《Remote Sensing》：CDGP-Net: Channel-Decoupling and Geographic-Prior Fusion for Spatial Super-Resolution of HIRAS Radiances with Co-Platform MERSI-II
编辑推荐：
高光谱红外探测仪为数值天气预报（NWP）提供重要观测，但其星下点空间分辨率约12–16 km，粗于对流可分辨区域预报系统常用的约4 km网格间距。为将观测空间分辨率增强至该尺度，研究人员提出通道解耦与地理先验融合网络（CDGP-Net），一种无监督高光谱–多光
高光谱红外探测仪为数值天气预报（NWP）提供重要观测，但其星下点空间分辨率约12–16 km，粗于对流可分辨区域预报系统常用的约4 km网格间距。为将观测空间分辨率增强至该尺度，研究人员提出通道解耦与地理先验融合网络（CDGP-Net），一种无监督高光谱–多光谱融合框架，通过融合风云三号D星（FY-3D）高光谱红外大气探测仪（HIRAS）与同平台中分辨率光谱成像仪II（MERSI-II）影像，在保留原始光谱采样的前提下重建4 km高空间分辨率高光谱辐射率。为适配红外探测仪数据，CDGP-Net引入自重建与光谱退化通道解耦（SDCD）设计，利用物理相关且不重叠的MERSI-II红外信息作辅助输入并保持光谱退化物理一致性；以及重建域地理先验正则化（RGPR）方案，在地理空间与光谱形状上约束重建辐射率。因缺乏真实高分辨率观测，研究人员进一步提出辐射传输锚定评估（RTAE）方案，以逐线辐射传输模式（LBLRTM）由再分析与预报大气场驱动模拟作为独立物理参考。在选定FY-3D过顶个例中，以Ref-HR为高分辨率物理参考评估显示：相较非混合基线，CDGP-Net峰值信噪比（PSNR）提升3.8 dB，光谱角制图（SAM）与全局无量纲合成相对误差（ERGAS）分别降低64.1%与54.6%；相较地理插值，结构相似性指数（SSIM）提升16.4%，ERGAS降低8.8%，在部分云与海岸过渡场景优势最明显。
研究背景方面，全球变暖导致极端天气频发，对流可分辨分辨率（CPR）约4 km网格可显式表征深对流，但业务高光谱红外探测仪星下点分辨率仅12–16 km，单一载荷难以兼顾高空间与高光谱分辨率。现有成像仪–探测仪融合多在辐射率级筛选云检测或产品级反演温湿廓线，未直接提升红外高光谱辐射率本身的空间分辨率。深度学习高光谱图像超分辨率（HSI-SR）中，单图方法缺外部高分辨率观测，高光谱–多光谱图像融合（HMIF）依赖同平台高分辨率多光谱，但真实高分辨率高光谱（HrHS）标签缺失使有监督方法受限；无监督HMIF应用于热红外辐射率面临验证难、热红外辐射特性异于可见光、探测仪视场（FOV）稀疏不规则且有物理间隙三大挑战。该研究发表于《Remote Sensing》，提出CDGP-Net以无监督方式将FY-3D HIRAS由16 km超分辨至4 km，保留1370通道中选定553通道（739.375–1084.375 cm?1）光谱采样，同平台MERSI-II提供1 km热红外通道（ch23、ch24、ch25）作空间辅助。
关键技术方法上，研究人员选用三个FY-3D过顶个例（2022年6月15日、2023年2月4日、2024年9月11日UTC），区域位于HRRR（High-Resolution Rapid Refresh，高分辨率快速刷新）模式域覆盖的美国本土及周边；HIRAS L1辐射率与MERSI-II L1辐射率及云掩码（CLM）、地理定位、光谱响应函数（SRF）经共配准、4×4窗口聚合成4 km网格；以Delaunay三角剖分加Clough–Tocher分段立方插值构建地理插值先验；以CUCaNet为骨干，在线性混合模型（LMM）下解耦自重建通道集与SRF退化通道集（SDCD），并将地理插值先验接入重建域施加地理空间损失与光谱形状损失（RGPR）；以ERA5与HRRR驱动LBLRTM构建低分辨率参考Ref-LR与高分辨率参考Ref-HR，用PSNR、SAM、ERGAS、SSIM、UQI及亮温偏置评估。
