网络的雷达回波外推模型 Radar Echo Extrapolation Model Based on Deep Spatio-Temporal Fusion Neural Network
基于深度时空融合网络的雷达回波外推模型.pdf
- 文件大小:
- 3.69 MB
- 下载次数:
- 60
-
高速下载
|
|
