通过卫星图像测量增强雷达观测数据填补技术 丁正超（Zhengcao Ding）， 刘玉宝（Yubao Liu）， 王轩（Xuan Wang）， 江波森（Bosen Jiang）， 毕明明（Mingming Bi）， 秦宇（Yu Qin）， 熊青青（Qinqing Xiong）

《Remote Sensing》：Radar Observation Gap-Filling Technology Enhanced by Satellite Imager Measurements Zhengcao Ding, Yubao Liu, Xuan Wang, Bosen Jiang, Mingming Bi, Yu Qin and Qinqing Xiong

　　**亮点**

**主要研究发现是什么？**
开发了一种基于生成对抗网络（GAN）的雷达观测间隙填充模型（RadGF-GAN），该模型能够利用现有的环境雷达数据以及地球同步卫星成像载荷的测量结果来推断三维（3D）雷达反射率间隙。该模型使用了高分辨率（1公里网格）的天气研究与预报（WRF）分析档案，并结合四维数据同化（FDDA）技术生成3D雷达反射率马赛克数据；同时，欧洲中期天气预报中心（ECMWF）的TOVS（Tropospheric Radiative Transfer Operation）辐射传输模型被用来模拟FY-4 AGRI（高级地球同步辐射成像仪）的15个通道测量数据。这些模拟的雷达和卫星数据为RadGF-GAN的训练和测试提供了干净且物理上一致的数据源。

通过对测试数据集（1705个样本）的统计验证表明，RadGF-GAN在宽约100公里的观测间隙下表现良好：在3.2 dBZ阈值时准确率为0.45，在25 dBZ时为0.53，在15 dBZ时为0.59。卫星数据的引入显著提升了仅使用雷达输入时的模型性能，特别是在更准确地重建对流系统的反射强度和三维结构方面。

**主要发现的意义是什么？**
本研究开发的RadGF-GAN可以用于实时填充区域雷达网络中的3D反射率马赛克间隙，从而显著提升雷达数据在定量降水估计（QPE）、洪水预警、雷达数据同化以增强严重天气预测、对流风暴的AI临时预报等许多关键天气应用中的效果。据我们所知，这是首次将地球同步卫星多通道成像仪数据应用于3D雷达数据间隙填充的研究。我们的研究表明，卫星测量数据与RadGF-GAN结合使用，能够大幅提高3D雷达数据间隙填充的准确性，尤其是在较大间隙的情况下。

**摘要**
由于复杂的地形、地表曲率以及雷达分布的限制，基础雷达数据或雷达网络的3D雷达反射率马赛克中常常存在严重的数据间隙。这些间隙极大地限制了雷达数据在短时强对流预报和洪水事件定量降水估计中的应用。本文提出了一种基于生成对抗网络（GAN）的雷达数据间隙填充模型RadGF-GAN，利用2020–2025年间中国东部地区WRF-FDDA（Weather Research and Forecasting with Four-Dimensional Data Assimilation）的高分辨率（1公里网格间距）输出数据来训练和测试该模型。通过模拟地球同步卫星FY-4A 15通道AGRI的观测数据，并运用TOVS辐射传输模型，以及基于经验诊断模型的雷达反射率数据，验证显示：RadGF-GAN在恢复3D间隙中雷达反射率的空间分布和结构特征方面优于现有的插值方法。特别是卫星成像仪的测量数据在重建大型3D间隙中的雨带结构方面发挥了重要作用；同时，结合雷达和卫星数据输入的RadGF-GAN性能远超仅使用雷达数据或卫星数据的模型。

**1. 引言**
天气雷达提供了高空间和时间分辨率的云层和降水观测数据，在监测全球降水和极端天气事件中发挥着关键作用[1]。然而，由于地形阻挡、地表曲率以及雷达网络分布有限，雷达观测数据中经常存在间隙，这大大限制了雷达数据的有效利用。例如，中国新一代天气雷达（CINRAD）网络在中国大陆的覆盖并不均匀，西部地区不到一半的区域被覆盖[2]。因此，开发填补雷达数据间隙的技术至关重要，尤其是对于准确监测和预测严重天气和强降水现象。

