基于自监督DINOv3模型与Transformer融合技术的遥感图像字幕生成 Maryam Mehmood, Ahsan Shahzad, Farhan Hussain, Lismer Andres Caceres-Najarro, Muhammad Usman

《Remote Sensing》：Remote Sensing Image Captioning via Self-Supervised DINOv3 and Transformer Fusion Maryam Mehmood, Ahsan Shahzad, Farhan Hussain, Lismer Andres Caceres-Najarro and Muhammad Usman

　　**摘要**
本研究聚焦于80–100公里高度范围内的近空间区域水平风场。利用曲靖站流星雷达的观测数据，基于卡尔曼滤波器的同化技术显著提高了HWM14背景模型风场的准确性。

**主要发现**
本研究集中探讨了80–100公里高度近空间区域的水平风场特征。通过将卡尔曼滤波器同化技术应用于流星雷达观测数据，有效地整合了这些数据与HWM14背景场。这种方法有效解决了由于流星雷达测量中流星分布不均导致的数据缺失和误差问题，从而大幅减少了同化风场分析中的误差，其中纬向和经向风速的最大误差减少了50%以上。

**意义**
采用卡尔曼滤波器同化技术后，流星雷达观测数据与HWM14背景场实现了高效整合，有效弥补了数据分布不均带来的误差。这一进展对于深入理解近空间区域大气扰动的变化及其动态过程具有重要意义。

**引言**
近空间位于天空与外太空之间，海拔大约为20–100公里，主要包括平流层、中间层和低热层。重力波、潮汐波和行星波等低层大气中的波动可以通过耦合作用传播到近空间区域。在此过程中，这些波动携带的动量和能量释放到近空间，导致该区域大气温度和背景风场发生剧烈变化[1,2,3]。温度和风场的变化影响着该区域的大气结构，进而影响航空航天活动的进行。因此，研究近空间环境变化以把握该区域大气变化的规律至关重要。

近年来，随着无线电技术和遥感技术的发展，地面探测技术逐渐成为观测近空间大气环境的主要手段。地面探测技术主要包括激光雷达和多种无线电雷达（VHF雷达、MF雷达、流星雷达等）。其中，流星雷达由于其低成本、全天候运行和无需人工值守等优势而成为最常用的探测工具。流星雷达的发展和应用经历了多个阶段：早期工作侧重于系统建设和区域观测验证；随后全天空干涉技术的应用显著提升了探测精度和可靠性[4,5,6]。近年来，凭借其高垂直分辨率的风场数据，该技术在揭示大气波动态[7,8]及建立关键大气参数（如密度和温度）的长期气候特征[9,10,11]方面取得了重要突破。这些进展确立了流星雷达在表征大气波动活动及传输过程中的关键观测作用，为深入理解中间层和低热层大气动力学提供了重要数据基础。目前全球已有数十个单站全天空流星雷达在运行，部分雷达的数据已在线公开。例如，美国麻省理工学院发布了巴克兰帕克站的观测数据[6]，日本京都大学发布了赤道附近的越知站数据[12]，中国子午线项目数据中心提供了漠河站和武汉站的观测数据[13,14]。这些数据集对全球大气波（如行星波和潮汐波）及其传播[15,16,17,18]以及低层大气与高层大气的耦合[19,20]的研究做出了重要贡献。然而，单站全天空流星雷达提供的风场数据时间分辨率为0.5–2.0小时，空间（主要为高度）分辨率为2–3公里，无法获取近空间更大范围内的水平风场信息。因此，该高度范围内的实时风场数据无法满足大规模区域（国家或地区）的环境应用需求。

**水平风模型（HWM）**
水平风模型（HWM）是一种全球参考大气风场模型。它利用卫星、探空火箭和雷达等观测数据，通过球谐拟合获得地面以上0至500公里范围内的风场信息[22,23]。HWM（主要是HWM07和HWM14版本）在反演大气真实动态过程方面具有显著优势。姜等人将气象火箭测量的风场数据与HWM07的结果进行了比较，发现两者趋势基本一致[24]；通过对比Fabry–Perot干涉仪数据与HWM14数据，发现HWM14能够很好地再现夜间热层风的变化特征[25]。然而，作为全球参考模型，HWM提供的风场数据具有全局性，导致其输出结果与特定地区（如中国西南部）的实时风场数据存在较大差异[26,27]。周宝柱等人将十个全球站点的流星雷达观测数据与HWM07模拟数据进行对比，发现HWM07的近空间风场结构与流星雷达观测结果一致，但在冬季两者之间存在显著差异[27]。

