蒸馏深度光流立体方法以获取密集三维风场

# 通过蒸馏深度光流立体方法重建稠密三维风场  
来源：https://arxiv.org/html/2609.03100  
作者：Dong L. Wu\(美国戈达德太空飞行中心\), James L. Carr\(卡斯特罗航天公司\), Derek J. Posselt\(加州理工学院喷气推进实验室\), Elise Penn\(Zeus AI\), Tristan Ballard\(Zeus AI\), August Posch\(Zeus AI\), Kate Duffy\(Zeus AI\)  

###### 摘要  
地球静止卫星大气运动矢量（AMVs）可提供稠密的水平风矢量\(u,v\)及高度信息，用于数据同化系统。传统AMVs方法通过窗口互相关追踪特征，并利用红外亮温结合数值天气预报（NWP）背景场估算高度，这种循环依赖导致高度估算不准确、计算成本高且反演结果稀疏。GEO-GEO与GEO-LEO立体风方法通过不同视角的视差几何解算高度，消除了NWP依赖并提升了精度，但计算复杂度高且覆盖范围有限。本研究以深度光流替代窗口匹配进行立体匹配，实现高效且改进的反演。微调过程平衡了自监督几何残差损失与有监督的探空重建损失。为消除对多星重叠区域的依赖，我们将立体教师模型蒸馏为单星学生模型，并由学生模型模拟教师模型的卡方值与高度不确定性以实现质量保证。学生模型可在全球GEO全圆盘影像上生成风场。验证环节将立体模型与学生模型同探空观测、业务AMVs、ERA5再分析及EarthCARE云廓线进行对比。三重协方差分析结果表明，在水汽通道（6.2、6.9与7.3μm）上立体风性能优于业务AMVs，而在长波红外（11.2μm）通道性能有所下降。  

## 1 引言  
大气风场作为气象学中观测最稀疏的基本变量，为地球系统动力学和强天气事件提供关键信息。探空原位风观测被广泛视为地面真值，但其分布极为稀疏，全球约2800个陆基站网每天仅释放两个气球且多为公共运营。AMDAR（航空气象数据中继）数据集提供的飞机观测也可获取飞行层风数据，覆盖航空频繁区域。除探空与AMDAR外，机载与地面激光雷达亦能提供风观测，但覆盖十分有限。由于直接观测稀疏，卫星大气运动矢量（AMVs）作为原位风观测的代理变量被广泛用于天气模型输入，对预报精度有重要影响（Holmlund 1998；Velden等 2005）。AMVs通过地球静止（GEO）与低轨（LEO）卫星的连续图像追踪云与水汽特征，并为云特征赋予高度。业务算法采用互相关方法，根据云在连续卫星图像中的移动方向和距离估算亚像素级\(u, v\)分量。该技术以云与水汽的水平运动作为风速风向的代理变量。质量保证滤波通过帧间高相关性筛选，但会剔除大量潜在矢量。该方法在水汽稀薄区域或云特征因非线性动力学改变形状/亮度的区域失效。近期研究引入源自计算机视觉领域的光流技术，实现逐像素特征追踪以生成更高密度的风场（Apke等 2022；Vandal等 2022）。光流技术以更高效的方式提升风矢量密度，成功追踪中尺度特征、热带气旋及其他高影响事件。为融入数据同化系统，风矢量需被赋予气压坐标高度。当前业务系统依赖NWP背景场将云顶亮温映射至对应气压层，但这种依赖导致持续耦合，可能引发长期偏差，被发现对AMV总不确定性的贡献高达70%（Velden与Bedka 2009）。部分研究尝试利用CALIPSO（Folger与Weissmann 2014）及Aeolus卫星（Hoffman等 2022）的激光雷达测量修正高度赋值，但高度赋值仍是生成高精度同化AMVs的关键挑战。  

当前业务AMVs计算成本高昂，采用归一化互相关（NCC）特征追踪且存在高度不确定性。NCC方法通过在第二帧搜索窗口中滑动模板补丁计算两帧间位移以识别相似像对，并为像对相关度设置最小阈值作为有效质量控制。对所有像素应用NCC计算代价通常较高，且计算复杂度随模板与搜索窗口尺寸呈平方增长。因此，融入探空与AMVs的ERA5、MERRA-2等再分析数据集被证实存在不确定的风场，尤其在上对流层，方差可达3-6 ms⁻¹及50°方向偏差（Wu等 2024）。值得注意的是，再分析数据集间的最大差异恰出现在风场最关键区域：深对流区与热带对流层顶（Wu等 2024）。  

**图1系统架构**：跨卫星立体风反演系统以五幅红外（C14波段）影像为输入：卫星A（GOES-16）在t−Δt、t、t+Δt时刻的时间三元组，以及卫星B（GOES-18）在t±Δt时刻的一对影像（Δt=10分钟）。WindFlow计算四组视差场D₁-D₄：两组同星（时间）对约束云运动，两组跨卫星对通过位移编码高度相关视差。八组位移分量（每对的u, v）输入逐像素五态加权最小二乘求解器，恢复状态向量x = [h, pᵤ, pᵥ, Vᵤ, Vᵥ]——即示踪物高度、配准偏移与像素速度。输出为稠密的东向（u）、北向（v）风分量及示踪物高度（地图展示），以及形式不确定度与χ²。输出地图仅显示经质量控制的反演结果。  