虽然已经开发出多种雷达数据校正和补全方法，但这些方法在处理较大或结构复杂的间隙时仍面临挑战。近年来，深度学习技术在计算机视觉领域（如图像修复和生成模型）取得了进展[7,8,9,10,11]。雷达间隙填充在某种程度上类似于图像修复，因为两者都旨在基于已知区域重建缺失数据。尽管如此，与图像修复不同，雷达反射率数据包含复杂的四维（时空）天气特征和物理约束，这使得将图像修复方法扩展到雷达间隙填充更加困难。Geiss和Hardin研究了基于GAN的模型在各种场景下的数据重建能力，并展示了深度学习方法在填补缺失雷达数据方面的明显优势[12]。最近，一些先进的深度学习模型被开发用于雷达数据间隙填充，包括Wu等人的残差串联全卷积网络[13]、Gong等人的扩张自注意力U-Net（DSA-UNet）[14]、Tan和Chen针对对流性和层状降水的条件生成对抗网络（CGAN）[15]，以及Zhang等人的扩散模型[16]。

现有研究有两个主要限制：一是它们主要关注二维（2D）雷达反射率数据的间隙填充；二是它们大多依赖雷达数据单独进行填充。因此，当数据间隙相对于可用观测数据较大时，其数据填充精度会显著下降。因此，需要开发新的方法来填充3D雷达反射率间隙和较大间隙。

地球同步气象卫星的多通道成像载荷持续监测云层和降水系统的演变。已经开发了几种从地球同步卫星观测中提取雷达复合反射率（2D）的技术，包括Sun等人利用风云-4A数据的U-Net模型[17]、Zhu等人利用ヒマワリ-8卫星数据的模型[18]、Wang等人基于ヒマワリ-8卫星数据的MAFormer模型[19]，以及Si等人的动态残差卷积网络（DRC-Net），后者在台风情况下表现出良好的重建性能[20]。显然，卫星数据对于3D雷达数据间隙填充非常有用，尤其是在填充较大间隙时。

中尺度数值天气模型（如WRF）能够产生可解析云层的、动态一致且物理上准确的完整变量输出，可用于模拟不同测量平台的观测数据[21]。这种模拟数据为训练和测试深度学习模型提供了可行的数据来源，具有多重优势：（a）有助于解决训练深度学习模型所需数据的不足问题；（b）避免了较大的观测不确定性，使得可以在初期阶段专注于改进模型算法或概念验证；（c）将数值天气模型的严格动态和物理特性引入深度学习过程。这种方法已在多项研究中得到应用，例如，利用WRF输出重新分析数据得到的2米温度来反演对流层下层温度[22]；另外，通过WRF输出训练数据同化模型（LSDA-OOA），LSDA-OOA能够结合地面气象站观测数据进行非常精细的网格分析[23]。同样，基于ERA5再分析数据训练的气象基础模型Pangu-Weather表明，高分辨率再分析数据可以为深度学习模型提供完整有效的信息[24]。

在本研究中，我们开发了一种基于生成对抗网络（RadGF-GAN）的雷达间隙填充模型，用于填充3D雷达反射率马赛克数据中的间隙。我们使用了2020–2025年间WRF-FDDA的高分辨率（1公里网格间隔）输出数据来模拟雷达和卫星数据，并对RadGF-GAN模型进行训练和测试。值得注意的是，与现有研究相比，我们的工作是为3D雷达反射率间隙填充扩展深度学习方法的前沿尝试，并引入了卫星观测数据以增强雷达数据填充能力。本文的其余部分安排如下：第2节介绍卫星和雷达数据集的构建以及数据模拟算法；第3节介绍RadGF-GAN模型及其训练数据；第4节评估RadGF-GAN的性能并分析不同输入数据组合的影响；第5节总结本研究的主要发现。

**2. WRF-FDDA和观测模拟**
**2.1. WRF-FDDA模型数据**
本研究使用了在东亚地区运行的WRF-FDDA（WRF v4.1.3）的历史输出数据，模拟S波段（10厘米波长）雷达反射率和FY-4地球同步卫星AGRI数据。WRF-FDDA系统包含四个嵌套域，网格间距分别为15公里、3公里、1公里和0.2公里。本研究选择了位于庐山地区的第3域数据（图1），其域大小为288×288点，网格间隔为1公里。这种1公里的网格间隔与中国[25]和美国的3D雷达马赛克的操作间距一致[26]。数据时间跨度为2020年9月至2025年11月，时间间隔为20分钟。

