基于注意力反向投影网络的天气雷达回波超分辨率重建算法.pdf

un.2023METEOROSCIENCEANDTECHNOLOGY2023年6 月319第51卷第3期Vol.51,No.3象技科基于注意力反向投影网络的天气雷达回波超分辨率重建算法余秋1.2曾强宇1,2*张福贵1，2王皓1.2史朝1.2李浩然1，2（1成都信息工程大学电子工程学院，成都6 10 2 2 5；2 大气探测重点开放实验室，成都6 10 2 2 5）摘要高高分辨率的天气雷达数据能揭示探测天气目标的精细结构，对灾害性天气分析和预报预警至关重要。提高天气雷达反射率数据分辨率可以提升现有业务天气雷达对中小尺度强对流灾害性天气的监测和预警能力。本文在不改变雷达硬件的情况下，提出了基于注意力反向投影网络（AttentionBack-ProjectionNetwork，A BPN）的天气雷达回波超分辨率重建算法用于提高雷达反射率数据分辨率。ABPN通过在深度反向投影网络（DeepBack-ProjectionNetwork，D BPN)中加人长短跳跃连接和通道注意力机制，对关键区域精细化重建结构特征。通过对实际天气过程超分辨率重建测试，结果表明，ABPN算法在雷达回波重建质量和主观视觉评估上有明显的优势，特别是在回波细节和天气雷达的边缘结构特征方面。关键词同天气雷达；神经网络；超分辨率；反向投影网络；注意力机制中图分类号：P412D0I:10.19517/j.1671-6345.20220370文献标识码：A引言多普勒天气雷达利用云、雨等散射体中粒子与雷达之间的相对运动形成的多普勒效应进行探测，是分析中、小尺度天气系统和预警强对流天气的重要探测工具1-2 。雷达分辨率越高，探测到气象目标结构越精细，越有可能在灾害性天气过程的早期阶段进行预警，提高天气雷达的分辨率对灾害性天气过程精细化探测和预警预报至关重要。提高天气雷达距离和方位分辨率可以增大天线尺寸、减小脉冲宽度3 和脉冲压缩技术方式4-5 等，但基于硬件提高雷达分辨率的方法受到时间、成本和改造难度等因素制约，难以应用于气象业务中。近年来有学者从信号和数据处理角度，在不改变雷达硬件条件的基础上，通过超分辨率算法使天气雷达的基数据或者二次产品数据分辨率提高。Ruzanski等6 利用改进插值法对天气雷达数据进行加窗，保留了重要的回波结构特征。插值法计算简单，但重建过程中没有增加信息量，分辨率提升有限。何建新等7 利用改进的迭代投影算法（Itera-tiveBack-Projection，I BP）应用于天气雷达回波超分辩率重建，该算法以相邻体扫时间上的先验信息进行约束，获得重建的高分辨率雷达回波。与插值法相比，基于重建的方法明显改善了雷达回波的边缘和细节。但基于重建的方法随着分辨率提升倍数增大，重建效果下降较大。随着机器学习算法的发展，基于浅层学习的方法开始用于提高雷达回波数据分辨率。Zhang等8 和Yuan等9 分别在稀疏表示算法中加入了不同的正则化约束来提高雷达基数据的分辨率，重建雷达回波在数据质量和细节重建上较传统算法性能有较大的提升。Zhang等10 提出了全变差（Total Variation）-稀疏（TV-Sparse)算法，有效地提高了角度分辨率并保留了重要目标的轮廓特征，但这种方法需要多次迭代才能得到最优解，运算量大，其鲁棒性和稳定性难以保证。随着卷积神经网络（Convolutional Neural Net-works，C NN)近年来的快速发展，CNN在医学成像1-12 、遥感13-14、农业15-16 等领域的应用越来越广泛。CNN在图像超分辨率重建算法方面也取得了较大的进展17-2 1，并开始应用于雷达回波数据超http:/气象科技国家自然科学基金项目（U20B2061)和四川省科技厅重点项目（2 0 2 2 YFS0541）资助作者简介：余秋，女，1996 年生，硕士，主要从事雷达信号与信息处理研究，Email：32 0 0 30 10 0 1 s t u.c u i t.e d u.c n收稿日期：2 0 2 2 年9月6 日；定稿日期：2 0 2 3年2 月2 0 日*通信作者，Email:320第51卷象技科分辨率重建。Cho等2 2 将MUSIC算法的结果输入到鉴别器中的生成对抗网络（GenerativeAdversari-alNetworks，G A N)，解决了生成器试图产生逼真的结果阻止鉴别器产生可靠结果的问题，并生成了逼真的雷达数据以增强雷达的方位分辨率。