《Remote Sensing》：Improving FY-4B Satellite Precipitation Retrieval over Coastal Complex Terrain of Eastern China: Deep Learning Approaches with Multi-Source Underlying Surface Data
编辑推荐：
该研究提出一种基于深度学习的降水反演框架，以改进利用风云四号B星（FY-4B）多通道红外亮温与云顶温度（CTT）的降水反演能力。在统一反演框架下，研究人员定量评估了下垫面信息的贡献，将数字高程模型（DEM）、地形因子（坡度与地表粗糙度）及土地利用/土地覆盖（L
该研究提出一种基于深度学习的降水反演框架，以改进利用风云四号B星（FY-4B）多通道红外亮温与云顶温度（CTT）的降水反演能力。在统一反演框架下，研究人员定量评估了下垫面信息的贡献，将数字高程模型（DEM）、地形因子（坡度与地表粗糙度）及土地利用/土地覆盖（LULC）融入框架，并以全球降水测量（GPM）计划的IMERG产品与雨量站观测进行验证。结果表明，引入下垫面信息可改善降水检测；模型架构影响显著——轻量模型（DS-UNet、SmaAt-UNet）因对离散LULC边界更敏感而获得更清晰空间约束，深层模型（U-Net、Attention U-Net）更擅长编码连续地形梯度而从地形变量获益更多；DEM与LULC简单拼接未必提升技能，可能源于热力强迫与空间尺度不匹配，而多因子组合可缓解冲突。该研究强调通过合理整合下垫面信息可增强复杂区降水监测，需兼顾网络架构与业务目标以支撑区域水文建模与洪水预警。
研究背景方面，全球气候变化背景下极端降水频次与强度上升，给沿海复杂地形区带来城市内涝、山洪与滑坡风险。静止气象卫星（如FY-4B）虽具备亚小时级连续观测能力，但传统基于云顶亮温（TB）与降水的经验关系存在非线性不确定，尤其对对流性降水误差大；极轨微波仪器受重访周期限制难以捕捉快速演变系统。已有机器学习/深度学习降水估计多聚焦云顶特征，对下垫面（地形、LULC）的物理约束显式利用不足。中国东部沿海（23–35°N，115–122°E）受东亚季风、海陆对比及西南山地—东部平原过渡影响，下垫面通过地形抬升、边界层修改与地表能量平衡调控降水，因此研究人员开展本研究以系统量化多源下垫面在FY-4B红外反演中的架构依赖性贡献，论文发表于《Remote Sensing》。
关键技术方法上，研究人员构建2022–2025年13个台风事件配对样本（8训练/2验证/3测试，共1392样本），以FY-4B AGRI L1多通道红外亮温（IR09–IR15）与L2云顶温度（CTT）为核心输入，静态下垫面包括NASA 30 m DEM派生坡度/地表粗糙度、Sentinel-2 10 m LULC，均重采样至4 km FY-4B网格；参考为真半小时GPM IMERG Final Run。采用SmaAt-UNet为主模型，对比U-Net、Attention U-Net、DS-UNet；设计基线B、B+D、B+D+SR、B+L、B+D+L、B+D+SR+L六类输入消融，以Smooth L1损失（log1p空间、雨区加权）训练，用MSE、Precision、F1-score、临界成功指数（CSI）、误警率（FAR）、Heidke技能分数（HSS）及站点雨量计独立验证。
研究结果部分，3.1节降水反演定量分析显示：SmaAt-UNet在B+L配置下达F1=0.500、CSI=0.333、HSS=0.455、FAR=0.575，LULC对轻量注意力模型检测技能提升最显著；U-Net在B+D+SR+L获最高HSS=0.399，表明深模型受益于连续地形梯度；B+D+L在多数模型非单调协同，因DEM连续与LULC离散经4 km平滑后尺度冲突；Bootstrap（1000次重采样）确认B+L对SmaAt-UNet及B+D+SR+L对U-Net的F1/CSI/HSS提升95%置信区间不含零。3.2节空间分布分析（2024-07-26 07:30 UTC极端事件与2025-07-25弱降水事件）表明：B+L使海陆过渡带雨带分离、抑制陆地中高量级虚高；B+D+SR增强山地边界与海岸雨带连续性；B+D+L在极端与弱雨均现红蓝误判扩张，证实简单拼接引入冗余；SmaAt-UNet整体噪声低、主雨带连续优于U-Net平滑低估。3.3节站点验证结论与网格一致：DEM单源约束最稳；B+D+SR+L跨模型均衡性最佳，证明互补而非堆叠通道数决定增益。
讨论部分指出，注意力机制（尤SmaAt-UNet的CBAM与深度可分离卷积）在高通道冗余下优选降水相关特征；地形经抬升/热力、LULC经感潜热通量分别提供连续与离散物理约束，SR（坡度+粗糙度）缓和二者尺度差；极端雨时B+D+SR偏保守（漏检升、误警降），弱雨时B+L偏激进（检测升、误警升），应按水文预警或业务预报容忍度选型；IMERG自身在复杂区有强度偏差，后续需引入CloudSat/CALIPSO垂直剖面、多任务深度学习联合反演CTH、SSM（如Mamba-UNet）与扩散模型（DiffUNet）及可解释性分析。
结论翻译浓缩：研究人员基于FY-4B IR09–IR15与CTT构建深度学习框架，系统融入DEM/SR/LULC，以1.0 mm h?1事件阈值评估，得出——（1）架构上注意力轻模（SmaAt-UNet）最优且鲁棒；（2）下垫面主要提升降水有无判别（F1/CSI/HSS）而非降低强度MSE，DEM稳增、LULC助轻模、SR补边界；（3）变量增益具架构依赖性，B+D+L因连续—离散冲突退化，B+D+SR+L通过互补（地形约束+边界细化+地表分类）获最佳泛化；（4）极端事件中DEM+SR定山地与海岸雨带，弱事件中B+L检测强但误警高、B+D+SR反之，应依场景权衡漏检/误警；（5）IMERG参考含偏差，未来应以物理约束/正则化/注意力调制替代简单通道拼接。该研究为沿海复杂地形静止卫星多源反演框架设计提供方法论参考。
