提升星载降水雷达分辨率：基于扩散的超级分辨率技术及弱回波恢复方法

《IEEE Transactions on Geoscience and Remote Sensing》：Enhancing Spaceborne Precipitation Radar Detail: Diffusion-Based Super-Resolution With Weak-Echo Recovery

　　

摘要：

星载降水雷达能够以近乎全球的覆盖范围对降水系统进行垂直分辨率观测，但其较粗的水平分辨率限制了其对细尺度对流结构及弱回波的呈现能力。本研究基于潜扩散模型，为GPM双频降水雷达开发了一种深度学习超分辨率框架。通过将允许对流发生的WRF模拟与多频雷达正向建模相结合，构建了一个物理上一致的训练数据集：以1公里分辨率的S波段反射率为高分辨率目标，而将Ku/Ka波段的反射率在多个高度上聚合，形成类似DPR的约5公里分辨率的数据作为条件输入。所提出的潜扩散模型在由VQ-VAE学习的紧凑潜在空间中进行条件扩散，并通过多分支融合双频及多高度特征，提升有效水平分辨率，同时生成与S波段一致的反射率因子，还能部分恢复DPR灵敏度以下的弱回波区域。在合成测试集中，与常见的确定性及生成式方法相比，该模型在感知相似度和分布相似度方面均有显著提升，同时在处理强回波时仍保持出色的结构识别能力。在包括登陆热带气旋以及中纬度/内陆对流系统在内的多个真实案例中的评估表明，该模型提升了回波的连续性，使对流/雨带形态更加清晰，这些结果与独立的地面S波段雷达观测结果基本一致，显示出其在模拟场景之外的良好迁移能力。该框架为提升现有及未来星载降水雷达在细尺度降水分析中的应用价值提供了可行方案，同时通过S波段一致性，为星载雷达观测与地面雷达应用之间建立了有效的桥梁...

显示更多