Station2Radar: Query-Conditioned Gaussian Splatting for Precipitation Field¶

会议: ICLR 2026
arXiv: 2603.00418
代码: 无
领域: 3D视觉 / 气象遥感
关键词: 高斯溅射, 降水场重建, 隐式神经表示, 卫星-站点融合, 分辨率无关渲染

一句话总结¶

提出 Query-Conditioned Gaussian Splatting (QCGS)，首次将 2D 高斯溅射引入降水场生成任务，融合卫星图像与自动气象站稀疏观测，实现无雷达条件下分辨率灵活的降水场重建，RMSE 较传统网格化产品提升超 50%。

研究背景与动机¶

领域现状：降水预报依赖异构数据源——天气雷达精度高但地理覆盖有限、维护成本高；气象站提供准确的点测量但极为稀疏；卫星提供高分辨率广域覆盖但无法直接反演降雨量。目前大多数深度学习降水预报方法（如 ConvLSTM、扩散模型）均以雷达作为主要输入。

现有痛点：雷达网络在全球大部分地区（尤其是发展中国家）不可用，导致以雷达为中心的方法适用范围有限。传统无雷达方案主要采用经典插值方法（Barnes、Kriging），通过固定高斯权重将站点观测扩展到网格上，但这些方法严重模糊降水边界、对站点密度高度敏感。卫星直接估计方法（如 Sat2Radar）存在系统偏差，且输出固定分辨率。

核心矛盾：降水场的精确重建需要同时具备：(1) 地面真值的锚定精度（仅站点具备），(2) 空间连续覆盖（仅卫星具备），(3) 分辨率灵活性（现有方法均不具备）。这三者在已有框架中无法统一。

本文目标 如何在不依赖雷达的条件下，融合卫星图像和稀疏气象站观测，生成高分辨率、结构清晰的连续降水场？

切入角度：作者观察到经典高斯权重插值在数学形式上等价于 Gaussian Splatting 的特例——传统插值使用固定各向同性核，而 GS 允许可学习的各向异性核、自适应振幅和分辨率无关渲染。这一观察将气象学的经典方法与计算机视觉的新技术桥接起来。

核心 idea：将 2D 高斯溅射与隐式神经表示结合，以卫星特征为条件预测自适应高斯参数，仅在降水支撑区域选择性渲染，实现高效、分辨率灵活的降水场生成。

方法详解¶

整体框架¶

QCGS 是一个三阶段 pipeline：输入为卫星亮温图像（2km 分辨率）和稀疏 AWS 站点观测，输出为任意分辨率的连续降水场。(1) 雷达点提议网络融合卫星和 AWS 信息，生成粗降水代理场并识别降雨支撑位置；(2) 降水感知采样策略从代理场中选取查询点；(3) 基于 INR 的高斯参数估计器为每个查询点预测高斯溅射参数，最终通过可微分 2D 高斯渲染生成降水场。训练分两阶段——先训练点提议网络，再在固定提议上训练高斯渲染模块。

关键设计¶

雷达点提议网络（Radar Point Proposal Network）:
- 功能：融合卫星图像和 AWS 观测，生成粗降水代理场并提取降雨支撑位置
- 核心思路：使用图注意力网络（GAT, 3 层 8 头）从不规则 AWS 观测中提取鲁棒表示 \(z^t\)，处理缺失值和异常值；卫星图像通过 ConvNeXt U-Net 编解码器处理，AWS 表示通过交叉注意力融入解码器。输出粗降水场 \(\hat{R}^t\) 和候选降雨位置
- 设计动机：AWS 数据虽然稀疏但精确提供地面真值锚定，卫星提供空间密集覆盖但仅间接关联降水。两者互补——GAT 处理 AWS 的不规则性和噪声，交叉注意力实现跨模态融合。消融实验显示加入 AWS 融合后 CSI 从 0.62 提升到 0.73
降水感知采样策略（Rainfall-Aware Point Sampling）:
- 功能：从粗降水场中智能选取查询点，将计算集中在有降水的关键区域
- 核心思路：构建三项采样概率的凸组合——梯度项 \(G\) 强调降水边界、均匀项 \(U\) 保证覆盖、重降水项 \(H\) 通过 softmax 温度控制优先采样强降水区。混合权重为 0.3/0.4/0.3，配合非极大值抑制避免冗余。不同于标准 GS 渲染整个图像平面，QCGS 仅渲染有降水的查询区域
- 设计动机：轻度降水很少引发灾害，而强降水事件才是高影响事件。均匀采样对所有区域一视同仁，浪费了大量计算在非降水区域。消融实验证实三项组合的 CSI（0.76）优于任意单项或两项组合
INR-based 高斯参数估计器:
- 功能：为每个查询点预测可学习的高斯溅射参数（协方差和振幅），实现分辨率无关的自适应渲染
- 核心思路：以卫星中间特征为条件，通过交叉注意力为每个查询点预测 \(\{\sigma_x, \sigma_y, \rho, \alpha\}\)——前三个定义各向异性协方差矩阵，\(\alpha\) 控制振幅。关键创新：在有非零降水的 AWS 站点，直接将 \(\alpha\) 设为观测值，起到地面真值锚定作用。使用 5 层 MLP（隐层 128，正弦位置编码）作为 INR 网络
- 设计动机：传统 GS 方法按图像优化，无法泛化。条件化 INR 使参数预测能跨区域和季节泛化；AWS 锚定直接注入地面精度约束，避免纯卫星驱动方法的系统偏差

