Skip navigation
Por favor, use este identificador para citar o enlazar este ítem: http://rid.unrn.edu.ar/handle/20.500.12049/6667

Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorCollado Rosell, Arturo-
dc.contributor.authorCogo, Jorge-
dc.contributor.authorAreta, Javier Alberto-
dc.contributor.authorPascual, Juan Pablo-
dc.date.accessioned2021-01-29T12:17:22Z-
dc.date.available2021-01-29T12:17:22Z-
dc.date.issued2020-12-
dc.identifier.citationArturo Collado, Rosell., Cogo, Jorge., Areta, Javier Alberto and Pascual, Juan Pablo. (2020). Doppler processing in weather radar using deep learning. IET Signal Processing; 14 (9); 672-682.es_ES
dc.identifier.issn1751-9675es_ES
dc.identifier.issn1751-9683es_ES
dc.identifier.otherhttps://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-spr.2020.0095es_ES
dc.identifier.urihttp://rid.unrn.edu.ar/handle/20.500.12049/6667-
dc.description.abstractA 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.es_ES
dc.format.extentp. 672-682es_ES
dc.language.isoenes_ES
dc.publisherThe Institution of Engeneering and Technology (IET)es_ES
dc.relation.urihttps://ietresearch.onlinelibrary.wiley.com/toc/17519683/2020/14/9es_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/-
dc.titleDoppler processing in weather radar using deep learninges_ES
dc.typeArticuloes_ES
dc.rights.licenseCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)-
dc.description.filiationCollado Rosell, Arturo. Universidad Nacional de Cuyo. Instutito Balseiro. Río Negro, Argentina.es_ES
dc.description.filiationCogo, Jorge. Universidad Nacional de Río Negro. Río Negro, Argentina.es_ES
dc.description.filiationAreta, Javier Alberto. Universidad Nacional de Río Negro. Río Negro, Argentina.es_ES
dc.description.filiationPascual, Juan Pablo. Universidad Nacional de Cuyo. Instutito Balseiro. Río Negro, Argentina.es_ES
dc.description.filiationCollado Rosell, Arturo. Departamento de Ingeniería en Telecomunicaciones, GDTyPE, GAIyANN, CNEA. Río Negro, Argentina.es_ES
dc.description.filiationAreta, Javier Alberto. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Buenos Aires, Argentina.es_ES
dc.description.filiationPascual, Juan Pablo. Departamento de Ingeniería en Telecomunicaciones, GDTyPE, GAIyANN, CNEA. Río Negro, Argentina.es_ES
dc.description.filiationPascual, Juan Pablo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Buenos Aires, Argentina.es_ES
dc.subject.keywordDeep Learninges_ES
dc.subject.keywordVelocidad Mediaes_ES
dc.subject.keywordAncho Espectrales_ES
dc.subject.keywordRadar Meteorológico Doppleres_ES
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_ES
dc.subject.materiaIngeniería y Sistemas de Comunicaciónes_ES
dc.origin.lugarDesarrolloUniversidad Nacional de Río Negroes_ES
dc.origin.lugarDesarrolloInstituto Balseiroes_ES
dc.relation.journalissue14 (9)es_ES
dc.description.reviewtruees_ES
dc.description.resumenSe 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.es_ES
dc.identifier.doihttps://doi.org/10.1049/iet-spr.2020.0095-
dc.relation.journalTitleIET Signal Processinges_ES
Aparece en las colecciones: Artículos

Archivos en este ítem:
Archivo Descripción Tamaño Formato  
iet-spr.2020.0095.pdf3,53 MBAdobe PDFVisualizar/Abrir

Este documento es resultado del financiamiento otorgado por el Estado Nacional, por lo tanto queda sujeto al cumplimiento de la Ley N° 26.899


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons