PrecipDiff: 利用图像扩散模型增强卫星降水观测
机器学习
2025-01-14 v1 计算机视觉与模式识别
摘要
世界气象组织（WMO）最近的一份报告强调，在过去50年中，与水有关的灾害在自然灾害中造成的人员损失最高，超过91%的死亡发生在低收入国家。这种差异很大程度上是由于缺乏足够的地面监测站，例如天气监视雷达（WSR），其安装成本高昂。例如，美国和欧洲合计拥有超过600个WSR，而非洲尽管陆地面积几乎是它们的一倍半，但只有不到40个。为了解决这个问题，卫星观测提供了一种全球近实时的监测解决方案。然而，它们面临着准确性、偏差和低空间分辨率等挑战。本研究利用扩散模型和残差学习的强大功能，在一个统一框架中解决这些局限性。我们引入了第一个用于纠正不同降水产品之间不一致性的扩散模型。我们的方法在将卫星降水估计从10公里降尺度到1公里分辨率方面展示了有效性。在西雅图地区进行的大量实验表明，在准确性、偏差减少和空间细节方面有显著改进。重要的是，我们的方法仅使用降水数据就实现了这些结果，展示了纯计算机视觉方法在增强卫星降水产品方面的潜力，并为该领域的进一步进展铺平了道路。
引用
@article{arxiv.2501.07447,
title = {PrecipDiff: Leveraging image diffusion models to enhance satellite-based precipitation observations},
author = {Ting-Yu Dai and Hayato Ushijima-Mwesigwa},
journal= {arXiv preprint arXiv:2501.07447},
year = {2025}
}