Chen等2 3 利用GAN重建天气雷达回波图像，试验结果表明GAN能够生成比基于迭代算法更好的重建图像。Yuan等2 4 提出了一种非局部残差网络（Non-Local ResidualNetwork，NLR N)，利用雷达图像生成训练数据集，融合了天气雷达图像局部与非局部信息，提高了重建的雷达回波图像的分辨率。上述使用CNN提高雷达分辨率的方法是将雷达基数据绘制成PPI图，使用图像处理方法进行超分辨率重建。雷达基数据在转换为PPI图像过程中需要量化，导致数据丢失一部分信息，PPI雷达图像较雷达基数据已丢失了部分信息，这使得基于雷达图像的超分辨率重建算法较基于雷达基数据的超分辨率重建算法的重建效果有明显差距，并且基于PPI图的雷达基数据由于量化导致数据精度损失也限制了其在气象过程定量分析中的应用，为了解决神经网络利用雷达图像作为输人导致数据精度损失的问题，首先，本文使用雷达基数据来进行超分辨率重建。其次，为了重建雷达回波精细化结构特征，在深度反投影网络(DeepBack-Projec-tionNetwork，D BPN)2 5 中引人通道注意力机制，通过迭代上下采样充分挖掘低分辨率雷达回波与高分辨率雷达回波之间的相互关系，从而更好地恢复了细节特征。再次，通过添加通道注意力机制，提高雷达回波的边缘信息等高频特征的精细化重建。最后，引人了长跳跃连接和长短跳跃连接，防止网络过深导致模型出现梯度消失或梯度爆炸。本文的组织结构如下。第1节介绍了天气雷达退化和重建模型。第2 节讨论了ABPN的网络结构。第3节对试验结果进行了定性和定量的分析。第4节对本文进行总结和展望。1天气雷达退化和重建模型天气雷达探测过程中，雷达分辨率受到波束展宽、接收机偏移、噪声等因素的影响，导致分辨率降低。通过建立雷达回波低分辨率观察模型来模拟高分辨率雷达回波和低分辨率雷达回波之间的关系，也可以称为退化模型（图1）。低分辨率观察模型噪声(n)高分辨率雷达回波点扩散函数下彩样1低分辨率雷达回波h()d(.)(g)插值/重建/学习算法1111111重建模型图1天气雷达退化和超分辨辩率重建模型对于低分辨率观测模型，有很多的因素（如天线波束在远距离处的展宽以及接收机产生的模糊等）会导致雷达回波的退化。对于任意的，在数学上可用一个送加积分来描述。g(1,y)=f(g,n)h(s,y,s,n)dgdn+n(s,y)(1)其中，f（，y）表示原始雷达回波，即高分辨率雷达回波，h(，y)表示系统的点扩散函数；g（,y）表示退化回波，即低分辨率雷达回波，n（，y）表示加性噪声。然而在天气雷达回波实际获取过程中，雷达系统的成像模型进行了数字化处理，因此获取的退化回波为离散函数。假设采样为理想采样，则有g(ni,n2)=d(n1,n2)f(g,n)h(r,y,S,n)dgdn+n(n1,n2)(2)其中,d(n,n2）表示离散抽样函数，n（n i，n 2）表示噪声，n1，n 2 为整数。离散抽样函数d（n i，n 2）可表示为+80+80d(ni,n2)=d(-n A,y-n2 2)n1on.80(3)1，当m,n=08(m,n)=(4)0，其他其中，和分别为方向和方向上的采样间隔。考虑到雷达基数据的大小为NXN2，式（2)可变为321余秋等：基于注意力反向投影网络的天气雷达回波超分辨率重建算法第3 期NNg(ni n2)=Zf(i,j)h(i,j,n n2)+n(n n2)=1j-1(5)写成离散卷积形式为g(n n2)=f(nn2)*h(nn2)JxN,+n(n,n2)(6)对于上述退化过程可表示为矩阵形式，此时天气雷达退化模型为g=Af+n(7)其中，g表示低分辨率雷达回波，f表示高分辨率雷达回波，n表示噪声，A表示点扩散函数和下采样的退化矩阵。对于重建模型，可以使用基于插值6 、重建7 和学习的方法。基于学习的方法分为浅层学习和深度学习，浅层学习以稀疏表示法8-10 1为代表，通过构建超参数与观测信号和稀疏向量之间的函数关系，重建雷达回波。如式（8）：f=argmin2(f),llg一Af(8)其中，2（f）=p，E（,1)，表示为l或者范数。表示噪声强度或稀疏表示误差，表示重建的雷达回波。稀疏表示法在求解过程中可能会导致非适应性。CNN因其结构具有高度的并行性和无迭代特点，且在重建回波特征方面优于稀疏表示法2 3,因此本文的重建模型选用CNN结构。