Page 103 - 《武汉大学学报（信息科学版）》2025年第10期

2038 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 10 月

细化的降雨分布 ［25］ 。现阶段，GPM-IMERG 数据 像质量修复两个部分。首先对输入端的低分辨
已经被广泛应用于降水研究 ［26-27］ 。IMERG 中包 率图像进行预处理，采用双三次插值的方法放大
含 Early Run、Late Run、Final Run 3 类降水产品。 图像尺寸，再通过 3 层卷积层提取特征信息，训练
本文选用 Final Run 降水产品，从 GES DISC 官方 得到低分辨率和高分辨图像之间的非线性映射
网站下载 V06B 日降水数据。 关系，完成高分辨率图像的重建工作。
4）ERA5 再分析数据集。ERA5 数据集是欧 随着文献［32］提出 GAN 的概念，基于 GAN
洲中期数值预报中心（European Centre for Medium-
的超分辨率重建就有了广泛的研究应用。GAN
Range Weather Forecasts， ECMWF）最新一代的
模型包括生成器和判别器两个部分，如图 2 和图 3
再分析数据集，其空间分辨率为 0.25°×0.25°，时
所示。生成器 G 用来重建高分辨率图像，并将生
间范围从 1950 年 1 月至今。ERA5 降水再分析数
成的高分辨率图像输入判别器 D 中，与真实的高
据采用 4VDAR 系统，利用同化系统对降水数据
分辨率图像进行判别比较，不断迭代优化至判别
进行同化分析处理，获得更加精准的降水再分析
器 无 法 辨 别 真 伪 ，即 完 成 高 分 辨 率 图 像 的 重
数据集 ［28］ 。本文采用 ECMWF 官网提供的日降
建 ［33］ 。生成器主要由 6 个组织结构相同的残差单
水再分析数据集计算器，获得中国大陆的 ERA5
元组成，每个残差单元都包含卷积层（两个）、激
日降水数据。
活层（两个）和残差连接层（1 个）。前 3 个残差单
5）NDVI。 本 文 采 用 的 NDVI 数 据 来 自
元采用 ReLU 函数作为激活函数，后 3 个残差单
LAADS DAAC 官网提供的 MOD13A3 产品，在
元采用 LeakyReLU 函数作为激活函数。此外，生
ArcGIS 中去除异常值，乘以 0.000 1 后得出－1~
1 之间的 NDVI 值，并分别重采样为 0.1°和 0.05°， 成器还包含两个卷积层、一个全连接层、一个上
将其作为 RF 模型对 IMERG 日降水数据降尺度 采样层（双线性插值）和一个激活层（Sigmoid 函
时的影响因子。 数）。 在 本 文 中 ，所 有 卷 积 层 的 卷 积 核 大 小 为
3×3，步 长 为 1，低 分 辨 率 端 输 入 图 像 尺 寸 为
2 研究方法 64×64 像 素 ，高 分 辨 率 端 输 出 图 像 尺 寸 为
128×128 像素。
2.1 图像超分辨率重建 判别器主要包括 12 个残差结构，每个残差单

2.1.1 GAN 元都包含两个卷积层、两个激活层（激活函数为
图像超分辨率重建是计算机图像视觉领域 LeakyReLU 函数）和一个残差连接层。除了全连
的一个经典问题，旨在利用已有的低分辨率图像 接 层 外 ，判 别 器 还 包 括 全 局 平 均 池 化 层（global
重建所需的高分辨率图像 ［29-30］ 。文献［31］首次将 average pooling，GAP）和 紧 密 连 接 层（dense

卷积神经网络应用到超分辨率重建中，提出超分 block，DB）各两个。卷积层的卷积核尺寸（K）、步
辨率卷积神经网络模型，主要分为图像放大和图 长（s）和特征图维数（n）等参数设置如图 3 所示。

图 2 生成器架构
Fig. 2 Architecture of the Generator
2.1.2 CMPA 降水样本集的构建 分辨率端选用 64×64 的窗口，步长设置为 32；在
本文基于中国大陆 2018—2019 年的 CMPA 0.05°的高分辨率端选用 128×128 的窗口，步长设
日降水数据构建样本集，制作流程如下： 置为 64。低分辨率端和高分辨率端一一对应。
1）通过窗口遍历制作初始切片。在 0.1°的低 2）样本质量筛选。若样本的无降水数据过