**2.2. 卫星和雷达数据模拟**
欧洲中期天气预报中心（ECMWF）开发的快速辐射传输模型RTTOV[27]被用来基于WRF-FDDA模型输出模拟卫星数据。同时，使用具有特殊WRF-Lin微物理配置的雷达反射率诊断模型生成3D雷达反射率数据。RTTOV包括针对各种气象卫星传感器的光谱响应函数，通过输入大气剖面和地表参数来模拟可见光、红外和微波波段的辐射。它被广泛用于卫星数据同化和遥感反演。在本研究中，我们使用WRF-FDDA输出模拟FY-4A AGRI（高级地球同步辐射成像仪）的13个通道的辐射数据，覆盖通道01（0.47 μm）至14（13.5 μm），但不包括07（3.75 μm）通道。此外，还计算了10.8 μm和6.2 μm通道之间的亮度温度差（BTD，反映云顶高度），以及（12.3 μm + 8.6 μm ? 2 × 10.8 μm）的BTD，反映云顶相位[28]。这样得到了15个卫星输出通道的数据，为方便起见将其称为15通道数据。表1展示了输入通道的中心波长和主要应用。模拟的卫星数据具有1公里×1公里的空间分辨率和20分钟的时间分辨率。

我们使用内置Lin微物理方案的WRF-FDDA模型来诊断3D雷达反射率因子[29]。在瑞利散射假设下，该方案根据粒子大小分布和散射特性计算雨、雪和冰雹颗粒的反射率，从而得出10厘米S波段的等效雷达反射率（REFL_10CM）。由RTTOV和REFL_10CM数据模拟的十五个FY-4A AGRI通道形成了配对的数据集，这些数据集构成了训练和测试RadGF-GAN的基础数据。为了展示FY-4 AGRI和雷达观测模拟结果，图2展示了一个案例，即在2023年3月21日00:20 UTC时，使用RTTOV和REFL_10CM（1.5公里分辨率）以及WRF Lin方案诊断的15个FY-4A AGRI通道的模拟观测结果。该天气特征为强烈的对流事件。模拟的卫星云系与雷达反射率场之间有密切的对应关系。图2显示了2023年3月21日00:20 UTC时，使用RTTOV模拟的FY-4A AGRI观测结果以及WRF-FDDA诊断的雷达反射率结果。(a–m) FY-4A AGRI通道01–14（ excluding 07）的观测结果，(n) BTD 10.8–6.2 μm，(o) BTD 12.3 + 8.6–2 × 10.8 μm，以及(p) REFL_10CM在1.5公里分辨率下的结果。图3展示了2024年1月2日02:00 UTC时，模拟数据与观测数据之间的比较。显然，模拟数据在对流系统的整体分布和云结构方面与观测数据非常吻合。尽管模拟数据中强回波区域的面积略有高估，但模拟数据很好地捕捉到了观测到的反射率强度分布。值得注意的是，这种偏差主要存在于反射率值上，而强回波区域的位置、形状和空间结构与观测结果仍保持良好的一致性。因此，模拟数据能够代表真实的卫星和雷达测量结果。图3展示了2024年1月2日02:00 UTC时，模拟数据与观测数据之间的比较。(a–d) FY-4A AGRI通道02、10和13，以及SWAN雷达反射率。(e–h) 相应的模拟结果。在这项研究中，我们专注于对流降水过程的雷达数据缺失填补。因此，我们选择了雷达反射率因子大于25 dBZ的对流案例作为训练和测试数据集。最终数据集包含8525个样本，这些样本分为70%的训练集、10%的验证集和20%的测试集，用于训练、验证和测试RadGF-GAN模型。训练样本涵盖了2020年9月至2024年3月的时间段，共计5967个样本。验证集包含853个样本，收集自2024年4月至2025年7月。最后，测试集包含1705个样本，使用的是2025年8月至2025年11月的数据，这些数据与训练和验证集是独立的。

3. 方法
3.1. RadGF-GAN的架构
RadGF-GAN基于生成对抗网络（GAN）架构[30]构建，它由生成器和鉴别器组成（图4）。生成器（图4a）采用多层编码和解码模块来融合雷达和/或卫星数据以填补3D雷达数据缺失部分。为了增强特征提取和重建能力，加入了一个卷积块注意力模块（CBAM）[31]（图4c），该模块权衡了不同通道和空间分布的重要性，从而提高了模型学习关键特征的能力。此外，在输出卷积层（conv2d）之前应用了一个强回波注意力（SEA）模块（图4d），以促使模型关注高反射率区域，从而提高强反射率核心的重建精度。鉴别器（图4b）采用双鉴别方法，从整体和局部结构两个方面约束填充效果，使结果更加合理。

