一种雷达回波外推短临预报方法仿真

雷达回波外推结果是短临预报的基础,为获取准确短临预报内容,并提升预报内容的时效性,研究基于循环动态卷积的雷达回波外推短临预报方法.在动态卷积神经网络的基础上,参考循环神经网络结构特性,构建循环动态卷积神经网络,在卷积层内引入循环结构,生成外推雷达回波图像同过去一段时间内输入雷达回波图像序列间的相关性.在循环动态子网络内...     

基于卷积神经网络的雷达回波外推方法

雷达回波外推技术目前被广泛应用于临近预报中。针对传统雷达回波外推方法存在外推时效较短,对雷达资料数据利用率不高的问题,采取深度学习的方法,提出了一种基于输入的动态卷积神经网络（DCNN-I）模型。根据相邻时刻的雷达回波图像之间相关性强的特点,该网络模型中增加了动态子网络和概率预测层,建立了卷积核与输入图像的映射关系,使卷积核在网络测试阶段仍然能够根据输入雷达回波图像的不同而变化,增强了预测图像与输入图像之间的关联。以南京、杭州、厦门三地的雷达数据为样本进行实验,实验结果表明,与传统的雷达回波外推方法相比,所提方法能够获得更高的预测图像准确率,并且有效延长外推时效。     

基于卷积神经网络的天气雷达回波外推模型

常用天气雷达回波外推方法建立的天气雷达回波外推模型,设置编码器和预测器长度和步长偏小,导致模型外推预测天气精度低,于是提出基于卷积神经网络的天气雷达回波外推模型.转换雷达图像数据集坐标,计算天气变化粒子的经纬度值,修正天气变化粒子距离地面高度,预处理天气雷达图像数据;将卷积神经网络分为正向传播和反向传播两种,分别训练卷积神经网络数据传播过程;采用卷积层和采样层交替布置的方式,设置编码器和预测器长度和步长,建立天气雷达回波外推模型预测天气.实验结果表明:对比三组天气雷达回波外推模型,所设计模型具有较高的外推预测精度.     

基于卷积门循环单元和气象雷达图像的临近降水预报

现有的深度神经网络预测模型主要是通过学习单一高度下的雷达回波图像序列的特征预测未来时间段回波序列.然而,这种模型并不能直接预测目标站点未来一段时间内的降水量.鉴于此,提出了一种基于卷积门循环单元(Con-volutional Gated Recurrent Unit,ConvGRU)神经网络的临近降水预报模型.对目标站点不同高度的雷达回波图像做卷积,同一高度的卷积图像通过GRU(Gated Recurrent Unit)学习云团运动过程中的时序特征,将不同高度时序图像的学习特征聚合到全连接层中进行训练,输出目标站点未来1h～2h的降水量.实验分析表明,该模型在未来1h～2h的降水预报中取得了较好的预报精度.     

面向降雨预报的雷达回波预测序列外推方法

雷达回波外推方法广泛应用于降雨预报中。针对雷达回波中的预测精度不够高的问题,提出了一种基于循环神经网络的深度学习模型DIPredRNN。该模型通过引入空间和通道的双注意力机制,将长时间的时间信息和通道信息结合起来,提高了时间记忆的长期依赖;通过引入隐藏状态和输入的交互框架,保留了更多的特征,提高了时间记忆的短期依赖。该模型在HKO-7数据集和四川数据集上同经典模型以及诸多先进模型进行实验对比,该模型从外推图像、MSE、SSIM、CSI-30～50 dbz多个指标对比中都取得最佳效果。实验证明了DIPredRNN提高了雷达回波预测效果,拥有先进的性能。     

自注意力机制改进U-Net网络的强积冰云层预测

针对传统时空序列的雷达回波外推方法易出现低层信息及强回波区信息丢失的问题,提出了一种适用于任意尺寸特征图输入的新型GC-ResUNet网络预测模型。模型主框架采用U-Net神经网络解决了低层信息丢失的问题,同时引入GCNet自注意力机制解决了强回波区特征丢失的问题。以2018—2020年间沿海雷达回波拼图为数据样本,以临界成功指数、探测率、虚警率为评价标准进行实验。仿真结果表明,该模型对于未来1?h内的中低强度回波的预测成功率相比于传统光流法提升20%左右,对于强回波的预测成功率提升33%~70%。     

基于ConvLSTM的改进雷达回波外推方法研究

海上大风及其引发的次生灾害是导致海洋气象灾害的主要因素;雷达观测数据是临近预报主要参考数据之一,准确的雷达外推数据对于提升海上强对流大风临近预报能力极为关键;面向海上大风预报需求和大风天气雷达回波特征,从输入数据格式和损失函数两方面对ConvLSTM进行改进,在损失函数中增加观测真实值作为系数提高强回波影响,构建了基于自编码的ConvLSTM网络,利用4年的沧州历史雷达回波数据对其进行训练,得到了可基于历史1 h雷达数据预测未来1 h雷达回波的雷达回波外推模型;测试集及个例检验结果表明,改进模型在强回波预测方面具备更好效果。     

