编辑推荐：
降雨降尺度需兼顾空间结构和极端强度，现有方法存在数据不一致、高分辨率数据不足等问题。本文提出空间校正算法与RM-ResNet双分支深度学习模型，通过逆向空间对齐提升模型对低分辨率数据的适应性，并以北京为例验证其有效性和物理合理性，实现了8km卫星数据到1km的高质量降尺度。
李婷辉|尹水清|肖圆圆|佩莱格·纳达夫
中国北京师范大学地理科学学院，地球表面过程与灾害风险治理国家重点实验室（ESPHR），北京100875
摘要
降雨呈现出受大气动力学和热力学因素影响的复杂空间模式。水文灾害评估需要长期、一致的高分辨率（例如，每小时和公里级）降雨数据；然而，大多数地区都缺乏此类数据。深度学习为从低分辨率的可用记录（如遥感数据）中降尺度降雨提供了有效工具。但一个关键挑战是在降尺度强降雨强度的同时正确获取降雨的空间结构。当高分辨率训练数据有限，且高分辨率训练数据与低分辨率目标数据之间的吻合度较低时，这一挑战更加艰巨。为了解决这个问题，我们对训练数据应用了空间校正算法，并定制了一个深度学习模型RM-ResNet，该模型可以同时学习降雨发生的位置及其强度。我们以北京为例进行案例研究，北京夏季经常出现强降雨，自2015年以来拥有1公里分辨率和每小时降雨量的记录。使用空间校正后的训练数据，我们将RM-ResNet中的每小时卫星估计（CMORPH）从8公里分辨率降尺度到1公里分辨率。降尺度结果显示，每小时和每日的极端降雨量与观测结果一致，且降尺度的空间结构得到了很好的捕捉。CMORPH中缺失的风暴中心在降尺度后得到了更真实的表示，并且仍在合理的物理范围内。我们的策略使得使用轻量级深度学习网络进行降雨降尺度成为可能，这些网络可以在任何地方应用。
引言
降雨表现出受多种因素（如热力学、动力学、微物理、局部地形和城市化）影响的复杂时空模式（Gilmore等人，2004年；Gnann等人，2025年；Kunkel等人，2020年；Sugiyama等人，2010年；Torelló-Sentelles等人，2025年；Trenberth等人，2003年；Zhang等人，2021年；Zhou等人，2019年）。降雨强度遵循重尾分布，因此虽然强降雨发生频率较低（Papalexiou等人，2013年），但它可以引发严重的自然灾害，如山洪暴发、泥石流和滑坡（Marra等人，2025年）。然而，不仅极端降雨强度与自然灾害的引发有关，降雨结构也是一个关键因素；例如，更集中的降雨结构（如高度聚集的对流降雨区域）会影响洪水的规模和严重程度（Paschalis等人，2014年；Peleg等人，2020年；Peleg等人，2021年；Zhu等人，2018年；Zoccatelli等人，2011年）。因此，具有精细空间结构的高分辨率二维降雨场（公里级或更细）对于评估极端降雨带来的灾害风险至关重要。降雨驱动的水文过程及其对气候变化的响应也需要高分辨率、长期的降雨记录来提供丰富的样本（Nijssen和Lettenmaier，2004年；Tang等人，2007年）。
现有的降雨数据集很少同时提供高空间分辨率和长期时间覆盖范围。遥感卫星可以提供全球范围内的连续降雨监测，例如IMERG（综合多卫星GPM反演）、CMORPH（气候预测中心MORPHing技术）和PERSIANN（利用人工神经网络从遥感信息估计降水）产品（Huffman等人，2015年；Joyce等人，2004年；Sorooshian等人，2000年）。然而，这些全球数据集的空间分辨率对于局部降雨过程来说相对较粗，通常接近10公里级别。此外，这些全球产品倾向于过度平滑空间降雨结构，包括更宽的湿润区域和相对于观测结果更模糊的风暴中心（Hu和Yuan，2021年；Ma等人，2020a；Ma等人，2020b）。这种偏差会低估极端降雨强度并延长估计的降雨回归水平。一些研究通过插值密集雨量计来生成二维降雨场，但空间模式的表示仍然不足（Ali等人，2021年；Rogelis和Werner，2013年）。天气雷达可以提供高分辨率降雨数据，为局部降雨过程及其相关水文响应提供有意义的信息（Thorndahl等人，2017年）。但在许多地方，只有几年的记录，这不足以捕捉降雨的强烈内部变异性（Li等人，2026年；Zhang等人，2021年）。这样的短期记录只包含有限数量的极端降雨事件，因此难以评估相关风险（Lengfeld等人，2020年）。
统计降尺度方法可以通过建立降雨与辅助变量之间的关系（Ma等人，2020a；Ma等人，2020b）或通过将短期高分辨率数据与长期低分辨率记录相结合（Chen等人，2020年；Peleg等人，2018a；Peleg等人，2018b；Zou等人，2024年）来生成长期、一致的高分辨率降雨数据集。随着近年来深度学习的快速发展，出现了许多计算机科学家所称的“超分辨率”模型，为降雨降尺度提供了有效工具，包括早期的基于CNN的变体（如SRCNN（Dong等人，2015年）和ResNet（He等人，2016年）；基于GAN的模型（如SRGAN（Ledig等人，2017年）；结合通道注意力的RCAN（Zhang等人，2018a；Zhang等人，2018b）；以及增强Transformer注意力的模型（如SwinIR（Liang等人，2021年）；以及基于扩散的方法（如SRDiff（Li等人，2022a；Li等人，2022b））。但是，计算机科学为获得超分辨率的方法（主要是为了更好的可视化）与水文降尺度应用之间的目标有很大差异：典型的图像超分辨率任务关注感知质量，而气候或水文变量需要同时满足物理约束和分布一致性的输出。换句话说，水文学更重视准确的降雨强度和时空结构，而不是视觉清晰度。