鉴于流星计数分布的时空不确定性（由于流星体活动的随机性和弱流星信号难以准确检测），本研究探讨了80–100公里高度范围内基于卡尔曼滤波器的风场同化技术。该技术结合了曲靖站流星雷达观测数据和HWM14数据，分析了同化风场中的误差。这一方法针对时空分布稀疏的全天空流星雷达观测数据，开发了定制的误差建模和局部协方差方案，有效修正了HWM14模型的系统偏差。研究结果表明，单站同化方法比背景场提供了更可靠的分析结果，为低成本的实用风场反演提供了一种有效途径。

**数据来源**
2008年，中国无线电波传播研究所于云南省曲靖市（25.6°N, 103.7°E）建立了全天空流星雷达系统，主要用于近空间大气风场的观测和研究[28,29,30,31]。该雷达系统由澳大利亚Thebarton的ATRAD Pty Ltd.公司生产，其整体结构和内部配置与巴克兰帕克全天空流星雷达相似[5,6]。该系统包括发射机、接收机、信号处理子系统、数据处理子系统、天线子系统等。技术参数详见表1[28]。天线子系统采用多天线空间布局，其中发射天线为双极交叉偶极子天线，接收天线为五组双极子半波偶极子天线组成的干涉仪阵列。数据收集和分析由两台独立计算机完成。本研究使用了曲靖站2022年的流星雷达风场观测数据，覆盖80–100公里高度范围。近空间风场的背景场数据来自HWM14模型。

**基于卡尔曼滤波器的同化方法**
3.1. 算法原理
根据卡尔曼滤波器理论，观测数据的同化过程可分为更新和预测两部分[32]。更新部分根据当前观测结果修正背景模型的仿真和预测结果，公式如下：
$$ \mathbf{X}_a = \mathbf{X}_b + \mathbf{K}(\mathbf{Y} - \mathbf{H}_2 \mathbf{X}_b) $$
其中\( \mathbf{K} \)为增益矩阵，用于利用观测数据调整模型生成的背景场；\(\mathbf{X}_a \)为同化后的分析结果，\(\mathbf{HWM14} \)可获取风场背景场\(\mathbf{X}_b\)，\(\mathbf{Y} \)表示流星雷达观测到的状态值。增益矩阵\( \mathbf{K} \)可通过背景场误差协方差矩阵\( \mathbf{B} \)和观测场误差协方差矩阵\( \mathbf{R} \)计算得出：
$$ \mathbf{K} = \mathbf{B} \mathbf{H}^T (\mathbf{H}^2 \mathbf{B} \mathbf{H}^T + \mathbf{R})^{-1} $$
同化后的分析场协方差矩阵\( \mathbf{B}_a \)可通过以下公式计算：
$$ \mathbf{B}_a = \mathbf{B} - \mathbf{B} \mathbf{H}^T (\mathbf{H}^2 \mathbf{B} \mathbf{H}^T + \mathbf{R})^{-1} \mathbf{H} $$
在近空间风场同化过程中，基于当前时刻的分析场值预测下一个时间间隔的风场值属于预测部分。预测值作为下一个时间步的背景场，预测误差作为背景误差，公式为：
$$ \mathbf{B}_{a}^{t+1} = \mathbf{B} \mathbf{M} \mathbf{X}_a^t + \mathbf{\omega}_t $$
\( \mathbf{M} \)为状态转移矩阵，\( \mathbf{\omega}_t \)为状态转移误差；这两者用于将当前时刻的分析场转换为下一个时间点的背景场。
卡尔曼滤波器同化过程包括预处理流星雷达观测数据、计算权重矩阵，最终获得同化结果。

