科研之友
微信
新浪微博
Facebook
分享链接
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-Temporal Fusion Neural Network). 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45 dBZ时，STUNNER在POD (Probability Of Detection)、CSI(Critical Success Index)、FAR(False Alarm Rate)上相比MIM(Memory In Memory)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.
-
单位中国气象局气象干部培训学院; 南京信息工程大学
