基于神经网络的合成雷达反射率估算器的发展与解释：利用 GOES-R 卫星观测
大气与海洋物理
2020-04-20 v1 机器学习
摘要
本研究的目标是开发在降水场景中同化 GOES-R 系列观测的技术，以改进高影响天气灾害的短期对流尺度预报。尽管一种途径是辐射率同化，但 GOES-R 先进基线成像仪（ABI）的辐射率信息内容在降水场景中饱和，且辐射率同化未利用来自 GOES 闪电制图仪（GLM）的闪电观测。本文开发了一个卷积神经网络（CNN）将 GOES-R 辐射率与闪电转换为合成雷达反射率场，以利用现有雷达同化技术。我们发现 CNN 利用空间上下文的能力对此应用至关重要，并相比传统逐像素方法带来突破性的技巧提升。为理解性能改进，我们采用一种结合多种技术的新颖分析方法，各自提供对网络推理的不同洞见。通道保留实验与空间信息保留实验表明，CNN 在高反射率值上的技巧源自辐射率梯度中的信息内容与闪电的存在。归因方法——逐层相关性传播——表明 CNN 协同利用辐射率与闪电信息，其中闪电帮助 CNN 聚焦于哪些邻近位置最为重要。合成输入用于量化对辐射率梯度的敏感性，显示更尖锐的梯度在预测反射率中产生更强响应。最后，地球静止闪电观测因其精确定位强雷达回波位置的能力而被发现具有独特价值。
引用
@article{arxiv.2004.07906,
title = {Development and Interpretation of a Neural Network-Based Synthetic Radar Reflectivity Estimator Using GOES-R Satellite Observations},
author = {Kyle A. Hilburn and Imme Ebert-Uphoff and Steven D. Miller},
journal= {arXiv preprint arXiv:2004.07906},
year = {2020}
}
备注
Submitted to Journal of Applied Meteorology and Climatology