基于CNN的超分辨率重建整体框架主要通过训练低分辨率雷达回波和高分辨率雷达回波之间的映射关系来实现重建步骤，再基于这种映射关系对低分辨率雷达回波进行重建，达到提高雷达反射率数据分辨率的目的。其操作步骤的流程图如图2 所示雷达反射率数据训练学习重建模型低分辨率雷达回波高分辨率雷达回波(ABPN)图2基于学习的超分辨率重建流程2注意力反向投影网络2.1网络超分辨率重建整体流程在训练过程，首先对雷达反射率数据进行数据预处理，部分数据块中有些包含较多无效信息，在存为数据集之前删除这个块的数据，然后进行相关参数设置和搭建网络模型，准备相关训练数据作为网络的输入与输出（其中输出为原始高分辨率雷达回波，输人为对其退化过程处理后的模拟低分辨率雷达回波），通过训练学习网络的权重得到重建模型。最后通过训练好的重建模型对低分辨率雷达回波进行测试，检验是否能够在视觉评估和客观评价指标上有一个较好的效果，从而验证算法的有效性（图3）。开始数据预处理对Nan值的处理参数设置搭建网络模型加载重建模型判断Nan值的数量准备训练数据是否大于总数量载入测试集（模拟低分辩率雷达回波输的一半入及高分辩雷达回波输出）计算PSNR,SSIM指否是标文删除这个块存为数据集的数据定义损失函数结束开始训练重建模型保存图3ABPN重建流程2.2ABPN网络重建模型ABPN网络结构有3个部分：初始特征提取、反向投影阶段和重建。I和I分别代表低分辨率雷达回波和重建的高分辨率雷达回波，其各自维度大小为MXN和MXN,其中MM,N,如图4所示，其中C表示将H,H，,H进行拼接，构建高分辨率回波特征。反射投影阶段初始特征提取重建3X31X13X3卷积卷积卷积H,H2H,图4网络的整体框架初始特征提取：初始的低分率回波特征LERMxNxo是由低分辨率雷达回波I通过conv(3，n o）操作得到的，然后通过conv(1，n R）将维度从no转变为nR，达到降维的目的，其中conv(，v）表示一个卷积核尺寸大小为，卷积核数量为的卷积层，n。表示初始特征提取阶段卷积核的个数，nr表示每个投影单元使用的卷积核的个数。反向投影阶段：包括上投影单元和下投影单元，322第51卷象技科用于构建低分辨率雷达回波特征LERMxvxR和高分辨率雷达回波特征HERMxvxR重建：高分辨率雷达回波I经过两个步骤得到：首先将每个上投影单元得到的特征H，H，H进行拼接；然后通过卷积操作重建高分辨率雷达回波。2.3反向投影阶段ABPN网络的模型结构是通过跳跃连接在DBPN的框架中添加通道注意机制构成。DBPN的反向投影阶段通过上下投影单元产生的送代误差，学习低分辨率雷达回波与高分辨率雷达回波特征的相互关系，重建高分辨率雷达回波；添加跳跃连接的方式促进了深层网络的收敛，加快了网络学习的过程；添加通道注意力机制，网络对不同通道的特征的相关性进行建模，把重要的特征进行强化以此重建出更加精细的回波特征。DrozdzalE26指出在网络中加入长跳跃连接，能够为网络中浅层的梯度流提供捷径，但不能缓解深层网络的梯度消失问题；将短跳跃连接应用于长跳跃连接网络中，可以训练更深的网络，更好地促进信息的流动。本文在DBPN的框架上使用长跳跃连接和在网络末端添加通道注意力机制(Channel Attention Mechanism,CAM)构成 ABPN-L网络结构；基于ABPN-L网络结构，在网络中间和网络末端使用短跳跃连接和CAM以及使用长跳跃连接构成ABPN-L-S网络结构（图5）。(a)七投影单元下投影单元上投彤单元下教影单元下授影单元上投影单元CAMCHH2H1H.(b)上投影单元下教彩单元上投影单元下投影单元下投影单元上投影单元CAMCAMCHH2HH.1H图5ABPN的反向投影阶段：（a）A BPN-L的反向投影阶段，（b）A BPN-L-S的反向投影阶段2.3.1上下投影单元上下投影单元通过相互连接的上下采样层来学习低分辨率回波（Low Resolution echo，LR）和高分辨率回波（High Resolutionecho，H R）的非线性相互关系，上采样层生成HR回波特征，下采样层再将HR回波特征映射到LR空间，保留了更多的HR回波成分。通过将上下投影误差反馈给采样层，实现网络的自我校正，以获得更好的重建结果，如图6 所示。其中卷积层后面添加PReLU（Pa r a-metric Rectified LinearUnit）激活函数为神经网络引人了非线性的能力。