基于SEVIRI多光谱图像时间序列的VONA-DL深度学习火山灰云临近预报模型

《Remote Sensing Applications: Society and Environment》：VONA-DL: A deep learning model for volcanic ash cloud nowcasting using SEVIRI data

　　

活动火山在多种地理尺度上构成显著危害，爆炸式喷发产生的火山灰云（volcanic ash cloud）是影响人类健康、气候和航空安全的关键因素。准确捕捉火山灰云的时空演化对于理解其动力学和提高预测能力至关重要。鉴于爆炸式喷发的强动态性，火山云可快速形成、扩张和扩散。因此，高时间分辨率地球静止卫星数据，如MSG-SEVIRI，对于这些事件的近实时监测不可或缺。研究人员提出VONA-DL（Volcano Observations Nowcasting for Aviation using Deep Learning），一种纯数据驱动方法，用于短期预报（即临近预报，nowcasting）Mt. Etna排放的火山气体与火山灰扩散，通过基于深度学习（deep learning, DL）的方法处理多光谱卫星图像时间序列（Satellite Image Time Sequences, SITS）。模型使用系统整理的数据集进行训练和评估，该数据集包含17年间91次喷发事件，并分类为四种业务情景。VONA-DL能够学习已知短期行为，而无需显式构建物理过程或指定大气与喷发输入参数。特别地，模型再现了火山灰与SO₂主导火山云的不同输送、持续和清除模式，提供证据表明其能够直接从卫星观测中隐式学习具有物理意义的特征。训练后，VONA-DL每个样本推理约0.005 s，使新的卫星观测可用时可进行快速、观测驱动的临近预报。这些结果证明VONA-DL作为计算高效工具，可与基于物理的扩散模型互补，用于短期火山云预报。

研究背景与问题：爆炸式火山喷发可将大量火山灰和气体注入大气，原文指出喷发柱可达50 km以上，并提及Hunga Tonga喷发事件；这些物质在高空可随风条件快速、远距离、多方向输送，形成的火山云显著影响人类健康、气候和航空安全。火山灰云发展、扩张和扩散迅速且难以预测，因此监测和预报十分必要。地球静止卫星多光谱传感器具有高时间分辨率，可连续追踪大范围灰和气体扩散；热红外亮温差（brightness temperature difference, BTD）等遥感手段可识别火山灰并估计云特性，区分火山灰与气象云。传统火山云扩散预报依赖数值模式求解大气输送和扩散方程，需要喷发源参数与气象条件，处理高度非线性过程；尽管存在Eulerian、Lagrangian、半解析和混合等策略，以及Tephra Transport and Dispersal Models（TTDMs）和Volcanic Ash Transport and Dispersal Models（VATDMs），但预报对源参数不确定性高度敏感，高分辨率模式计算成本高，限制实时业务应用，且喷发动力学、大气环流和微物理过程相互作用带来额外误差。为此，研究人员开展纯数据驱动研究，提出VONA-DL，以直接从卫星数据学习隐含喷发和大气信息，自动提取与火山云动力学相关的光谱、空间和时间特征，提高预报速度和稳健性，作为传统物理模型在灾害监测和决策支持中的补充工具。

研究开展、结论与意义：研究人员利用深度学习处理多光谱卫星图像时间序列（Satellite Image Time Sequences, SITS），对Mt. Etna排放的火山气体和火山灰进行短期临近预报。模型使用17年间91次喷发事件、按四种业务情景分类的数据集训练和评估，能够在不显式表达物理过程、不指定大气和喷发输入参数的情况下学习已知短期行为，并再现火山灰与SO₂主导火山云不同的输送、持续和清除模式，表明其可从卫星观测中隐式学习具有物理意义的特征。训练后推理约0.005 s/样本，可随新卫星观测快速更新临近预报；研究意义在于提供计算高效、观测驱动的工具，与基于物理的扩散模型互补用于短期火山云预报。

关键技术方法（不超过250字）：作者使用Mt. Etna 2007—2024年91次喷发事件的SEVIRI（Spinning Enhanced Visible and InfraRed Imager，旋转增强可见光与红外成像仪）Ash RGB序列，时间分辨率15 min，重投影至UTM 33N并裁剪为100×100像素、每像素3×3 km，通道数C=3；以J=4帧预测K=4帧，构建964个序列片段，并按强羽流、弱羽流、与气象云相互作用羽流和混合型四类分层划分训练/验证/测试为70%/15%/15%（677/144/143），另设2025年NEC完全未参与训练的事件级测试。模型以U-Net3D提取空间光谱特征，以门控三维卷积（Conv3D）预测时空演化，并采用自回归滑窗推理；损失为均方误差（Mean Squared Error, MSE）与学习感知图像块相似度（Learned Perceptual Image Patch Similarity, LPIPS）加权，α=0.7；采用Adam优化和早停；分割模型作为冻结的确定性后处理。

