用于异构区域雷达降水预报的个性化联邦学习

生活中不同领域（如环境领域）数据的持续增长凸显了探索新技术以处理和利用数据的需求。在此背景下，人工智能技术，尤其是通过深度学习模型，是利用可从气象雷达等获取的大量数据的关键工具。在许多情况下，这些雷达收集的信息并非公开，或属于不同机构，因此需要处理这种数据的分布式特性。本工作中，探讨了一种名为 adapFL 的个性化联邦学习架构在分布式气象雷达图像上的适用性。为此，给定一台覆盖直径 400 km 的单一雷达，将捕获的图像划分，使其互不相交地分布到四个不同的联邦客户端中。分析了 adapFL 在每个区域以及覆盖各先前分布区域部分表面的中心区域的结果。本工作的最终目标是研究此类学习技术的泛化能力，以便将其推广到可用雷达数量具有代表性的场景中，其数据由于技术、法律或行政原因无法集中。本初步研究的结果表明，adapFL 方法在每个区域获得的表现能够提升联邦学习方法、独立深度学习模型以及经典的连续性跟踪雷达回波相关法的性能。