一种集成CBAM的深度卷积神经网络，用于天气雷达回波校正以克服地形遮挡问题

《Advances in Space Research》：A CBAM-Integrated Deep Convolutional Neural Network for Weather Radar Echo Correction to Overcome Terrain Occlusion Challenge

针对复杂地形遮挡导致的天气雷达回波数据缺失问题，本研究提出基于CNN-M（CNN结合CBAM模块）的深度学习校正方法，利用南京和泰州S波段双极化雷达数据验证，结果显示其MAE、RMSE和CC指标优于传统插值法及EFnet、DSA-UNet等模型，有效提升气象预警精度。

　　

王浩|刘志豪|张福贵|李志|曾强宇|于天天|杨蓉

成都信息科技大学大气探测学院，中国成都610225

摘要

数据丢失是天气雷达常见的问题，尤其是在复杂地形中，雷达回波会被山脉和高大建筑物阻挡。本研究重点关注地形遮挡对天气雷达回波准确性的影响，特别是平面位置指示器（PPI）产品的准确性，并介绍了一种基于深度学习的新校正方法。利用来自南京和泰州的S波段双极化雷达数据，开发了一种包含卷积块注意力模块（CBAM）和卷积神经网络（CNN）的校正模型（CNN-M），以在不同大气条件下校正被遮挡的回波。该模型与传统的Long Short Term Memory（LSTM）网络、回波填充网络（EFnet）、自注意力UNet（DSA-UNet）和视觉几何组（VGG16）模型进行了比较，评估指标包括平均绝对误差（MAE）、均方根误差（RMSE）和相关系数（CC）。结果表明，CNN-M模型在预测准确性方面表现优异，并且在多种雷达数据集上具有出色的泛化能力。本研究为雷达回波校正方法的发展做出了重要贡献，展示了卷积神经网络（CNN）在雷达数据处理中的巨大潜力。它解决了由于高大障碍物导致的盲区检测问题，这些问题会影响气象预警，并减少对地面天气雷达的依赖。

引言

天气雷达是观测和早期检测严重对流天气现象的主要工具。

它通过发射一系列脉冲电磁波（Falconi & Marzano, 2019）并利用这些波上的天气粒子的散射特性来监测天气状况。这项技术可以有效检测数百公里范围内的天气现象（HongYan Wang et al., 2022）。然而，在地形复杂的地区（Z. Li et al., 2023），电磁波的传播可能会被周围的山脉和高大建筑物阻挡。这种阻挡会导致某些方向或高度的雷达回波数据部分或完全缺失（Sun et al., 2022），从而严重影响基于雷达的定量降水估计、严重天气现象的监测以及云微物理研究（Eldardiry et al., 2015）。因此，这种情况显著降低了相关研究的准确性和可靠性。

目前，已有三种主要方法用于解决雷达回波遮挡问题。第一种方法是使用线性插值法（Boke, 2017），这是气象操作中最常用的方法之一。然而，这种方法对非线性天气过程或数据中的异常值非常敏感，插值结果可能导致较大误差（Tbarki et al., 2016）。第二种策略是通过使用相邻的未受遮挡的雷达进行联合观测来减轻遮挡效应，从而形成一个协作雷达网络。尽管这种方法提高了雷达数据的质量，但也增加了经济成本并面临实际限制（Stinco et al., 2014）。第三种方法是使用VPR（雷达回波的垂直剖面）来修正雷达的降水估计结果。例如，Bellon等人（Bellon et al., 2007）利用VPR根据距离（地面曲率、波束扩散）、地形遮挡（波束高度）和亮带的影响来修正日降雨量估计（Qi et al., 2013），也有研究人员结合高精度DEM（数字高程模型）和VPR技术来插值雷达缺失数据（Bech et al., 2003, Bech et al., 2007, Kalogiros et al., 2013, Shakti et al., 2013）。DEM用于评估雷达波束的遮挡程度。同时，Batan等人提出了标准大气条件下的波束传播方程，以计算由遮挡引起的速率损失，从而估计缺失数据（Battan, 1973, Lang et al., 2009, Lee et al., 2017, Moroda et al., 2021），这为缺失回波数据的估计提供了另一种方法。然而，这种方法在不同季节、不同天气过程（Xiang et al., 2023）和不同地理环境（如孤立风暴天气和其他极端和罕见天气）下存在局限性（Y. Li et al., 2023; Moroda et al., 2021）。

