MCSDNet: Mesoscale Convective System Detection Network via Multi-scale Spatiotemporal Information

准确检测中尺度对流系统（MCS）对气象监测至关重要，因为它们可能通过严重天气现象（如冰雹、雷暴和暴雨）造成重大破坏。然而，现有的MCS检测方法大多针对单帧检测，仅考虑静态特征，忽略MCS生命周期中的时间演变。本文提出了一种新颖的编码器-解码器神经网络用于MCS检测（MCSDNet）。MCSDNet具有简单的架构，易于扩展。与以往的模型不同，MCSDNet针对多帧检测，利用遥感图像（RSI）中的多尺度时空信息来检测MCS区域。据我们所知，这是首次利用多尺度时空信息来检测MCS区域。首先，我们设计了一个多尺度时空信息模块，从不同的编码器层提取多级语义，使我们的模型可以提取更多的细节时空特征。其次，引入了空时混合单元（STMU）到MCSDNet中，以捕获帧内特征和帧间相关性，这是一个可扩展的模块，可以被其他时空模块替换，例如CNN、RNN、Transformer和我们提出的双重空时关注（DSTA）。这意味着未来关于时空模块的工作可以轻松地集成到我们的模型中。最后，我们提出了MCSRSI，这是第一个基于FY-4A卫星可见通道图像的多帧MCS检测公开数据集。我们还在MCSRSI上进行了几项实验，并发现我们提出的MCSDNet在MCS检测任务中表现最佳，与其他基线方法相比。

本论文旨在解决雷暴、冰雹、暴雨等极端天气现象的监测问题。现有的方法大多只考虑静态特征，忽略了MCS生命周期中的时间演变。因此，本论文提出一种新的编码器-解码器神经网络，用于多帧MCS检测。

本论文提出了一种新的编码器-解码器神经网络，用于MCS的多帧检测。该模型利用多尺度时空信息提取MCS区域，并引入了可扩展的时空混合单元(STMU)来捕捉帧内特征和帧间相关性。

本论文设计了一个多尺度时空信息模块，用于从不同的编码器层提取多层语义信息。同时，引入了时空混合单元(STMU)来捕捉帧内特征和帧间相关性，并提出了双重时空关注(DSTA)。此外，本论文还提出了MCSRSI数据集，并在该数据集上进行了实验。实验结果表明，MCSDNet在MCS检测任务中表现最佳。

相关研究包括：1.基于深度学习的MCS检测方法；2.基于传统方法的MCS检测方法；3.基于遥感图像的极端天气监测方法。