基于 Sentinel-1 观测与 NEXRAD 协同定位数据及卷积神经网络学习的降雨模态分割
计算机视觉与模式识别
2023-10-20 v3
摘要
降雨事件的遥感对于业务与科学需求都至关重要，例如天气预报、极端洪水缓解、水循环监测等。地基气象雷达，如 NOAA 的 Next-Generation Radar（NEXRAD），提供降雨事件的反射率与降水估计。然而，其观测范围仅限于几百公里，这促使人们探索其他遥感方法，尤其是在开阔洋面上，其代表了未被地基雷达覆盖的大片区域。本文提出一种深度学习方法，以降雨模态对 SAR 观测进行三分类分割。SAR 卫星提供全球覆盖的甚高分辨率观测。这对于刻画精细尺度降雨相关模式（例如特征尺度为几公里的对流单体）显得尤为有吸引力。我们证明，在 Sentinel-1/NEXRAD 协同定位数据集上训练的卷积神经网络明显优于 Koch 滤波器等当前最优（state-of-the-art）滤波方案。我们的结果表明，在由 24.7、31.5 和 38.8 dBZ 阈值界定的降水模态分割上性能优异。相较于当前依赖 Koch 滤波器绘制二值降雨图的方法，这些基于学习的多阈值模型可提供降雨估计。它们可能有助于改进受降雨退化的高分辨率 SAR 反演风场，并为降雨单体研究提供额外工具。
引用
@article{arxiv.2207.07333,
title = {Rain regime segmentation of Sentinel-1 observation learning from NEXRAD collocations with Convolution Neural Networks},
author = {Aurélien Colin and Pierre Tandeo and Charles Peureux and Romain Husson and Nicolas Longépé and Ronan Fablet},
journal= {arXiv preprint arXiv:2207.07333},
year = {2023}
}
备注
15 pages, 12 figures