3.1.1. 生成器
生成器以具有模拟缺失的3D雷达反射率马赛克和15个卫星通道作为输入。由于雷达数据与云的发展有很强的垂直相关性，我们使用3D卷积进行特征提取。另一方面，由于不同通道的卫星数据没有明确的高度关系，因此采用2D卷积。然后将雷达和卫星分支的特征图连接起来并传递到编码器进行下采样。处理完雷达和卫星分支的数据后，得到一个具有192个通道的特征图。这个特征图通过编码器和解码器。编码器中的每个下采样单元执行三个步骤：首先是一个包含两个3 × 3卷积层（步长为1）和每个层之后的批量归一的残差卷积模块[32]。第二个组成部分是CBAM，它结合了通道注意力和空间注意力机制。通道注意力机制沿空间维度对输入进行平均池化和最大池化，生成两个特征分支。我们将这两个分支通过两个共享的1 × 1卷积映射，并在中间加入ReLU激活函数。输出结果通过sigmoid函数相加，生成通道注意力权重。空间注意力机制沿通道维度对输入特征进行平均池化和最大池化，获得两个空间特征图。这两个图沿通道维度连接在一起。一个7 × 7卷积和sigmoid函数生成空间注意力权重，以捕捉不同空间位置的重要性。最后，我们应用2 × 2的最大池化来下采样特征图，并重复此过程四次，逐步降低特征分辨率并提取不同尺度的特征。

解码器采用对称结构来重建编码器输出的多尺度特征。解码器进行上采样以恢复特征图的空间分辨率，并从多尺度特征中重建3D雷达反射率场。解码器中的每个上采样单元包括转置卷积、特征融合、CBAM和残差卷积。为了增强对雷达数据缺失部分中强反射率的填充能力，在上采样之后增加了强反射率注意力模块。该模块包含三个分支：检测、增强和加权融合。检测分支通过两个卷积层和sigmoid激活函数生成强反射率的概率分布。增强分支提取并加强强反射率区域的相关特征，并将其与原始特征连接起来。一个1 × 1卷积和sigmoid函数生成相应的注意力权重。最后，加权融合分支将增强分支的注意力权重与检测分支的强反射率概率分布相乘，然后对强反射率区域的特征进行加权增强。

3.1.2. 鉴别器
鉴别器采用PatchGAN多尺度鉴别器结构，包括全局鉴别器和局部鉴别器[33]。这种结构同时约束雷达反射率场的整体空间分布和局部细节结构。全局鉴别器有五个卷积层，每个层的核大小为4 × 4，步长为2。每个卷积层之后跟着一个梯度为0.2的LeakyReLU激活函数。此外，中间的三个卷积层包括批量归一化以加速收敛。最终，输出通过sigmoid激活函数生成。局部鉴别器与全局鉴别器具有相同的结构，但对输入特征进行插值下采样以关注局部细节。

3.1.3. 训练细节
模型在NVIDIA Quadro RTX 8000 GPU（NVIDIA，美国加州圣克拉拉）上进行训练，该GPU拥有45 GB的内存。训练使用Python 3.10.14、PyTorch 1.12.1和CUDA 10.2实现。训练进行了200个周期，每次批量大小为8，使用了8525个样本。Adam优化器被用于训练，鉴别器的学习率设置为0.0001，生成器的学习率设置为0.00005。在训练过程中，每当生成器更新一次时，鉴别器更新五次。

3.2. 观测缺失的模拟
我们使用单层作为示例来说明模拟雷达数据缺失的方法（图5）。我们通过遮盖基于WRF-FDDA输出的3D雷达反射率因子中的代表性形态区域来模拟雷达数据缺失。遮盖区域在给定样本的所有七个高度层上都是一致的，反射率因子值设为?1。在研究区域中心放置一个圆形遮盖，覆盖总面积的10%，称为固定缺失遮盖（图5中的蓝色圆形遮盖）。除了这个固定缺失遮盖区域外，我们还配置了一个大小相同但位置和形状随机的遮盖，称为随机缺失遮盖区域。在训练阶段，我们引入随机遮盖以帮助模型学习填充雷达数据中的缺失。我们将在图5中展示两个随机遮盖的例子（红色圆形遮盖和紫色方形遮盖）。在训练过程中，每个样本只分配一个随机遮盖。

