关键词:
短临降水预报
U-Net
LSTM
深度学习
雷达回波
摘要:
随着深度学习技术的发展,多数研究工作将短临降水预报视为雷达回波序列的预测任务.由于降水复杂性的非线性时空变换,现有的短临预报存在准确性低、外推时效短、难以应对复杂的非线性时空变换等缺点.为解决以上问题,本文基于U-Net和LSTM提出了S-UNet短临降水预报网络.首先本文提出了S-UNet layer (SL)模块,以帮助网络更好地提取雷达序列特征,构建时空变化的整体趋势,从而提高网络效率,增加网络的外推时长.其次,为更好地应对雷达回波的变形、积累和消散的复杂性,增强网络对复杂的空间关系的捕获能力和运动轨迹的模拟能力,本文基于LSTM构建了雷达特征模块radar feature (RF).最后,将SL模块和RF模块与U-Net框架结合,提出了S-UNet短临降水预报网络,并在KNMI数据集上实现了先进的性能.实验结果表明,在KNMI的NL-50和NL-20数据集上,本文所提的方法与主流方法相比,海德克技能得分和关键成功指数分别提高了5.25%(6.57%)和2.17%(4.75%),达到了0.30 (0.29)和0.72 (0.58);准确率提高了2.10%(1.35%),达到了0.80 (0.80);假接受率降低了4.27%(1.80%),达到了0.24 (0.38).除此之外,本文通过消融实验证明了所提出模块及结合方法的有效性.