留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用深度学习开展偏振雷达定量降水估测研究

皇甫江 胡志群 郑佳锋 朱永杰 尹晓燕 左园园

皇甫江, 胡志群, 郑佳锋, 朱永杰, 尹晓燕, 左园园. 利用深度学习开展偏振雷达定量降水估测研究[J]. 气象学报. doi: 10.11676/qxxb2022.046
引用本文: 皇甫江, 胡志群, 郑佳锋, 朱永杰, 尹晓燕, 左园园. 利用深度学习开展偏振雷达定量降水估测研究[J]. 气象学报. doi: 10.11676/qxxb2022.046
Research on quantitative precipitation estimation using polarized radar using deep learning[J]. Acta Meteorologica Sinica. doi: 10.11676/qxxb2022.046
Citation: Research on quantitative precipitation estimation using polarized radar using deep learning[J]. Acta Meteorologica Sinica. doi: 10.11676/qxxb2022.046

利用深度学习开展偏振雷达定量降水估测研究

doi: 10.11676/qxxb2022.046

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%。

     

  • 加载中
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
出版历程
  • 收稿日期:  2022-02-28
  • 录用日期:  2022-03-29
  • 修回日期:  2022-03-28
  • 网络出版日期:  2022-04-01

目录

    /

    返回文章
    返回