基于CNN和MC的水文时间序列预测组合模型

对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。     

基于局部特征的卷积神经网络模型

传统卷积神经网络对于特征不明显或歧义性大的图像识别率较低。针对该问题,在卷积神经网络的基础上通过增加局部特征提取层和概率权重综合层,构建基于局部特征的卷积神经网络模型。该模型对输入图像的局部进行识别,得到局部图像的分类概率信息,综合分析所有局部图像的分类概率信息得到最终网络输出。手写字符识别实验结果表明,与经典的卷积神经网络模型相比,该模型识别率较高,尤其是在输入图像特征较为模糊的情况下优势更为明显。     

基于卷积神经网络的雷达目标检测方法

雷达目标检测近年来一直是雷达信号处理中的重要任务,在探测监控等安全领域中有非常重要的作用;针对传统恒虚警目标检测方法存在的环境适应能力较弱、复杂地形环境下雷达虚警数量急剧上升等问题,提出一种基于卷积神经网络的雷达目标检测方法;以雷达回波信号数据处理后得到的距离-多普勒图像作为模型的训练集和测试集,设计基于FasterR-CNN结构的雷达目标检测模型,训练模型并将测试结果与传统恒虚警目标检测算法结果相比较,所设计的模型提升了雷达目标检测正确率并较大地减少了虚警数量,这表明将卷积神经网络应用于雷达回波信号的处理任务中是可行的。     

对抗型长短期记忆网络的雷达回波外推算法

目的 雷达回波外推是进行短临降水预测的一种重要方法,相较于传统的数值天气预报方法能够实现更快、更准确的预测。基于卷积长短期记忆网络（convolutional long short-term memory network,ConvLSTM）的回波外推算法的效果优于其他的深度学习外推算法,但是忽略了普通卷积运算在面对局部变化特征时的局限性,并且在外推过程中将损失函数简单定义为均方误差（mean squared error,MSE）,忽略了外推图像与原始图像的分布相似性,容易导致信息丢失。为解决以上不足,提出了一种基于对抗型光流长短期记忆网络（deep convolutional generative adversarial flow based long short-term memory network,DCF-LSTM）的回波外推算法。方法 首先,采用光流追踪局部特征的方式改进ConvLSTM,突破了一般卷积核面对局部变化特征的限制。然后,以光流长短期记忆网络（flow based long short-term memory network, FLSTM）作为基本模块构建外推模型。最后,引入对抗网络,与外推模型组成端到端的博弈系统DCF-LSTM,两者交替训练实现外推图像分布向原图像分布的拟合。结果 在4种不同的反射率强度下进行了消融研究,并与3种主流的气象业务算法进行了对比。实验结果表明,DCF-LSTM在所有评价指标中表现最优,尤其在反射率为35 dBZ的条件下。结论 由实验结果可知,引入光流法能够使模型具有更好的抗畸变性,引入深度卷积生成对抗网络（deep convolutional generative adversarial network,DCGAN）判别模块能进一步增加结果的准确性。本文提出的DCF-LSTM回波外推算法相比于其他算法,雷达外推准确率获得了进一步提升。     

深度特征选择网络在雷达信号识别中的应用

在现有的雷达辐射源信号识别研究中,传统人工提取到的特征虽具有较为良好的物理表征,但特征中还存在冗余、噪声特征,而通过深度神经网络虽可以挖掘到对信号更深层次的表达,但其特征存在的“黑箱”难以解释性无法避免.结合人工特征良好的物理表征性和深度学习强大的学习能力,本文提出将一种深度特征选择网络（DFS,Deep Feature Selection）应用到雷达信号识别技术中.DFS通过在深度神经网络的输入层和第一隐藏层之间增添一对一层,获取针对每维特征与分类相关性度量得到的权值,以此权值作为衡量标准,加强敏感特征的输入影响,削弱冗余、噪声特征的输入影响,提高分类准确率.方法先对雷达信号提取复杂度特征、小波脊频级联特征、信息熵特征,合并建立原始特征集,利用DFS进行学习训练,以达到在输入级别实现特征选择的目的.本文已利用上述方法对5类辐射源信号进行仿真实验,识别效果良好,验证了方法有效.     