上投影单元H卷积HHH PReLU反卷积下投影单元H相减相加图6上下投影单元在上投影单元中，雷达回波H由第1个上采样层生成的回波H。和第2 个上采样层生成的回波Hi之和组成第1个上采样层生成的回波如式（9）所示：Ho=Fde(L-l)个s(9)第2 个上采样层生成的回波如式（10）所示：Hi=Fde(el)个s(10)其中，Fdee代表去卷积算子，个代表缩放系数s的上采样算子；输人的LR雷达回波L-1和下采样层生成的回波L之间的残差（差值）是el，下采样层生成的回波如式（11）所示：Lo=Fcov(Ho)Vs(11)其中，Fco代表卷积算子，代表具有缩放系数s的下采样算子。下投影单元结构与上投影单元结构类似，不同的是下投影单元将HR雷达回波H映射为LR雷达回波L2.3.2CAM注意力模块的优点是便于集成到网络结构中，以低成本提高网络性能L27，使LR雷达回波的低频和高频成分在信道之间有不同的注意力，从而重建323余秋等：基于注意力反向投影网络的天气雷达回波超分辨率重建算法第3 期的HR雷达回波能够达到更加精细化的结构。其中GP代表全局平均池化的操作，r是一个超参数，可以根据需要改变CAM块的计算成本，如图7所示。GPFCReLUFCSigmoid11xc1x1xc/r11c/r11c1x1xc(HxWxC)(HxWxC)图7通道注意力机制=i，i 2，i 是通道注意力机制的输入，共有c个大小为HW的特征图（featuremap），通过对输人的空间维度HXW进行压缩，得到通道统计量ZER1X1x，第c个元素的。值如式（12）所示。HW1Z=Fcp(i)=22i(i,j)(12)HXW=1j=1其中i（i，j）表示第c个元素在位置（i,j）处的值，与图像不同的是，H和W的含义分别是径向和距离库，Fcp代表全局池化函数。为了降低模型的复杂性，提高泛化能力，采用了包含两个全连接层（Fu l l y Co n n e c t i o n，FC)的结构，第1个FC层起到降维作用，第2 个FC层则恢复了原有维度。如文献2 7 所述，在第1个FC层后加人ReLU函数2 8 ，在第2 个FC层后加人Sigmoid激活，可以更好地适应通道之间复杂的相关性，学习各通道之间的非互关系。最终获得通道统计量S，如式（13）所示：S=f(wsh(wrZ)(13)其中ws和WR是待训练的权重参数，f（）和h（）分别代表Sigmoid激活函数和ReLU函数。通道注意力机制的输出I=i，由通道统计量S对输人I进行重新缩放得到，以输出的第c个特征图为例，如（式）14所示，i=s.ic(14)其中s。和i。ER H x W 分别代表第c个通道的统计量和特征图(feature map)。3试验结果3.1数据集本文使用的是CINRAD-SA雷达的反射率数据产品。为了增加数据集的多样性和验证算法在中尺度天气和小尺度极端天气过程的有效性，训练数据采用2 0 11年8 月，2 0 15年5月和6 月的华南强降水观测试验数据，以及2 0 11年7 月、2 0 13年8月、2 0 15年7 月和2 0 17 年7 月的江苏省中小尺度强对流观测试验数据。如图8 所示，选取第1层反射率仰角（0.5)作为原始数据集，以步长为2，维度大小为32 32（径向距离库）的窗口依次向右滑动，直至窗口向右遍历完毕，然后窗口下移2 步，重复之前向右滑动的步骤，直至窗口滑动到最后位置。这些32 X32的数据块构建成新的数据集作为低分辨率雷达回波的输人，部分数据块中有些包含较多无效信息，这些数据块在形成训练集时将被丢弃。距离库窗11窗113窗口2窗口41径向窗口大小移动步长图8滑动窗口3.2参数设置在训练阶段，HR雷达回波块的大小为32 X32；LR 雷达回波块随缩放系数的变化而变化。对于降晰倍数2,LR雷达回波块的大小是16 X16；对于降晰倍数X4，LR 雷达回波块的大小是8 X8。损失函数选择的是L1损失函数。该损失函数的定义表示如下：n1L(0)=(15)ni=1其中代表高分辨率雷达回波，I代表重建的雷达回波，训练所选取的样本数为n，为待训练的网络参数。在网络参数设置上，特征提取中的卷积核大小为3X3，激活函数选择PReLU（Pa r a m e t r icRectifiedLinearUnit)29。在投影单元中，滤波器的大小与降晰系数相对应；对于降晰倍数2，我们使用内核为6 6，步长为2,填充大小为2；对于降晰倍数4，我们使用内核为8 8，步长为4，填充大小为2。