《Remote Sensing》:Multi-Channel Super-Resolution Reconstruction Model Based on Dual-Band Weather Radar Fusion
Siran Yang,
Yao Li,
Fei Ye,
Qiangyu Zeng,
Jianxin He,
Hao Wang and
Tiantian Yu
编辑推荐:
双波段天气雷达网络能够实现多雷达互补观测,提升对强对流天气的准确性、三维表征和预警能力。S波段雷达穿透能力强、探测距离远,但空间分辨率有限;而X波段雷达分辨率高但穿透能力较弱,给双频数据融合带来挑战。为解决双波段雷达之间的分辨率失配和融合建模问题,本研究提出了
双波段天气雷达网络能够实现多雷达互补观测,提升对强对流天气的准确性、三维表征和预警能力。S波段雷达穿透能力强、探测距离远,但空间分辨率有限;而X波段雷达分辨率高但穿透能力较弱,给双频数据融合带来挑战。为解决双波段雷达之间的分辨率失配和融合建模问题,本研究提出了一种基于双频雷达观测的S波段反射率超分辨率重建方法。研究人员将S波段和X波段雷达数据及其关键极化参数共同纳入基于深度神经网络的融合模型中,以提升S波段反射率的空间分辨率。在典型强天气条件下的实验结果表明,该方法在细节恢复和结构重建方面取得了改进,模型达到峰值信噪比(PSNR)30.84、结构相似性指数(SSIM)0.8755、平均绝对误差(MAE)0.24178,相较于其他模型具有明显优势,有效提升了雷达网络数据质量,并且在客观指标和主观评价上均优于单一的S波段超分辨率方法。
**论文解读:基于双波段天气雷达融合的多通道超分辨率重建模型**
**研究背景与问题**
在全球气候变化加速的背景下,中国已部署546部新一代天气雷达,形成了覆盖全国的观测网络,为强对流天气的业务预报发挥了关键作用。S波段天气雷达具备强穿透能力,能够可靠探测大范围降水,并有效监测对流风暴、强降雨等持续时间长的天气系统,但其空间分辨率较低、垂直覆盖有限,限制了其对短时、局地、精细尺度天气特征的检测能力。X波段天气雷达以更高的时空分辨率补充S波段系统,可详细观测快速演变的天气现象,包括中尺度气旋、局地强降水以及风暴、龙卷风等强对流事件,但X波段雷达在强降水下信号衰减显著,影响探测精度。尽管如此,X波段在低空覆盖、垂直结构分辨率、高时间分辨率、小型化、低成本及灵活部署方面的优势,使其非常适合局地组网观测并弥补S波段雷达覆盖盲区。
近年来,移动式和混合雷达组网技术的发展显著提升了气象监测系统的准确性和时效性。常见的S/X波段协同方法涉及联合网格化和数据融合,利用X波段雷达弥补S波段系统低空盲区,同时S波段雷达补偿X波段在强降水下的信号衰减。然而,现有双波段融合方法多依赖物理配准结合网格插值或加权镶嵌,限制了精细回波细节恢复、高频空间信息提取及遮挡雷达区域重建,且双波段观测之间的深层统计相关性仍未被充分利用。雷达超分辨率重建在传统信号处理和基于优化的方法中已有广泛研究,但早期方法存在噪声敏感性和鲁棒性不足的问题。深度学习方法的出现显著提升了性能,但多波段雷达数据的联合超分辨率重建研究仍相对不足。
为解决双波段雷达分辨率失配与融合建模问题,研究人员提出了一种基于深度神经网络的多通道超分辨率重建模型,通过数据驱动的方式恢复高分辨率S波段雷达反射率。该研究发表在《Remote Sensing》。
**主要关键技术与方法**
研究人员使用了江苏省2023年6月至8月S波段和X波段天气雷达的观测数据,其中S波段雷达最大探测距离460 km,距离分辨率250 m,波束宽度1°,方位分辨率1°;X波段雷达最大探测距离61.2 km,距离分辨率60 m,波束宽度1°,方位分辨率0.5°。主要关键方法包括:基于最小化中值时间差实现秒级时间一致性匹配;通过三坐标(纬度、经度、高度)映射和KD-树(KD-Tree)近邻搜索实现空间配准,提取S波段与X波段重叠观测区域;构建了双波段超分辨率融合网络D-SRFNet,该网络包含输入特征提取层、特征混合模块(FMM)和上采样模块。FMM由大核注意力(LKA)模块、空间自适应特征调制(SAFM)模块和蓝图可分离卷积通道混合器(BSCCM)模块顺序组成,用于增强反射率场在不同空间尺度下的结构表征能力。