3.2. 数据预处理
在进行近空间风场同化之前，需对观测数据进行预处理以减少异常值和噪声，提高数据质量[33]。本研究采用双权重估计方法进行数据质量控制[34]。通过为数据点赋予不同权重，可以有效减轻异常值对整体估计的影响。图1展示了数据质量控制前后纬向风场结果的对比：左图显示了2022年1月1日的原始水平风场（蓝色散点），实线红色曲线为基于双权重估计方法计算得到的动态阈值；可见原始数据中存在大量超过该阈值的异常值，尤其是在80公里高度附近。这些异常值可能源于检测噪声或间歇性干扰。右图显示了通过阈值过滤有效去除这些异常值后的结果。得到的风场剖面显示出一个更加集中且符合物理规律的分布，这与中层大气的典型风场结构特征更为吻合。这一比较表明，双权重估计方法能够自动有效地识别并消除风场数据中的异常观测值，从而为后续的同化分析提供了更高质量和更可靠的数据基础。

图1. 数据质量控制前后（左为质量控制前，右为质量控制后）的流星雷达纬向风场结果。

3.3 协方差模型构建
协方差模型包括一个背景误差协方差矩阵、一个观测误差协方差矩阵以及一个观测算子。它反映了数据之间的相关性。本研究中描述的近空间风场同化过程是指流星雷达观测数据与背景模型之间的整合过程。因此，误差协方差模型既包含观测数据的误差协方差，也包含背景模型的误差协方差。观测算子表示观测误差协方差与背景模型误差协方差的相对大小和空间分布，这决定了观测场和背景场对同化结果的影响的相对权重和空间结构。

3.3.1 观测场误差协方差矩阵的构建
由于风场观测是独立事件，本研究使用对角矩阵来表示观测场误差协方差矩阵：
$$ R_{ij} = \begin{cases}
\alpha_0 \cdot y_i \cdot y_j, & (i = j) \\
0, & (i \neq j)
\end{cases} $$（6）
其中，非对角线元素的值为0，$\alpha_0$是权重参数。$\alpha_0$的大小决定了观测值在同化系统中的权重。较大的$\alpha_0$表示较大的观测场误差协方差，较小的$\alpha_0$表示较小的观测场误差协方差。在近空间风场同化系统中，观测结果比HWM14模型更符合实际情况；因此需要给$\alpha_0$设定一个较小的值。在本研究中，$\alpha_0 = 0.01$。

3.3.2 背景场误差协方差矩阵的构建
由于观测数据彼此独立，风场的空间相关性只能从背景场误差协方差矩阵中得出。背景场误差协方差矩阵是使用基于高斯理论的协方差模型来建模的[35]。近空间风场的空间相关性可以细分为水平相关性和垂直相关性。背景场误差协方差的具体计算公式如下：
$$ B_{ij} = \sigma_{ji} \cdot \sigma_{jj} $$（7）
其中，$B_{ij}$是背景场之间的误差协方差值。
$$ \sigma_{ji} = \lambda \cdot x_i \cdot x_j $$（8）
$\lambda$是一个超参数，本文中取$\lambda = 20\cdot \alpha_0$。
$$ \sigma_{jj} = \exp\left(-\frac{2\rho_{ji}^2}{2\lambda^2 L^2_j + \rho_{jj}^2 / 2\lambda^2 L^2_h}\right) $$（9）
$\rho_{ji}$是相关系数，$L_j$是水平相关长度，$L_h$是垂直相关长度，$x_i$和$x_j$代表网格点之间的水平距离和垂直距离。
对于传统的高斯模型，相关长度是一个固定值，不会随时间、经度或纬度变化。即近空间风场被认为是各向同性的，或在经度、纬度和垂直方向上都是各向同性的，这通常不符合近空间风场的实际特征。实际上，近空间风场表现出明显的日变化和季节性变化。结合统计协方差模型的思想，根据近空间风场的变化规律，可以利用大量历史数据来近似获得满足不同条件的近空间风场相关系数或相关长度。将其代入上述公式可以获得既具有统计协方差模型的各向异性特征，又具备高斯模型便捷性和快速性的协方差模型。
本研究假设近空间风场在水平和垂直方向上是可分离的。近空间风场的背景场误差协方差由水平背景场误差协方差和垂直背景场误差协方差分别计算。水平背景场误差协方差可以进一步分为经向背景场误差协方差和纬向背景场误差协方差。