损失函数 / 训练策略¶

总损失为重建误差加正则化：\(\mathcal{L} = \text{MSE}(\tilde{R}^t, R^t) + \lambda_\sigma \sum_n (\sigma_x^{(n)} + \sigma_y^{(n)}) + \lambda_\alpha \sum_n \alpha^{(n)}\)。协方差和振幅的正则项（\(\lambda_\sigma = 10^{-3}\), \(\lambda_\alpha = 10^{-4}\)）防止高斯核过度扩展导致过度平滑。训练使用 Adam 优化器（lr \(10^{-4}\), cosine schedule），batch size 16，100 epochs，8×H200 GPU。

实验关键数据¶

主实验¶

方法	类型	分辨率	RMSE↓	CSI↑	FSS↑	CC↑
Pix2PixHD	深度学习	0.5km	2.45	0.59	0.71	0.55
NPM	深度学习	0.5km	1.95	0.59	0.78	0.68
BBDM	深度学习	0.5km	1.68	0.64	0.84	0.75
Kriging	经典插值	2.0km	2.43	0.50	0.69	0.45
QCGS	本文	0.5km	1.23	0.74	0.91	0.90
QCGS	本文	2.0km	1.00	0.76	0.96	0.93

在与全球业务产品的对比中，QCGS 在日累积降水上也大幅领先：RMSE 6.68 vs IMERG 14.08 / MSWEP 12.44，CC 0.95 vs 最高 0.78。

消融实验¶

配置	CSI↑	说明
U-Net (ConvNeXt) only	0.62	纯卫星基线
+ AWS fusion	0.73	站点融合贡献 +0.11
+ AWS fusion + GS (完整)	0.76	GS 渲染再提升 +0.03
仅均匀采样	0.68	缺少边界和强降水关注
三项混合采样	0.76	最优组合
K=1000 点	0.69	点数不足
K=6000 点	0.76	最佳性价比
K=9000 点	0.77	边际收益递减

关键发现¶

AWS 融合是最大贡献因子（CSI +0.11），证明稀疏但精确的地面观测对降水场重建至关重要
高斯溅射提供的分辨率灵活性使 2km 训练的模型在 0.5km 评估时仍优于在 0.5km 训练的深度学习基线
功率谱密度分析显示 QCGS 在各空间尺度上最接近雷达谱，而业务产品在高波数处丢失方差

亮点与洞察¶

经典气象插值与 Gaussian Splatting 的等价性观察非常巧妙——传统高斯权重插值是 GS 的固定各向同性特例，这一联系使 3DGS 社区的技术自然迁移到气象领域
选择性渲染设计优雅：只在降水区域放置高斯核，避免对占比极大的非降水区域做无用计算，实现了效率和精度的双赢
AWS 锚定策略简单有效——在站点处直接设置振幅为观测值，相当于硬约束，确保生成场在已知点完全准确

局限与展望¶

依赖 AWS 站点数据——在站网稀疏的地区（如非洲、海洋）适用性受限，未来可探索纯卫星模式的退化方案
实验仅限韩国区域（480×480 网格），全球尺度扩展是开放挑战
点提议网络和高斯渲染模块分两阶段训练，端到端联合训练可能带来进一步提升
仅处理降水场"生成"，未涉及时序预报；结合时序外推可构建完整的无雷达降水预报系统

评分¶

新颖性: ⭐⭐⭐⭐ 首次将 2D GS 引入降水场生成，经典插值-GS 等价性的观察有创意
实验充分度: ⭐⭐⭐⭐ 跨尺度对比全面（快照/小时/日），消融扎实，含功率谱分析
写作质量: ⭐⭐⭐⭐ 动机推导清晰，数学符号统一，图表质量高
价值: ⭐⭐⭐⭐ 打开了无雷达降水监测的新范式，但区域限制降低了直接影响力