GSWarpNet：基于物理正则化流监督的解耦形变与精修雷达回波临近预报

《Science of Remote Sensing》：GSWarpNet: Decoupled warp-and-refine radar echo nowcasting with physics-regularized flow supervision

　　

GSWarpNet 将雷达运动估计与残差精修解耦。在形变与精修训练中，梯度截断（gradient stop / detach）保护流监督信号。物理正则化流可改善雷达回波边界与结构保真度。梯度图相似性（Gradient Map Similarity，GMS）和结构反射率指数（Structural Reflectivity Index，SRI）在临界成功指数（Critical Success Index，CSI）和平均绝对误差（Mean Absolute Error，MAE）之外评估回波边界结构。在 X 波段和 SRadar 数据集上的试验验证了跨域临近预报性能。

研究背景方面，天气雷达回波临近预报需要在 0–2 小时尺度内快速、高分辨率地预测雷达反射率场，服务城市排涝、农业管理、航空安全和强天气应对。数值天气预报（Numerical Weather Prediction，NWP）计算成本高，且对小尺度对流过程模拟存在固有局限。基于雷达的回波外推以低得多的计算成本对观测回波进行平流，从而预测未来降水场的位置、形态和强度。深度学习方法中，ConvLSTM 将临近预报定义为时空序列预测问题；PredRNN、MCA-LSTM 等递归架构改进记忆机制与多尺度上下文融合；SmaAt-UNet 等全卷积编解码网络缓解递归误差累积；DGMR、NowcastNet 等生成式模型提升视觉合理性，但在短临确定式单帧指标上通常弱于确定式模型。

现有研究存在两个核心问题。其一是梯度干扰：形变与精修模型端到端联合训练时，精修损失会把梯度传回流估计器，使运动场趋向近零，精修阶段被迫吸收大部分预测误差，模型在长时效下退化为直接回归。其二是评价指标局限：CSI、MAE、SSIM 主要惩罚像素级错位，不能充分区分数值可接受但结构退化的情况，例如回波边界模糊、单体形态位移。

针对上述问题，研究人员提出 GSWarpNet，一种仅约 1.63M 参数的轻量级形变与精修雷达临近预报网络。该网络由 4 级 CBAM 增强 UNet 流估计器、可微 WarpModule、3 级深度可分离卷积精修网络组成。在 FlowEstimator 与 RefinementNet 之间插入梯度截断（detach），使运动监督与任务监督解耦。流估计器由强度加权形变精度项和运动学不可压缩惩罚即散度正则化 ?_π=|?·??| 监督；精修网络由 MSE、SSIM、梯度幅值相似性、边缘交叉熵组成的复合感知任务损失监督。研究人员还提出 GMS 与 SRI 两个结构评价指标准确刻画回波边界保真度，并在 X 波段数据与 SRadar（SHMU）数据上做跨域验证。论文发表在《Science of Remote Sensing》。

关键技术方法方面，研究人员采用 warp-and-refine 框架：先用流估计器预测每步独立流场，再用可微 warp 模块对最近回波帧平流，最后用精修网络补偿强度残差。训练时在 warp 输出处 detach，阻断任务损失回流至流估计器。流监督引入强度加权 warp 精度与不可压缩散度正则，任务监督采用 MSE、SSIM、梯度幅值相似性和边缘交叉熵复合损失。样本来自 X 波段雷达数据集与 SRadar（SHMU）雷达数据集，二者输入长度、空间分辨率和空间尺度不同，用于跨域评估。

研究结果如下。

Introduction 部分说明，直接回归方法随预见期增长会产生模糊，warp-and-refine 方法若端到端训练会出现梯度干扰，标准指标不能隔离边界结构退化。研究人员据此确立解耦监督、物理正则化流监督和结构指标三条主线。

Related work 部分将已有方法分为直接回归方法、拉格朗日与基于形变方法、生成式模型、评价指标四类。LUPIN 与 NowcastNet 是最接近的形变—精修先驱，但 LUPIN 采用迭代自回归更新输入窗，NowcastNet 生成式精修参数规模更大，且二者均未在运动分支与精修分支间显式插入梯度截断。

Methodology 部分给出问题形式化：输入为 T_in 帧归一化反射率序列 ??={x_t?Tin+1,…,x_t}∈[0,1]^T_in×H×W，输出为 T_out 步预测。FlowEstimator 估计独立逐步运动场 ??；WarpModule 对最新帧做可微平流；RefinementNet 用深度可分离卷积修正强度。梯度截断使流向任务梯度约为预期运动监督信号的 8–28 倍这一现象被抑制，从而避免流估计器被任务损失带偏。

Experimental results 部分通过 X 波段与 SRadar 跨域试验比较 GSWarpNet 与直接回归及已有形变方法。结果显示，解耦训练后流场更稳定，回波位移更准确；GMS 与 SRI 能补充 CSI、MAE 未覆盖的边界结构信息；在重回波检测与边界形态保持上，GSWarpNet 较端到端 warp-and-refine 基线更具结构保真优势。

Ablation study 部分移除 detach 或散度正则后，流估计质量下降，精修网络承担过多误差，长时效预测趋近直接回归；加入物理正则化流监督则回波边界更锐利，验证梯度截断与 ?_π 各自不可替代。

讨论部分指出，warp-and-refine 并非天然优于直接回归：当回波以平流主导、边界结构重要且数据含清晰运动信号时，解耦形变方法优势明显；当对流生消、噪声强或运动场难以估计时，直接回归可能更稳。GSWarpNet 的意义在于用极小参数规模把物理先验嵌入流监督，并提供 GMS、SRI 这类结构诊断工具，弥补 CSI/MAE 对回波形态评估不足。

结论部分可译为：GSWarpNet 通过梯度截断解耦运动估计与残差精修，以物理正则化流监督提升雷达回波临近预报的结构保真度。提出的 GMS 与 SRI 能在 CSI 和 MAE 之外量化回波边界质量。跨域结果表明，解耦 warp-and-refine 设计在 X 波段与 SRadar 数据上均能改善回波结构与重降水检测，为轻量化、物理可解释的雷达临近预报提供了可复现方案。