基于雷达图像进行定量降水估计的几种方法

举报
可乐十五听 发表于 2021/04/16 10:03:14 2021/04/16
【摘要】 A Study about Radar-based Quantitative Precipitation Estimation (QPE) Methods基于雷达图像进行定量降水估计的方法主要分为以下几类:物理模型:基于Z-R relation的一系列方法、插值法等机器学习方法:SVM,RF, gradient boosted model(GBM), extreme learning ...

A Study about Radar-based Quantitative Precipitation Estimation (QPE) Methods

基于雷达图像进行定量降水估计的方法主要分为以下几类:

  • 物理模型:基于Z-R relation的一系列方法、插值法等
  • 机器学习方法:SVM,RF, gradient boosted model(GBM), extreme learning machine(ELM)
  • 深度学习方法:CNN, RNN, GCN, GCRN

论文《Dynamic ANN for precipitation estimation and forecasting from radar observations》
时间:2005
数据集:
数据来源:三个地面雨量计和雷达
数据集大小:465 volume scan ,两个验证集分别为144 volume scan, 144 volume scan
事件:1990-1996, 2004年的六次台风事件,每次大概一天
方法:
模型:RNN
image.png
Input:12 reflectivity data points
Target:hourly precipitation
指标与结果:
评价指标:RMSE, R^2, 48小时rainfall accumulations
结果:RMSE为7.12和8.81, rainfall accumulation误差基本在10%以内
image.png
image.png


论文《Assessing the Applicability of Random Forest, Stochastic Gradient Boosted Model, and Extreme Learning Machine Methods to the Quantitative Precipitation Estimation of the Radar Data: A Case Study to Gwangdeoksan Radar, South Korea, in 2018》
时间:2018
数据集:
数据来源:Locations of the Korea Meteorological Administration ground gauge stations雨量计,Gwangdeoksan (GDK) radar雷达(覆盖范围240km,有效范围100km,分辨率1km*1km, 间隔10分钟)20 个雨量计点
数据集大小:训练集3652 测试集1209
事件: 4个事件,8.28-29, 9.3, 10.5-6, 11.8
image.png
方法:
模型:RF(Random Forest), GBM(Stochastic Gradient Boosted Model), ELM(Regularized Extreme Learning Machine)
数据输入:雷达数据中的Z, DR, KD的不同组合
指标与结果:
评价指标:RMSE, COR, MAE, Mbias, RRMSE
image.png
ELM 算法表现在几个机器学习方法中表现最好。


论文《A Deep Learning Approach to Radar-Based QPE》
时间:2020
数据集:
数据来源:Radar : Quantitative Precipitation Estimation and Segregation Using Multiple Sensor (QPESUMS) Mosaic data set (Taipei 45个stations)
45个CWB weather stations的每小时降水量
数据集:训练集2013-2015,测试集2016
方法:
模型:volume-to-point framework
每小时的数据大小为 6275162(间隔为10分钟,每小时6个间隔)
image.png

指标与结果:
RMSE:1.86 mm/h(对比CWB的是1.90)


论文:《Graph Convolutional Regression Networks for Quantitative Precipitation Estimation》
时间:2020
数据集:
数据来源:Radar : China Meteorological Administration (CMA). Hangzhou 每6分钟
35 个Rain gauge Automatic Weather Station (AWS) 每分钟, 累积成6分钟 ,与rada保持一致
数据集大小:950 time steps
事件:2015 1-10月 12个event
方法:
模型:GCRN
image.png
指标与结果:
评价指标:RMSE, MAE, MedianAE, CC
结果:
image.png


总结:
数据集:一般为几次台风事件或者暴雨事件,每次持续监测一天左右。

检索到的使用深度模型的方法比较少,在近几年的文章中没有观察到直接使用如Deeplab系列等分割模型来做QPE。在这几篇中有使用volume-to-point CNN的,也有使用RNN和GCN的,但 RNN还是用于forcasting比较多。

在结果分析中,一般和Z-R模型用来做比较,评价指标基本为RMSE,都比Z-R模型的表现要好,但是由于不同数据集事件有差异,不便直接比较几种深度方法。还有一部分方法是data-driven的机器学习方法,在一些数据集上表现也比Z-R模型好,在检索中发现很多文章用到random forest等机器学习方法,但由于是主要调研深度的模型,没有太关注。

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。