问题重述
1.如何利用双偏振雷达的数据有效改进强对流降水的短临预报?要求建立可以提取双偏振雷达数据中的微物理特征信息的模型,进行0-1小时的降水预报。
2.当前一些数据驱动模型存在“回归到均值”的问题,生成的强降水预报往往过于模糊。要求在问题1的基础上,设计模型以生成更真实、更丰富细节的降水预报结果。
3.要求利用雷达反射率Z_H和差分反射率Z_DR,建立模型进行定量降水估计,即利用这两个变量预测降水量。
4.要求设计模型来评估双偏振雷达数据对强降水预报的贡献,并通过优化数据融合策略,与其他数据源集成,以提高强降水检测与预报的准确性。
完整版内容在文末领取噢~
问题一
1.输入输出设计
输入: X = X t − 9 , . . . , X t \boldsymbol{X}={X_{t-9},...,X_{t}} X=Xt−9,...,Xt
其中 X t ∈ R H × W × C X_{t} \in \mathbb{R}^{H×W×C} Xt∈RH×W×C表示时刻t的雷达图像,H、W为高度和宽度,C为通道数。
输出: Y ^ = Y ^ t + 1 , . . . , Y ^ t + 10 \hat{\boldsymbol{Y}}={\hat{Y}{t+1},...,\hat{Y}{t+10}} Y^=Y^t+1,...,Y^t+10
其中 Y ^ t ∈ R H × W \hat{Y}_{t} \in \mathbb{R}^{H×W} Y^t∈RH×W表示时刻t的预测Z_H。
2.卷积特征提取
使用卷积层提取输入的局部特征: F = f ( [ X ; Θ f ] ) \boldsymbol{F}=f([\boldsymbol{X};\Theta_{f}]) F=f([X;Θf])
其中 f f f表示卷积运算, Θ f \Theta_f Θf为卷积层参数。
3.卷积LSTM建模时空相关性
KaTeX parse error: {align} can be used only in display mode.
其中 W W W及 b b b表示权重和偏置参数, i , f , o i, f, o i,f,o表示输入门、遗忘门和输出门。
4.转置卷积上采样
Y ^ = f T ( [ H ; Θ T ] ) \hat{\boldsymbol{Y}}=f^{T}([H;\Theta_{T}]) Y^=fT([H;