3.3.3 水平背景场误差协方差
在本研究中，使用HWM14模拟的风场数据作为背景场数据的来源。由于近空间风场的周期性特征（通常表现为季节性[36]，本研究采用模型在80–100公里高度得到的风场季节平均值作为真实值。在此基础上，对背景场的误差进行统计分析。背景场数据的分割条件如表2所示。

表2. 背景场数据分割标准
根据上述条件，本研究分别进行计算，以获得不同条件下的背景场误差协方差。

Ledoit–Wolf收缩协方差估计是一种基于协方差矩阵和单位矩阵的广义线性组合。当样本数量小于变量维度时，该方法通常表现更好，并且可以确保协方差矩阵是正定的[37]。本研究使用Ledoit–Wolf收缩协方差估计器来估计80–100公里高度的背景场误差协方差。得到的值记为$M$，结合以下公式，可以获得风场相关系数：
$$ \sigma = \frac{M}{\sqrt{2t \cdot \alpha \cdot c \cdot e^M T} $$（10）
在本研究中，计算水平相关系数时忽略了水平相关系数随垂直方向变化的相关性。以下图表显示了不同季节纬向风和经向风的水平相关长度分布。相关长度是指参考点到相关区域边界的距离（本研究中将相关系数的阈值设为0.75）。
图2、图3、图4和图5展示了基于HWM14模拟的背景场数据计算的曲靖地区春季、夏季、秋季和冬季的平均风场相关长度。图表显示，在不同季节，近空间风场的纬向相关长度不随季节变化，纬向风和经向风的纬向相关长度一致。同时，经向风的经向相关长度也不随季节变化，但在夏季和秋季减小，其空间分布与春季和冬季有显著不同。

3.3.4 垂直背景场误差协方差
类似地，在计算垂直相关系数时，忽略了垂直相关系数随水平方向变化的相关性。根据曲靖流星雷达数据集的有效数据范围和垂直分辨率，本研究将HWM模拟的数据范围设定在垂直方向上为80公里到100公里，高度分辨率为2公里。根据垂直相关长度的定义，近空间纬向风和经向风的垂直相关长度分别为2公里或4公里，可以从垂直相关长度值中获得垂直相关系数。
图6和图7显示了不同季节纬向风和经向风的垂直相关系数分布。图表显示，在不同季节，近空间风场的垂直相关系数基本不随季节变化，纬向风和经向风的垂直相关系数一致。

3.3.5 观测算子
观测算子H表示观测误差协方差$R$与背景模型误差协方差$B$的相对大小和空间分布，决定了观测场和背景场对同化结果的影响的相对权重和空间结构。在本研究中，观测算子是一个由0和1组成的矩阵，该矩阵的行数和列数分别与观测场和背景场的数据维度相关。0和1的值取决于该位置的观测数据是否缺失；如果观测值缺失，则该位置的值为0。
H的功能是实现背景场与观测场之间的匹配。通过误差协方差的空间传播来实现背景场的修正。

3.3.6 时间相关性
人们普遍认为近空间风场的状态变化与时间强烈相关。本研究使用高斯–马尔可夫算法来描述这种相关性。基于马尔可夫理论[38]，在背景场模型的计算结果中加入了一个时间衰减误差项作为卡尔曼滤波器的预测方程。误差项是当前时间步的状态分析值与模型计算值之间的差值。衰减系数是一个与时间尺度相关的指数函数，因此上述公式可以表示为：
$$ X_{b,t+1} = (X_{a,t} - X_{b,t}) \cdot e^{-\delta t} \tau + X_{b,t+1} $$（11）
$$ B_{b,t+1} = B_{a,t} \cdot e^{-2\delta t \tau} - B_{b,t} \cdot e^{-2\delta t \tau} + B_{b,t+1} $$（12）
上述公式中，$\tau$是时间相关尺度，随时间变化。下图显示了$\tau$随局部时间的分布。图8表明，HWM14风场的输出结果受到半日潮汐效应的影响，时间相关尺度随时间呈现出双峰结构。