4. 结果：原文结果部分未设二级小标题。数据集构建方面，作者处理Mt. Etna 2007—2024年91次喷发事件，SEVIRI Ash RGB时间分辨率15 min，重投影至UTM 33N并裁剪至以峰顶火山口为中心的固定感兴趣区，得到100×100像素帧，每像素3×3 km，C=3；以J=4帧（1 h历史）预测K=4帧（随后1 h），生成964个数据片段，输入和目标均为4×3×100×100张量；事件人工标注为“strong plume”“weak plume”“plume interacting with meteorological clouds”和“mixed”四类，并按类分层划分训练、验证、测试为677、144、143个片段，像元值线性缩放至[?1,1]；划分在滑动窗口层级进行且分层，索引集互斥，但同一事件的不同窗口可进入不同子集；为评估对未见喷发的泛化，另设完全排除训练的2025年事件事件级测试。消融与架构比较方面，作者比较α=0.0、0.5、0.7、1.0及Enc-Dec Gated Conv3D、ResNet3D；α=0.0和0.5验证表现较差，α=0.7明显改善，α=1.0虽验证误差低但仅优化像素MSE、不显式考虑火山云结构和感知特征；独立2025事件上，U-Net3D+Gated Conv3D α=0.7在重建精度与变异性间取得最有利折中，均值MSE和标准差略低，故选为VONA-DL最终配置。典型案例方面，2024年7月7日VOR第二次幕次喷发中喷发柱向东传播，火山云主要由SO₂组成，VONA-DL再现SO₂主导羽流空间传播，保持东向平流和总体强度演化；2021年6月20日SEC第44次幕次喷发中羽流指向E–SE，火山云较小且除气体外含灰，结构更非均质、空间变异性更强，模型仍保持较好预测能力，捕捉主要扩散模式和火山云演化。自回归与定量评价方面，作者对每条序列在第3、4滞后项加入自回归增强，并用结构相似性指数（Structural Similarity Index Measure, SSIM）、精确率、召回率和F1分数评价；误差随滞后增加，但自回归模型误差增加较少，尤其第4滞后；整体F1从第1滞后0.74降至第4滞后无自回归0.49、有自回归0.54，第3滞后由0.56升至0.61，第4滞后由0.49升至0.54；强SO₂主导的2024年7月7日事件F1从第1滞后0.80降至第4滞后无自回归0.72、有自回归0.75；弱排放的2021年6月17日事件中SO₂快速扩散，第2滞后F1=0.54，自回归使第3滞后由0.44升至0.56、第4滞后由0.23升至0.55。条件测试方面，正常条件下自回归使第4滞后帧中灰持续更明显，分割掩膜重叠更大；异常SW方向条件下标准和自回归模型性能均退化，自回归因第1预测帧误差传播而更差；坏气象条件下模型仍表现良好，第3、4滞后自回归改善；2025年NEC独立事件中风向向西，模型保持与前述结果相似的变异性范围，但自回归因早期帧大误差传播而更差。

讨论部分总结：作者指出结果支持所提深度学习模型可从数据中隐式学习喷发和大气信息，自动提取相关光谱、空间和时间特征，并适应不同羽流扩散速率，对灰和气体扩散表现出敏感性，其动力学随物理特征演化。VONA-DL在强羽流理想条件下可准确预测火山云扩散，并学会区分灰与SO₂扩散行为：灰因重量较早消失，SO₂在大气中停留更久。标准模型总体表现良好，但随生成帧推进预测精度逐步下降，尤其最后两帧与真值相似性低于初始帧，主要归因于火山云动力学快速变化、强风和快速变化大气条件、低强度喷发产生弱火山云和/或主要由灰组成且扩散比SO₂更快的火山云；自回归推理部分缓解该限制，改善长期预测。正常条件下自回归改善灰持续和分割重叠；异常SW方向下自回归因早期误差传播更差；坏气象条件下模型仍好且第3、4滞后自回归改善。2025年NEC独立事件保持相似变异性范围，但自回归因早期大误差传播更差。定量上性能随预报提前期增加而下降。数据集为17年91次喷发事件、四类业务情景，是重要贡献；模型无需显式气象场、喷发源参数或物理约束即可隐式学习物理意义特征；计算效率方面，训练约4 h 50 min、114个epoch并早停，单张NVIDIA RTX 4090 GPU（24 GB显存），最佳模型在第32个epoch约1 h 20 min获得；训练后单样本约0.005 s，推理时间相对地球静止卫星采集时间分辨率可忽略，可随新观测快速更新临近预报；VONA-DL定位为短期临近预报工具而非替代基于物理的扩散模型，并可对伪影或恶劣天气造成部分云遮挡的数据进行重建。局限包括独立测试事件数量和多样性相对有限，尤其对代表性较少的喷发和大气条件；性能随预报提前期增加及 atypical 扩散模式下下降；异常风向可通过物理一致的数据增强如翻转或旋转改善；当前依赖SEVIRI Ash RGB，其裁剪和重缩放可能丢弃原始多光谱亮温中部分物理相关信息；LPIPS源自自然图像，用于假彩色卫星图像需谨慎；模型仅在Mt. Etna开发评估且以幕次熔岩喷泉事件为主，对其他火山、喷发样式、大气条件和非玄武质系统的泛化尚待证明。未来将研究原始多光谱观测、更多物理信息光谱通道、更长预报时效和跨火山验证。

研究结论部分翻译：临近预报火山灰云扩散对于减轻其对人类健康、气候和航空安全的影响至关重要。基于物理并整合数据与大气参数的数值模型可产生准确预测，但计算成本高。相比之下，所提出的纯卫星数据驱动深度学习模型在计算效率与预测性能之间实现有效权衡，在15 min和30 min预测上提供可靠预报。加入最终自回归推理阶段显著提高最远预测滞后的性能。未来工作将扩展训练数据集，纳入更多不常见气象情景，如Mt. Etna的SW风条件，并将分析扩展到其他火山。未来研究将探索整合时间建模组件，包括长短期记忆（Long Short-Term Memory, LSTM）单元和基于Transformer的架构，以进一步增强长期预测能力。