图5. 模拟雷达观测缺失以支持RadGF-GAN训练和测试。(a) 训练期间的带有缺失的输入雷达；(b) 训练期间的输出；(c) 训练期间的标签；(d) 测试期间的带有缺失的输入雷达数据；(e) 测试期间的输出；(f) 测试期间的标签。域中心黑色圆形区域代表固定的雷达数据缺失。红色圆圈和紫色方块代表两个用于模型训练的随机缺失示例。图5a–c显示，在训练和验证阶段，输入模型的雷达反射率数据配置了固定遮盖区域和随机遮盖区域，而标签数据仅包含固定遮盖区域。模型仅从随机遮盖区域提取预测结果。剩余区域与输入相同[15]（图5b）。这种设计使模型能够学习填充未知的缺失区域。

在测试阶段（图5d–f），模型输入仅包含固定遮盖区域，标签不应用任何遮盖。我们使用模型输出中固定遮盖区域的预测值来评估模型性能。通过这种设计，模型在训练和验证期间通过随机遮盖学习填充雷达缺失。因此，在测试阶段，当面对从未在训练中见过的固定遮盖区域时，模型仍然能够填充3D雷达反射率因子。

3.3. 评估指标
我们通过计算四个统计指标来评估RadGF-GAN模型填充雷达缺失的性能：检测概率（POD）、误报率（FAR）、关键成功指数（CSI）和分数技能得分（FSS）。POD表示正确事件与所有观测事件的比例，最佳值为1，表示所有观测事件都被检测到。FAR是误报与所有预测降水事件的比例。CSI是命中次数与总命中次数、误报次数和漏报次数的比例，反映了事件预测的总体准确性。FSS通过考虑邻域窗口来评估预测与观测之间的空间一致性。这四个指标的计算方法在方程（1）–（4）中给出。POD=TPTP+FN，(1) FAR=F?PT?P+F?P，(2) CSI=T?PT?P+FN+F?P，(3) FSS=1?∑Ni=1(Gi?Ti)2∑Ni=1(G2i+T2i)，(4)。在上述方程中，真正例（TPs）表示正确推断出大于给定阈值的反射率的情况；真正例（TNs）表示正确推断出低于给定阈值的无反射率的情况；误报（FPs）表示错误地推断出高于给定阈值的反射率的情况；漏报（FNs）表示错误地推断出无反射率的情况。Gi和Ti分别表示在填充数据和标签的邻域窗口（7公里）内具有雷达反射率的网格点的比例。N表示网格点的总数。

4. RadGF-GAN的评估和输入特征的影响
4.1. 注意力模块对模型性能的影响
为了分析注意力模块的影响，我们移除了SEA（Exp. No_SEA）和CBAM（Exp. No_CBAM）模块，并在不同雷达反射率阈值下评估了模型结果（表2）。结果显示，在大多数指标上RadGF-GAN的表现优于No_SEA和No_CBAM，表明了这两个模块的贡献。移除CBAM后，POD明显下降，尤其是在35 dBZ时，从0.61降至0.57。移除SEA在较低阈值下的影响较小，但在35 dBZ时增加了POD。然而，No_SEA在35 dBZ时显示出较高的FAR（0.40），表明有更多的误报。相比之下，RadGF-GAN在保持较低FAR的同时提高了POD。总体而言，CBAM增强了特征提取能力。SEA模块有助于减少误报，两者共同改善了模型的性能。表2显示了No_SEA和No_CBAM在15、25和35 dBZ阈值下的POD、FAR、CSI和FSS，这些数据是基于1.5至3.2公里高度范围内的雷达数据间隙平均得出的。

4.2 输入特征选择对模型性能的影响
进行了三项使用RadGF-GAN的实验，分别称为Exp R、Exp S和Exp R + S。在Exp R中，RadGF-GAN模型仅用3D雷达反射率数据进行训练。在Exp S中，仅使用15通道的卫星数据作为输入。这项实验的目的是利用FY-4 AGRI数据来填补整个域的“空白”。最后，在Exp R + S中，输入包括带有间隙的3D雷达反射率数据和15通道的卫星数据。所有三项实验都使用1705个样本的测试集进行测试。这三项实验具有相同的标签，但输入数据不同。对于每项实验，我们计算了1705个测试样本在1.5至3.2公里高度范围内的平均POD、FAR、CSI和FSS，阈值分别为15、25和35 dBZ。统计评估结果见表3。

