ISSN 1004-4965

CN 44-1326/P

用微信扫描二维码

分享至好友和朋友圈

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

一种雷达回波外推的注意力融合和信息回忆的LSTM方法

程勇 钱坤 康志明 何光鑫 王军 庄潇然

程勇, 钱坤, 康志明, 何光鑫, 王军, 庄潇然. 一种雷达回波外推的注意力融合和信息回忆的LSTM方法[J]. 热带气象学报, 2023, 39(5): 653-663. doi: 10.16032/j.issn.1004-4965.2023.057
引用本文: 程勇, 钱坤, 康志明, 何光鑫, 王军, 庄潇然. 一种雷达回波外推的注意力融合和信息回忆的LSTM方法[J]. 热带气象学报, 2023, 39(5): 653-663. doi: 10.16032/j.issn.1004-4965.2023.057
CHENG Yong, QIAN Kun, KANG Zhiming, HE Guangxin, WANG Jun, ZHUANG Xiaoran. An Attention Fusion and Information Recall LSTM Method for Radar Echo Extrapolation[J]. Journal of Tropical Meteorology, 2023, 39(5): 653-663. doi: 10.16032/j.issn.1004-4965.2023.057
Citation: CHENG Yong, QIAN Kun, KANG Zhiming, HE Guangxin, WANG Jun, ZHUANG Xiaoran. An Attention Fusion and Information Recall LSTM Method for Radar Echo Extrapolation[J]. Journal of Tropical Meteorology, 2023, 39(5): 653-663. doi: 10.16032/j.issn.1004-4965.2023.057

一种雷达回波外推的注意力融合和信息回忆的LSTM方法

doi: 10.16032/j.issn.1004-4965.2023.057
基金项目: 

国家自然科学基金项目 41975183

国家自然科学基金项目 41875184

广东省“珠江人才计划”引进创新创业团队项目 2019ZT08G669

详细信息
    通讯作者:

    康志明,男,福建省人,研究员级高级工程师,硕士,主要从事集合预报和定量降水预报等研究。E-mail: kangzm@cma.gov.cn

  • 中图分类号: P456

An Attention Fusion and Information Recall LSTM Method for Radar Echo Extrapolation

  • 摘要: 临近天气预报是气象研究中的热点问题,雷达回波外推技术作为处理临近天气预报的有效手段,具有重要的应用价值。近年来,深度学习技术被应用于处理这一任务,但提高雷达回波外推的预报准确率仍然是一个具有挑战性的问题。在ST-LSTM网络基础上,本文提出一种AFR-LSTM网络,以进一步提高雷达回波外推的预报准确率。首先提出一种注意力融合的时空长短期记忆网络的方法,以关联更多的历史信息,保证信息在传递过程中能够充分关联,减少信息丢失。同时,考虑编码过程中信息丢失问题,在编码器与解码器之间构建信息回忆模块,进一步保存雷达回波预测细节。通过在真实的雷达回波数据集(2019—2021江苏气象雷达数据)上进行消融实验,AFR-LSTM整体效果较好。此外,对该雷达回波数据集进行对比实验,结果表明AFRLSTM在雷达回波预测中评分函数临界成功指数(CSI)值为0.520 9、Heidke Skill Score(HSS)值为0.532 4,并且能较好地保留强回波和位置准确度,优于现有方法,证明了该方法能够获得更准确的预测准确度。

     

  • 图  1  注意力融合的时空长短期记忆网络单元AF-LSTM

    图  2  时空和通道的注意力融合模块

    图  3  信息回忆模块

    图  4  堆叠融合结构

    图  5  Moving MNIST数据集上不同方法的运行结果

    图  6  不同阈值条件下不同网络模型所有预测结果的CSI和HSS曲线

    图  7  雷达数据集上不同方法的运行结果

    表  1  不同方法在Moving MNIST数据集上的实验结果(前10帧预测后10帧)

    Moving MNIST
    Method MSE/frame ↓ SSIM/frame ↑
    ConvLSTM 103.3 0.707
    PredRNN 56.8 0.867
    PredRNN++ 46.8 0.898
    E3D-LSTM 41.7 0.910
    SA-ConvLSTM 43.9 0.913
    MotionGRU 34.3 0.928
    AFR-LSTM 30.5 0.939
    下载: 导出CSV

    表  2  不同方法在雷达数据集上的CSI和HSS评分结果(前10帧预测后10帧)

    Reflectivity Threshold CSI HSS
    10 20 40 avg 10 20 40 avg
    ConvLSTM 0.7223 0.4864 0.1601 0.4563 0.6109 0.5283 0.2093 0.4495
    PredRNN 0.7421 0.5104 0.1786 0.4770 0.7172 0.5446 0.2338 0.4985
    PredRNN++ 0.7484 0.5176 0.1823 0.4828 0.7162 0.5516 0.2589 0.5089
    E3D-LSTM 0.7496 0.5195 0.1838 0.4843 0.7259 0.5472 0.2275 0.5002
    SA-ConvLSTM 0.7535 0.5198 0.2165 0.4965 0.7286 0.5503 0.2365 0.5051
    MotionGRU 0.7565 0.5207 0.2157 0.4976 0.7321 0.5598 0.2832 0.5251
    AFR-LSTM 0.7586 0.5306 0.2735 0.5209 0.7326 0.5651 0.2995 0.5324
    下载: 导出CSV

