基于注意力反向投影网络的天气雷达回波超分辨率重建算法.pdf
《基于注意力反向投影网络的天气雷达回波超分辨率重建算法.pdf》由会员分享,可在线阅读,更多相关《基于注意力反向投影网络的天气雷达回波超分辨率重建算法.pdf(12页珍藏版)》请在咨信网上搜索。
1、un.2023METEOROSCIENCEANDTECHNOLOGY2023年6 月319第51卷第3期Vol.51,No.3象技科基于注意力反向投影网络的天气雷达回波超分辨率重建算法余秋1.2曾强宇1,2*张福贵1,2王皓1.2史朝1.2李浩然1,2(1成都信息工程大学电子工程学院,成都6 10 2 2 5;2 大气探测重点开放实验室,成都6 10 2 2 5)摘要高高分辨率的天气雷达数据能揭示探测天气目标的精细结构,对灾害性天气分析和预报预警至关重要。提高天气雷达反射率数据分辨率可以提升现有业务天气雷达对中小尺度强对流灾害性天气的监测和预警能力。本文在不改变雷达硬件的情况下,提出了基于注意
2、力反向投影网络(AttentionBack-ProjectionNetwork,A BPN)的天气雷达回波超分辨率重建算法用于提高雷达反射率数据分辨率。ABPN通过在深度反向投影网络(DeepBack-ProjectionNetwork,D BPN)中加人长短跳跃连接和通道注意力机制,对关键区域精细化重建结构特征。通过对实际天气过程超分辨率重建测试,结果表明,ABPN算法在雷达回波重建质量和主观视觉评估上有明显的优势,特别是在回波细节和天气雷达的边缘结构特征方面。关键词同天气雷达;神经网络;超分辨率;反向投影网络;注意力机制中图分类号:P412D0I:10.19517/j.1671-6345.
3、20220370文献标识码:A引言多普勒天气雷达利用云、雨等散射体中粒子与雷达之间的相对运动形成的多普勒效应进行探测,是分析中、小尺度天气系统和预警强对流天气的重要探测工具1-2 。雷达分辨率越高,探测到气象目标结构越精细,越有可能在灾害性天气过程的早期阶段进行预警,提高天气雷达的分辨率对灾害性天气过程精细化探测和预警预报至关重要。提高天气雷达距离和方位分辨率可以增大天线尺寸、减小脉冲宽度3 和脉冲压缩技术方式4-5 等,但基于硬件提高雷达分辨率的方法受到时间、成本和改造难度等因素制约,难以应用于气象业务中。近年来有学者从信号和数据处理角度,在不改变雷达硬件条件的基础上,通过超分辨率算法使天气
4、雷达的基数据或者二次产品数据分辨率提高。Ruzanski等6 利用改进插值法对天气雷达数据进行加窗,保留了重要的回波结构特征。插值法计算简单,但重建过程中没有增加信息量,分辨率提升有限。何建新等7 利用改进的迭代投影算法(Itera-tiveBack-Projection,I BP)应用于天气雷达回波超分辩率重建,该算法以相邻体扫时间上的先验信息进行约束,获得重建的高分辨率雷达回波。与插值法相比,基于重建的方法明显改善了雷达回波的边缘和细节。但基于重建的方法随着分辨率提升倍数增大,重建效果下降较大。随着机器学习算法的发展,基于浅层学习的方法开始用于提高雷达回波数据分辨率。Zhang等8 和Yu
5、an等9 分别在稀疏表示算法中加入了不同的正则化约束来提高雷达基数据的分辨率,重建雷达回波在数据质量和细节重建上较传统算法性能有较大的提升。Zhang等10 提出了全变差(Total Variation)-稀疏(TV-Sparse)算法,有效地提高了角度分辨率并保留了重要目标的轮廓特征,但这种方法需要多次迭代才能得到最优解,运算量大,其鲁棒性和稳定性难以保证。随着卷积神经网络(Convolutional Neural Net-works,C NN)近年来的快速发展,CNN在医学成像1-12 、遥感13-14、农业15-16 等领域的应用越来越广泛。CNN在图像超分辨率重建算法方面也取得了较大的