表3显示了Exp R、Exp S和Exp R + S在15、25和35 dBZ阈值下的POD、FAR、CSI和FSS，这些数据是基于1.5至3.2公里高度范围内的雷达数据间隙平均得出的。显然，在所有阈值下，Exp R的表现最差，其POD、CSI和FSS最低，而FAR最高。在35 dBZ阈值下，平均CSI仅为0.10，平均FSS为0.39，这意味着大量强烈的雷达反射率被忽略。仅使用卫星数据时，Exp S模型的平均CSI为0.38，平均FSS为0.74，显著优于Exp R模型。这一结果表明使用卫星数据来填补3D雷达数据空白具有很大的潜力。实际上，当模型同时输入雷达和卫星数据时，Exp R + S在35 dBZ阈值下的平均CSI为0.45，平均FSS为0.80，性能明显优于单独使用雷达数据或卫星数据的情况。

为了分析RadGF-GAN填补的3D雷达数据空白中的空间结构，我们从测试集中选择了两个降水强烈的案例进行研究。图6显示了2025年9月9日23:40发生的一个对流暴风雨的3D雷达反射率填补结果，该暴风雨具有较宽的降水区域。填补的空白高度层次为1.5、1.7、2.0、2.2、2.5、2.8和3.2公里高度。图中仅展示了1.5、2.0、2.5和3.2公里的高度。图6a–d展示了作为对比参考的拉普拉斯插值结果[12]。图6显示了2025年9月9日23:40发生的强降水案例的雷达反射率填补结果，包括拉普拉斯插值（a–d）、Exp R（e–h）、Exp S（i–l）、Exp R + S（m–p）以及真实标签（q–t）。圆圈区域代表数据空白。在这个案例中，强烈的反射率主要集中在东北部，有超过40 dBZ的反射强度区域，最大强度超过了50 dBZ。中部被遮盖的区域包含25和35 dBZ的反射率。35 dBZ的反射率分布在观察空白的西北部，而25 dBZ的反射率位于东南部。

三个模型的填补结果明显优于传统的拉普拉斯插值方法。Exp R捕捉到了空白北部约30 dBZ的反射率，但与真实标签存在显著的结构差异。Exp S生成的結果在空间结构上与标签更相似，但反射率值存在偏差，且反射率区域过于宽泛。Exp R + S的表现明显优于前两个模型。它合理地恢复了反射率分布，并减少了仅使用卫星数据（Exp S）时对强度的高估。有趣的是，Exp S虽然捕捉到了空白中的主要降水空间分布，但在反射率强度上产生了明显的偏差。填补后的反射率往往比标签值更强，最大反射率约为50 dBZ，比标签高出约10 dBZ。这种差异可能源于卫星观测的固有特性。FY-4A AGRI传感器测量的信号主要来自云顶。由强对流产生的强烈对流砧在未来一段时间内仍然存在，导致卫星继续指示较低层次的强对流。这与Guo等人的发现一致，即单独使用AGRI数据来获取云的宏观物理属性在大光学厚度的情况下会导致较大误差[34]。

图7显示了2025年8月30日09:00发生的一个强烈雷暴案例。该案例的特点是严重的飑线和多个携带冰雹的强对流单元，一些强对流核心的反射率超过55 dBZ。在空白区域内，大约50 dBZ的强对流核心被忽略，空白中心区域也忽略了约40 dBZ的强反射率。图7显示了2025年8月30日09:00发生的强降水案例的雷达反射率填补结果，包括拉普拉斯插值（a–d）、Exp R（e–h）、Exp S（i–l）、Exp R + S（m–p）以及真实标签（q–t）。圆圈区域代表数据空白。Exp R的结果显示出明显的空间依赖性，在空白边缘的推断相对准确，包括周围约50 dBZ的小范围强反射率。然而，重建质量向中心区域逐渐下降，强度约为40 dBZ，与标签有很大的差异。Exp R + S和Exp S在填补雷达观测空白内的空间分布和雨带形状方面表现良好。然而，Exp S填充的雷达反射率强度再次被高估，风暴强度和强对流核心显得过于平滑，丢失了细节结构。显然，Exp R + S产生的结果与标签更为一致。它准确重建了对流分布、反射率强度和细节纹理，特别是在强核心区域。

基于上述分析，可以得出结论：当空白外部有丰富的对流云特征时，模型可以重建细尺度结构和对流核心的分布。这也有助于抑制仅使用卫星数据（Exp S）时对反射率强度的高估。这突显了结合雷达和卫星数据优势对于雷达数据填补任务的重要性。