对于内核为8 8，它会减慢收敛速度，对收敛结果有影响30 1，但上下投影单元建立了HR和324第51卷象技科LR雷达回波之间的联系，使网络具有更大的接受视野，提升了网络的性能。每个网络模型都是在PyTorchE311（1.4.0 版本）和Python(3.8版本）上建立的，训练模型使用了TeslaP40GPU。3.3结果分析为了验证本算法的有效性，试验结果将从以下几个方面进行分析：主观视觉效果和客观评价指标3.3.1主观视觉效果为了验证ABPN在中小尺度天气系统的性能，我们的测试数据选择2 0 16 年6 月5日0 5：54在广东河源观测的降水数据和2 0 16 年6 月2 3日0 6：31在江苏徐州观测的龙卷风数据作为个例分析。HR雷达回波如图9所示。LR雷达回波是通过特定的缩放系数对HR雷达回波进行下采样，PSF函数和加噪而产生的。将LR回波作为超分辨率重建的输人，通过使用插值/重建/学习的方法得到高分辨率回波。反射率/dBz反射率/dBz7070200(a)200(b)6060505010010040Y/400300302020-100-100101000-200-20010-10-200-1000100200-200-1000100200距离/km距离/km图9原始高分辨率雷达数据：（a）2 0 16 年6 月5日0 5：54在广东河源观测的降水过程，（b）2 0 16 年6 月2 3日0 6：31在江苏徐州观测的龙卷风对于降水过程，如图10 所示，与原始雷达回波相比，双线性插值方法使回波变得平滑，导致回波的边缘细节丢失。IBP方法在一定程度上保留了一些高频信息，但分辨率提升效果不明显。基于深度学习的方法重建效果在缩放系数2，缩放系数4上优于传统重建方法。特别是在缩放系数为X4时，基于深度学习的方法在强回波区域能够恢复出更多精细化的结构特征，与SRCNN,DBPN相比，ABPN利用通道之间的相关性来增加强回波区域的特征，使重建的回波结构更加精细。与原始雷达回波相比，ABPN仍然在回波结构上存在一些差异，但能够大致恢复出强回波区域的纹理特征，并有效突出强回波的位置，能够尽可能多地恢复出强回波区域的详细信息，这对于强降水天气的研究和预报十分有意义。龙卷是在不稳定天气条件下产生的小尺度的对流涡旋，周期短，灾害性大。龙卷涡旋特征可以作为实时的龙卷预警信号，位于钩状回波的末端，如图11黑框所示，通常在PPI图上表现为强反射率特点，强度大于45dBz。但由于CINRAD-SA雷达分辨率的限制，有时无法有效观测到龙卷的生消过程。因此通过尽可能多地恢复重建钩状回波和涡旋特征的详细信息，有助于龙卷灾害性天气的监测和预警。与原始回波相比，对于强回波区域，基于深度学习的方法优于传统重建算法。在缩放系数2 和缩放系数4下，虽然所有方法都未能恢复钩状回波的详细结构，但ABPN能够恢复更多的细节特征，这对于龙卷风预测和预警具有重要意义3.3.2评价指标分析选择R平方值来评估模型的精确性，其值介于01之间，越接近1，模型越精确，回归拟合效果越好。由于10 dBz以下的反射率数据个数较少，并且对天气现象影响较小，本文重点关注10 dBz以上的反射率数据对比。如图12、13所示，采用不同的重建方法获得的估计值与真实值进行比较，根据散点分布画出拟合曲线，在弱回波区域（10 30 dBz），325余秋等：基于注意力反向投影网络的天气雷达回波超分辨率重建算法第3 期ABPN的散点几乎分布在对角线附近，相对于其他算法，能够更好地拟合曲线；在强回波区（40 6 0 dBz），ABPN拥有比其他算法更加优异的重建性能，大部分散点分布在对角线附近，展现出更好的性能。且对于不同缩放系数同一尺度天气系统下，ABPN-L-S的R平方值均高于其他算法，这表明ABPN模型在弱回波和中强回波区域均展现出更好的性能，回归拟合效果更好。