补充阅读: 往年赛事方案分析与常用时序模型补充
输入“/”快速插入内容
☁️补充阅读: 往年赛事方案分析与常用时序模型补充
补充阅读: 往年赛事方案分析与常用时序模型补充
2024年7月19日创建
1465
1873
0
0
💡
教程贡献者说：
本章节是补充阅读部分, 用于提供给学有余力的学习者们以拓宽思路进行提升
本节以2022年天池赛——2022江苏气象AI算法挑战赛-AI助力强对流天气预报为例, 给大家介绍往年的赛题分析
同时本节还会补充一些常用模型的知识及链接
希望大家可以共同进步, 变得更强！
往年天池赛——2022江苏气象AI算法挑战赛-AI助力强对流天气预报
该比赛采用的数据集为2019-2021年4-9月江苏省气象雷达及自动站观测要素数据，数据集由江苏省气象台制作，以灰度图形式存储（格式为PNG）。该比赛是一项时间序列预测大赛，需要基于过去已发生的气象时间序列数据，也就是过去发生的气象雷达影像和自动站观测到的气象要素结构化数据，预测未来两小时的气象雷达影像和自动站观测到的气象要素结构化数据。
1.
本次赛题的数据集详解
a.
气象雷达数据集
气象雷达数据集是雷达回波数据的时间序列，其物理含义为3公里等高面的基本反射率因子， 与降水的强弱有关。大气中的水滴含量越高，则雷达基本反射率越高。该数据集是对江苏多部S波段气象雷达质量控制及组网拼图后得到的，覆盖整个江苏省区域面积。数据取值范围为0-70（单位：dBZ），水平分辨率为0.01°（约1公里），时间分辨率为6分钟，单时次数据（即单张图片）的网格尺寸为480×560像素。
b.
自动站观测要素数据集
自动站观测要素数据集包含降水和平均风要素，通过将江苏及其周边地区气象自动观测站数据插值到均匀网格后得到。其中降水要素为自动站6分钟累积降水量，即截至当前时刻6分钟内降水观测量的累加值，取值范围为0-10（单位：mm）。平均风要素由自动站观测得到，取值范围为0-35（单位m/s）。数据集的水平分辨率为0.01°（约1公里），时间分辨率为6分钟，单时次数据（即单张图片）的网格数为480×560像素。
2.
本次赛题的方法解析:
a.
改进之后的Unet模型:
i.
模型: SmaAt-Unet, 链接为: https://arxiv.org/abs/2007.04417 SmaAt-Unet模型是由 Trebing 等提出的降水短临预报模型，模型基于原始UNet模型做了一定的修改，原始UNet模型效果较好，但模型参数量大, 需要消耗非常多的计算资源, 同时, 在本次模型里面又使用了深度可分离卷积，可以使用更少的数学运算和更少的参数，对硬件要求降低同时也能达到复杂模型近似的效果。此外, 作者还将其中的卷积操作替换为attention操作, 以放大重要特征(针对此次比赛也就是强回波区，强降水，大风等重要特征)并抑制相应图像尺度上不重要的特征。
ii.
数据: 雷达回波，降水，风速三个特征之间有强相关，所以将以上三种数据作为三种特征一起输入模型，让模型学习其中的关系。因此，首先将雷达回波，降水数据，风速数据依据每次天气过程头20张一起读取，组成（60,480,560）的输入数据，然后再与该次天气过程的后20张目标数据进行对比，计算损失函数。
iii.
损失函数: 使用MAE+MSE混合的函数
b.
i.
模型：Conv-TT-LSTM
ii.
损失函数: 加权的MSE, 根据值不同需设置不同的权重
c.
该作者思考预测任务与video预测的任务十分类似，提出了自己的思考: https://tianchi.aliyun.com/forum/post/408827 将两个任务作类比取长补短, 也是很好的技术方案
d.
i.
模型: SimVP + MIM，分别抽取空间和时序上的特征
ii.
小编想说的话: 这位大佬介绍的太详细了, 已经是一篇完美的报告了, 从数据预处理、模型、超参数设置、图像增强、损失函数、补充的其他实验, 在链接里面已经详细的展示清楚了, 强烈推荐有需求的小伙伴们认真阅读。
❀ 没想到你连补充内容都看了！！！
🎉合影留念墙
补充内容都看了，值得打个卡！
别忘了随时回顾学习内容~