6、进展17-2 1,并开始应用于雷达回波数据超http:/气象科技国家自然科学基金项目(U20B2061)和四川省科技厅重点项目(2 0 2 2 YFS0541)资助作者简介:余秋,女,1996 年生,硕士,主要从事雷达信号与信息处理研究,Email:32 0 0 30 10 0 1 s t u.c u i t.e d u.c n收稿日期:2 0 2 2 年9月6 日;定稿日期:2 0 2 3年2 月2 0 日*通信作者,Email:320第51卷象技科分辨率重建。Cho等2 2 将MUSIC算法的结果输入到鉴别器中的生成对抗网络(GenerativeAdversari-alNetworks,G
7、 A N),解决了生成器试图产生逼真的结果阻止鉴别器产生可靠结果的问题,并生成了逼真的雷达数据以增强雷达的方位分辨率。Chen等2 3 利用GAN重建天气雷达回波图像,试验结果表明GAN能够生成比基于迭代算法更好的重建图像。Yuan等2 4 提出了一种非局部残差网络(Non-Local ResidualNetwork,NLR N),利用雷达图像生成训练数据集,融合了天气雷达图像局部与非局部信息,提高了重建的雷达回波图像的分辨率。上述使用CNN提高雷达分辨率的方法是将雷达基数据绘制成PPI图,使用图像处理方法进行超分辨率重建。雷达基数据在转换为PPI图像过程中需要量化,导致数据丢失一部分信息,P
8、PI雷达图像较雷达基数据已丢失了部分信息,这使得基于雷达图像的超分辨率重建算法较基于雷达基数据的超分辨率重建算法的重建效果有明显差距,并且基于PPI图的雷达基数据由于量化导致数据精度损失也限制了其在气象过程定量分析中的应用,为了解决神经网络利用雷达图像作为输人导致数据精度损失的问题,首先,本文使用雷达基数据来进行超分辨率重建。其次,为了重建雷达回波精细化结构特征,在深度反投影网络(DeepBack-Projec-tionNetwork,D BPN)2 5 中引人通道注意力机制,通过迭代上下采样充分挖掘低分辨率雷达回波与高分辨率雷达回波之间的相互关系,从而更好地恢复了细节特征。再次,通过添加通道
9、注意力机制,提高雷达回波的边缘信息等高频特征的精细化重建。最后,引人了长跳跃连接和长短跳跃连接,防止网络过深导致模型出现梯度消失或梯度爆炸。本文的组织结构如下。第1节介绍了天气雷达退化和重建模型。第2 节讨论了ABPN的网络结构。第3节对试验结果进行了定性和定量的分析。第4节对本文进行总结和展望。1天气雷达退化和重建模型天气雷达探测过程中,雷达分辨率受到波束展宽、接收机偏移、噪声等因素的影响,导致分辨率降低。通过建立雷达回波低分辨率观察模型来模拟高分辨率雷达回波和低分辨率雷达回波之间的关系,也可以称为退化模型(图1)。低分辨率观察模型噪声(n)高分辨率雷达回波点扩散函数下彩样1低分辨率雷达回波
10、h()d(.)(g)插值/重建/学习算法1111111重建模型图1天气雷达退化和超分辨辩率重建模型对于低分辨率观测模型,有很多的因素(如天线波束在远距离处的展宽以及接收机产生的模糊等)会导致雷达回波的退化。对于任意的,在数学上可用一个送加积分来描述。g(1,y)=f(g,n)h(s,y,s,n)dgdn+n(s,y)(1)其中,f(,y)表示原始雷达回波,即高分辨率雷达回波,h(,y)表示系统的点扩散函数;g(,y)表示退化回波,即低分辨率雷达回波,n(,y)表示加性噪声。然而在天气雷达回波实际获取过程中,雷达系统的成像模型进行了数字化处理,因此获取的退化回波为离散函数。假设采样为理想采样,则
