-
题名基于多尺度特征深度学习的短临降水预报
被引量：6
- 1
-
-
作者
陈生
黄启桥
谭金凯
梁振清
吴翀
-
机构
中国科学院西北生态环境资源研究院/甘肃省遥感重点实验室/中国科学院黑河遥感试验研究站
南方海洋科学与工程广东省实验室(珠海)
中山大学大气科学学院热带大气海洋系统科学教育部重点实验室
广西区气象技术装备中心
中国气象科学研究院
-
出处
《热带气象学报》
CSCD
北大核心
2023年第6期799-806,共8页
-
基金
中国科学院高层次人才计划项目(E2290702)
广西重点研发项目(2021AB40108、2021AB40137)
+3 种基金
国家自然科学基金项目(41875182)
广东省基础与应用基础研究基金项目(2020A1515110457)
中国博士后科学基金面上资助(2021M693584)
北部湾环境演变与资源利用教育部重点实验室(南宁师范大学)开放基金(NNNU-KLOP-K2103)共同资助。
-
文摘
雷达回波外推是短临降水预报的一种重要方法。针对雷达回波外推中随着外推时间的增加而出现回波演变信息丢失这一问题,本文提出一种多尺度特征融合的深度学习短临降水预报模型(以下简称为MSF2)。首先,采用多尺度的卷积核对网络的浅层信息进行特征提取,弥补单一特征检测带来的不足。其次,将不同维度的特征信息进行拼接及通道混洗,进一步增强特征图通道之间的信息流通和信息表达能力。最后,将特征图中的多尺度信息进行融合,从而有效保留不同尺度的特征信息。利用华南雷达回波拼图资料数据,在3种不同降水强度(5 mm/h、10 mm/h和25 mm/h)下进行降水预报研究,并与光流法和ConvLSTM两种主流算法进行了对比。结果显示,在3种不同降水强度条件下,MSF2在所有评价指标(命中率POD、临界成功指数CSI、误报率FAR)中表现最优,这表明引入多尺度机制能改善模型的特征提取能力。相比于目前主流的光流法和ConvLSTM,本文提出的模型对于短临降水预报具有较好的适用性和较高的预报精度,而且实现了业务化运行。
-
关键词
短临预报
深度学习
多尺度特征
光流法
ConvLSTM
-
Keywords
nowcasting
deep learning
multi-scale features
optical flow
convLSTM
-
分类号
P457.6
[天文地球—大气科学及气象学]
-
