针对现有的深度学习气象时空降尺度方法较少、数据融合方式较为单一、气象图像纹理细节信息重建效果不佳等问题,提出了一种基于多特征融合的时空降尺度模型(Spatio-Temporal Downscaling Model Based on of Multi-Feature Fusion,STMFF...针对现有的深度学习气象时空降尺度方法较少、数据融合方式较为单一、气象图像纹理细节信息重建效果不佳等问题,提出了一种基于多特征融合的时空降尺度模型(Spatio-Temporal Downscaling Model Based on of Multi-Feature Fusion,STMFF)。设计一个动态数据融合模块(Data Fusion Module,DFM)对动态辅助数据进行融合,对特征时间插值模块进行改进,实现更加有效的静态数据融合;使用局部时间特征比较(Local Time Feature Comparison,LFC)模块来提高视频帧插值后每帧的图像质量,并采用基于多尺度特征提取的残差Swin Transformer模块(Residual Swin Transformer Module Based on Multi-Scale Feature Extraction,MF-RSTB)获得每帧图像的多尺度特征。基于法国雷达降水公开数据集的验证表明,STMFF最优结果较对比算法的MSE最大降低74.42%,最小降低4.28%,且在每帧图像的主观视觉效果上也更具优势。展开更多
文摘针对现有的深度学习气象时空降尺度方法较少、数据融合方式较为单一、气象图像纹理细节信息重建效果不佳等问题,提出了一种基于多特征融合的时空降尺度模型(Spatio-Temporal Downscaling Model Based on of Multi-Feature Fusion,STMFF)。设计一个动态数据融合模块(Data Fusion Module,DFM)对动态辅助数据进行融合,对特征时间插值模块进行改进,实现更加有效的静态数据融合;使用局部时间特征比较(Local Time Feature Comparison,LFC)模块来提高视频帧插值后每帧的图像质量,并采用基于多尺度特征提取的残差Swin Transformer模块(Residual Swin Transformer Module Based on Multi-Scale Feature Extraction,MF-RSTB)获得每帧图像的多尺度特征。基于法国雷达降水公开数据集的验证表明,STMFF最优结果较对比算法的MSE最大降低74.42%,最小降低4.28%,且在每帧图像的主观视觉效果上也更具优势。