研究结果部分，第1节引言阐明探测仪分辨率不足制约CPR同化，指出现有融合不直接提升辐射率空间分辨率，确立直接辐射率级细化的动机。第2节数据集说明HIRAS 16 km FOR/FOC几何、MERSI-II 6热红外通道与CLM分层、ERA5 0.25°与HRRR约3 km剖面补差供LBLRTM使用。第3节方法含预处理（共配准、CLM聚合为云/部分云/晴陆/晴海/晴岸/晴混六类、选553 HIRAS通道与ch24/ch25作SRF退化、ch23作辅助、Clough–Tocher地理先验、全局min–max归一化）、CDGP-Net框架（LMM下共享端元与丰度、PSF（Point Spread Function，点扩散函数）自适应学习、SDCD使ch23进自重建而不进SRF、RGPR以地理空间L2与光谱余弦相似度双损失约束）、RTAE（LBLRTM正向模拟双参考）。第4节结果显示：空间对比中GeoCubic平滑模糊，CUCaNet有负偏与海岸伪影，CDGP-Net边界清晰且对Ref-HR全通道平均亮温偏置μ=0.01 K；光谱偏置曲线中CDGP-Net对Ref-HR在810–1000 cm?1偏置<1 K，CUCaNet长波持续负偏；散射密度分析对Ref-HR时CDGP-Net斜率1.07、R2=0.948、RMSE=6.673最优；三景平均指标对Ref-HR较CUCaNet PSNR+3.8 dB、SAM?64.1%、ERGAS?54.6%，较GeoCubic SSIM+16.4%、ERGAS?8.8%；SAM空间分布显示CDGP-Net海岸带误差最低；场景分层中部分云与晴岸场景PSNR与SSIM提升最大（晴岸PSNR 21.145→28.240 dB，ERGAS 1.754→0.719）；消融实验表明SDCD贡献最大（PSNR+5.9 dB），RGPR中地理空间损失提SSIM、光谱形状损失再降SAM；计算耗时CDGP-Net较CUCaNet仅多约6.0%（38分36秒vs36分24秒），显存约2.61 GB。
讨论部分指出，GeoCubic在均匀云海场景因平滑占优，CDGP-Net在异质场景（海岸、部分云）优势显著；Ref-LR平滑致GeoCubic与其一致性强不代表恢复细结构，Ref-HR保留局地变化故CDGP-Net与之更符；SDCD机制可迁移至其他探测仪–成像仪对但辅助通道须按SRF与目标波段遴选；RGPR不强制输出等于插值先验而约束低频与光谱方向；局限包括Ref-HR非真值、晴空LBLRTM对云区偏暖、仅CONUS（Contiguous United States，美国本土）域、未进同化系统验证。结论部分翻译如下：该研究提出CDGP-Net，一种无监督高光谱–多光谱融合框架，将FY-3D HIRAS由16 km超分辨至4 km并保留原光谱采样；以LBLRTM由ERA5与HRRR驱动作RTAE参考；SDCD解耦MERSI-II自重建与SRF退化通道，RGPR在地理空间与光谱形状双约束。实验表明CDGP-Net对Ref-HR一致性最优，空间上海岸边界与细结构保持更好，光谱偏置在810–1000 cm?1内<1 K，三景平均较CUCaNet PSNR+3.8 dB、SAM?64.1%、ERGAS?54.6%，较GeoCubic SSIM+16.4%、ERGAS?8.8%；场景分层中部分云与晴岸提升最显；消融中SDCD增益最大，RGPR递进改善结构与光谱；结果表明无监督HIRAS–MERSI-II融合可生成4 km红外高光谱辐射率，为对流可分辨同化提供潜在路径。
