Hybride Faltungsreparametrierung für effiziente auf Deep Learning basierende Erkennung und Entfernung von Nichtniederschlags-Echos

Wetterradar-Reflexionsbilder spielen eine entscheidende Rolle bei der zuverlässigen Wetterüberwachung und -vorhersage. Inhärente Faktoren wie Bodenrauschen, Meeresrauschen und elektromagnetische Störungen führen jedoch häufig zur Einbringung von Nichtniederschlags-Echos (NPEs) in diese Daten, was erhebliche Herausforderungen für die genaue Niederschlagserkennung mit sich bringt. Eine vielversprechende Lösung besteht darin, Deep-Learning-Netzwerke zu nutzen, um NPEs mit Satellitenbeobachtungen zu identifizieren und zu entfernen. Um die Praktikabilität dieser Modelle zu verbessern, haben kürzliche Fortschritte in der Reparametrierungstechnologie das Potenzial gezeigt, die rechnerische Komplexität zu reduzieren. Allerdings konzentrieren sich bestehende Methoden auf die parallele Megafaltung-Reparametrierung; die Fusion mehrerer Faltungen zu einer einzelnen äquivalenten Faltung, die als Multifaltungsreparametrierung bezeichnet wird, wurde noch nicht untersucht. In dieser Studie schlagen wir ein neuartiges reparametriertes NPE-Entfernung-Netzwerk (RepNPE-Net) vor, das entwickelt wurde, um NPEs von Radarreflexionsdaten mithilfe von multikanaligen Helligkeitstemperatur (BT)-Beobachtungen von einem geostationären meteorologischen Satelliten zu erkennen und zu entfernen. Das reparametrierte NPE-Entfernung-Netzwerk (RepNPE)-Net umfasst zwei innovative module auf der Basis von Dual-Stream-Faltungstrukturen, einschließlich des reparametrierten Dual-Stream-Faltungsmoduls (RepDCM) und des reparametrierten Aufmerksamkeits-Dual-Stream-Faltungsmoduls (RepADCM), die Standard- und tiefen-separierbare (DS) Residual-Faltungsblöcke synergistisch kombinieren, um die Merkmalsextraktions- und -darstellungskapazitäten zu verbessern. Im RepADCM-Modul wurde ein positions effizientes lokales Aufmerksamkeitsblock (PELA) entwickelt, um dem Netzwerk zu ermöglichen, sich auf räumlich signifikante Positionsmerkmale zu konzentrieren und die Genauigkeit des Modells zu verbessern. Darüber hinaus führen wir zur Stärkung der praktischen Anwendbarkeit des vorgeschlagenen RepNPE-Net hybride Faltungsreparametrierung (HCR) ein, die Multibranchen- und Multifaltung-Operationen (z.B. tiefen-separierbare (DW) und punktweise (PW) Faltungen) während der Inferenzphase zu einzelnen äquivalenten Faltungen konsolidiert, wodurch die rechnerische Komplexität erheblich reduziert wird, ohne die Netzwerkleistung zu beeinträchtigen. Experimentelle Ergebnisse zeigen, dass RepNPE-Net in Bezug auf die Genauigkeit der NPE-Entfernung und rechnerische Effizienz bestehende Methoden übertrifft, was sein Potenzial zur Verbesserung der Radar Datenqualität und zur Förderung der meteorologischen Forschung und Anwendungen hervorhebt.