Dieser Abschnitt analysiert die Ursachen von starken konvektiven Niederschlägen anhand der Mechanismusmerkmale, erläutert die Schwierigkeiten und präsentiert eine ResNet-Attention-BiLSTM-Methode, die den verschwommenen Effekt der Vorhersage löst und die Details der Radarechos genauer und genauer macht. Die Schwierigkeiten und der methodische Rahmen zeigen die Struktur der ResNet-Attention-BiLSTM-Radarbeobachtungsvariablen \(Z_{H}\) Vorhersage.
Starke Konvektion ist ein Wetterphänomen, das durch starke vertikale Luftbewegungen verursacht wird. Während des Tages erhitzt die Sonnenstrahlung die Atmosphäre, und die Luft in Bodennähe erwärmt sich und dehnt sich aus, um weniger dicht zu werden und unter dem Einfluss der Luftauftriebs aufzusteigen. Die aufsteigende Luft erzeugt einen starken Auftrieb, der schließlich über die dichtere Luft steigt. Die Luft strömt auf eine bestimmte Höhe, und wenn die Temperatur sinkt, kondensiert der in der Luft enthaltene Wasserdampf zu Wassertropfen, die schließlich als Regen fallen.
Regentropfen unterliegen während des Landeprozesses dem Luftwiderstand, der abgeflachte kugelförmig ist, und die Reflexionseigenschaften von Regentropfen zu horizontal polarisierten elektromagnetischen Wellen und vertikal polarisierten elektromagnetischen Wellen sind unterschiedlich. Diese Arbeit erhält die Größe, Phase und Wasserinhalt der Niederschlagspartikel basierend auf den Informationen über den Echointensitätsunterschied und die Phasenbeziehung von Regentropfen in zwei Polarisationsebenen, die mit duale Polarisationsradar erhalten wurden. Die differentielle Reflektivität \(Z_{DR}\) spiegelt die Größe der Niederschlagspartikel im Beobachtungsgebiet wider, die spezifische Phasenverschiebung \(K_{DP}\) spiegelt den Flüssigkeitsgehalt wider, und der horizontale Reflexionsfaktor \(Z_{H}\) der dual-polarisationsradarvariablen spiegelt die Stärke des Niederschlags wider, was wichtig für die Vorhersage von starken Konvektionen ist.
Die Methode verwendet das ResNet-50-Modell, um Features aus den Radarbeobachtungsdaten zu extrahieren und die räumlichen Abhängigkeiten und räumlichen Korrelationen der Radarbeobachtungsdaten zu erfassen. Dann wird der Aufmerksamkeitsmechanismus hinzugefügt, um die regionale Verteilung herausragender Merkmale aus den Radarbildern zu erlernen und zu erfassen und die Vorhersagegenauigkeit der Radarbeobachtungen zu verbessern. Schließlich wird BiLSTM verwendet, um die Eingaben des Vorhersagemodells in zwei Richtungen fließen zu lassen, um die zukünftigen und vergangenen Informationen zu bewahren und die genaue Vorhersage des Entwicklungsverlaufs der Radarbeobachtungsvariable \(Z_{H}\) zu realisieren.