《Water Resources Research》：Video-Based Rainfall Opportunistic Sensing in Hydrology: A Lightweight Machine Learning Approach
编辑推荐：
基于视频的降雨测量是机会感知（opportunistic sensing）的前沿课题；然而，从动态视频中快速、准确且鲁棒地识别与降雨相关的雨纹（rain-streak）特征仍是一项关键挑战，尤其是对于计算资源受限的监测设备而言。为解决测量精度与效率之间的权衡问
基于视频的降雨测量是机会感知（opportunistic sensing）的前沿课题；然而，从动态视频中快速、准确且鲁棒地识别与降雨相关的雨纹（rain-streak）特征仍是一项关键挑战，尤其是对于计算资源受限的监测设备而言。为解决测量精度与效率之间的权衡问题，研究人员提出了一种称为耦合图像增强与渐进聚合网络（Coupled Image Enhancement and Gradual Aggregation Network, CIEGA-NET）的轻量级机器学习方法。该方法受自动驾驶中去雨（image deraining）启发，通过图像增强重建背景信息，进而通过图像差分提取干净的雨纹信号。同时，其采用由粗到细的时间聚合（temporal aggregation）策略从降雨视频中学习连续特征，避免了超像素（superpixel）处理和光流对齐（optical-flow alignment）。在公共合成数据集以及来自深圳、杭州和大连的23场真实降雨事件（涵盖昼夜条件、广泛降雨强度及监控相机与智能手机设备）上的测试表明，CIEGA-NET估算事件降雨量的平均相对误差为8.2%。与现有基于视频的方法相比，其总体误差降低近10%，在强降雨中降低高达25%。此外，CIEGA-NET在常用分辨率下达到26帧每秒（frames per second, FPS）的处理速度，比基于卷积神经网络（Convolutional Neural Network, CNN）的方法快两个数量级，比基于物理的方法快一个数量级。这些结果表明，CIEGA-NET的轻量级架构实现了高效的降雨测量，并为未来高密度降雨监测网络提供了一种有前景的低成本解决方案。
该研究发表于《Water Resources Research》。降雨作为全球水循环的关键组分及水文模型的最重要输入，其准确监测对洪水预报与风险削减至关重要，但降雨强烈的时空变异性使其监测面临持久挑战。传统地面观测系统如雨量计（rain gauges）和翻斗式雨量计空间密度低，无法捕捉空间异质性；地基天气雷达受地形遮挡与地物杂波影响且成本高昂；卫星遥感在短历时强降雨检测能力有限且存在时效滞后。在此背景下，基于视频的降雨感知利用广泛分布的廉价相机观测近地面降雨，成为具备前景的补充手段。其核心是从视频帧中雨滴运动轨迹即雨纹进行光学量化，但现有物理优化方法与深度学习方法分别面临参数经验性强计算成本高，或依赖复杂光流估计与深度特征提取导致效率受限的问题，且在暴雨与夜间等条件下精度下降，实际部署面临计算效率与精度的双重约束。为此，研究人员开展了CIEGA-NET的研究，得出该网络在精度与效率上均有显著提升的结论，其轻量级设计有助于桥接水文监测需求与实际部署的差距，对利用现有城市摄像头网络实现低成本高密度降雨观测具有重要意义。
研究人员采用的关键技术方法主要包括：构建耦合图像增强与渐进聚合网络（CIEGA-NET），含多分支粗时间聚合（Coarse Temporal Aggregation, CTA）、单分支细时间聚合（Fine Temporal Aggregation, FTA）及雨纹导向差分（Streak-Oriented Subtraction, SO）模块以提取雨纹；采用34层残差网络（ResNet34）结合线性回归层估计降雨强度；使用峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、结构相似性指数（Structural Similarity Index, SSIM）和FPS评估提取效果，使用平均绝对误差（Mean Absolute