Broad-UNet：用于临近预报任务的多尺度特征学习
机器学习
2021-10-27 v2
摘要
天气临近预报是指在高空间分辨率下短期预测气象要素。由于其对许多人类活动的影响，准确的临近预报近来备受关注。本文将临近预报问题视为利用卫星影像的图像到图像翻译问题。我们引入Broad-UNet，一种基于核心UNet模型的新型架构，以高效解决该问题。具体而言，所提Broad-UNet配备非对称并行卷积以及空洞空间金字塔池化 (ASPP) 模块。以此方式，Broad-UNet模型通过结合多尺度特征学习更复杂的模式，同时比核心UNet模型使用更少的参数。所提模型应用于两种不同的临近预报任务，即降水图与云量临近预报。获得的数值结果表明，相较于其他被测架构，所引入的Broad-UNet模型预测更精确。
引用
@article{arxiv.2102.06442,
title = {Broad-UNet: Multi-scale feature learning for nowcasting tasks},
author = {Jesus Garcia Fernandez and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2102.06442},
year = {2021}
}
备注
9 pages, 11 figures