4. 同化结果
根据上述同化过程，本研究基于曲靖地区2022年的流星雷达观测数据和HWM14模型进行了同化实验。图9（下图）展示了未经同化的独立流星雷达风场剖面与相应的背景场和同化后的分析场的对比分析。实线红线代表独立的流星雷达观测值（真实值），黑色虚线表示HWM14的背景风场。卡尔曼滤波器同化后的风场分析剖面用紫色实线表示。为了更全面地验证所提出方法的效果，我们还加入了全大气社区气候模型（Waccm）和三维变分（3D-Var）同化的结果。图表显示，在80–100公里高度范围内，背景场值与流星雷达风场的真实值之间存在显著差异。与背景场值相比，卡尔曼滤波器同化后的风场分析值更接近流星雷达的真实值，同化效果明显。此外，如图9所示，卡尔曼滤波器同化得到的水平风场（紫色线）在垂直结构和强度上与3D-Var同化结果（蓝色线）非常一致。这种一致性进一步验证了卡尔曼滤波器同化技术在近空间区域可靠分析和校正水平风场的能力。

图9. 未经同化的独立流星雷达风场剖面与相应的背景场和同化后的分析场的对比分析
对2022年7月未用于同化的约720个有效流星雷达风场剖面以及同化分析场中相应地理位置的风场剖面进行了统计分析。图10和图11中，实线红线表示风场分析值与流星雷达风场之间的平均偏差，蓝色误差条表示标准偏差。对比结果显示，同化后的风场分析值与气象雷达风场值之间的差异显著减小。在90公里高度处，经向风速的平均最大误差为12.0米/秒，比之前增加了55.0%；在100公里高度处，纬向风速的平均最大误差为14.2米/秒，比之前增加了53.4%。此外，同化后的风场分析值与气象雷达风场值之间偏差的标准差也显著降低。图10展示了卡尔曼滤波器同化前的误差统计分析（纬向和经向）。图11展示了卡尔曼滤波器同化后的误差统计分析（纬向和经向）。

5. 讨论
本研究通过计算不同季节的相关长度，实现了背景误差协方差矩阵的季节性适应调整。这种方法使同化系统能够根据大气动力结构的季节性变化，更适当地调节气象雷达观测信息的空间传播和权重分配。与使用固定相关长度的方案相比，这一改进显著提高了跨季节同化分析的准确性和稳定性。此外，虽然图2和图5中纬向和经向成分的模式非常相似，但在图3和图4中，它们在水平方向上的差异明显。这些结果直接反映了低纬度和中纬度高空环流背景的季节性变化：在春季和冬季，由于环流结构相对稳定且以西风为主，大尺度流动占主导地位[39,40]，因此风场扰动的统计特征在水平方向上较为均匀，导致纬向和经向成分的图谱高度相似。相比之下，在夏季和秋季，环流发生显著调整，西风急流向北移动，东风系统增强，对流活动加剧，大气波的方向也发生变化[41]，风场扰动的空间协方差结构表现出明显的各向异性。这导致纬向和经向成分之间的水平相关长度存在系统性的差异。这一对比清楚地表明，背景误差协方差的结构不是固定不变的，而是与主导环流和波动活动的季节性演变密切相关。

6. 结论
基于卡尔曼滤波器同化技术，并结合HWM14模型，本研究评估了使用曲靖地区的气象雷达观测数据，在80–100公里高度范围内对二维大气风场进行数据同化的效果。同化结果表明，基于卡尔曼滤波器的同化技术能够较好地重建80–100公里高度范围的大气风场。与HWM14模型相比，同化后大气风场数据的整体准确度提高了30%以上。因此，所提出的卡尔曼滤波器同化技术可以整合HWM14数据和雷达风场观测数据，非常适合用于建立大气风场数值预报的初始值。