11、有g(ni,n2)=d(n1,n2)f(g,n)h(r,y,S,n)dgdn+n(n1,n2)(2)其中,d(n,n2)表示离散抽样函数,n(n i,n 2)表示噪声,n1,n 2 为整数。离散抽样函数d(n i,n 2)可表示为+80+80d(ni,n2)=d(-n A,y-n2 2)n1on.80(3)1,当m,n=08(m,n)=(4)0,其他其中,和分别为方向和方向上的采样间隔。考虑到雷达基数据的大小为NXN2,式(2)可变为321余秋等:基于注意力反向投影网络的天气雷达回波超分辨率重建算法第3 期NNg(ni n2)=Zf(i,j)h(i,j,n n2)+n(n n2)=1j-1(5
12、)写成离散卷积形式为g(n n2)=f(nn2)*h(nn2)JxN,+n(n,n2)(6)对于上述退化过程可表示为矩阵形式,此时天气雷达退化模型为g=Af+n(7)其中,g表示低分辨率雷达回波,f表示高分辨率雷达回波,n表示噪声,A表示点扩散函数和下采样的退化矩阵。对于重建模型,可以使用基于插值6 、重建7 和学习的方法。基于学习的方法分为浅层学习和深度学习,浅层学习以稀疏表示法8-10 1为代表,通过构建超参数与观测信号和稀疏向量之间的函数关系,重建雷达回波。如式(8):f=argmin2(f),llg一Af(8)其中,2(f)=p,E(,1),表示为l或者范数。表示噪声强度或稀疏表示误差
13、,表示重建的雷达回波。稀疏表示法在求解过程中可能会导致非适应性。CNN因其结构具有高度的并行性和无迭代特点,且在重建回波特征方面优于稀疏表示法2 3,因此本文的重建模型选用CNN结构。基于CNN的超分辨率重建整体框架主要通过训练低分辨率雷达回波和高分辨率雷达回波之间的映射关系来实现重建步骤,再基于这种映射关系对低分辨率雷达回波进行重建,达到提高雷达反射率数据分辨率的目的。其操作步骤的流程图如图2 所示雷达反射率数据训练学习重建模型低分辨率雷达回波高分辨率雷达回波(ABPN)图2基于学习的超分辨率重建流程2注意力反向投影网络2.1网络超分辨率重建整体流程在训练过程,首先对雷达反射率数据进行数据预
14、处理,部分数据块中有些包含较多无效信息,在存为数据集之前删除这个块的数据,然后进行相关参数设置和搭建网络模型,准备相关训练数据作为网络的输入与输出(其中输出为原始高分辨率雷达回波,输人为对其退化过程处理后的模拟低分辨率雷达回波),通过训练学习网络的权重得到重建模型。最后通过训练好的重建模型对低分辨率雷达回波进行测试,检验是否能够在视觉评估和客观评价指标上有一个较好的效果,从而验证算法的有效性(图3)。开始数据预处理对Nan值的处理参数设置搭建网络模型加载重建模型判断Nan值的数量准备训练数据是否大于总数量载入测试集(模拟低分辩率雷达回波输的一半入及高分辩雷达回波输出)计算PSNR,SSIM指否
15、是标文删除这个块存为数据集的数据定义损失函数结束开始训练重建模型保存图3ABPN重建流程2.2ABPN网络重建模型ABPN网络结构有3个部分:初始特征提取、反向投影阶段和重建。I和I分别代表低分辨率雷达回波和重建的高分辨率雷达回波,其各自维度大小为MXN和MXN,其中MM,N,如图4所示,其中C表示将H,H,,H进行拼接,构建高分辨率回波特征。反射投影阶段初始特征提取重建3X31X13X3卷积卷积卷积H,H2H,图4网络的整体框架初始特征提取:初始的低分率回波特征LERMxNxo是由低分辨率雷达回波I通过conv(3,n o)操作得到的,然后通过conv(1,n R)将维度从no转变为nR,达
