基于深度学习的速度伪回波算法与WSR-88D雷达开放式产品生成器相关
摘要：使用多普勒天气雷达提供的径向速度估计是操作预报员用于检测和监测对生活有影响的暴风雨的关键测量值。生成这些测量值的采样方法本质上容易出现混叠问题，即在高风速区域产生模糊的速度数值，并需要使用速度混叠纠正算法（VDA）进行修正。在美国，Weather Surveillance Radar-1988 Doppler (WSR-88D) Open Radar Product Generator (ORPG) 是一个提供世界级 VDA 的处理环境；然而，这个算法复杂，很难适应 WSR-88D 网络之外的其他雷达系统。本研究使用深度神经网络（DNN）来模拟二维 WSR-88D ORPG 速度混叠纠正算法。结果表明，DNN，特别是自定义的 U-Net，非常适用于构建准确、快速且可在多个雷达类型之间传输的 VDA。为了训练 DNN 模型，生成了一个包含折叠和解混叠速度对齐样本的大型数据集。该数据集包含从 WSR-88D Level-II 和 Level-III 存档中收集的样本，并使用 ORPG 速度混叠纠正算法的输出作为真实标准。使用该数据集，训练了一个 U-Net 模型来生成速度图像中每个点的折叠数。使用 WSR-88D 数据展示了几个性能指标。该算法还应用于其他非WSR-88D雷达系统，以展示其对其他硬件/软件接口的可移植性。讨论了该方法的广泛适用性，包括其他 Level-III 算法如何从这种方法中受益。
作者：Mark S. Veillette, James M. Kurdzo, Phillip M. Stepanian, Joseph McDonald, Siddharth Samsi, and John Y. N. Cho
论文ID：2211.13181
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-03-31