HRLRBilinearIBPa20dBz700-2060-40-6050-80-10040-120SRCNNDBPNABPN-LABPN-L-S3020020-20/-4010-60-800-100-12010-200-150-100-200-150-100-200-150-100-200-150-100距离/km距离/km距离/km距离/km(b)HRLRBilinearIBP20dBz700-2060/-40-6050-80-10040-120SRCNNDBPNABPN-LABPN-L-S3020020-20/-4010-60-800-100-120-10-200-150-100-200-150-100-200-150-100-200-150-100距离/km距离/km距离/km距离/km图10降水过程数据超分辨率重建结果的主观视觉效果各方法对比：（a)缩放系数2，（b)缩放系数4326第51卷象技科(aHRLRBilinearIBPdBz1207010060806050404020SRCNNDBPNABPN-LABPN-L-S301201002080106004020-10-80-60-40-20-80-60-40-20-80-60-40-20-80-60-40-20距离/km距离/km距离/km距离/km(b)HRLRBilinearIBPdBz1207010060806050404020SRCNNDBPNABPN-LABPN-L-S3012010020/80106004020-10-80-60-40-20-80-60-40-20-80-60-40-20-80-60-40-20距离/km距离/km距离/km距离/km图11龙卷风数据超分辨率重建结果的主观视觉效果各方法对比：（a)缩放系数2，（b)缩放系数X4选择峰值信噪比（PSNR）和结构相似度指数（SSIM)32 分别验证雷达回波的重建性能和与原始回波分辨率的相似度，PSNR值越高，表示算法的重建性能越好。SSIM的范围在0 1,SSIM值越高，表示重建回波与原始回波在结构上越接近。如表1所示，结果表明，基于ABPN的PSNR和SSIM值要高于其他算法，尤其是ABPN-L-S。对于缩放系数X2，A BPN-L-S的PSNR值比DBPN在中小尺度327余秋等：基于注意力反向投影网络的天气雷达回波超分辨率重建算法第3 期天气系统上PSNR值分别高0.41dB和0.48 dB；对于缩放系数X4，A BPN-L-S的PSNR值比DBPN在中小尺度天气系统上的PSNR值分别高0.1dB和0.13dB。正如Drozdzal等2 6 所讨论的，具有长、短跳跃连接的性能比只有长跳跃连接要好。这个结论也适用于ABPN，即在不同天气系统中同一缩放系数下比较，ABPN-L-S比ABPN-L的重建效果要好。(a)601601601BilinearIBPSRCNN505050R-Square=0.886R-Square=0.911R-Square=0.92634040/40303020202010预测值10预测值10预测值拟合值拟合值拟合值000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz60DBPN60-ABPN-L601ABPN-L-S50R-Square=0.955050JR-Square=0.959450R-Square=0.961240/4040303020202010预测值10预测值10预测值拟合值拟合值拟合值000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz(b)60-60601BilinearIBPSRCNN505050R-Square=0.792R-Square=0.795R-Square=0.83140/4040303020202010预测值10-预测值10预测值拟合值拟合值拟合值000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz601DBPN601ABPN-L601ABPN-L-S50R-Square=0.854501R-Square=0.85950R-Square=0.864P/40/4030303020202010预测值10预测值10预测值拟合值拟合值拟合值000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz图12降水过程数据散点图和拟合曲线各方法对比：（a)缩放系数2，（b)缩放系数4328第51卷象技科(a)606060BilinearIBPSRCNN50-50-50-R-Square=0.949*R-Square=0.960R-Square=0.96940404030303020-202010预测值10预测值10预测值拟合值拟合值拟合值000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz601DBPN60ABPN-L607ABPN-L