为了分析RadGF-GAN在不同高度下的性能，图8比较了Exp R、Exp S和Exp R + S在1.5至3.2公里的所有七个高度上的填补结果评估统计指标，共针对1705个测试样本。评估指标是针对15、25和35 dBZ的反射率阈值计算的。结果证实，联合输入雷达和卫星数据（Exp R + S）在所有层次和四个指标上均取得了显著优于单独使用任一数据（Exp R和Exp S）的效果。对于相对较大的空白，雷达数据在空白外的作用非常有限，卫星数据变得至关重要。

4.3 不同空白条件下的性能评估
为了进一步评估模型在实际空白条件下的鲁棒性，我们测试了模型填补不规则形状空白的能力。图9显示了1.5至3.2公里高度范围内不规则形状空白的填补结果。显然，RadGF-GAN能够恢复不规则空白内的主要反射率结构特征，与空白外的回波在空间分布上保持连续性。特别是在强对流区域，模型能够填补空白中心的强反射率区域，整体回波结构和空间分布与标签（目标）一致。这表明RadGF-GAN适用于不规则形状的空白。图9显示了2025年9月12日03:20发生的强降水案例的雷达反射率填补结果。(a–d)是Exp R + S的输出，(e–h)是真实标签。黑色线条围出的不规则形状区域代表数据空白。表4展示了RadGF-GAN模型在5%、10%、15%和20%域大小的空白上的验证指标比较，涵盖了整个测试集的1705个样本。这四个实验的输入数据包括雷达和卫星数据。总体而言，空白越小，模型的填补结果越准确，如所有三个阈值下的CSI和FSS得分所示。5%大小的空白表现最佳。

4.3. 在不同空白条件下的性能评估
为了进一步评估模型在实际更复杂空白条件下的鲁棒性，我们测试了模型填补不规则形状空白的能力。图9显示了1.5至3.2公里高度范围内不规则形状空白的填补结果。显然，RadGF-GAN能够恢复不规则空白内的主要反射率结构特征，并与空白外的回波在空间分布上保持连续性。特别是在强对流区域，模型能够填补空白中心的强反射率区域，整体回波结构和空间分布与标签（目标）一致。这表明RadGF-GAN适用于不规则形状的空白。

图10显示了2025年8月22日07:20发生的一个对流案例的填补结果，比较了RadGF-GAN对四种不同大小空白（占域大小的5%、10%、15%和20%）的填补效果。该图仅展示了1.5公里高度下的填补结果。图10显示了2025年8月22日07:20发生的强降水案例的雷达反射率填补结果，包括5%、10%、15%和20%域大小的空白以及真实标签。对于5%大小的空白，模型准确填充了空白西部和北部的强回波区域，强度接近真实值。随着间隙大小增加到10%和15%，模型对西部强回波的估计略有偏低。当间隙大小达到20%时，模型仍然能够良好地识别主要强回波，仅在强度上略有低估。就空间分布而言，在5%的间隙条件下，反射率场的整体结构是完整的，并且接近真实值。当间隙大小增加到10%时，间隙中心35 dBZ强反射率区域的空间结构中缺少了一些细节，但整体结构仍然得到了很好的恢复。当间隙大小增加到15%和20%时，反射率分布只有小幅变化。

4.4. 与基线模型的定量比较
表5将在15、25和35 dBZ阈值下不同现有模型的定量评估结果与我们的RadGF-GAN进行了比较。总体而言，RadGF-GAN在所有阈值下的表现都优于其他模型。例如，在POD方面，RadGF-GAN在15、25和35 dBZ阈值下的得分分别为0.74、0.71和0.61，优于其他模型。U-Net、VGAN和WGAN的表现相似，WGAN在低反射率阈值（15 dBZ）下的表现略好。然而，在高阈值（35 dBZ）下，这三种模型之间的差异较小。就空间结构而言，RadGF-GAN在所有阈值下都获得了最高的FSSs，35 dBZ阈值下的FSSs值为0.80，表明其保持回波空间一致性的能力更强。值得注意的是，与U-Net相比，RadGF-GAN的FAR有轻微增加，例如在25 dBZ时从0.27增加到0.32，但其POD的提高更为显著（从0.59增加到0.71）。

