AMS2021｜基于深度学习矫正雷达波束遮挡（包括带字幕视频）

含字幕完整视频及下载链接见文末

地形或其他障碍物所造成的雷达波束阻挡(beam blockage)，是美国一些地区，特别是美国西部山区天气雷达测量结果质量下降的主要原因。波束阻挡影响了几种广泛使用的雷达产品，包括垂直累积液态水(Vertically Integrated Liquid, VIL)、组合反射率(Composite Reflectively)、回波顶高(Echo Tops)、定量降水估计(Quantitative Precipitation Estimates, QPE)等。波束遮挡给这些产品带来了偏差，并限制了其在许多领域的应用，如空中交通管制和定量降水预报。

在这项工作中，我们应用深度学习来降低雷达波束遮挡的影响。研究使用的深度学习卷积神经网络（CNN）架构是基于Resnet模型的成熟框架。Resnet模型的一个优点是，通过在残差块(residual blocks)中加入跳跃层(skip layer)，从而建立了跨层的连接。跳跃层方法有利于避免在常规网络(plain networks)中发现的梯度消失问题。Resnet不仅具有学习和持续改善的能力，而且残差块在初始训练阶段对层进行了简化。

相比于之前所使用的CNN架构而言，Resnet是更深且复杂的神经网络，可以提高准确率。Resnet模型已经用于矫正纠正Corridor Integrated Weather System（CIWS）所生成的VIL拼图的波束遮挡误差。

此工作中在训练模型时结合了多源数据，计算波束遮挡对VIL拼图的影响。输入数据包括原始的VIL、可见光和红外卫星图像和闪电探测数据。

文中介绍了利用没有受到影响的地基雷达的VIL数据和NASA的GPM空基双频降雨雷达VIL数据作为训练集的目标变量。视频中详细解释了这种方法，并给出了新的波束遮挡矫正算法的初步结果。此外，视频中也介绍了对Resnet模型框架的改进，同时讨论了此算法在NOAA Multi-Radar/Multi-Sensor(MRMS)系统中的应用。

报告视频如下

http://mpvideo.qpic.cn/0bf2w4aamaaa5qagbgakhnqfbn6da23qabqa.f10002.mp4?dis_k=79f7efa6a7de3fad9a9c1487d63f56eb&dis_t=1611819537&spec_id=MzIyOTc5NjE4MQ%3D%3D1611819537&vid=wxv_1706276894549082124&format_id=10002

通过以下链接可以获取到视频: https://pan.baidu.com/s/13P1t4TBLeJiRV8epE6jRbA 密码: wu40