近日，中国科学院空天信息创新研究院姬大彬副研究员与内蒙古师范大学地理科学学院包山虎副教授联合开展研究，提出了一种基于风云四号B星(FY-4B)的实时降水反演新算法：GSPE-DML。该算法提出引入高分辨率再分析数据与实时动态样本平衡方法，提高降水估算精度。
降水是全球水循环的核心环节，也是极端天气预警的关键，不仅影响水资源管理，也直接关系到极端天气的预警能力。尤其在东亚季风区，强对流系统频繁引发突发性强降水，对高精度、实时的降水监测提出了迫切需求。然而，静止气象卫星降水反演长期受限于云顶信息依赖、降水样本严重不平衡等问题。现有降水反演方法面临两大关键挑战：
一是，云下信息缺失。目前主流的静止气象卫星降水反演方法主要依赖云顶温度信息，难以穿透云层获取云下降水结构的直接观测。由于云下大气垂直结构（如低层水汽分布、垂直运动等）是决定地表降水强度的关键物理因素，这一信息缺失从根本上限制了反演精度的进一步提升。
二是，样本严重不平衡。在降水数据中，“无雨”样本远多于“有雨”样本，导致模型在训练过程中多偏向弱降水事件。这一偏差使得模型对强降水事件的识别能力不足，强降水强度往往被系统性低估，严重制约了极端降水预警的可靠性。
对此，研究团队首次引入了空间分辨率高达3km的CMA-BJ v2.0再分析数据，取代了传统方法中常用的25km低分辨率ERA5数据。这一改进的核心作用在于，3km数据能够精细刻画云下大气的垂直结构特征，为降水反演模型提供了更真实、更详尽的物理背景场，从而从基础上显著提升了降水反演精度。
另外，针对降水样本严重不平衡问题，研究团队设计了能够根据历史数据分布自适应调整样本比例的动态平衡机制。该机制的核心作用在于：一方面，通过动态优化不同降水强度样本的配比，有效缓解了模型对弱降水的偏向性，显著提升了对强降水事件的识别能力；另一方面，该机制能够随季节演变和天气系统变化实时调整采样策略，增强了模型在不同气象条件下的适应性和鲁棒性。
研究团队评估了GSPE-DML在不同降水强度下的表现(见表1)：GSPE-DML在所有强度等级中均表现出较低的偏差和最稳定的相关系数；随着降水强度增加，偏差逐渐减小，相关性稳步提升，说明该算法对强降水事件具有良好的捕捉能力。这一趋势充分验证了动态样本平衡机制在缓解类别不平衡问题及增强强降水反演能力方面的有效性。
在2023年超强台风“杜苏芮”登陆过程中，研究团队利用GSPE-DML反演出台风眼墙周围的强降水带、外围螺旋雨带的弱降水结构，与地面雨量计和微波遥感产品(AMSR2-L2)空间分布高度一致。
GSPE-DML在多个季节和极端天气事件中表现优异，实现高精度、实时、动态更新的卫星降水反演结果：
算法整体性能优异。与FY4B-QPE、APCP、GSMAP-NRT等降水数据对比分析发现GSPE-DML在降水区域识别能力、定量精度和时空一致性上具有显著优势，在所有季节均保持较高的HSS评分（0.52-0.62）和较低的误报率，展现出优秀的综合性能。
两大核心创新有效支撑反演精度。一是动态样本平衡机制，通过自动调整训练样本有效缓解了降水样本不平衡问题，显著提升了算法在不同降水条件下的识别与定量能力；二是高分辨率大气再分析数据，其引入使算法能够更精准地捕捉降水的细节变化与强度变化。
在台风等极端天气下表现可靠。GSPE-DML识别的降水区域与地面雨量计及AMSR2-L2的空间分布高度一致，能够更细致地识别弱降水区域并捕捉从弱到强的降水梯度变化。
上述研究成果以“A Geostationary Satellite Precipitation Estimation Machine Learning Model With Dynamic Sample Balancing for Fengyun-4B”为题(IF=8.6, SCI一区)发表于IEEE Transactions on Geoscience and Remote Sensing。赛罕娜为第一作者，空天院副研究员姬大彬与内蒙古师范大学副教授包山虎为共同通讯作者。研究工作得到国家重点研发计划和风云先行计划项目等项目资助。
论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11477833&tag=1
图1 基于CMA-BJ和ERA5大气再分析数据的降水反演性能评估与对比。(a、c)小时尺度；(b、d)日尺度。
图2 2023年7月28日09：00(UTC)杜苏芮台风的降水空间分布比较。(a)GSPE-DML，(B)FY4B-QPE，(c)APCP，(d)GSMAP-NRT，(e)AMSR2-L2，和(f)雨量计
表1 2023年7月4种降水数据在不同降水强度等级下的性能对比(小时尺度)
动态新闻