融合时空重构单元和Transformer的雷达回波外推算法

摘要

针对现有基于深度学习的雷达回波外推算法时空特征提取能力不足和建模能力有限的问题，提出了一种融合时空重构单元(SRU)和Transformer的雷达回波外推模型SRU-Former。首先，在模型的编码器和解码器中引入新设计的时空重构单元，通过分离、变换和重构的策略来提取雷达图像精细化时空特征；其次，在编码器和解码器之间引入Transformer的变体架构模型Poolformer,用全局平均池化操作代替自注意力机制，帮助模型对高度动态变化的雷达序列进行建模；最后，在江苏省气象雷达数据集和上海市气象雷达数据集上训练和测试，与目前主流的深度学习模型进行对比。实验结果表明：在2 h外推任务中，CSI、FAR、MSE和SSIM 4个指标均取得最优值，在江苏省数据集上CSI提升了0.020,上海市中数据集上CSI提升了0.048;SRU-Former能够有效提升模型的预报准确率，外推后期对强回波区域的捕捉更加精确，细节纹理更加丰富清晰。

关键词

深度学习 / 雷达回波外推 / Transformer / 时空重构单元 / 全局平均池化