基于双重聚合Transformer的气象图像研究.pdf

摘要

气候变化对全球各地都具有多方面、多层次、多尺度的影响，其中负面影响备受

关注。为了实现气象领域内的精细化预报的目标，科学家们选择采用了降尺度技术。

然而，现存的统计降尺度的精确性和可靠性都有所欠缺，且模型结果不能简单地迁移

到其他地区。传统的空间降尺度方法需要高分辨率的观察数据，因此在观察数据稀缺

的贫困偏远地区难以实施，然而这些地区通常承受着气候变化的严重冲击。随着深度

学习技术的持续进步，计算机视觉在多项任务中均取得了显著突破。在图像处理领域，

存在一个与数值降尺度相类似的分支，即图像超分辨领域。两者核心目标均在于利用

低分辨率的数值或图像信息，通过特定的算法和技术，生成高分辨率的数据或图像，

以满足实际应用中对数据精度的需求。于是研究人员将图像超分辨方法应用到气象领

域，用来对气象数据进行降尺度，进而实现降水精细化预报。

Transformer最近在低级视觉任务中获得了相当大的普及，包括图像超分辨率

(Super-Resolution)领域。这些算法网络利用沿不同空间或通道的自我注意，并取得了

令人印象深刻的性能。这启发我们将Transformer中的两个维度结合起来，用于气象领

域以获得重建雷达降雨图的全局和真实细节的能力。面对气象雷达图像成像过程存在

噪声污染以及降尺度生成图像后边缘模糊的现状，本文将组合轻量型CNN和

Transformer模块形成新的超分辨率算法MC-DAT。MC-DAT模型是以DAT模型为基

础，在模型特征提取阶段引入高频提取模块，更好的利用雷达图像内的多维雷达变量

融合后的高频粒子信息，接着以双重聚合Transformer模块（DATB）以块间和块内双

重方式跨空间和通道维度聚合特征，在连续的Transformer块中交替应用空间和通道自

注意力，使MC-DAT能够捕获全局上下文并实现块间特征聚合，更好的利用雷达图像

内信息的相关性，增强算法提取全局目标特征的能力。

本文在NJU-COL数据集上进行多种超分辨率算法对比来实现气象数据的空间降

尺度，经过严格的实验验证，本文所提出的模型在准确性方面相较于已有方法展现出

了显著的优势，并且在各项测评指标中取得了大幅度的提升。MC-DAT超分辨率算法

在边缘区域和较暗区域均展现出优异的重建性能，这充分证明了该算法在捕捉和表示

图像丰富特征方面的有效性。因此，MC-DAT算法特别适用于重建那些包含复杂纹理

和边缘细节的雷达降雨图，能够显著提升图像的质量和可读性。

关键词：天气雷达数据；深度学习；图像超分辨率；Transformer；空间降尺度

Abstract

Climatechangehasdiverse,multi-level,andmulti-scaleimpactsworldwide,with

particularattentiononthenegativeeffects.Inordertoachievethegoalofrefined

forecastinginthemeteorologicalfield,scientistshaveoptedtoutilizedownscaling

techniques.However,theaccuracyandreliabilityofexistingstatisticaldownscaling

methodsarelacking,andmodelresultscannotsimplybetransferredtootherregions.

Traditionalspatialdownscalingmethodsrequirehigh-resolutionobservationaldata,making

implementationchallenginginimpove