Hybrid Convolution Reparameterization for Efficient Deep Learning-Based Nonprecipitation Echo Recognition and Removal

doi:10.1109/tnnls.2026.3675666

Hybrid Convolution Reparameterization for Efficient Deep Learning-Based Nonprecipitation Echo Recognition and Removal

2026-04-07

0

PRE

AI

DOI：10.1109/tnnls.2026.3675666

原文链接

原文求助

摘要

En 中文

天气雷达反射率图像在可靠的天气监测和预报中发挥着关键作用。然而，地面杂波、海杂波和电磁干扰等固有因素经常将这些数据中的非降水回波（NPEs）引入其中，对准确的降水检测构成了显著挑战。一种有前景的解决方案是利用深度学习网络结合卫星观测来识别和去除NPEs。为提升这些模型的实用性，重新参数化技术的最新进展在降低计算复杂度方面显示出潜力。然而，现有方法主要关注并行多分支重新参数化；将多个卷积融合为单个等效卷积，即多卷积重新参数化，仍未被探索。本研究提出了一种新颖的重新参数化NPE去除网络（RepNPE-Net），旨在利用地球静止气象卫星的多通道亮温（BT）观测来识别和去除雷达反射率数据中的NPEs。重新参数化NPE去除网络（RepNPE-Net）整合了两种基于创新双流卷积结构模块，包括重新参数化双流卷积模块（RepDCM）和重新参数化注意力双流卷积模块（RepADCM），它们协同标准卷积和深度可分离（DS）残差卷积块以提升特征提取和表示能力。在RepADCM模块中，设计了一个位置高效局部注意力（PELA）块，使网络能够聚焦于空间上显著的位置特征并增强模型精度。此外，为强化所提RepNPE-Net的实用应用能力，引入了混合卷积重新参数化（HCR）技术，该技术将多分支和多卷积操作（如深度可分离（DW）和点卷积（PW））在推理阶段融合为单个等效卷积，显著降低计算复杂度而不会影响网络性能。实验结果表明，RepNPE-Net在NPE去除精度和计算效率方面均优于现有方法，凸显其在提升雷达数据质量、推动气象研究和应用方面的潜力。

Keyword:

Deep learning

geostationary meteorological satellite

nonprecipitation echo recognition and removal

reparameterization

Hybrid Convolution Reparameterization for Efficient Deep Learning-Based Nonprecipitation Echo Recognition and Removal

摘要

期刊

机构

引用论文