面向多源降水融合的双阶段 TransUNet 深度学习框架及其对季节性与极端估计的提升
机器学习
2026-02-05 v1
摘要
多源降水产品 (MSP) 来自卫星反演和再分析数据，广泛用于水气候监测，但在空间异质偏差和极端值能力有限方面仍受制于水文效用。本文开发了一个基于双阶段 TransUNet 的多源降水融合框架 (DDL-MSPMF)，将六个 MSP 与四个 ERA5 近表面物理预测变量整合。第一阶段分类器估计日降水发生概率，第二阶段回归器融合分类器输出及所有预测变量，以 0.25 度分辨率估计 2001-2020 年中国的日降水量。对比多个深度学习和混合基线表明，TransUNet-TransUNet 配置在季节性能力最佳（R=0.75；RMSE=2.70 mm/day），且相对于单回归设置更具鲁棒性。对于重降水 (>25 mm/day)，DDL-MSPMF 在东部中国大多数地区提升了平等威胁得分，并更好地再现了 2021 年郑州暴雨的空间格局，表明在季节均值校正之外具有更强的极端事件检测能力。独立评估表明，TPHiPr 进一步支持其在数据稀缺地区的适用性。SHAP 分析突显了降水发生概率和表面压力的重要性，提供了物理可解释诊断。该框架提供了一个可扩展且可解释的降水融合和极端事件评估方法。
引用
@article{arxiv.2602.04757,
title = {A Dual-TransUNet Deep Learning Framework for Multi-Source Precipitation Merging and Improving Seasonal and Extreme Estimates},
author = {Yuchen Ye and Zixuan Qi and Shixuan Li and Wei Qi and Yanpeng Cai and Chaoxia Yuan},
journal= {arXiv preprint arXiv:2602.04757},
year = {2026}
}
备注
75 pages,20 figures