｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2023,11,14]]，“date-time”：“2023-11-14T00:35:16Z”，“timestamp”：16999222116333｝，“reference count”：41，“publisher”：“MDPI AG”，“issue”：“22”，“license”：[｛“start”：｛“date parts”：[[2023,11,12]]，“date-time”：“2023-11-12T00:00:00Z”，“时间戳“：1699747200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“地理信息工程国家重点实验室”，“奖项”：[“SKLGIE2020-M-4-2”]}，{“DOI”：“10.13039\/501100012166”，“name”:“国家重点研发计划”，“DOI-asserted-by”：“publisher”，“award”：[“2021YFE0116900”]}，{“DOI”：“10.13039\/501100001809”，“name”：“国家自然科学基金”，“DOI-asserted-by”：“publisher”，“adward”：[“42075138”，”42175157“]}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[”遥感“]，“abstract”：“天气雷达作为遥感数据的重要组成部分，在对流天气预报中发挥着重要作用，可以减少极端降水灾害。现有的雷达回波外推方法没有有效利用雷达回波的局部自然特征，只是粗略地提取了雷达回波的整体特征。为了应对这些挑战，我们设计了一个时空差异和生成性对抗融合模型（STDGAN）。具体而言，设计了一个时空差异模块（STD）来提取当地的天气模式并对其进行详细建模。在我们的模型中，时空差异信息和模型本身捕获的时空特征被融合在一起。此外，我们的模型是在生成性对抗网络（GAN）框架中训练的；它有助于在图像级别生成更清晰的未来雷达回波图。该判别器由多尺度特征提取器组成，可以更完整地模拟各种尺度的天气模型。最后，利用石家庄和南京的实际雷达回波数据进行了外推实验。实验表明，与以往的研究模型相比，我们的模型在预测局部天气模式和整体回波变化轨迹方面具有更准确的预测性能。我们的模型在石家庄雷达回波数据集上分别获得了132.22、37.87和0.796的MSE、PSNE和SSIM值。此外，我们的模型在南京雷达回波数据集上也显示了更好的性能结果。结果表明，MSE为49.570，PSNR为0.714，SSIM为30.633。CC值为0.855。<\/jats:p>“，”DOI“：”10.3390\/rs15225329“，”type“：”journal-article“，”created“：{”date-parts“：[2023,11,13]]，”date-time“：”2023-11-13T07:46:47Z“，”timestamp“：1699861607000}，”page“：“5329”，“source”：“Crossref”，“is-referenced-by-count”：0，“title”：[“雷达回波外推中的生成性对抗和时空差分融合方法“]，”前缀“：”10.3390“，”卷“：”15“，”作者“：[{”给定“：”向华“，”家族“：”牛“，”序列“：”第一“，”隶属“：[}”名称“：”中国地质信息工程国家重点实验室，西安2019an 710054“}]}，{”给出“：”历下“，”家庭“：”张“，”顺序“：”additional“，”affiliation“：[{“name”：“石家庄市气象局，中国石家庄050081”}]}，{“given”：“Chunlin”，“family”：“Wang”，“sequence”：“additional”，“affiliance”：[{“name”：“南京信息科技大学计算机与软件学院，中国南京210044”}南京信息科技大学教育部数字取证工程研究中心，南京210044南京信息科技大学计算机与软件学院，南京210044，中国“}，{“name”：“南京信息科技学院教育部数字取证工程研究中心，南京2100044”}]}，}“ORCID”：“http://\/ORCID.org\/00000-0001-8113-3718”，“authenticated-orcid“：false，”given“：”Wei“，”family“：”Tian“，”sequence“：”additional“，”affiliation“：[{“name”：“南京信息科技大学计算机与软件学院，南京210044，中国”}，{“name”：“教育部数字取证工程研究中心，南京信息科技大学，南京210044“}]}，{”given“：”Bin“，”family“：”Liao“，”sequence“：”additional“，”affiliation“：[{”name“：”中国地质信息工程国家重点实验室，Xi\u2019an 710054“}]}]，”member“：”1968“，”published-online“：{“date-parts”：[[2023,11,12]]}，“reference”：[{“key”：“ref_1”，“first page”：”802“，”article-title“：”卷积LSTM网络：降水预报的机器学习方法“，”volume“：”28“，”author“：”Shi“，“year”：“2015”，“journal-title”：“Adv.Neural Inf.Process.Syst.”}，{“key”：：“E2021GL095302“，”DOI“：”10.1029\/2021GL095303“，”article-title“：”通过将极化雷达变量纳入深度学习模型来改善对流发展的现代预测“，”volume“：”48“，”author“：”Pan“，”year“：”2021“，”journal-title”：“Geophys.”