16、到降维的目的,其中conv(,v)表示一个卷积核尺寸大小为,卷积核数量为的卷积层,n。表示初始特征提取阶段卷积核的个数,nr表示每个投影单元使用的卷积核的个数。反向投影阶段:包括上投影单元和下投影单元,322第51卷象技科用于构建低分辨率雷达回波特征LERMxvxR和高分辨率雷达回波特征HERMxvxR重建:高分辨率雷达回波I经过两个步骤得到:首先将每个上投影单元得到的特征H,H,H进行拼接;然后通过卷积操作重建高分辨率雷达回波。2.3反向投影阶段ABPN网络的模型结构是通过跳跃连接在DBPN的框架中添加通道注意机制构成。DBPN的反向投影阶段通过上下投影单元产生的送代误差,学习低分辨率雷达回
17、波与高分辨率雷达回波特征的相互关系,重建高分辨率雷达回波;添加跳跃连接的方式促进了深层网络的收敛,加快了网络学习的过程;添加通道注意力机制,网络对不同通道的特征的相关性进行建模,把重要的特征进行强化以此重建出更加精细的回波特征。DrozdzalE26指出在网络中加入长跳跃连接,能够为网络中浅层的梯度流提供捷径,但不能缓解深层网络的梯度消失问题;将短跳跃连接应用于长跳跃连接网络中,可以训练更深的网络,更好地促进信息的流动。本文在DBPN的框架上使用长跳跃连接和在网络末端添加通道注意力机制(Channel Attention Mechanism,CAM)构成 ABPN-L网络结构;基于ABPN-L
18、网络结构,在网络中间和网络末端使用短跳跃连接和CAM以及使用长跳跃连接构成ABPN-L-S网络结构(图5)。(a)七投影单元下投影单元上投彤单元下教影单元下授影单元上投影单元CAMCHH2H1H.(b)上投影单元下教彩单元上投影单元下投影单元下投影单元上投影单元CAMCAMCHH2HH.1H图5ABPN的反向投影阶段:(a)A BPN-L的反向投影阶段,(b)A BPN-L-S的反向投影阶段2.3.1上下投影单元上下投影单元通过相互连接的上下采样层来学习低分辨率回波(Low Resolution echo,LR)和高分辨率回波(High Resolutionecho,H R)的非线性相互关系,
19、上采样层生成HR回波特征,下采样层再将HR回波特征映射到LR空间,保留了更多的HR回波成分。通过将上下投影误差反馈给采样层,实现网络的自我校正,以获得更好的重建结果,如图6 所示。其中卷积层后面添加PReLU(Pa r a-metric Rectified LinearUnit)激活函数为神经网络引人了非线性的能力。上投影单元H卷积HHH PReLU反卷积下投影单元H相减相加图6上下投影单元在上投影单元中,雷达回波H由第1个上采样层生成的回波H。和第2 个上采样层生成的回波Hi之和组成第1个上采样层生成的回波如式(9)所示:Ho=Fde(L-l)个s(9)第2 个上采样层生成的回波如式(10)
20、所示:Hi=Fde(el)个s(10)其中,Fdee代表去卷积算子,个代表缩放系数s的上采样算子;输人的LR雷达回波L-1和下采样层生成的回波L之间的残差(差值)是el,下采样层生成的回波如式(11)所示:Lo=Fcov(Ho)Vs(11)其中,Fco代表卷积算子,代表具有缩放系数s的下采样算子。下投影单元结构与上投影单元结构类似,不同的是下投影单元将HR雷达回波H映射为LR雷达回波L2.3.2CAM注意力模块的优点是便于集成到网络结构中,以低成本提高网络性能L27,使LR雷达回波的低频和高频成分在信道之间有不同的注意力,从而重建323余秋等:基于注意力反向投影网络的天气雷达回波超分辨率重建算
