Doppler processing in weather radar using deep learning

• Autores: Collado Rosell, Arturo; Cogo, Jorge; Areta, Javier Alberto; Pascual, Juan Pablo
• Año de publicación: 2020
• Idioma: inglés
• Tipo de recurso: artículo
• Materia: Ingeniería y Sistemas de Comunicación; Deep Learning; Velocidad Media; Ancho Espectral; Radar Meteorológico Doppler; Ingeniería y Sistemas de Comunicación
• Institución: Universidad Nacional de Río Negro

Fil: Collado Rosell, Arturo. Universidad Nacional de Cuyo. Instutito Balseiro. Río Negro, Argentina.
Fil: Cogo, Jorge. Universidad Nacional de Río Negro. Río Negro, Argentina.
Fil: Areta, Javier Alberto. Universidad Nacional de Río Negro. Río Negro, Argentina.
Fil: Pascual, Juan Pablo. Universidad Nacional de Cuyo. Instutito Balseiro. Río Negro, Argentina.
Fil: Collado Rosell, Arturo. Departamento de Ingeniería en Telecomunicaciones, GDTyPE, GAIyANN, CNEA. Río Negro, Argentina.
Fil: Areta, Javier Alberto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Buenos Aires, Argentina.
Fil: Pascual, Juan Pablo. Departamento de Ingeniería en Telecomunicaciones, GDTyPE, GAIyANN, CNEA. Río Negro, Argentina.
Fil: Pascual, Juan Pablo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Buenos Aires, Argentina.
A deep learning approach to estimate the mean Doppler velocity and spectral width in weather radars is presented. It can operate in scenarios with and without the presence of ground clutter. The method uses a deep neural network with two branches, one for velocity and the other for spectral width estimation. Different network architectures are analysed and one is selected based on its validation performance, considering both serial and parallel implementations. Training is performed using synthetic data covering a wide range of possible scenarios. Monte Carlo realisations are used to evaluate the performance of the proposed method for different weather conditions. Results are compared against two standard methods, pulse-pair processing (PPP) for signals without ground clutter and Gaussian model adaptive processing (GMAP) for signals contaminated with ground clutter. Better estimates are obtained when comparing the proposed algorithm against GMAP and comparable results when compared against PPP. The performance is also validated using real weather data from the C-band radar RMA-12 located in San Carlos de Bariloche, Argentina. Once trained, the proposed method requires a moderate computational load and has the advantage of processing all the data at once, making it a good candidate for real-time implementations.
Se presenta un enfoque de deep learning para estimar la velocidad media Doppler y el ancho espectral en radares meteorológicos. El mismo puede operar en escenarios con y sin presencia de clutter terrestre. El método utiliza una red neuronal profunda con dos ramas, una para la velocidad y la otra para la estimación del ancho espectral. Se analizan diferentes arquitecturas de red y se selecciona una en función de su desempeño en validación, considerando implementaciones en serie y en paralelo. El entrenamiento de la red se realiza utilizando datos sintéticos que cubren una amplia gama de posibles escenarios. Se utilizan realizaciones de Monte Carlo para evaluar el rendimiento del método propuesto para diferentes condiciones climáticas. Los resultados se comparan con dos métodos estándar, el procesamiento de pares de pulsos (PPP) para señales sin clutter terrestre y el procesamiento adaptativo con modelo gaussiano (GMAP) para señales contaminadas con clutter terrestre. Se obtienen mejores estimaciones al comparar el algoritmo propuesto con GMAP y resultados comparables cuando se compara con PPP. El desempeño también se valida utilizando datos meteorológicos reales del radar de banda C RMA-12 ubicado en San Carlos de Bariloche, Argentina. Una vez entrenado, el método propuesto requiere una carga computacional moderada y tiene la ventaja de procesar todos los datos a la vez, lo que lo convierte en un buen candidato para implementaciones en tiempo real.