使用深度学习降尺度降雨场尤其具有挑战性：与大多数气候变量不同，降雨场同时表现出空间相关的降雨区域和间歇性，特征是大面积的零值区域以及明确的降雨/无降雨边界（Rampal等人，2024年）。这种“不连续的连续性”极大地复杂化了降雨降尺度。例如，一些基于深度学习的研究很好地捕捉了降雨场的空间细节，但以牺牲极端降雨强度的表示为代价（例如，Bhakare等人，2025年；Jiang等人，2021年；Tie等人，2024年）。
降雨强度的重尾分布进一步增加了训练难度，常常导致深度学习模拟中极端值的低估（Wu等人，2020年）。风暴中心或降雨强度高的网格单元只占所有网格单元的一小部分，但却贡献了总降雨量的不成比例的大部分。然而，深度学习模型主要针对大多数常见数据进行训练，包括许多零值网格，因此对具有极端值的少数网格赋予较低的权重（Hu等人，2020年）。为了解决这个问题，可以实施通过不同降雨强度对数据进行分类并给较高强度分配更高权重的方法来改善降雨极值的降尺度（例如，Faijaroenmongkol等人，2023年）。然而，这会降低小降雨和零降雨区域的表示质量。很难平衡强降雨强度和由空间间歇性引起的大面积无降雨区域。此外，降尺度过程中数据源之间的时空不匹配会放大上述问题。为了解决数据空间对齐的问题，可以将高分辨率数据上采样到更粗糙的分辨率用于模型训练（例如，Sha等人，2020年），或者建议使用粗分辨率和高分辨率降雨产品之间的松散配对训练方案而不是严格配对（Glawion等人，2025年）。
核心问题是如何使用深度学习方法准确高效地降尺度降雨强度和降雨的空间结构。一些模型（如GAN）在这方面提供了有希望的结果（Glawion等人，2025年；Harris等人，2022年；Leinonen等人，2020年），但它们在计算资源、运行时间和模型训练所需的数据量方面非常昂贵。另一个问题是，通常用于训练的高分辨率降雨数据（例如来自天气雷达的数据）通常不足够长，而且更重要的是，它不一定与粗分辨率卫星数据吻合良好。因此，我们的目标是设计一种“低成本”的深度学习降雨降尺度方法（强度和结构），适用于计算资源有限的情况（即，避免使用超级计算机或大量处理单元），并且高分辨率降雨数据相对较少。因此，我们追求的不是在性能方面“最佳”的深度学习降尺度方法，而是一种在时间、资源和最终用户知识方面都适用的方法，足以满足水文应用的准确性需求。
为了解决这些关键问题，我们提出了一个空间降雨降尺度框架，该框架整合了两个关键组成部分：（i）空间校正步骤和（ii）RM-ResNet，这是一个为降雨间歇性定制的双分支深度学习降尺度网络。空间校正不是将输入调整得更接近高分辨率目标，而是反向应用，以使上采样的高分辨率数据的空间模式与待降尺度的粗分辨率数据的空间模式对齐。这种设计鼓励降尺度网络在后续训练中学习真实的空间组织。RM-ResNet由一个掩码分支和一个强度分支组成，使其能够同时学习降雨发生的位置及其强度。降尺度结果在多个方面进行了评估，并证明了其在保持物理合理性和细化强降雨空间表示方面的有效性。
研究区域
北京位于华北平原和山地平原的过渡地带，西侧是太行山脉，北侧是燕山山脉，地形从西北向东南倾斜（图3）。北京的降雨量全年不均匀，受温带半湿润大陆性季风气候的影响（Dou等人，2015年）。年降雨量约为600毫米，降雨主要集中在炎热的夏季（Yin等人，2011年）。
讨论
我们开发了一个轻量级的深度学习降尺度框架，专为降雨场设计，能够表示单个网格单元的降雨强度的高分辨率统计信息和降雨场的空间结构。除了提高分辨率外，我们的方法还针对限制标准机器学习超分辨率模型应用于降雨降尺度的两个关键挑战：降雨场的间歇性空间连续性和
结论
我们提出了一种策略，使用机器学习模型在可用的高分辨率训练数据与粗分辨率降雨数据不一致的情况下降尺度降雨，无论是在时间重叠方面还是在关键空间降雨统计方面（如风暴范围和降雨强度的空间分布）。我们建议首先使用上采样和空间校正后的降雨场训练模型，然后将该模型应用于目标
未引用的参考文献
Cao等人，2025年；Fran?ois等人，2020年；Gariano和Guzzetti，2016年；Katz和Brown，1992年；Li等人，2018年；Li等人，2021年；Paguican等人，2009年；Wasko等人，2016年；Zhang等人，2025年。
CRediT作者贡献声明
李婷辉：撰写 – 审稿与编辑，撰写 – 原稿，可视化，方法论，概念化。尹水清：撰写 – 审稿与编辑，资源，项目管理，资金获取。肖圆圆：数据管理。佩莱格·纳达夫：撰写 – 审稿与编辑，调查，正式分析。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划（项目编号：2020YFF0304401）和中国国家重点研发计划（项目编号：2021YFE0113800）的支持。TL感谢中国国家留学基金委员会（CSC项目编号：202406040216）的支持，NP感谢瑞士国家科学基金会（SNSF项目编号：194649，未来城市的降雨与洪水）的支持。我们还要感谢Tom Beucler教授的支持