。Res.Lett公司。“}，{”key“：”ref_3“，”doi-asserted-by“：”crossref“，“unstructured”：“Jing，J.，Li，Q.，Peng，X.，Ma，Q.and Tang，S.（2020，January 4\u20138）HPRNN：用于长期天气雷达回波外推的分层序列预测模型。ICASSP 2020 \u20142020 IEEE声学、语音和信号处理国际会议（ICASSP）会议记录，西班牙巴塞罗那。“，”DOI“：”10.1109\/ICASSP40776.200.9054232“}，{”key“：”ref_4“，”DOI-asserted-by“：”crossref“，”unstructured“：”Luo，C.，Li，X.，Wen，Y.，Ye，Y.和Zhang，X.（2021）。一种新型LSTM模型，用于雷达回波外推，该模型具有交互双重关注。遥感，13.“，“：”Tran，Q.K.和Song，S.（2019年）。基于卷积递归神经网络的多通道天气雷达回波外推。遥感，11.“，”DOI“：”10.3390\/rs11192303“}，{“key”：“ref_6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Hu，Y.，Chen，L.，Wang，Z.，Pan，X.，and Li，H.（2021）。面向更现实和详细的基于深度学习的雷达回波外推方法。遥感，14.”，”DOI:“10.3390\/rs14010024”}，“key“：”ref_7“，”DOI-assert-by“：”交叉参考“，”首页“：”234“，”DOI“：”10.1038\/s41597-020-0574-8“，”article-title“：”TAASRAD19，一个高分辨率天气雷达反射率数据集，用于降水预报“，”volume“：”7“，”author“：”Franch“，”year“：”2020“，”journal-title”：“Sci。Data“}，{”key“：”ref_8“，”doi-asserted-by“：”crossref“，”unstructured“：”Tuyen，D.N.，Tuan，T.M.，Le，X.-H.，Tung，N.T.，Chau，T.K.，Van Hai，P.，Gerogannis，V.C.，and Son，L.H.（2022）。RainPredRNN:基于深度学习的天气雷达回波图像降水预报新方法。Axioms，11.“，”，“doi”：“10.3390\/axioms1103007”}，}“key”：“ref_9“，”doi-asserted-by“：”crossref“，”first page“：”785“，”doi“：”10.1175\/1520-0426（1993）010<0785:TTITAA>2.0.CO；2“，”article-title“：”TITAN:雷暴识别、跟踪、分析和预报\u2014A基于雷达的方法学“，”volume“：”10“，”author“：”Dixon“，”year“：”1993“，”journal-title”：“J.Atmos。海洋。Technol公司。“}，{”key“：”ref_10“，”doi-asserted-by“：”crossref“，”first page“：“287”，”doi“：”10.1038\/273287a0“，“article-title”：“常规天气雷达探测三维风暴运动”，“volume”：“273”，“author”：“Rinehart”，“year”：“1978”，“journal-title“：”Nature“}”，{、W.和Wong，W.（2017）光流技术在雷达降雨预报中的实际应用。大气，8.”，“DOI”：“10.3390\/atmos8030048”}，{“key”：“ref_12”，“首页”：“22009”，“文章标题”：“Sevir:雷达和卫星气象学深度学习应用的风暴事件图像数据集”，“volume”：“33”，“author”：“Veillette”，“year”：“2020”，“journal title”：“Adv.Neural Inf.Process.Syst.”}，{“key”：“ref_13”，“DOI asserted by”：“crossref“，”first page“：”2631“，”DOI“：”10.5194\/gmd-13-2631-2020“，”article-title“：”RainNet v1。0:基于雷达的降水预报卷积神经网络”，“卷”：“13”，“作者”：“Ayzel”，“年份”：“2020年”，“期刊标题”：“地球科学”。Model Dev.“}，{”key“：”ref_14“，”doi-asserted-by“：”crossref“，”unstructured“：”Bhattacharyya，A.，Fritz，M.，and Schiele，B.（2018年1月18日\u201323）。不确定性下交通场景中人群的长期车载预测。美国犹他州盐湖城IEEE计算机视觉和模式识别会议论文集。“doi”：“10.1109\/CVPR.2018.00441“}，{”key“：”ref_15“，”first page“：“1”，”article-title“：”递归梯形网络“，”volume“：：“30”，”author“：”Ilin“，”year“：”2017“，”journal-title”：“Adv.Neural Inf.Process.Syst.”}，“key”：“ref_16”，”first-page:“81”，”article-title“：”使用大型随机递归神经网络进行高保真视频预测“，”volume“”：“32”，“作者：“Villegas”，“年份”：“2019年”，“新闻标题”：“高级神经信息处理”。系统。