降水要素在气象业务中发挥着重要作用,精细的降水资料对相关部门的灾害提前预警有十分重要的意义。实况降水来源于雨量计的测量,由于雨量计分布的不均匀,无法直接获取高分辨率的降水资料;雷达回波数据与降水要素有很强的相关性,并且具有探测范围广,时空分辨率高的优点,因此雷达定量估测降水成为主要的获取高分辨率降水的重要手段,但实现准确的估测效果仍然是一个具有挑战性的问题。计算高分辨率降水数据主要存在以下问题。首先,雷达对降水的估测主要基于反射率数据和降水数据之间的Z-I关系以及雨量计联合订正,然而Z-I关系受到诸多假设限制,具体关系难以确定;其次,降水的形成涉及复杂的演变过程,单纯使用雷达回波的空间信息难以反映真实的降水情况;最后,雷达估测降水使用点对点的方式将反射率转换为降水的方式忽略了降水的空间连续性。针对以上问题,本文在总结前人工作的基础上,提出一种降水要素的超分辨率算法。主要研究工作包括以下内容:1.本文将雷达回波在时间上的光流信息应用到降水要素的超分辨率中。雷达回波在时间上的变化和降水的演变有很大的关联,为了获取准确的回波光流,本文提出一种基于卷积神经网络的无监督学习模型计算回波之间的光流,模型使用多层卷积和残差学习,有效结合高层特征和底层特征,计算准确的光流信息。为解决回波数据缺乏真实光流场的问题,本文设计合适的损失函数,并将数据增强的方法整合进训练流程中,增强网络的泛化性。2.针对雷达估测降水没有考虑降水空间分布的问题,本文提出了一种基于生成对抗网络的降水要素超分辨率算法,使生成数据的空间分布符合真实降水的客观规律,并基于降水数据和雷达回波之间的关系,使用条件生成对抗网络,将雷达回波和回波光流信息作为条件变量辅助降水超分辨率,最后使用一种通道重新排列的方式,将多个超分辨率结果进行组合,得到精细化的1km降水资料。3.使用通道注意力机制辅助网络关注通道上的有效信息,使用谱归一化方法约束判别模型满足Lipschitz约束,解决生成对抗网络的训练不稳定以及难以收敛的问题。