**研究结果**
**3.1 模型性能分析**
通过对比实验评估了EDSR、SAFMNPP和D-SRFNet三种模型在S波段反射率超分辨率重建中的表现。在统一数据集分割和实验设置下,使用Adam优化器,初始学习率1×10??,批次大小32,均方误差(MSE)作为损失函数。采用峰值信噪比(PSNR)、结构相似性指数(SSIM)和平均绝对误差(MAE)作为评价指标。
定量结果表明,D-SRFNet在所有三个指标上均表现最佳,PSNR达到30.84 dB,SSIM达到0.8755,MAE最低为0.024178,显著优于EDSR(PSNR较低、SSIM较低)和SAFMNPP(PSNR和SSIM有所提升但仍有差距),验证了其在重建精度、结构一致性和误差控制方面的优势。
视觉比较使用了三类代表性降水案例:组织化对流雨带(2023-06-10)、层状降水(2023-07-16)和复杂对流系统(2023-07-16)。在组织化对流雨带案例中,D-SRFNet重建结果最接近原始高分辨率观测,强回波核心紧凑、边界清晰、雨带连续性好。在层状降水案例中,D-SRFNet保持了大尺度连续回波的平稳强度渐变,优于EDSR的过度平滑和SAFMNPP的局部不一致。在复杂对流系统案例中,D-SRFNet准确维持了回波空洞的形状和位置,保留了高、低反射率区域间的锐利过渡。
**3.2 多源输入敏感性分析**
通过控制变量实验,系统分析了不同X波段雷达参数(反射率因子Z
H、差分反射率Z
DR、径向速度V、谱宽W、差分传播相位Φ
DP、特定差分相位K
DP)对S波段超分辨率重建的影响,共设置单参数和多参数融合方案。
定量对比显示,引入X波段信息后PSNR从基线(仅S波段)的30.84 dB显著提升至34 dB以上。多参数配置(Z
H+Φ
DP,方案E7)获得最高PSNR 35.55 dB和SSIM 0.9386,MAE最低(0.000307)。单参数输入中,Φ
DP获得最高SSIM(0.9102),而Z
H、V、W的SSIM在0.89–0.90区间。Z
DR单独输入时SSIM下降至0.8660,表明不同参数对结构一致性的贡献不同。MAE呈现明显分化,Z
H(E1)和Z
H+Φ
DP(E7)的MAE量级为10??,而V、W、Φ
DP、K
DP的MAE量级为10?2。
主观视觉分析进一步验证:在强回波核心区域,仅用S波段时强核心无法恢复,加入X波段反射率后成功重建但略有过度增强;在复杂边界场景中,X波段参数的引入显著改善了边界轮廓清晰度和空间连续性,其中Z
H+Φ
DP联合输入边界重建最为准确。尽管单参数方案均有视觉改进,但参数间差异有限,多参数方案在局部细节表示和重建稳定性上略有优势。
**讨论与结论**
改进的重建性能源于所提架构与多波段雷达融合的协同作用:空间自适应调制、大感受野注意力和结构化通道混合的组合,使模型跨尺度有效整合S波段和X波段信息,超越传统卷积方法在强回波和复杂空间结构恢复上的能力。
研究结论总结为:(1)单参数和多参数X波段输入均带来可量化的重建指标提升,但视觉差异相对有限,表明数值评估对性能增益比主观视觉检查更敏感;(2)不同X波段参数在空间结构恢复上提供部分重叠但互补的信息,反射率相关特征在塑造重建回波场中起主导作用;(3)定量增益与视觉增强之间的差异表明,进一步性能提升可能需要更显式地建模参数特定的物理关系或自适应融合策略,而非简单聚合额外输入参数。
最后,本研究旨在通过多波段雷达融合为天气雷达反射率超分辨率重建提供有效解决方案。尽管所提模型取得了有效性能,但仍有局限性。X波段雷达数据未应用衰减校正,可能限制强降水下高频观测的有效使用。此外,复杂地形训练样本缺乏可能限制模型泛化能力。未来工作将侧重于包含数据质量控制与物理校正,以及扩展训练数据集以包含更多样化的雷达变量与观测场景。