Research on quantitative precipitation estimation using polarized radar using deep learning
-
摘要:
文章利用2018—2020年偏振升级改造后的广州S波段双偏振雷达（CINRAD/SAD）82,892个体扫的0.5°仰角数据，以及雷达100km探测范围内1,109个雨量站共计538,560分钟雨量数据，分别构建了单参量，三参量雷达定量降水估测（QPE）深度学习网络架构（Z-Rnet, KDP-Rnet, Pol-Rnet），并以K_DP = 0.5 °/km为阈值，分别训练得到大雨、小雨、总体等9个QPE模型。在常用的均方误差作为损失函数的基础上，本文对不同降水强度采用不同权重，提出了自定义损失函数，并利用比率偏差、相对偏差、均方差、平均绝对误差和平均相对误差作为评价指标对模型进行评估。[结果与结论]通过对以积层混合云为主、以对流云为主和以层状云为主的三次降水过程的模型验证结果表明，利用深度学习训练的模型有较好的QPE效果，区分雨强的小雨、大雨模型比不区分雨强的总体模型的效果要好。采用自定义损失函数模型效果更好，其均方差、平均绝对误差和平均相对误差分别较采用传统均方误差损失函数，提升了8.62%、12.52%、16.34%。自定义损失函数中，采用ZH/ZDR/KDP三参量网络架构训练得到的QPE模型效果最好，其均方差、平均绝对误差和平均相对误差分别较采用ZH的单参量Z-Rnet架构提升了6.82%、8.43%、7.22%；较采用KDP的单参量KDP-Rnet架构提升了12.33%、17.61%、17.26%。
-
点击查看大图
计量
- 文章访问数: 36
- HTML全文浏览量: 4
- PDF下载量: 27
- 被引次数: 0
下载:
