GeoGMI：一种基于生成对抗网络的框架，用于从Geo-Kompsat-2A红外观测数据中反演虚拟89 GHz微波亮度温度，以监测热带气旋

《Atmospheric Research》：GeoGMI: A generative adversarial framework for virtual 89?GHz microwave brightness temperature retrieval from geo-kompsat-2A infrared observations for tropical cyclone monitoring

生成虚拟89 GHz Hpol亮度温度以弥补LEO卫星在TC事件中的时间稀缺性，GeoGMI采用cGAN结合优化特征选择与复合损失函数，有效捕捉风暴尺度空间结构，CC达0.647且RMSE为14.429 K，优于传统MLR方法，为近实时TC监测提供连续数据支撑。

　　

Kyung-Hoon Han | Suna Jo | Sungwook Hong

环境与能源系，世宗大学地球与环境研究中心，韩国首尔广津区Neungdong-ro 209号，邮编05006

摘要

本研究提出了一种新的框架GeoGMI，用于生成静止轨道卫星Geo-Kompsat-2A（GK-2A）平台上GPM微波成像仪（GMI）的虚拟89 GHz水平极化亮度温度（TB）数据。该研究旨在利用GK-2A的高时间分辨率，克服热带气旋（TC）事件期间低地球轨道微波（MW）观测的时间稀疏性问题。与传统的统计方法不同，GeoGMI采用条件生成对抗网络（cGAN），结合优化的输入特征选择和复合损失函数，有效学习风暴尺度的空间结构。定量比较显示，所提出的深度学习框架具有明显优势：多元线性回归（MLR）基线的预测能力有限，相关系数（CC）为0.531，均方根误差（RMSE）为15.599 K，而GeoGMI的相关系数达到0.647，RMSE为14.429 K。这些改进表明，GeoGMI更真实地重建了物理意义上的深对流核心，捕捉到了线性模型无法表示的非线性关系。尽管性能有所提升，但细尺度TC结构特征的重建仍不如直接仪器观测的结果准确，这突显了进一步改进以解决亚风暴尺度变异性的必要性。然而，生成的10分钟间隔的虚拟GMI类TB场有效地弥合了GMI过境之间的时间间隙，实现了对TC的连续MW类监测。GeoGMI为仅使用静止轨道卫星观测数据改进TC内部结构的近实时监测提供了一种有前景的方法，从而增强了临近预报能力并降低了与灾害相关的风险。

引言

热带气旋（TC）是最严重的天气系统之一，常伴有强风和暴雨，可能对基础设施造成严重破坏并导致人员伤亡（Emanuel, 2005）。在沿海地区，风暴潮和强风的共同作用显著增加了洪水的风险，因此准确预测TC的发展和路径至关重要（Rappaport et al., 2009）。因此，近实时有效监测TC的结构、强度及相关降水至关重要。然而，地面观测网络在海洋区域的覆盖范围有限，而大多数TC正是在这里形成和增强的。

卫星遥感为TC监测提供了一种可靠且可全球扩展的替代方案。卫星搭载的传感器能够连续、大范围地观测关键大气参数，包括云属性、地表风速和降水强度，从而提高数值天气预报模型的准确性（Qian et al., 2024; Yang and Cossuth, 2016）。特别是被动微波（MW）传感器能够探测大气中自然发射和散射的MW辐射，即使在多云和降水条件下也能进行观测（Kidder and Vonder Haar, 1995; Kwon et al., 2017）。与可见光和红外（IR）传感器不同，MW信号能够穿透深对流云层和强降雨，从而详细观测内核结构，如眼壁和深对流带（Skofronick-Jackson et al., 2018; Yang and Cossuth, 2016）。这些测量支持关键物理变量的定量反演，包括垂直水汽剖面、降雨率和地表风速。因此，MW观测已成为TC结构分析、强度估计和预报系统数据同化的关键组成部分（Bongirwar et al., 2011; Brueske and Velden, 2003; Petty, 1994），对于评估TC的热力学和降水特性尤为宝贵。

然而，大多数MW传感器部署在低地球轨道（LEO）卫星上，这限制了它们的空间和时间覆盖范围。由于轨道限制，LEO卫星通常每天只访问一个或两个地点一次，无法实时捕捉TC的快速结构演变。相比之下，静止轨道（GEO）卫星能够对固定区域进行连续观测，并具有高时间分辨率，从而实现更频繁的监测。然而，GEO平台通常配备的是可见光和IR传感器，虽然这些传感器对云顶温度和水汽含量等大气属性敏感（Costa et al., 2007; Emery et al., 2001），但主要捕捉上层云层的信息。因此，GEO卫星在解析深对流特征方面的能力有限，而这些特征对于描述TC动态至关重要（Kidder and Vonder Haar, 1995）。鉴于IR和MW观测的互补性，将它们结合起来可以为重建TC结构提供高时间保真度和垂直灵敏度的途径。特别是，GEO IR数据由于其频繁的时间采样，已成为基于深度学习的模型中提高TC监测连续性和真实性的宝贵输入（Kim et al., 2025; Kim et al., 2023; Zhang et al., 2024）。

最近的研究探索了将IR和MW卫星观测数据结合使用深度学习方法的应用，特别是在TC监测方面（Lee et al., 2020; Nguyen and Kieu, 2024; Wimmers et al., 2019）。这些努力旨在利用GEO IR数据的高时间分辨率和MW测量的物理敏感性。然而，大多数研究集中在预测TC的形成、强度或路径上，对直接重建物理一致的MW亮度温度（TB）场的关注较少（Chen et al., 2020）。值得注意的是，只有少数研究探讨了这一特定的重建任务。Meng et al.（2022）展示了捕捉大尺度降雨分布模式的潜力；然而，他们的基于图像的训练框架更注重视觉相似性而非定量准确性。在相关研究中，Ortiz et al.（2023）采用贝叶斯深度学习方法，为每个预测提供校准的不确定性估计，从而提高了模型的可靠性。尽管这是一个重要的进步，但它仍只是一个概念验证，并且仅限于海洋区域。因此，在多种环境条件下对MW TB场进行定量重建和全面验证仍然是一个重大挑战。

在这项研究中，开发了一种基于条件生成对抗网络（cGAN）的深度学习框架GeoGMI，用于从IR观测数据合成MW TB数据，特别关注西北太平洋地区的TC事件。该框架旨在生成高分辨率的近实时MW类TB场，从而扩展LEO MW观测的时间和空间覆盖范围。

本文的其余部分结构如下：第2节描述了本研究中使用的卫星观测数据和最佳路径数据集。第3节介绍了方法论框架，包括基于物理特征的选择策略和所提出的cGAN模型的架构。第4节全面评估了模型在各种配置下的性能，探讨了输入特征组合和损失函数公式对反演准确性的影响，并以2024年Shanshan TC案例研究为例。最后，第5节总结了主要发现，讨论了现有局限性，并概述了所提出框架在操作性TC监测中的潜在应用。

数据

本研究利用IR和MW传感器的卫星观测数据，构建了用于TC条件下的模型训练的配对输入-目标数据集。最佳路径数据被纳入以准确识别和提取单个TC案例。训练数据集包括发生在西北太平洋盆地（0°–60°N, 100°E–180°E）内的TC事件。图1展示了研究中使用的每个卫星传感器的代表性观测数据。灰度背景代表

训练数据集构建

为了训练所提出的基于cGAN的GeoGMI模型，构建了一个包含IR输入和相应MW TB目标的配对数据集。该数据集涵盖了2019年至2023年间发生在西北太平洋盆地的90个不同的TC案例。鉴于cGAN的像素级对齐要求，实施了几个预处理步骤，以确保GK-2A AMI IR观测数据与GPM GMI传感器的89 GHz H-pol TB测量数据在空间和时间上的一致性。

为了确保

在不同参数配置下评估GeoGMI模型

本节对应用于测试数据集的多种配置下的GeoGMI模型进行了全面评估。评估重点分析了输入通道选择和损失函数设计对反演准确性的影响。此外，还通过2024年Shanshan TC案例研究验证了模型在训练期之外的实际应用能力。

结论与讨论

本研究介绍了GeoGMI，这是一种深度学习框架，旨在利用GK-2A AMI IR观测数据估计TC的GMI MW TB场。该模型采用cGAN架构，结合了基于ResNet的生成器和PatchGAN判别器来学习GMI 89 GHz H-pol TB的空间和热特性。为了提高重建精度，GeoGMI除了标准对抗目标外，还整合了加权L1损失和感知损失。

CRediT作者贡献声明

Kyung-Hoon Han：写作——审稿与编辑，撰写——初稿，可视化，验证，软件，方法论，调查，正式分析，数据整理。Suna Jo：验证，方法论，正式分析。Sungwook Hong：写作——审稿与编辑，撰写——初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，正式分析，概念化。

利益冲突声明

作者声明没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢匿名审稿人的宝贵和建设性建议。

资助：本研究由韩国气象局“AI和数据融合服务平台开发”研究与发展计划（Grant [KMA2021-00122]资助，并得到了现代汽车 Chung Mong-Koo基金会的支持。