基于多源观测数据的降水估计新方法

本文为清华大学和哥伦比亚大学合作文章，于近期发表在GRL，文章主要是利用生成对抗网络融合被动微波遥感和红外遥感观测数据进行降水估计。以下为论文的具体内容，仅对部分内容进行介绍，完整论文见文末。

摘要 高时空分辨率的全球卫星降水估计对于水文和气象应用至关重要，但仍是一项具有挑战性的任务。一个主要挑战是微波数据在空间和时间上是不连续的。我们提出了一种新的方法，利用基于生成对抗网络（GAN）的完整红外（IR）降水估计提供的条件信息来融合不完整的被动微波（PMW）降水估计，并将该算法命名为PrecipGAN。PrecipGAN将降水系统分解为含量子空间和演化子空间，将PMW估计传播到PMW传感器轨道覆盖范围之外的区域。PrecipGAN可以巧妙地模拟降水事件的时空变化，产生的降水估计值总体上比基准产品Integrated Multi-satellitE Retrievals for GPM (IMERG) Uncalibrated over the Continental US统计性能更好。PrecipGAN提供了一种可在全球范围内实施的精确和计算效率高的替代算法，以产生基于卫星的降水估计。

数据

本文的数据主要是 NASA GPM IMERG Version Final 2015-2016年美国地区的降水数据，时间分辨率为 0.5h，空间分辨率为0.1 degree。其中 HQprecipitation 是所有可用的 PMW传感器的降水估计的简单混合。IRprecipitation则是红外降水估计数据。这两个变量将作为 PrecipGAN的输入。

2015-2016年空间分辨率为1km，时间分辨率2min的Multi-Radar/Multi-Sensor System (MRMS)定量降水估计产品（Quantitative precipitation estimation，QPE）作为真实的降水估计变量。为了和输入数据保持相同的分辨率，通过双线性插值重采样为0.1x0.1，逐30min的降水估计数据。

2015年的数据作为训练集，2016年的数据作为测试集。在评估PrecipGAN模型的结果时，precipitationUncal变量的降水估计信息作为基准。

方法

降水事件的含量和演化拆解

降水事件是可降水云的时空记录，其动态变化包括位置移动、形状变形和强度变化。基于这些物理知识和Tulyakov等（2018）的工作动机，将视频中的视觉信号分为内容（即物体）和运动（即动作），我们将一个降水事件分解为两部分，即降水云的主体及其动态变化，并分别抽象为含量(content)和演化(evolution)。数学公式的定义见原论文。

在我们的任务中，降水事件的含量和演变最好分别用PMW和红外降水估计来表示。PMW观测精度高，能够很好地表示降水含量。红外观测在空间和时间上是连续的，即使每次红外估计的绝对精度较低，但它所包含的动态信息对重建微波数据也有参考价值。

模型架构

图1为PrecipGAN模型的示意图。模型的输入为IR和PMW的降水估计信息，输入给生成器，生成器输出对应的降水估计；然后，判别器判断生成器所输出的降水估计信息与实际的降水估计是否相符，从而不断的优化模型的权重参数。

图1 PrecipGAN示意图. (a) 主框架 (b) 生成器结构 (c) 判别器结构

结果

图2展示了各种降水估计所记录的降水事件。总的来说，从水平降水结构和降水强度两方面来看，降水序列的估算结果都比 IMERG Uncal 更符合实际情况。结果表明，PrecipGAN 模型成功地提取了红外序列的形态信息，即降水区向东南方向的运动和移动(第一排和第四排的比较)。此外，在整个期间，PrecipGAN 降低了 PMW 的高估(见与 MRMS 的比较) ，并纠正这种结构。然而，对于 IMERG Uncal 来说，这种高估是从 PMW 估计而来的，并跨空间传播。对于这次事件，IMERG Uncal、 PrecipGAN 和 MRMS 估计的平均降水强度分别为1.6 mm/h、1.0 mm/h 和1.0 mm/h。

图2 分别为IR、PMW、IMERG Uncal、PrecipGAN、MRMS的降水估计

为了进一步评估降水量估计的质量，我们利用2016年CONUS地区的数据对PrecipGAN进行了测试，并以MRMS作为参考，将其与 IR、PMW和IMERG Uncal的降水估计进行了对比。一般而言，PrecipGAN的 CC、ME和RMSE的空间分布与IR、PMW和IMERG的空间分布相似(图3)。由于地形高，气候和天气条件复杂，给卫星观测带来了巨大的挑战。因此，落基山脉上空的气温相对较低。与此同时，MRMS雷达在这些区域也受到信号遮挡，引入测量误差和不确定性。降水的ME在CONUS西部大部分为正值(0.02) ，在CONUS东部大部分为负值(- 0.03) ，这与降水的空间特征高度相关，即CONUS西部的降水明显低于CONUS东部。当我们使用来自整个CONUS的数据来训练PrecipGAN时，PrecipGAN会在西部会高估而在东部低估。因为模型倾向于产生中等的估计以使不同区域达到平衡，需要进一步努力解决这一区域性问题，例如为各个区域构建训练模型，或者将地形和降水气候学等因素引入到PrecipGAN的结构中。总的来说，从空间平均值来看，在CONUS 上，PrecipGAN 显示了比 IR、 PMW 和 IMERG Uncal 更好的性能，CC (0.50)较高，ME (- 0.01)较低，RMSE (1.34)较低。尤其是，PrecipGAN 消除了 PMW 和 IMERG Uncal 的严重高估，并明显降低了 CONUS 东南部的 RMSE。

图3 2016年CONUS地区IR、PMW、IMERG Uncal、PrecipGAN的CC、ME、RMSE的空间分布

结论和总结

本研究提出了一种基于DL的卫星降水估计模型（PrecipGAN）。PrecipGAN以基于物理的方式合并PMW估计（时空覆盖有限，但精度相对较高）和IR估计（时空覆盖完整，但精度相对较低），以生成无缝降水估计。为了验证PrecipGAN的有效性，在2015年使用MRMS雷达数据对模型进行训练，然后在2016年对整个CONUS进行测试。结果表明，PrecipGAN可以有效提取降水系统的时空形态特征。在测试期间，PrecipGAN基于CC（0.48）、ME（-0.02 mm/h）和RMSE（1.69 mm/h）获得了良好的统计性能，并表现出比最先进的PMW-IR卫星产品（即IMERG Uncal）更好的性能。

总的来说，PrecipGAN为定量降水估算和数据融合提供了一个准确、高效的新视角。一旦PrecipGAN得到训练和解决，它的计算效率很高，适合于大规模的业务应用。由于PrecipGAN对在线学习的天然适应性，它还可以灵活地适应现有模型的额外输入。从更宏观的角度来看，要实现PrecipGAN或其他任何应用于地球科学相关领域的DL技术的全球实施，还需要进一步努力。例如，对于基于斑块的算法，每个斑块的模拟结果应合理合并，以形成一个具有空间连续性和一致性的完整的全局图。此外，经过训练和沉淀的DL模型应能自我更新，并能推广到未见过的情况，特别是由于气候的变异性和变化。此外，如何实现无监督的PrecipGAN模型，而不需要地面观测数据进行训练，也是值得探讨的问题，这将大大提高其适用性。

扫描二维码获取论文

end