.png){kind=icon}
返回
PCEED-Net: A Physics-Constrained Enhanced Encoder–Decoder Network for Precipitation Nowcasting
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2026.3660822.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
降水临近预报提供未来短时间内的降水强度和覆盖范围估计。准确的降水临近预报对农业、洪水预警和交通管理至关重要。然而，随着预报时间的增加，现有的基于深度学习的临近预报方法往往会出现明显的预报误差。为解决这一局限性，本文提出了一种名为PCEED-Net的物理约束增强编码器-解码器网络。PCEED-Net采用增强的编码器-解码器架构，其中融合了归一化时空卷积记忆网络（NSCM-Nets）和时空-通道双重注意力（SCDA）模块用于降水临近预报。这些NSCM-Nets增强了从主编码器提取的多尺度降水时间和云顶温度特征。SCDA模块进一步引导网络聚焦于重要特征。此外，为更好地捕捉降水的时空演变趋势并约束模型的学习过程，设计了一种新的物理约束损失函数。聚焦于中国沿海地区和东南亚地区，PCEED-Net利用全球降水测量（GPM）降水数据和向日葵卫星数据执行逐小时降水预报。所提出的模型在降水临近预报任务中优于其他现有模型，在0.1、1.6和8.0 mm/h阈值下，平均探测概率（PODs）分别为0.83、0.45和0.24，平均临界成功指数（CSIs）分别为0.43、0.34和0.19。结果表明，所提出的方法在观测区域进行高精度降水预报方面具有潜力。
Keyword:
Attention mechanism
deep learning
encoder–decoder architecture
physical constraints
precipitation nowcasting
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
A Patch-Wise Mechanism for Enhancing Sparse Radar Echo Extrapolation in Precipitation Nowcasting
.png){kind=icon}
PREAI
分享收藏Evolution of Image Segmentation using Deep Convolutional Neural Network: A Survey基于深度卷积神经网络的图像分割研究进展综述
OAAI
OAAI分享收藏Deep Learning Prediction of Incoming Rainfalls: An Operational Service for the City of Beijing China
PREAI
分享收藏
A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds基于TREC矢量结合模型预测风的雷达回波外推复合方法
PREAI
分享收藏分享收藏
查看更多内容