SRViT: Vision Transformers for Estimating Radar Reflectivity from Satellite Observations at Scale

我们引入了一种基于Transformer的神经网络，从静止卫星图像中生成高分辨率（3公里）的合成雷达反射率场。这项工作旨在增强高影响天气事件的短期对流尺度预测，并帮助美国数值天气预报的数据同化。与具有有限感受野的卷积方法相比，我们的结果显示，在各种复合反射率阈值上，我们的方法具有更好的清晰度和更高的准确性。在特定的大气现象上进行的案例研究支持我们的定量发现，同时引入了一种新的属性归因方法，以指导领域专家理解模型输出。

论文旨在利用基于Transformer的神经网络从地球同步卫星图像中生成高分辨率（3km）的合成雷达反射率场，以增强对高影响天气事件的短期对流尺度预测，并为美国数值天气预报的数据同化提供帮助。

与卷积方法相比，该研究结果显示出在各种组合反射率阈值上改进的锐度和更高的准确性。

该论文的亮点包括：使用Transformer-based神经网络生成高分辨率的合成雷达反射率场；通过引入新的归因方法来解释模型输出；在特定的大气现象上进行了案例研究以支持定量发现。

最近的相关研究包括：1）利用深度学习技术进行天气预报的研究；2）利用卫星图像进行天气预报的研究。