Rain Rate Estimation with SAR using NEXRAD measurements with Convolutional Neural Networks

要約

降雨イベントのリモートセンシングは、たとえば天気予報、極端な洪水の軽減、水循環の監視など、運用上および科学上のニーズの両方にとって重要です。NOAAの次世代レーダー（NEXRAD）などの地上ベースの気象レーダーは、反射率と
降雨イベントの降水量測定。
しかし、そのようなレーダーの観測範囲は数百キロメートルに制限されており、特に外洋上で、陸上レーダーでカバーされていない広い領域を表す他のリモートセンシング方法の探索を促しています。
何十年もの間、Sentinel-1画像などのCバンドSAR画像は、海面上に降雨の兆候を示すことが知られています。
ただし、SARから派生した降雨製品の開発は依然として課題です。
ここでは、SAR画像から降雨情報を抽出するための深層学習アプローチを提案します。
同じ場所に配置され、前処理されたSentinel-1 / NEXRADデータセットでトレーニングされたU-Netなどの畳み込みニューラルネットワークが、最先端のフィルタリングスキームよりも明らかに優れていることを示します。
私たちの結果は、1、3、および10 mm / hのしきい値で表される、降水レジームのセグメント化における高いパフォーマンスを示しています。
Kochフィルターを使用してバイナリ降雨マップを描画する現在の方法と比較して、これらのマルチしきい値学習ベースのモデルは、より高い風速の降雨推定を提供できるため、データ同化天気予報またはSARの適格性の向上に非常に役立つ可能性があります。
導出された風の場のデータ。

要約(オリジナル)

Remote sensing of rainfall events is critical for both operational and scientific needs, including for example weather forecasting, extreme flood mitigation, water cycle monitoring, etc. Ground-based weather radars, such as NOAA’s Next-Generation Radar (NEXRAD), provide reflectivity and precipitation measurements of rainfall events. However, the observation range of such radars is limited to a few hundred kilometers, prompting the exploration of other remote sensing methods, paricularly over the open ocean, that represents large areas not covered by land-based radars. For a number of decades, C-band SAR imagery such a such as Sentinel-1 imagery has been known to exhibit rainfall signatures over the sea surface. However, the development of SAR-derived rainfall products remains a challenge. Here we propose a deep learning approach to extract rainfall information from SAR imagery. We demonstrate that a convolutional neural network, such as U-Net, trained on a colocated and preprocessed Sentinel-1/NEXRAD dataset clearly outperforms state-of-the-art filtering schemes. Our results indicate high performance in segmenting precipitation regimes, delineated by thresholds at 1, 3, and 10 mm/h. Compared to current methods that rely on Koch filters to draw binary rainfall maps, these multi-threshold learning-based models can provide rainfall estimation for higher wind speeds and thus may be of great interest for data assimilation weather forecasting or for improving the qualification of SAR-derived wind field data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google