“｝，｛”key“：”ref_17“，”doi asserted by“：”crossref“，”非结构化“：”Jing，J.，Li，Q.，and Peng，X.（2019）。MLC-LSTM：利用多级天气雷达回波之间的时空相关性进行回波序列外推。传感器，19.“，”doi“：”10.3390\\s19183988“｝，｛”key“：”ref_18“，”doi asserted by“：”crossref“，”首页“：”1387“，”doi“：”10.5194\/gmd-12-1387-2019“，“article-title”：“光流模型作为基于雷达的降水预报（降雨运动v0）的开放基准。1） “，”卷“：”12“，”作者“：”Ayzel“，”年份“：”2019“，”新闻标题“：”地球科学“。Model Dev.“｝，｛”key“：”ref_19“，”doi asserted by“：”crossref“，”首页“：”1260“，”doi“：”10.1109\/JSTARS.2020.3031244“，”文章标题“：”雷达回波外推的可学习光流网络“，”卷“：”14“，”作者“：”张“，”年份“：”2020“，”期刊标题“：”IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens“｝，｛”key“：”ref_20“，”doi asserted by“：”crossref“，”first page“：”6999“，”DOI“：”10.1109\/TNNLS.2021.3084827“，”article-title“：”卷积神经网络综述：“分析、应用和前景”，“volume”：“33”，“author”：“Li”，“year”：“2021”，“journal-title”：“IEEE Trans。神经网络。学习。系统。“}，{”key“：”ref_21“，”unstructured“：”Kalchbrenner，N.，Oord，A.，Simonyan，K.，Danielka，I.，Vinyals，O.，Graves，A.和Kavukcuoglu，K..（2017年1月6日\u201311）。视频像素网络。澳大利亚悉尼国际机器学习会议论文集。“}”，{“key”：“ref_22”，“doi-asserted-by”：“crossref”，“unstructure”：“Xu，Z.、Wang，Y.、Long，M.和Wang，J.（2018年1月13日\u201319）。PredCNN：级联卷积预测学习。第二十七届国际人工智能联合会议（IJCAI-18）会议记录，瑞典斯德哥尔摩。“，”DOI“：”10.24963\/ijcai.2018\/408“}，{”key“：”ref_23“，”DOI-asserted-by“：”crossref“，”first page“：“186”，“DOI”：“10.1016\/j.procs.2019.02.036”，“article-title”：“基于雷达的降水预报的所有卷积神经网络”，“volume”：“150”，“author”：“Ayzel”，“year”：“2019”，“journal-title“：”Procedia Compute.Sci.“}，{“键”：“ref_24”，“doi-asserted-by“：”crossref“，”unstructured“：”Ronneberger，O.，Fischer，P.，and Brox，T.（2015年1月5日\u20139）。U-net：生物医学图像分割的卷积网络。医学图像计算和计算机辅助干预会议录2013MICCAI 2015：第18届国际会议，德国慕尼黑。“，”DOI“：”10.1007\/978-3-319-24574-4_28“}，{“key”：”ref_25“，”首页“：”5622“，”article-title“：”降水预报深度学习：基准和新模型“，”volume“：”30“，”author“：”Shi“，”year“：”2017“，”journal title“：Predrnn：使用时空lstms进行预测学习的递归神经网络”，“卷”：“30”，“作者”：“王”，“年份”：“2017年”，“期刊标题”：“高级神经信息处理”。系统。“}，{”key“：”ref_27“，”unstructured“：”Wang，Y.，Gao，Z.，Long，M.，Wang，J.，and Yu，P.S.（2018年1月10日\u201315）。Predrnn++：解决时空预测学习中的深时间困境。瑞典斯德哥尔摩国际机器学习会议论文集。“}”，{“key”：“ref_28”，“doi-asserted-by”：“crossref”，“非结构化”：“Wang，Y.，Zhang，J.，Zhu，H.，Long，M.，Wang，J.和Yu，P.S.（2019年1月15日\u201320）。记忆中的记忆：一种预测神经网络，用于从时空动力学中学习高阶非平稳性。IEEE计算机视觉与模式识别会议论文集，美国加利福尼亚州长滩.MotionRNN：一种具有空间时变运动的灵活视频预测模型。IEEE计算机视觉和模式识别会议记录，美国田纳西州纳什维尔”，“DOI”：“10.1109”，{“key”：“ref_30”，“DOI-asserted-by”：“crossref”，“first-page”：“53”，“DOI”：2018年，“新闻标题”：“IEEE信号处理。Mag.“}，{“key”：“ref_31”，“unstructured”：“Arjovsky，M.，Chintala，S.，and Bottou，L.（2017）。Wasserstein生成性对抗网络。Int.Conf.Mach.Learn.PMLR，214\u2013223.”}，“{”key：“ref.32”，“doi-asserted-by”：“crossref”，“first page”：”601“，“doi”：“10.1109\/LGRS.2019.2926776”，“article-title”：“生成性对抗门限回归单元降水预报模型”，“卷”：“17”，“作者”：“田”，“年份”：“2019年”，“新闻标题”：“IEEE Geosci”。