立体方法作为反演AMVs的替代方案，通过利用地球静止卫星重叠观测并进行几何高度解算，消除了NWP依赖（Carr等 2020）。地球静止卫星从不同视角观测地球相同区域，使得AMV高度可通过几何视差直接估算。该技术从两颗卫星的连续时间三元组（(A₋, A₀, A₊)与(B₋, B₀, B₊)）中选取重叠区域，应用同星与跨卫星特征追踪。对每个三元组计算前向与后向位移，生成四对(u, v)视差，共8次反演。高度与对应风场直接由四对视差通过求解8方程5未知数的超定最小二乘回归计算（详见第2a节）。该方法可应用于每个光谱通道以生成多层风场。  

当前方法采用基于窗口的归一化相关系数技术，执行四次计算成本高昂且无法追踪低纹理特征。在临近预报与云追踪中，光流技术通过加速计算高效生成更高密度的流场矢量，为特征追踪提供替代方案。采用光流与机器学习可为改进立体风标定与地理覆盖提供关键优势。光流方法追踪物体在场景中的表观运动，生成具有方向与强度的稠密位移矢量（Horn与Schunck 1981）。在计算机视觉中，光应用于连续图像对以测量帧间表观运动。亮度一致性是光流的主要假设，即运动点跨帧保持亮度强度。尽管高时间分辨率提升一致性，但卫星图像中的大气动力学与对流可能破坏该假设。即便如此，传统变分光流方法长期应用于卫星图像云追踪以提升密度与可靠性（Wu 1995；Cohen与Herlin 1996）。近期，基于机器学习的光流方法通过端到端学习显著超越变分方法（Dosovitskiy等 2015；Sun等 2018；Teed与Deng 2020）。这些方法大幅提升推理精度与计算效率，支持实时渲染。机器学习光流模型可微分，且不依赖外部NWP背景场，可通过地面真值观测（探空或激光雷达风场）进行调优。可微分性使光流模型能基于观测学习视差，为网络/数据优化研究提供方向。基于几何定义的风场可从探空微调模型规模化生成，产出时空稠密数据集。  

进一步研究表明，单星光流对应标准AMV（u, v）风场（Vandal等 2022），神经网络模型可从多光谱红外亮温推断云顶高度（Min等 2020）。本文展示，微调后的**教师**立体模型可蒸馏至单星推理，将地理覆盖从三分之一扩展至全圆盘。单星蒸馏能力将实现全球尺度AMVs且完全不依赖NWP背景场进行高度赋值。  

本研究贡献包括：  
1. 引入WindFlow深度光流模型应用于GEO-GEO立体风，通过跨卫星几何解算器反演风高。  
2. 证明利用稀疏探空观测微调光流特征追踪可提升性能，在五个GEO红外通道上均方根矢量差（RMSVD）改进18%，水汽通道表现最佳。  
3. 三重协方差分析表明，微调WindFlow模型与NOAA业务AMVs相比探空观测，光流使水汽通道提升0.5 m s⁻¹，但长波红外精度较低。  
4. 以一对GEO卫星的微调WindFlow立体风为教师，训练单星学生模型将空间覆盖从33%扩展至全圆盘，RMSVD退化仅1.34 m s⁻¹。  

## 2 背景  
### 2a 立体风与视差  
多视角与高时间频率观测允许运动与深度的几何反演（Carceroni与Kutulakos 2002）。立体方法考虑两个视角的情形，例如具有充足时间重访的一对卫星。地球静止卫星对（如NOAA的GOES-East/West先进基线成像仪ABI）每10分钟实现全圆盘影像33%重叠。Carr等（2020）利用此能力推导了几何计算高度的多层AMVs，独立于NWP系统。全面评估显示，与探空观测对比，立体风在整个对流层质量优于NOAA业务GOES-17风场。  

我们从立体风方法的数学定义开始，该方法将结合光流技术扩展。采用Carr等的参数化框架：每个追踪特征由五个标量状态描述——海拔高度h、特征名义位置切平面上的水平位置校正**p**=(pᵤ, pᵥ)，以及水平风速**V**=(Vᵤ, Vᵥ)。设卫星A在时刻t₀获取参考图像A₀，同星在t₀±Δt时刻获取时间括号图像A₋、A₊，卫星B在相同名义时刻获取图像B₋、B₊。将B场景重映射至A的固定网格，使五幅图像共享公共像素坐标系。在A₀与四个非参考场景间执行特征追踪，生成四组二维位移（视差）场**d**ₙ∈ℝ²（n∈{A₋, A₊, B₋, B₊}）。此处应用计算密集的基于窗口的NCC特征追踪方法。  

对于时间tₙ观测的每个像素与非参考场景n，A像素网格中追踪特征的建模位移为：  
**δ**ₙ(**x**) = h **ŵ**ₙ + **p** + **V**(tₙ − t₀)  (1)  
其中**ŵ**ₙ为逐像素视差敏感度向量，以A的像素单位/米特征高度表示。对于同星对（A₀, A±），视线相同且**ŵ**ₙ=0；高度不进入方程，视差仅为位置校正与风位移在tₙ − t₀时间段的求和。对于跨卫星对（A₀, B±），视差向量非零且编码几何高度敏感性。视差向量**ŵ**ₙ根据卫星星历与ABI固定网格投影计算。对于A网格中每个像素，计算由B观测并重映射至A后单位高度扰动引起的位移（在A像素空间），通过有限差分评估。