-S50R-Square=0.98450R-Square=0.98950R-Square=0.992P/4040-4030303020202010预测值10预测值10预测值拟合值拟合值拟合值一000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz(b)60-6060BilinearIBPSRCNN50-50-50R-Square=0.920R-Square=0.946R-Square=0.9544040-403030302020-2010预测值10预测值10预测值拟合值拟合值拟合值000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz601DBPN601ABPN-L60ABPN-L-S50R-Square=0.96150R-Square=0.96850R-Square=0.972P/4040-/4030303020202010+预测值10预测值10预测值拟合值拟合值拟合值000010203040506001020304050600102030405060真实值/dBz真实值/dBz真实值/dBz图13龙卷风数据散点图和拟合曲线各方法对比：（a)缩放系数X2，（b)缩放系数44丝结论本文基于DBPN的网络框架加人长短跳跃连接和通道注意力机制构成ABPN，通过DBPN的反向投影阶段产生的迭代误差来学习低分辨率回波和高分辨率回波的相互关系，恢复了雷达回波细节特征；通过添加通道注意力机制，提高了强回波区域特征的精细化重建。以往基于CNN的重建方法是将329余秋等：基于注意力反向投影网络的天气雷达回波超分辨率重建算法第3 期表1不同天气情况下定量结果对比中尺度天气系统小尺度天气系统方法PSNRSSIMPSNRSSIMBilinearX231.530.848933.770.9136IBPX 232.370.907133.820.9417SRCNNX235.910.946538.020.9689DBPNX236.950.960239.880.9781ABPN-LX237.270.963340.320.9801ABPN-L-SX237.360.964540.360.9809BilinearX429.350.783431.530.8725IBPX429.510.808731.070.8857SRCNNX431.060.869334.260.9214DBPNX431.730.870733.980.9222ABPN-LX431.780.871734.050.9250ABPN-L-SX431.830.872834.110.9261注：表中黑体数字表示效果最佳。雷达基数据转换为PPI图，使用图像处理方法重建雷达回波，这会导致雷达基数据在量化后失去一些重要信息。因此，本文直接对雷达基数据进行超分辨率重建。试验结果表明，ABPN在定量和定性两方面都获得了较好的效果，能够恢复中小尺度强对流天气的回波边缘和细节，这对中小尺度强对流天气的预警具有重要的意义。虽然ABPN在定性和定量分析中表现出良好的性能，但与原始雷达回波相比仍需改进。由于天气变化过程的复杂和多样性，采集的数据集需要进一步优化，通过增加不同天气雷达回波的样本数量，学习更多天气过程的回波数据特征，从而提高天气雷达在不同天气尺度系统下的超分辨率重建效果。致谢：本文是作者在参与国家自然科学基金项目，四川省科技厅重点项目完成的；使用了江苏省CINRAD-SA雷达龙卷资料和广东华南降水资料，在此表示衰心的感谢。参考文献1鲍婷婷，焦圣明，殷笑茹多普勒天气雷达三维可视化分析平台设计与实现J.气象科技，2 0 2 0，48（4）：490-495.2高金兵，张国平，薛冰，等。中国天气雷达基数据模型与CDM集成研究J.