遥感快报。“}，{”key“：”ref_33“，”first-page“：”89“，”article-title“：”AENN：用于天气雷达回波外推的生成性对抗性神经网络。《国际建筑摄影》，“volume”：“42”，“author”：“Jing”，“year”：“2019”，“journal-title”：“Remote Sens.Spat.Inf.Sci.”}，”{”key“：“ref_34”，“unstructured”：“Fernando，T.，Denman，S.，Sridharn，S.和Fookes，C.（2019）《计算机视觉》2014ACCV 2018，第14届亚洲计算机视觉会议，澳大利亚珀斯，2018年12月2日，修订论文集，第一部分14，Springer International Publishing。“}，{”key“：”ref_35“，”doi-asserted-by“：”crossref“，”unstructured“：”Barsoum，E.，Kender，J.，and Liu，Z.（2018年1月18日\u201322）。Hp-gan：通过gan进行概率三维人体运动预测。美国犹他州盐湖城IEEE计算机视觉和模式识别研讨会论文集。“doi”：“10.1109\/CVPRW.2018.00191”}，”{“key”：“ref_36“，”doi-asserted-by“：”crossref“，”first page“：”5735“，”doi“：”10.1109\/JSTARS.2021.3083647“，”article-title“：”使用条件生成对抗三维卷积神经网络进行精确雷达外推“，”volume“：“14”，“author”：“Wang”，“year”：“2021”，“journal-title”：“IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{”key“：”ref_37“，”doi-asserted-by“：”crossref“，”unstructured“：”Szegedy，C.，Vanhoucke，V.，Ioffe，S.，and Shlens，J.（2016年1月27日\u201330）。重新思考计算机视觉的初始架构。美国内华达州拉斯维加斯IEEE计算机视觉和模式识别会议论文集。“doi”：“10.1109\/CVPR.2016.308“}，{”key“：”ref_38“，”doi-asserted-by“：”crossref“，”first page“：“2296”，”doi“：”10.1109\/TGRS.2010.2103946“，”article-title“：”Scale filtering for improved nowcasting performance in a high X band radar network”，“volume”：“49”，“author”：“Ruzanski”，“year”：“2011”，“journal-title”：“IEEE Trans.Geosci.Remote Sens.”}，}”key:“”ref_39“，“非结构化”：“Li，P.W.，Wong，W.K.，Chan，K.Y.，and Lay，E.S.T.（2000）。SWIRLS\u2014An Evolving Nowcasting System，香港特别行政区政府。第100号技术说明。“｝，｛”key“：”ref_40“，”doi asserted by“：”crossref“，”第一页“：”1253“，”doi“：”10.1175\/JTECH-D-17-0142.1“，”文章标题“：”中国南方极化雷达测量的定量降水估算：基于差分相位的变分方法“，”volume“：”35“，”author“：”Huang“，”year“：”2018“，”《新闻标题》：J.Atmos。海洋。Technol公司。“}，{”key“：”ref_41“，”doi-asserted-by“：”crossref“，”unstructured“：”Xu，L.，Niu，D.，Zhang，T.，Chen，P.，Cheng，X.，and Li，Y.（2022）.降水现代预报的两阶段UA-GAN。遥感，14.“，“doi”：“10.3390\/rs14235948”}]，“集装箱标签”：[“遥感”]，“原始标题”：[]，“语言”：“en”，“链接”：[{“URL”：“”https:\/\/www.mdpi.com/2072-4292\/15\/22\/5329\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2023,11,13]]，”date-time“：“2023-11-13T08:47:11Z”，”timestamp“：1699865231000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\\ http://www.mdpi.com/2072-4292\/15\/22\/5329“}}”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[2023,11,12]]}，”引用计数“：41，”日志发布“：}”问题“：“22”，”在线发布“：”日期部分：[2023,11]]}}，“alternative-id”：[“rs15225329”]，“URL”：“http://\/dx.doi.org\/10.3390\/rs1522532.9”，“关系”：{}，[“2072-4292”]，“ISSN-type”：[{“value”：“2072~4292”，“type”:“electronic”}]，“主题“：[]，”已发布“：{“日期部分”：[[2023,11,12]]}}