    表  3  雷达数据集上添加不同模块的CSI、HSS和SSIM评分

    Reflectivity Threshold CSI HSS SSIM
    10 20 40 avg 10 20 40 avg
    Baseline 0.7421 0.5104 0.1786 0.4770 0.7172 0.5446 0.2338 0.4985 0.6675
    Baseline+SP 0.7527 0.5236 0.2605 0.5123 0.7256 0.5621 0.2795 0.5224 0.6715
    Baseline+CH 0.7458 0.5135 0.1915 0.4836 0.7176 0.5498 0.2343 0.5006 0.6948
    Baseline+AF 0.7535 0.5283 0.2655 0.5158 0.7286 0.5633 0.2814 0.5244 0.7034
    Baseline+Recall 0.7455 0.5112 0.1824 0.4797 0.7181 0.5467 0.2341 0.4996 0.7159
    AFR-LSTM 0.7586 0.5306 0.2735 0.5209 0.7326 0.5651 0.2995 0.5324 0.7214
    下载: 导出CSV
  • [1] ZOU H, WU S, SHAN J, et al. A method of radar echo extrapolation based on TREC and Barnes filter[J]. Journal of Atmospheric and Oceanic Technology, 2019, 36(9): 1 713-1 727.
    [2] DEL MORAL A, RIGO T, LLASAT M C. A radar-based centroid tracking algorithm for severe weather surveillance: Identifying split/merge processes in convective systems[J]. Atmospheric Research, 2018, 213: 110-120.
    [3] WOO W, WONG W. Operational application of optical flow techniques to radar-based rainfall nowcasting[J]. Atmosphere, 2017, 8(3): 48.
    [4] 冯树民, 刘浩, 李来成. 雨雪天气下轨道交通客流预测模型[J]. 哈尔滨工业大学学报, 2022, 54(9): 1-6.
    [5] YIN X, WU G, WEI J, et al. Deep learning on traffic prediction: Methods, analysis and future directions[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 23(6): 4 927-4 943.
    [6] 王博文, 王景升, 王统一, 等. 基于长短时记忆网络的Encoder-Decoder多步交通流预测模型[J]. 重庆大学学报, 2021, 44(11): 71-80.
    [7] LV Y, DUAN Y, KANG W, et al. Traffic flow prediction with big data: a deep learning approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 16(2): 865-873.
    [8] OPREA S, MARTINEZ-GONZALEZ P, GARCIA-GARCIA A, et al. A review on deep learning techniques for video prediction[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 44(6): 2 806-2 826.
    [9] 莫晨, 邵洁. 基于自注意力的多模态LSTM的动作预测[J]. 计算机工程与设计, 2022, 43(4): 1 083-1 088.
    [10] 吴哲夫, 张令威, 刘光宇, 刘光灿. 基于空间自适应卷积LSTM的视频预测[J]. 计算机应用与软件, 2020, 37(09): 62-67, 110.
    [11] HSIEH J T, LIU B, HUANG D A, et al. Learning to decompose and disentangle representations for video prediction[J]. Advances in Neural Information Processing Systems, 2018, 31.
    [12] 黄兴友, 马玉蓉, 胡苏蔓. 基于深度学习的天气雷达回波序列外推及效果分析[J]. 气象学报, 2021, 79(5): 817-827.
    [13] 王式太, 张定红, 殷敏, 等. 基于LSTM模型的降雨短临预报[J]. 无线电工程, 2021, 51(11): 1 278-1 283.
    [14] 方巍, 庞林, 张飞鸿, 等. 对抗型长短期记忆网络的雷达回波外推算法[J]. 中国图象图形学报, 2021, 26(5): 1 067-1 080.
    [15] 郭瀚阳, 陈明轩, 韩雷, 等. 基于深度学习的强对流高分辨率临近预报试验[J]. 气象学报, 2019, 77(4): 715-727.
    [16] HE W, XIONG T, WANG H, et al. Radar echo spatiotemporal sequence prediction using an improved ConvGRU deep learning model[J]. Atmosphere, 2022, 13(1): 88.
    [17] LIN Z, LI M, ZHENG Z, et al. Self-attention convlstm for spatiotemporal prediction[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(7): 11 531-11 538.
    [18] WU H, YAO Z, WANG J, et al. MotionRNN: A flexible model for video prediction with spacetime-varying motions[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021: 15 435-15 444.
    [19] SHI X, CHEN Z, WANG H, et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting[J]. Advances in Neural Information Processing Systems, 2015, 28.
    [20] WANG Y, LONG M, WANG J, et al. PredRNN: Recurrent neural networks for predictive learning using spatiotemporal LSTMs[J]Advances in Neural Information Processing Systems, 2017, 30: 879-888.
    [21] WANG Y, GAO Z, LONG M, et al. Predrnn++: Towards a resolution of the deep-in-time dilemma in spatiotemporal predictive learning[C]// International Conference on Machine Learning. PMLR, 2018: 5 123-5 132.
    [22] TRAN Q K, SONG S. Multi-channel weather radar echo extrapolation with convolutional recurrent neural networks[J]. Remote Sensing, 2019, 11(19): 2 303.
    [23] WANG Y, JIANG L, YANG M H, et al. Eidetic 3D LSTM: A model for video prediction and beyond[C]//International conference on learning representations. 2018.
    [24] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30.
    [25] SRIVASTAVA N, MANSIMOV E, SALAKHUDINOV R. Unsupervised learning of video representations using lstms[C]//International conference on machine learning. PMLR, 2015: 843-852.
    [26] HORÉ A, ZIOU D. Image Quality Metrics: PSNR vs. SSIM[C]//2010 20th International Conference on Pattern Recognition. 2010: 2 366-2 369.
  • 加载中
图(7) / 表(3)
计量
  • 文章访问数:  163
  • HTML全文浏览量:  13
  • PDF下载量:  218
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-02-17
  • 修回日期:  2023-07-12
  • 网络出版日期:  2023-12-30
  • 刊出日期:  2023-10-20

目录

    /

    返回文章
    返回