DRAIN：一种从 GPM 被动微波辐射计反演降雨的深度学习方法的评估
机器学习
2023-03-03 v1
摘要
自 70 年代末第一颗国防气象卫星计划发射以来，从被动微波辐射计数据反演降雨一直是一项挑战。自 1997 年热带降雨测量任务（TRMM）发射以来取得了巨大进展，但直到最近数据仍是逐像素处理或仅考虑少数邻近像素。深度学习在计算机视觉领域取得了显著改进，并为解决降雨反演问题提供了全新途径。全球降水测量（GPM）核心卫星与 TRMM 类似，携带一台被动微波辐射计和一台雷达，两者部分扫描带重叠。37 和 89 GHz 通道测量的亮温被用作常规图像的 RGB 分量，而双频雷达的降雨率提供地面降雨。随后在这些数据上训练一个 U-net 以开发反演算法：深度学习降雨（DRAIN）。仅以四个亮温作为输入且无其他先验信息，DRAIN 在大多数情况下提供与 GPM 官方算法 GPROF 相似或略优的性能。这些性能被认为源于 DRAIN 基于图像而非经典的逐像素方式工作。
引用
@article{arxiv.2303.01220,
title = {Evaluation of drain, a deep-learning approach to rain retrieval from gpm passive microwave radiometer},
author = {Nicolas Viltard and Vibolroth Sambath and Pierre Lepetit and Audrey Martini and Laurent Barthès and Cécile Mallet},
journal= {arXiv preprint arXiv:2303.01220},
year = {2023}
}