基于Halo注意力机制的双阶段临近降水预报网络

先前基于深度学习进行临近降水预报的方法试图在统一架构中建模雷达回波的时空演变, 然而, 这些方法可能难以完全捕捉到这种复杂的时空关系. 本文提出了一种基于Halo注意力机制的双阶段临近降水预报网络, 该网络将降水预测的时空演变过程分为运动趋势预测和空间外观重建两个阶段. 首先, 可学习光流模块对雷达回波的运动趋势进行建模并生成粗略的预测结果. 其次, 特征重建模块对历史雷达回波序列的空间外观变化建模并对粗粒度预测结果的空间外观进行特征细化重建, 生成精细的雷达回波图. 通过在CIKM数据集上的实验表明, 本文所提出的方法与主流方法相比, 平均的海德克技能得分和关键成功指数分别提高了4.60%和3.63%, 达到了0.48和0.45; 结构相似性提高了4.84%, 达0.52; 均方误差降低了6.13%, 达70.23.     

基于注意力长短时记忆网络的中文词性标注模型

针对传统的基于统计模型的词性标注存在人工特征依赖的问题,提出一种有效的基于注意力长短时记忆网络的中文词性标注模型。该模型以基本的分布式词向量作为单元输入,利用双向长短时记忆网络提取丰富的词语上下文特征表示。同时在网络中加入注意力隐层,利用注意力机制为不同时刻的隐状态分配概率权重,使隐层更加关注重要特征,从而优化和提升隐层向量的质量。在解码过程中引入状态转移概率矩阵,以进一步提升标注准确率。在《人民日报》和中文宾州树库CTB5语料上的实验结果表明,该模型能够有效地进行中文词性标注,其准确率高于条件随机场等传统词性标注方法,与当前较好的词性标注模型也十分接近。     

星载雷达在评估地基天气雷达非降水回波识别算法效果中的应用

非降水回波识别算法的效果直接影响着雷达数据后续应用（如定量降水估测）的结果，因此对其进行客观定量检验是很重要的。文中所用算法在SWAN系统雷达反射率因子质量控制算法基础上增加了晴空回波识别算法，使用回波延展度因子并增加高度限制来对晴空回波进行识别和去除。使用星载雷达反射率强度数据与非降水回波去除前后的地基雷达数据进行时空匹配，对非降水回波识别算法效果进行客观的直观和定量验证。参照星载雷达观测结果，文中算法针对与降水回波无混叠的超折射回波有很好的识别效果，效果优于存在降水与超折射混叠的情况,当降水回波中存在与超折射回波水平纹理相近的对流降水时，经算法处理后该部分回波会丢失部分信息。针对存在降水与超折射回波混叠的情况，将算法处理前后的地基雷达降水区域反射率因子分别与星载雷达数据进行比较，结果表明经算法处理后的数据更接近星载雷达观测值。评价结果可为算法适用性分析及改进提供依据。     

星载雷达在评估地基天气雷达非降水回波识别算法效果中的应用

非降水回波识别算法的效果直接影响着雷达数据后续应用（如定量降水估测）的结果,因此对其进行客观定量检验是很重要的。文中所用算法在SWAN系统雷达反射率因子质量控制算法基础上增加了晴空回波识别算法,使用回波延展度因子并增加高度限制来对晴空回波进行识别和去除。使用星载雷达反射率强度数据与非降水回波去除前后的地基雷达数据进行时空匹配,对非降水回波识别算法效果进行客观的直观和定量验证。参照星载雷达观测结果,文中算法针对与降水回波无混叠的超折射回波有很好的识别效果,效果优于存在降水与超折射混叠的情况,当降水回波中存在与超折射回波水平纹理相近的对流降水时,经算法处理后该部分回波会丢失部分信息。针对存在降水与超折射回波混叠的情况,将算法处理前后的地基雷达降水区域反射率因子分别与星载雷达数据进行比较,结果表明经算法处理后的数据更接近星载雷达观测值。评价结果可为算法适用性分析及改进提供依据。     

A GIS-based methodology for the assessment of weather radar beam blockage in mountainous regions: two examples from the US NEXRAD network

The US National Weather Service (NWS) has installed a large network of weather Surveillance radars (WSR-88D) that provide precipitation maps for the United States. Many of these radars operate in mountainous regions and consequently suffer from beam blockage caused by terrain obstacles. The authors present a methodology for assessing the severity of the beam blockage and outline its implications for radar-derived precipitation estimates. The methodology involves the calculation of two-dimensional maps of power loss using a digital elevation model (DEM)-based algorithm of beam propagation for different radar antenna elevation angles. Using a large sample of actual radar data, the authors compare the simulated beam blockage results with the probability of detection of radar reflectivity above a certain threshold. The authors also compare their results with similar but coarser resolution blockage maps developed by the NWS and used in the NEXRAD system. For visualization, ArcGIS software is used to illustrate the results and offer a physical interpretation of the analyses. The study involves two NEXRAD sites: KRLX in Charleston, West Virginia and KEMX in Tucson, Arizona. The KRLX site does not suffer from significant blockage except for a single narrow sector. By contrast, the KEMX site contains several areas of blockage. The authors conclude that DEM-based prediction of radar beam occultation is a viable tool, as indicated by the good agreement of the calculated patterns of power loss with the actual long-term radar data.