21、法第3 期的HR雷达回波能够达到更加精细化的结构。其中GP代表全局平均池化的操作,r是一个超参数,可以根据需要改变CAM块的计算成本,如图7所示。GPFCReLUFCSigmoid11xc1x1xc/r11c/r11c1x1xc(HxWxC)(HxWxC)图7通道注意力机制=i,i 2,i 是通道注意力机制的输入,共有c个大小为HW的特征图(featuremap),通过对输人的空间维度HXW进行压缩,得到通道统计量ZER1X1x,第c个元素的。值如式(12)所示。HW1Z=Fcp(i)=22i(i,j)(12)HXW=1j=1其中i(i,j)表示第c个元素在位置(i,j)处的值,与图像不同的是
22、,H和W的含义分别是径向和距离库,Fcp代表全局池化函数。为了降低模型的复杂性,提高泛化能力,采用了包含两个全连接层(Fu l l y Co n n e c t i o n,FC)的结构,第1个FC层起到降维作用,第2 个FC层则恢复了原有维度。如文献2 7 所述,在第1个FC层后加人ReLU函数2 8 ,在第2 个FC层后加人Sigmoid激活,可以更好地适应通道之间复杂的相关性,学习各通道之间的非互关系。最终获得通道统计量S,如式(13)所示:S=f(wsh(wrZ)(13)其中ws和WR是待训练的权重参数,f()和h()分别代表Sigmoid激活函数和ReLU函数。通道注意力机制的输出I
23、=i,由通道统计量S对输人I进行重新缩放得到,以输出的第c个特征图为例,如(式)14所示,i=s.ic(14)其中s。和i。ER H x W 分别代表第c个通道的统计量和特征图(feature map)。3试验结果3.1数据集本文使用的是CINRAD-SA雷达的反射率数据产品。为了增加数据集的多样性和验证算法在中尺度天气和小尺度极端天气过程的有效性,训练数据采用2 0 11年8 月,2 0 15年5月和6 月的华南强降水观测试验数据,以及2 0 11年7 月、2 0 13年8月、2 0 15年7 月和2 0 17 年7 月的江苏省中小尺度强对流观测试验数据。如图8 所示,选取第1层反射率仰角(
24、0.5)作为原始数据集,以步长为2,维度大小为32 32(径向距离库)的窗口依次向右滑动,直至窗口向右遍历完毕,然后窗口下移2 步,重复之前向右滑动的步骤,直至窗口滑动到最后位置。这些32 X32的数据块构建成新的数据集作为低分辨率雷达回波的输人,部分数据块中有些包含较多无效信息,这些数据块在形成训练集时将被丢弃。距离库窗11窗113窗口2窗口41径向窗口大小移动步长图8滑动窗口3.2参数设置在训练阶段,HR雷达回波块的大小为32 X32;LR 雷达回波块随缩放系数的变化而变化。对于降晰倍数2,LR雷达回波块的大小是16 X16;对于降晰倍数X4,LR 雷达回波块的大小是8 X8。损失函数选择
25、的是L1损失函数。该损失函数的定义表示如下:n1L(0)=(15)ni=1其中代表高分辨率雷达回波,I代表重建的雷达回波,训练所选取的样本数为n,为待训练的网络参数。在网络参数设置上,特征提取中的卷积核大小为3X3,激活函数选择PReLU(Pa r a m e t r icRectifiedLinearUnit)29。在投影单元中,滤波器的大小与降晰系数相对应;对于降晰倍数2,我们使用内核为6 6,步长为2,填充大小为2;对于降晰倍数4,我们使用内核为8 8,步长为4,填充大小为2。对于内核为8 8,它会减慢收敛速度,对收敛结果有影响30 1,但上下投影单元建立了HR和324第51卷象技科LR
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 注意力 反向 投影 网络 天气 雷达 回波 分辨率 重建 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。