气象科技，2 0 2 2，50（1）：37-44.3Zhang G,Yu T Y,Doviak R J.Angular and range interferom-etry to refine weather radar resolution J.Radio science,2005,40(3):1-10.4Mar T T,Mon S S Y.Pulse compression method for radarsignal processing J.International Journal of Science and En-gineeringApplications,2014,3:31-35.5汪章维，陈昊，袁圣，等新一代双偏振天气雷达（CINRAD/SAD）精细化探测技术J气象科技，2 0 2 0，48（3）：331-336.6Ruzanski E,Chandrasekar V.Weather radar data interpola-tion using a kernel-based Lagrangian nowcasting techniqueJJ.IEEE Transactions on Geoscience and Remote Sensing,2014，53(6)：30 7 3-30 8 3.7何建新，任红萍，曾强宇，等.基于IBP的天气雷达超分辨辩率重建算法J.四川大学学报：（自然科学版），2 0 14，51（5）：947-952.8Zhang X,He J,Zeng Q,et al.Weather radar echo super-res-olution reconstruction based on nonlocal self-similarity sparserepresentationJJ.Atmosphere,2019,10(5):254.9Yuan H,Zeng Q,He J.Adaptive regularized sparse represen-tation for weather radar echo super-resolution reconstructionCJ/2021 International Conference on Electronic InformationEngineering and Computer Science（EIECS).Ch a n g c h u n,China,2021:33-38.1o Zhang Q,Zhang Y,Huang Y,et al.TV-sparse super-resolu-tion method for radar forward-looking imaging J.IEEETransactions on Geoscience and Remote Sensing,2020,58(9)：6 534-6 549.11吴洋洋，杨丰，黄靖，等生成对抗网络的血管内超声图像超分辨率重建J.南方医科大学学报，2 0 19，39（1）：8 2-8 7.12刘可文，马圆，熊红霞，等。基于残差通道注意力网络的医学图像超分辨率重建方法J.激光与光电子学进展，2 0 2 0，57(2)：16 1-16 9.13杨昌军，张秀再，张晨，等.基于多尺度特征融合网络的云和云阴影检测试验J.大气科学，2 0 2 1，45（6）：118 7-119 5.14张烨方，刘冰，冯真祯，等.基于遥感影像大数据，卷积神经网络的福建省有效致灾雷电分布模型及应用J。气象科技，2021，49(6)：953-959.15李志鹏，李正国，刘珍环，等基于中分辨TM数据的水稻提取方法对比研究J.中国农业资源与区划，2 0 14，35（1）：2 7-33.16 王慧，张建丰，高泽海，等。BP神经网络在农业水土研究中的应用J.现代农业科技，2 0 2 1，8（8）：134-139.17胡长胜，詹曙，吴从中。基于深度特征学习的图像超分辨率重建J.自动化学报，2 0 17，43（5）：8 14-8 2 1.18 赵小强，宋昭漾多级跳线连接的深度残差网络超分辨率重建.电子与信息学报，2 0 19，41（10）：2 50 1-2 50 8.19郑璐，王保云，杨昆，等。基于深度学习的超分辨率图像重建研究综述J.计算机与数字工程，2 0 2 1，49（4）：8 0 4-8 0 8.20米恒，贾振堂。基于改进生成式对抗网络的图像超分辨率重建J.计算机应用与软件，2 0 2 0，37（9）：139-145.2 1陈蓉，李翠华。非局部多尺度融合的单顿图像超分辨率重建J.厦门大学学报（自然科学版），2 0 2 2，6 1（2）：2 7 8-2 8 7.22 Cho H W,Kim W,Choi S,et al.Guided generative adversari-al network for super resolution of imaging radarCJ/2020,330象第51卷技科17th European Radar Conference(EuRAD).Utrecht,Nether-l