BURGER：基于自下而上区域化方法的全球次小时尺度强度-历时-频率数据研究

本文推荐一篇利用地面降雨观测和机器学习构建全球强度-历时-频率（IDF）曲线的研究。作者提出BURGER（自下而上区域化全球极端降雨）数据集，首次基于次小时降雨观测，采用简化 metastatistical 极值（SMEV）分布和随机森林回归，生成高空间分辨率（0.1°）的全球一致IDF产品。该数据在无观测区域表现可靠，为洪水风险管理提供重要支撑。

　　

1 引言

全球范围内的极端降雨可能引发严重的洪涝灾害，尤其是城市地区对短时强降雨事件极为脆弱。强度-历时-频率（IDF）曲线是描述降雨强度、历时和重现期之间关系的多维工具，常用于城市排水系统和防洪工程的设计。然而，由于地面观测站点的稀疏性——全球仅有低个位数百分比的地区有雨量计覆盖——构建全球一致且高精度的IDF曲线一直面临挑战。

以往研究多基于遥感降雨产品（如MSWEP、ERA5再分析数据）采用“自上而下”方法推求IDF曲线，但存在空间分辨率粗（如31 km）、时间不一致性以及对流过程解析不足等问题。相比之下，本研究提出一种“自下而上”的新途径，直接利用全球次小时降雨（GSDR）站点观测数据，结合随机森林回归模型，区域化Simplified Metastatistical Extreme Value（SMEV）分布的参数，进而计算任意历时（1-24小时）和重现期下的降雨强度，形成名为BURGER（Bottom Up Regionalized Global Extreme Rainfall）的数据集。

2 数据与方法

2.1 全球次小时降雨（GSDR）数据

研究采用的“地面真实”降雨观测来自GSDR数据集，共使用约10,700个经过质量控制的站点，这些站点主要分布在北美、欧洲和日本。尽管GSDR数据经过严格质量控制，但小时降雨观测仍存在显著不确定性，如单点测量误差可达10%，而风力导致的捕获不足在暴露地区可能造成20%以上的低估。

2.2 简化Metastatistical极值（SMEV）方法

传统极值分布（如GEV）仅利用年最大值，而Metastatistical极值（MEV）分布利用所有独立普通事件（ordinary events），能够提高参数估计的确定性，尤其适用于短记录和次小时降雨。本研究采用其简化版本SMEV，假设普通事件服从Weibull分布，并通过功率律关系将形状和尺度参数与历时关联。

具体步骤包括：从观测中提取普通事件（事件间隔至少24小时），拟合MEV参数后进一步优化为SMEV参数，最后通过最小二乘回归建立参数与历时的缩放关系。最终，SMEV模型仅用两个独立参数（重现期和历时）即可计算降雨强度。为确保估计稳健，仅保留记录长度超过10年且风暴数量高于第5百分位数的站点。

2.3 全球特征数据

为区域化稀疏的SMEV参数，研究采用了19种全球一致的特征数据集，包括MSWEP降水统计量（均值、最大值、变异系数、分位数）、FathomDEM高程、ERA5海平面压力和露点温度、CHELSA生物气候变量、柯本-气候分区以及纬度等。这些特征分辨率从30角秒到0.25°不等，均重采样至0.1°网格，覆盖60°S至80°N范围。

2.4 机器学习框架

采用随机森林回归模型同时区域化所有SMEV参数。首先通过10折交叉验证网格搜索优化超参数，评估指标包括决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）。训练完成后，模型用于预测所有陆地区域的SMEV参数，进而计算全球IDF曲线。仅支持1-24小时历时，但可通过调整风暴分离时间扩展至更长历时。

2.5 模型评估

评估包括：比较区域化与站点SMEV参数的百分比偏差（PBIAS）；在剔除日本和德国站点后重新训练模型，以测试无观测区性能；与遥感衍生IDF产品GPEX和美国NOAA Atlas 14数据对比；使用结构相似性指数（SSIM）和峰值信噪比（PSNR）等图像相似性指标量化空间一致性。

3 结果与讨论

3.1 机器学习模型精度

随机森林模型对尺度参数和n参数（年均风暴数）预测技能较高（R²>0.68），但对shape_power参数预测较差（R²=0.48）。特征重要性分析表明，降水变异系数（CV）和纬度是最重要预测因子，而高程重要性较低，可能因其影响已在其他降水相关参数中隐含体现。

参数分布比较显示，区域化值能够较好地再现站点参数分布，但在分布尾端存在一定偏差，这是随机森林模型的常见局限。区域化参数的空间分布符合气候学预期，如高风暴频率出现在北半球和赤道地区。

3.2 区域化重现期强度

3.2.1 与GSDR站点本地强度对比

在全球尺度上，BURGER强度与站点SMEV强度中值偏差约为0%，四分位范围在-5%至5%之间，但随着重现期增加，偏差范围扩大（-18%至22%）。这种偏差尤其在美国大陆（CONUS）较为明显，可能源于形状参数预测不准导致分布尾部过轻。

3.2.2 无观测区模型技能

剔除日本和德国站点后的模拟显示，BURGER在无观测区仍能保持合理性能，中值偏差不超过±10%。日本地区性能优于德国，表明模型 extrapolation 能力存在区域差异，这与观测站分布密度和气候复杂性有关。

3.2.3 与GPEX数据基准对比

BURGER与GPEX强度存在显著差异，前者普遍高于后者，尤其在澳大利亚和中亚地区偏差可达200%。SSIM和PSNR值较低表明两者空间结构一致性不高，但这种差异并不因观测有无而系统性变化，说明BURGER在无观测区仍能保持与GPEX相当的一致性水平。

3.2.4 与NOAA Atlas 14数据基准对比

BURGER低估NOAA强度，对于1小时500年事件，中值绝对偏差约16 mm/h（17%）。这种差异部分源于方法学不同：NOAA使用更多站点、采用区域频率分析（RFA）和PRISM模型进行空间插值，且可能未进行相同的异常值剔除。尽管如此，BURGER强度与GSDR经验值高度一致，表明其基于观测的区域化结果具有可靠性。

4 结论与建议

BURGER是首个基于地面观测的全球次小时IDF数据集，空间分辨率达10公里，填补了全球IDF产品的空白。虽然机器学习模型在预测形状参数时表现较差，导致极端事件强度低估，但整体精度可接受（全球中值偏差0%，四分位范围±5%）。

未来改进方向包括：采用参数特异性预测因子（如遥感衍生的形状和尺度参数场）、提高空间分辨率以更好解析对流过程、增加更多次小时降雨观测、探索神经网络等替代模型以改善分布尾部预测、以及引入气候变化因子（如温度协变量）以扩展至未来气候情景。

尽管与区域IDF产品（如NOAA Atlas 14）存在差异，BURGER提供了全球一致且基于观测的IDF估计，特别适用于数据稀缺地区。这种“自下而上”方法为全球洪水风险管理和气候适应规划提供了重要工具。