考虑到现有方法的局限性，特别是在处理复杂天气系统和非线性数据时，机器学习和深度学习技术已成为有前景的替代方案（Wang et al., 2018; Hao Wang et al., 2022）。机器学习的不断发展通过有效捕获复杂数据特征，正在革新新兴的工业应用（Feng et al., 2023, Ni et al., 2024, Ni et al., 2023等）。深度学习算法通过构建复杂的网络结构来学习和模拟数据之间的非线性相互作用，使其有助于理解和预测复杂的天气过程（Chen et al., 2022, Liang et al., 2023; Xu & Shu, 2019）。此外，深度学习模型无需昂贵的多雷达系统，因为它们可以使用单个雷达系统的数据进行训练。这些算法可以识别雷达数据中的遮挡和其他异常，并通过训练推断出缺失的信息。这种策略在经济上可行，并适用于各种地理位置和天气条件（Geiss and Hardin, 2021, Gong et al., 2023, Yin et al., 2021）。此外，深度学习模型可以通过持续学习和适应来不断改进，从而提供更可靠和准确的数据填充解决方案（Han et al., 2022, Huang et al., 2022, Liu et al., 2023）。Yin等人（Yin et al., 2021）将遮挡区域划分为多个部分，并使用具有不同参数的多层线性EFnet（回波填充网络）模型来填充每个部分的雷达回波。然而，这种网络拓扑结构较为简单，不适合提取复杂特征，且预测的强回波值略低于实际测量值。Gong等人（Gong et al., 2023）提出了一种扩展的自注意力UNet（DSA-UNet）模型，该模型基于流行的U-Net，并使用膨胀卷积和自注意力模块来提高性能，但它没有考虑波束展开问题，并且略微低估了低值和局部细节。Geiss和Hardin（Geiss & Hardin, 2021）提出了一种深度生成模型，用于解决由波束遮挡、低能量盲区和设备故障引起的数据丢失问题。然而，由于其图像保真度较低，这种方法的适用性有限。总之，传统技术方法存在一些局限性：传播方程不适用于大气超折射和次折射等天气现象；DEM数据难以及时更新；VPR技术对于孤立风暴等极端天气事件效果不佳。现有的深度学习方法也存在缺点，包括难以提取复杂特征、低估极端值和图像保真度不足。在本研究中，我们将卷积块注意力模块（CBAM）（Woo et al., 2018）结合到卷积神经网络（CNN）（Lecun et al., 1998）模型中，对输入的多层ZH（雷达反射率因子）进行分段训练，以提高图像保真度，称为CNN-M模型。

本研究可以提高雷达数据的质量和响应时间，为天气预报部门提供更可靠的信息，从而提高天气预报和极端天气事件预警的准确性。此外，深度学习模型可以利用有限的雷达数据和其他气象数据源，在偏远或地形复杂地区改善气象服务。研究结构如下：第2节重点介绍训练数据集和CNN-M模型的构建。第3节讨论结果及其分析。第4节和第5节分别讨论和总结。

部分摘录

雷达数据

本研究使用的天气雷达数据来自位于中国江苏省南京（站点编号Z9250）和泰州（站点编号Z9523）的两台S波段双极化天气雷达（CINRAD/SAD）。这两台雷达的有效探测半径为230公里，空间分辨率为250米×1°×1°（距离分辨率为250米，波束宽度和方位角均为1°）。雷达采用体积覆盖模式21（VCP21）运行，并将执行11次平面位置

结果与分析

为了评估模型的适用性和范围，选择了三种具有代表性的天气现象（大尺度对流回波、大尺度不均匀对流回波和区域性弱回波）进行详细比较分析。研究使用了传统的多元线性回归（MLR）、反向传播神经网络（BP）、随机森林（RF）以及本研究中开发的CNN-M模型。BP模型的隐藏层节点设置为20个，其他参数与之匹配

讨论

由于案例数量较少，为了避免模型校正结果的不稳定性，从六个区间中随机选择了50,000组数据（总共300,000组数据）来验证校正后的模型稳定性。将CNN-M(ALL)与MLR、CNN-M(ALL)-CBAM-free、Long Short Term Memory（LSTM）（Panchal et al., 2024）、回波填充网络（EFnet）、自注意力UNet（DSA-UNet）和视觉几何组（VGG16）进行了比较和分析

结论

本研究通过分析季节性融化层高度、降雨云高度和不同高度的雷达探测范围，克服了雷达波束随距离扩散的问题。它将0.5°高度的回波划分为六个区域，每个区域4公里，以进行有针对性的模型训练，提高了数据校正的准确性。它通过利用雷达反射率的空间-时间特性选择相关的反射率因子作为输入特征。Huber损失函数被加权以解决不平衡问题

未引用的参考文献

Li et al., 2023a, Li et al., 2023b, Simonyan and Zisserman, 2015, Wang et al., 2022, Xu and Shu, 2019.

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。

致谢

我们衷心感谢南京和泰州气象局提供本研究所需的数据，以及中国气象局雷达气象重点实验室提供的软件和硬件支持。同时，我们也感谢编辑和审稿人的宝贵反馈和有见地的建议，这些都对提高本文的质量做出了重要贡献。本研究得到了国家重点研发的支持