High-Resolution Tropical Cyclone Rainfall Detection From C-Band SAR Imagery With Deep Learning
Notice bibliographique
Résumé
This article introduces an innovative deep-learning approach for retrieving tropical cyclone (TC) rainfall information from C-band Sentinel-1 synthetic aperture radar (SAR) imagery. We collected 17 SAR images under TC conditions from 2016 to 2021 and matched them with synchronous observational Next Generation Weather Radar (NEXRAD) Level-III data, forming a dataset of 302689 data pairs for model development. The model inputs include SAR-measured physical parameters in normalized radar cross section (NRCS), texture features represented by the gray-level co-occurrence matrix (GLCM), and statistical parameters of VV-polarized NRCS. A deep-learning-based TC rain rate retrieval (TC3R) model, combining a convolutional network and a fully connected (FC) network, was developed to retrieve quantitative TC rainfall information effectively. The test results demonstrate that the TC3R model can offer reasonable and stable quantitative rainfall estimation, particularly effectively detecting areas with medium-to-heavy rainfall events (2.5–40 mm/h) in SAR images where the NRCS is significantly affected by rain. Furthermore, to offer valuable insights into the performance of the TC3R model, we analyzed results across TC events of different intensities as case studies. Our results show high structural similarity (SSIM) in rainfall patterns between SAR and NEXRAD across all cases, consistently achieving SSIM values above 0.67. Moreover, in areas where SAR signals are notably affected by rainfall, the SSIM index even exceeds 0.80. Finally, our model’s performance was evaluated by comparing its results with the independent global precipitation measurement (GPM) data, demonstrating effective rainfall prediction, particularly for the primary spiral rain band, in the two cases analyzed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».