GPROF-IR：合并卫星降水产品的改进单通道红外降水检索
机器学习
2026-05-11 v1
摘要
当前合并降水产品（如IMERG、GSMAP和CMORPH）组合来自被动微波（PMW）和红外（IR）观测的卫星估计值。然而，这些传感器的不同信息内容使得即使是同时观测也难以产生一致的降水估计。PMW和IR检索结果之间的不一致性可能在合并降水场的时间演化中引入制造业，并导致对基于时间推移的PMW估计值的过度依赖。我们引入GPROF-IR，这是一种新型红外降水检索方法，利用卷积神经网络改进来自单通道IR观测的降水估计。我们演示，所提模型能够利用半小时IR观测中的时间信息来改进降水估计。GPROF-IR设计用于集成到即将发布的GPM（Integrated Multi-Satellite Retrieval for GPM）IMERG V08中，产生的估计值与GPROF-NN PMW检索的气候学一致。我们使用独立的全球参考测量结果对GPROF-IR进行评估，证明其在常规IR检索方面实现了显著改进。GPROF-IR在大陆陆地区域的平均平方误差更低，相关系数更高，优于IMERG V07 PMW估计，但在海表面和受浅降水影响较大的气候背景下，其准确性仍低于PMW降水估计。通过利用地球同步IR观测中的空间和时间信息内容，GPROF-IR为单通道IR降水检索树立了新的先进水平。GPROF-IR可用于从1998年起提供半小时分辨率的准全球降水估计，为改进合并降水产品提供一致且准确的基础。
引用
@article{arxiv.2605.07166,
title = {Neurosymbolic Imitation Learning with Human Guidance: A Privileged Information Approach},
author = {Nikhilesh Prabhakar and Varun Balaji and Athresh Karanam and Kristian Kersting and Sriraam Natarajan},
journal= {arXiv preprint arXiv:2605.07166},
year = {2026}
}
备注
Under Review for ECML-PKDD 2026