从通信到循环：使用5G GNSS信号和深度学习进行3D风场检测和实时预测

于红博

摘要: 准确的大气风场信息对于各种应用至关重要，包括天气预报、航空安全和减少灾害风险。然而，由于传统原位观测和遥感技术的限制，以及数值天气预报模型的计算开销和偏差，获得高时空分辨率的风数据仍然具有挑战性。本文介绍了G-WindCast，这是一个新颖的深度学习框架，利用5G全球导航卫星系统（GNSS）信号的信号强度变化来检索和预测三维大气风场。该框架利用前馈神经网络（FNN）和Transformer网络来捕捉GNSS衍生特征和风动力学之间的复杂、非线性和时空关系。我们的初步结果表明，在风检索和短期风预测（最多30分钟的超前时间）方面具有有希望的准确性，与某些场景中的高分辨率NWP输出的技能得分相当。该模型在不同的预测时间跨度和压力水平上表现出鲁棒性，其风速和风向的预测与观测相比与同时的ERA5再分析数据显示出更好的一致性。此外，我们展示系统即使在GNSS站数量显著减少的情况下（例如约100个），也能保持出色的性能，突出了其成本效益和可扩展性。这种跨学科的方法强调了利用非传统数据源和深度学习进行先进环境监测和实时大气应用的变革潜力。

更新时间: 2025-09-19 15:17:08

领域: cs.LG,cs.AI,68T07,I.2.1

下载: http://arxiv.org/abs/2509.16068v1