基于监控摄像头数据与混合深度学习框架的高精度可扩展降雨量估算研究

为解决传统降雨测量方法在空间覆盖、时间分辨率和数据可获取性方面的局限性，研究人员开发了一种基于监控摄像头(SCs)和混合深度学习框架(DSC-GRU)的新型降雨估算方法。该研究通过图像质量特征(IQS)技术检测雨纹并选择最优兴趣区域(ROI)，结合深度可分离卷积(DSC)和门控循环单元(GRU)实现降雨强度(RI)的高精度预测（R2达0.89-0.93）。其轻量化架构为城市水文监测提供了低成本实时解决方案，显著提升了降雨数据的时空覆盖范围和准确性。

　　

降雨监测是理解水循环和预防城市洪涝的关键，但传统方法如雨量计(RGs)和遥感技术存在空间覆盖不足、成本高昂等问题。尤其在城市化区域，降雨数据的时空分辨率不足导致洪水模型预测误差较大。近年来，监控摄像头(SCs)因其广泛部署和高时空分辨率成为替代方案，但现有视频分析方法受限于复杂背景、光照变化和设备异构性。

针对这些挑战，天津大学与新加坡国立大学联合研究院的研究团队在《Environmental Science and Ecotechnology》发表研究，提出了一种融合图像质量特征(IQS)和混合深度学习(DSC-GRU)的创新框架。该研究通过两个核心模块实现突破：特征提取模块(FeM)利用IQS特征和增强随机森林分类器(eRFC)动态选择雨纹检测滤波器；降雨估算模块(RiM)采用深度可分离卷积(DSC)与门控循环单元(GRU)的混合架构，从时空维度分析视频序列。实验数据来自天津和福州两地共19场降雨事件，涵盖昼夜不同光照条件和0-0.9 mm min^-1的降雨强度(RI)范围。

关键技术包括：1) 基于亮度(Br)、对比度(MC)和灰度共生矩阵(GLCM)纹理特征的IQS分析方法；2) 结合SMOTETomek采样技术的eRFC分类器；3) 融合DSC层（参数仅80,458）和GRU的轻量化回归模型；4) 采用Kling-Gupta效率(KGE)和均方根误差(RMSE)等多指标验证。

研究结果
图像质量特征提取：通过分析100帧视频的IQS特征，识别出6类典型模式。熵(Enp)值差异（<250至>400）显著影响雨纹识别效果，高熵类（B/C）需特殊滤波处理。
多类图像分类：eRFC模型在22类IQS分类中准确率达90%，AUC值0.97-1.00，优于KNN和SVM等基线方法。
兴趣区域选择：在1920×1080像素视频中定位6个ROI，通过固定640×640像素分析窗口确保设备一致性，夜间红外模式有效提升雨滴反射光捕捉能力。
DSC-GRU验证：模型在训练集达到R²=0.94/KGE=0.97，验证集RMSE=0.039，参数量仅为CNN-LSTM的1.8%。福州日间数据预测最佳（平均R²=0.93），而天津夜间高强降雨（0.9 mm min^-1）时SC2的置信区间(CI)扩大至0.256。

结论与意义
该研究通过IQS特征动态适配和轻量级DSC-GRU架构，实现了监控视频降雨估算的三大突破：1) 昼夜环境自适应能力，日间R²稳定在0.93以上；2) 较传统方法降低85%参数量的同时保持高精度；3) 首次在混合模型中验证DSC对空间特征提取的增效作用。尽管高强降雨时存在7.8%的过估计，但其框架为构建分布式城市雨洪监测网络提供了技术范式。未来可通过生成对抗网络(GANs)增强极端降雨数据，并探索多摄像头融合策略以提升复杂场景的鲁棒性。