5. 讨论
本研究开发了一种基于GAN的模型RadGF-GAN，用于重建三维雷达反射率镶嵌图中缺失的雷达反射率数据，该模型针对的是静止卫星多通道成像仪的测量数据。研究表明，通过引入静止卫星数据来辅助雷达数据填充，RadGF-GAN的表现显著优于仅使用雷达数据的插值方法和模型。添加卫星多通道成像仪数据大大提高了数据填充的准确性，在不同反射率阈值下，CSI提高了约0.35。尽管该模型基于超过1700个测试样本的统计验证和两个典型强对流系统的详细分析显示出了出色的性能，但应对本研究的局限性保持谨慎，并且需要进一步的工作来将这项技术扩展到实际应用中。使用高分辨率的WRF-FDDA数据和先进的RTTOV模拟卫星多通道成像仪（FY-4 AGRI）数据以及雷达反射率数据，有助于生成无错误、物理上一致的大量数据，用于训练和测试RadGF-GAN，并从概念上证明了RadGF-GAN在不同配置下的可行性和性能。然而，这项研究的最终目标是从真实的雷达观测网络中填补三维雷达镶嵌图中的数据空白。应当指出，这是利用卫星数据增强三维雷达数据填充的第一步。虽然我们已经证明了该方法用于三维雷达数据填充的可行性，但模拟数据与真实数据之间存在差异。因此，我们下一步的工作是收集真实的雷达和卫星测量数据，构建数据集以训练和测试RadGF-GAN。我们还将在不同空间分辨率和域大小下进行进一步实验，以评估模型的泛化能力，为实际应用提供指导。最后，应当注意的是，模拟的卫星和雷达数据可以与真实的雷达和卫星观测数据一起用于模型训练，以支持数据增强和/或知识转移。

6. 结论
无论是单个雷达观测还是由雷达网络生成的三维雷达反射率镶嵌图，由于雷达覆盖不足、地球表面曲率、复杂地形阻挡等因素，不可避免地会包含数据缺失区域。三维雷达反射率镶嵌图中的数据空白会严重影响各种应用中的数据使用，如对流风暴监测和临近预报、利用雷达数据同化进行云和降水初始化以及洪水预测的定量降水估计。已经开发了几种用于二维雷达数据填充的技术，但目前很少有研究尝试填补三维雷达反射率镶嵌图中的数据空白，部分原因是问题的复杂性很高，尤其是对于较大的数据空白。在这项研究中，我们基于生成对抗网络（GAN）技术开发了一个三维雷达反射率镶嵌图数据填充模型RadGF-GAN。为了解决大范围数据空白带来的挑战，即相邻雷达测量提供的信息有限的问题，引入了静止卫星多通道成像仪数据作为辅助特征来支持雷达数据填充。为了克服收集大量高质量雷达和卫星数据以训练和测试RadGF-GAN模型的困难，我们使用多年高分辨率WRF-FDDA模型输出生成了替代数据。ECMWF先进的RTTOV模型用于处理2020–2025年的WRF-FDDA模型输出，并模拟FY-4 AGRI（15通道）辐射观测数据。根据WRF微物理参数化方案诊断相应的三维雷达反射率数据，并模拟雷达数据空白。这些模拟的卫星和雷达数据为训练和测试RadGF-GAN三维雷达数据填充模型提供了干净且物理上一致的数据集。进行了三次不同的雷达和卫星数据输入实验，并分析了不同输入数据对RadGF-GAN填充准确性的影响。主要结论如下：
- 开发了一个基于GAN框架的三维雷达反射率填充模型RadGF-GAN。该模型通过双分支架构整合了雷达和卫星特征，并结合了CBAM和SEA模块，以改进雷达空白区域中高反射率对流回波的重建。
- RadGF-GAN结合了雷达和卫星数据输入，可以有效地重建整体降水量分布和反射率强度。在35 dBZ阈值下，对于1705个测试样本，CSI达到了0.45。与仅使用雷达数据的实验相比，添加卫星数据使35 dBZ阈值下的CSI从0.10增加到0.45。
- 雷达数据对填补空白区域边界的数据和/或小范围内的数据影响较大，但在远离现有雷达数据的空白区域影响较小。另一方面，仅使用卫星数据有助于捕捉整体降水量分布，但往往会导致在强对流系统中雷达反射率的过高估计。
- RadGF-GAN在所有垂直间隙层中的表现都是一致的。添加卫星数据在所有层中都带来了更一致的良好结果。在较高层次上观察到轻微的好处，因为卫星数据包含更多的云信息。