Error, MAE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）、决定系数（R2）、纳什效率系数（Nash–Sutcliffe Efficiency, NSE）和克林–古普塔效率（Kling–Gupta Efficiency, KGE）评估估测效果；实验数据来源于公共合成数据集RainSynLight25与RainSynComplex25，以及Jiang et al. (2019)、Yin et al. (2023)、Zheng et al. (2023)的真实数据与大连智能手机采集数据共23场降雨事件，采用留一事件交叉验证（leave-one-event-out cross-validation）与ImageNet预训练迁移学习策略。
研究结果如下：
4.1 雨纹识别的有效性与效率：在合成数据集上，CIEGA-NET较对比方法SpacCNN与FastDeRain在PSNR与SSIM上均最优，重雨数据集RainSynComplex25上PSNR达29.25 dB、SSIM达0.84，较FastDeRain相对提升显著；在效率上于889×500分辨率达约26 FPS，较SpacCNN快两数量级、较FastDeRain快一数量级，归因于轻量级时间特征聚合避免了光流与偏微分方程计算。
4.2 实际视频中降雨测量的准确性：在深圳、杭州（昼夜）及大连多源真实视频上，CIEGA-NET均能稳定提取雨纹；定量评估显示深圳与大连测试集MAPE低于10%，R2、NSE、KGE超0.85，杭州日间MAPE低于25%且上述系数超0.80，杭州夜间MAPE略高于25%但系数仍超0.90；同分区对比原研究，深圳数据MAPE由原21.8%降至11.7%，杭州日间多数指标更优，杭州夜间在强降雨（>36 mm/hr）下MAPE更低，体现其在灾害性暴雨监测的优势。
4.3 独立完整降雨事件评估：对23场事件累积降雨估算，整体平均MAPE为8.2%，深圳事件均值11.7%、杭州夜间8.0%、杭州日间7.9%、大连智能手机5.7%；高强度降雨事件如Case 9、Case 13、Case 18的MAPE均低于15%，Case 4较基于物理的Jiang等方法误差降低25.3%，表明在暴雨条件下累积误差控制更优。
讨论部分总结：研究人员指出昼夜成像差异导致夜间红外模式景深变小、近场雨纹随机性大从而增加不确定度，需未来加强质量控制与偏差校正；视频质量受对焦、光照、雾化与压缩噪声影响，需建立评估与预处理流程并积累标准标注数据；跨数据集迁移因设备参数与环境背景差异困难，当前适合同质数据局部应用，需针对新场景微调，且实际部署受视频采集与传输制约，未来应结合数据同化、动态更新与边缘计算提升泛化与实时服务能力。
结论部分翻译：本研究针对现有基于视频降雨测量中存在的关键问题，即测量精度与算法轻量化的权衡、多场景鲁棒性及强降雨下的高性能表现，提出了一种新的降雨估算方法CIEGA-NET，这是一种耦合图像增强与渐进时间融合的轻量级残差网络。该方法在提高计算效率的同时保持了高精度，其轻量级架构便于高效训练与部署，并具有实时降雨监测潜力。主要发现如下：其一，CIEGA-NET能高效从视频图像提取雨纹信息，在889×500像素常用分辨率下处理速度达26 FPS，计算效率较对比算法提升一至两个数量级，凸显其在实时运行与轻量化设计上的优势；其二，CIEGA-NET准确提取雨纹，在两类合成数据集上PSNR分别达31.70与29.25、SSIM达0.75与0.84，重雨下SSIM优于轻雨，特别适用于洪水灾害监测关注的强降雨监测；其三，CIEGA-NET在多场景与复杂条件下具一定鲁棒性，在多地多设备数据中MAE低于0.06 mm/min，23场独立事件平均相对误差仅8.2%，强雨下累积误差较现有方法普遍降低。综上，CIEGA-NET通过时间融合与残差学习为视频降雨测量提供轻量高效方案，支持近实时降雨信息获取，并利用现有摄像头资源实现低成本高密度监测，未来应探索城市尺度暴雨洪水风险管理系统集成路径，视觉降雨监测有望在防灾减损与智慧城市发展中发挥日益重要作用。
需要我帮你把这篇解读浓缩成一份适合汇报用的结构化摘要吗？
