利用深度学习方法对天气雷达回波进行时间超分辨率重建

《Expert Systems with Applications》：Temporal Super-Resolution Reconstruction of Weather Radar Echoes Using a Deep Learning Approach

针对S波段天气雷达因体量扫描策略导致的时间分辨率不足问题，本文提出基于深度学习的时序超分辨率方法EMAIRA-VFI，通过跨帧注意力机制融合时空特征，生成连续高时间分辨率雷达回波数据，实验表明该方法在插值精度和细节结构保持方面显著优于传统方法。

　　在气象科学领域，天气雷达是监测和预警突发性恶劣天气的重要工具。特别是S波段天气雷达，由于其信号穿透力强、在强降水条件下抗衰减能力突出，被广泛应用于气象业务中。这类雷达能够有效监测远距离的极端天气系统，如热带气旋、中尺度对流系统以及大范围强降雨等。然而，当前S波段天气雷达系统在应对快速演变的天气现象时，存在一个显著的限制：其体积扫描策略导致的有限时间分辨率。时间分辨率不足不仅影响对短时天气预报的准确性，也限制了对快速发展的对流天气的实时监测能力。

为了解决这一问题，研究人员提出了多种技术手段来提升雷达数据的时间分辨率。这些方法主要包括硬件升级、信号处理算法优化以及数据插值技术等。其中，硬件升级如相控阵雷达系统虽然能够显著缩短扫描周期并实现高频观测，但其高昂的成本、复杂的系统结构以及部署和维护的困难，使得其在现有雷达网络中的广泛应用受到限制。因此，越来越多的研究开始关注不改变硬件配置的前提下，通过软件算法提升雷达时间分辨率的可能性。

在软件算法方面，传统的插值方法如空间-时间插值、频域方法和光流技术等，虽然在一定程度上能够改善时间分辨率，但它们在处理复杂天气系统中的快速和非线性演变时表现不佳。近年来，随着深度学习技术的快速发展，其在时空数据建模中的强大非线性能力为雷达时间分辨率的提升提供了新的思路。许多大型科技公司和研究机构已经开发了基于深度学习的气象模型，如Google DeepMind的GraphCast、华为云的Pangu-Weather、清华大学与国家气象局合作的NowcastNet、阿里巴巴的SwinVRNN*、复旦大学的Fuxi、上海人工智能实验室的Fengwu、NVIDIA的FourCastNet以及微软与华盛顿大学合作的DLWP等。这些模型在短时天气预报和高分辨率气象数据处理方面取得了显著进展。

然而，尽管这些模型在气象预测方面表现出色，它们在处理雷达数据的时间分辨率提升问题上仍存在一定的局限性。例如，某些模型在细尺度结构重建方面效果有限，且在极端天气条件下或存在雷达噪声和伪影的情况下，其性能可能受到挑战。此外，许多现有模型在实际应用中面临计算资源消耗大、实时性不足等问题，这限制了它们在气象业务中的广泛部署。

针对上述问题，本文提出了一种基于深度学习的雷达时间超分辨率重建方法，命名为EMAIRA-VFI。该方法通过引入帧间注意力机制，能够有效融合连续雷达回波中的时空特征，从而实现对动态天气演变的准确建模，并生成具有高时间分辨率的连续雷达回波数据。与传统的插值方法相比，EMAIRA-VFI在插值精度和细尺度气象结构的保留方面表现出显著优势。实验结果表明，该方法不仅增强了S波段雷达在监测快速演变天气事件中的能力，还为雷达数据的时空融合和智能化应用提供了新的视角。

帧间注意力机制在雷达时间超分辨率重建中的应用具有重要意义。与传统的单帧卷积神经网络（CNN）不同，帧间注意力机制能够显式建模连续帧之间的时序依赖关系。雷达回波序列通常表现出强烈的时序相关性和复杂的运动模式，而单帧CNN由于主要关注局部空间特征，其在捕捉时序动态方面存在局限。相比之下，帧间注意力机制通过在多个帧之间进行注意力操作，使得模型能够同时捕捉运动动态和空间结构，从而提升对中间帧的预测能力，并保留对气象应用至关重要的细粒度强度变化。

EMAIRA-VFI的模型结构如图2所示，包含六个主要模块：低级特征提取器、跨尺度补丁嵌入、运动-外观特征提取、时空特征融合、隐式重采样对齐策略以及最终的输出模块。其中，低级特征提取器用于从输入的雷达回波中提取基本的时空特征，而跨尺度补丁嵌入则通过多尺度分析进一步增强模型对不同尺度天气现象的捕捉能力。运动-外观特征提取模块结合了运动特征和外观特征，以更全面地描述天气系统的演变过程。时空特征融合模块负责将提取的特征进行整合，以实现对中间帧的准确重建。隐式重采样对齐策略则在光流重采样阶段引入，以提高中间雷达帧的重建精度。最终的输出模块将融合后的特征转化为高时间分辨率的雷达回波数据。

在实验设计方面，本文使用了2023年江苏南京地区一次强降雨事件的雷达数据作为测试集。该数据集覆盖了从8月1日至9月30日的14,000组雷达回波，经过筛选后保留了12,000组有效数据。这些数据的体积扫描周期为6分钟，数据矩阵大小为725×3710（径向数×距离单元），空间分辨率为62.5米。通过对这些数据的分析，本文验证了EMAIRA-VFI在提升时间分辨率方面的有效性。

为了评估EMAIRA-VFI的性能，本文采用了一系列常用的二分类评价指标，包括召回率（POD）、精确率（Pre）、误报率（FAR）、临界成功指数（CSI）以及F1分数（Fs）。这些指标能够全面反映模型在不同天气现象下的预测能力。实验结果表明，EMAIRA-VFI在这些指标上均优于现有的方法，尤其是在细尺度结构的保留方面表现突出。此外，该模型在计算效率和实时性方面也具有显著优势，使其在实际气象业务中具备更高的可行性。

在实际应用中，EMAIRA-VFI能够有效提升S波段雷达数据的时间分辨率，从而为快速发展的对流天气监测提供更精确的数据支持。该方法的提出不仅有助于提高气象预警的准确性，还为雷达数据的智能化处理和时空融合提供了新的思路。此外，EMAIRA-VFI的开源代码使得其他研究者能够方便地复现和改进该方法，推动了气象领域在人工智能方面的进一步发展。

为了更好地展示EMAIRA-VFI的实际应用效果，本文还进行了案例分析。通过使用真实的S波段天气雷达数据，我们评估了该方法在不同强度雷达回波下的表现。在2023年8月27日15:13（中国标准时间）南京Z9513雷达站观测的一次严重降雨案例中，EMAIRA-VFI成功地重建了雷达回波在时间序列中的中间帧，特别是在雷达回波强度超过40 dBZ的区域，其重建效果显著优于传统插值方法。这一结果表明，EMAIRA-VFI不仅能够提升时间分辨率，还能在复杂的天气条件下保持较高的预测精度。

综上所述，本文提出的EMAIRA-VFI方法为提升天气雷达时间分辨率提供了一种新的解决方案。该方法通过引入帧间注意力机制和混合架构，有效融合了雷达回波中的时空特征，从而实现了对动态天气演变的准确建模和高时间分辨率雷达数据的生成。实验结果表明，EMAIRA-VFI在插值精度和细尺度结构保留方面均优于现有方法，为雷达数据的智能化应用和气象监测提供了新的工具和思路。此外，该方法的开源代码使得其在气象领域的进一步研究和应用成为可能，为未来雷达网络的发展和极端天气监测技术的提升奠定了基础。