人工智能在优化卫星遥感风暴内部潜热三维结构研究中取得新进展

近日，我院风云卫星遥感联合实验室李锐教授课题组在利用人工智能优化反演风暴内部潜热释放率方面取得重要进展，研究成果以“Optimizing Satellite-Based Latent Heating Rate Profiling using a Convolutional Neural Network Heating (CNNH) Algorithm”为题，发表在著名遥感学术期刊IEEE Transactions on Geoscience and Remote Sensing（影响因子7.6）上。我院博后研究员赵宏伟为论文的第一作者，李锐教授为通讯作者，博士研究生杨述评提供了数值模拟数据，国家气象探测中心张鹏研究员、国家卫星气象中心陈林研究员、吴琼高级工程师给予了详细指导。

定量估计降水潜热的三维结构对理解和模拟大气环流、云和降水对气候变化的反馈等至关重要。此前，李锐教授课题组利用全连接神经网络构建反演模型实现降水潜热反演，解决了传统物理方法无法捕捉潜热与降水观测之间复杂的非线性映射关系的问题，取得突破性进展（Zhao et al.,2023）。但在降水潜热反演中，如何考虑水凝物的水平位移和垂直廓线结构对潜热反演的影响依然是亟需探究的问题。

图1. CNNH网络结构图：特征提取模块FE-Module、信息融合模块Fu-Module和回归预测模块Reg-Module。

本研究利用卷积神经网络构建降水潜热反演模型，将降水率和环境温度的水平邻域信息和垂直廓线结构作为先验知识，发展了一种基于卷积神经网络的潜热反演方法（CNNH）。CNNH网络由特征提取模块、信息融合模块和回归预测模块构成，利用WRF模式模拟数据构建训练集和测试集，设计了潜热结构损失结合均方根误差指导模型训练，并利用自适应差分进化获取最佳网络配置，实现降水云内部潜热加热率（K/hr）三维分布的精确反演。

图2. WRF模式模拟降水个例：（a）降水率垂直剖面；（b）-dRr/dz；（c）WRF模拟潜热；（d）CNNH算法反演潜热；（e）FCNH算法反演潜热；（f）VPH算法反演潜热；（g/h）三种方法在A/B降水系统中反演潜热的垂直平均廓线；（i）CNNH/FCNH/VPH算法在降水系统A/ B中反演潜热与WRF模式潜热之间的空间相关系数。

图3. GPM DPR观测降水个例：（a）地表降水率的水平分布；（b）降水率沿直线的垂直截面；（c）CNNH方法反演潜热；（d）FCNH法反演的潜热；（e）VPH法反演的潜热；（f）SLH法反演的潜热；（g）CSH方法反演的潜热。与降水系统A和B相关的潜热平均廓线显示在右栏中。

       在WRF模式模拟数据和GPM DPR实际观测数据上，将CNNH方法和课题组之前发展的人工智能方法FCNH（Zhao et al.,2023）、物理反演方法VPH（Li et al.,2019）、美国NASA的CSH方法、日本JAXA的SLH方法反演结果进行了横向对比。研究表明，CNNH方法不仅通过学习天气数值模型模拟的海量降水-温度-潜热数据学习到降水潜热反演中的非线性映射关系，而且通过引入降水率和温度的水平邻域和垂直廓线结构信息，解决了反演潜热近地表层的冷却高估和冻结层附近的尖峰偏差等，有效提升了降水潜热反演的精度。

图4.水平邻域信息和垂直廓线结构的影响：（a）地表降水率(mm/hr)；（b）降水速率(mm/hr)；（c-g）WRF、CNNH、CNNH-H 、CNNH-V 和FCNH方法反演潜热 (K/hr)；（h-i）五种方法在降水系统A/ B中反演潜热的平均廓线；（j）四种方法反演LH与WRF模式LH之间的空间相关系数。注：CNNH-H方法仅考虑水平邻域信息，CNNH-V方法仅考虑垂直廓线结构信息，FCNH方法不考虑考虑水平邻域和垂直廓线结构信息。

进一步探究水平邻域信息和垂直廓线结构对降水潜热反演的影响，研究结果表明：（1）水平邻域信息和垂直剖面结构信息均可抑制混合层4km以下LH的低估，纠正混合层LH的高估；（2）垂直廓线结构信息比水平邻域信息更能有效缓解近地表LH的低估；（3）水平邻域信息和垂直剖面结构信息的结合进一步提高了LH反演的性能（图4）。

本研究充分考虑了水凝物水平邻域信息和垂直廓线结构对降水潜热的影响，首次采用卷积神经网络方法利用各层降水剖面的详细信息进行卫星遥感降水云团内部潜热的三维结构研究。本研究不仅加深了人们对使用人工智能方法解决大气遥感领域反演问题的理解，也为构建更高效、更准确的反演模型提供了重要依据。

论文链接：https://ieeexplore.ieee.org/abstract/document/10693552

文献引用：

H. Zhao, S. Yang, Q. Wu, L. Chen, P. Zhang and R. Li, Optimizing Satellite-Based Latent Heating Rate Profiling Using a Convolutional Neural Network Heating (CNNH) Algorithm, in IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-15, 2024, Art no. 4110315, doi: 10.1109/TGRS.2024.3466952.