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%。
-

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