基于无监督学习的全球降水粒子演化过程解码及其在气候模型中的应用

本研究针对气候变化背景下降水相态（雨、雪、混合相）识别及微物理过程表征的难题，利用Uniform Manifold Approximation and Projection (UMAP)非线性降维技术，分析了全球7个站点9年间的128,233组分钟级降水粒子观测数据，成功识别出9个降水集群并揭示了粒子演化路径。该研究显著提升了降水相态划分精度，为改进卫星遥感反演算法和气候模型参数化方案提供了关键理论支撑。

　　

随着全球气候变化加剧，极端降水事件频发，准确识别降水相态（雨、雪或混合相）及其微物理特性已成为气候建模和灾害预警的核心挑战。传统方法依赖温度阈值（如0°C）进行相态划分，但在-3°C至+5°C的临界区间内误差显著，且卫星遥感和数值模型对云微物理过程的简化引入较大不确定性。尤其在高纬度地区，降水相态的误判会导致雪水当量估算偏差达数十厘米，严重影响淡水资源和径流时序预测。

为突破这一瓶颈，研究人员在《SCIENCE ADVANCES》发表论文，通过无监督学习技术对全球多站点长期观测数据开展系统性分析。研究团队收集了来自7个全球站点（包括美国Marquette、阿拉斯加North Slope、加拿大Iqaluit等）跨越9年的128,233组5分钟级降水粒子数据，涵盖粒子尺寸分布（PSD）、下落速度（F_s）、有效密度（Rho）、粒子总数（N_t）及地表气象参数（温度、湿度、气压等）。研究采用Uniform Manifold Approximation and Projection (UMAP)进行非线性降维，将12维数据集压缩至3维潜在嵌入空间（LE1–LE3），并结合HDBSCAN聚类识别出9个物理意义明确的降水集群。

关键技术方法包括：

1. 1.

   使用降水成像包（PIP）获取高分辨率粒子微物理参数；

2. 2.

   应用UMAP非线性降维及HDBSCAN聚类分析；

3. 3.

   结合微雨雷达（MRR）反射率和多普勒速度数据验证聚类物理一致性；

4. 4.

   通过主成分分析（PCA）对比评估非线性方法的优越性。

非线性降水集群

UMAP降维后三个潜在嵌入维度分别对应降水相态（LE1）、风暴强度（LE2）和粒子形状（LE3）。HDBSCAN聚类识别出9个集群：2个降雨主导（蓝色）、2个降雪主导（橙红色）及5个混合相过渡集群。集群分布显示降雨群集中度高而降雪群结构复杂，反映冰粒子形态多样性。过渡性“模糊案例”多位于集群间路径上，对应粒子融化、凝华等相变过程。

线性与非线性降维方法对比

PCA生成的嵌入空间存在大量原点附近重叠案例，需手动设定2σ阈值分离集群，导致36%的模糊案例占比（UMAP仅10.4%）。UMAP的轮廓分数（0.51）显著高于PCA（0.37），且其相态和强度嵌入分布呈现清晰的三模态分离，印证非线性方法对复杂降水过程的表征优势。

降水集群特征与独立观测一致性

通过对比Marquette站点的垂直指向雷达数据，研究发现UMAP集群与反射率（Ze）、多普勒速度（DV）垂直剖面高度吻合。例如：降雨集群对应高Ze（>30 dBZ）和快DV（>3 m s^?1），而降雪集群Ze和DV均较低。混合相集群（如群组5）在0°C附近呈现高粒子计数和中等反射率，与 sleet（冰粒）物理特性一致。

长期模式强化集群物理属性

9年数据的统计显示：降雨集群温度范围宽（5°C–15°C），混合相集群紧密分布在0°C附近，而降雪集群温度更低（约-10°C）且分布较宽。相对湿度从降雨至降雪集群逐级递减。热图分析进一步揭示，大粒子集群（如群组6）具有较高的雷达回波顶高（Ze_eth）和质量加权平均直径，指示粒子下落过程中的增长和聚合。

讨论与意义

本研究通过UMAP构建的3D流形首次完整呈现了从雨经混合相到雪的连续相变路径，其集群结构在全球多站点表现一致。所衍生的概率矩阵（PM）可直接用于卫星遥感反演先验数据库和气候模型参数化方案，显著改善-3°C至+5°C区间的相态划分精度。例如，通过查询PM中的温度（T）和粒子计数（N_t）可动态生成粒子密度等微物理参数权重，替代传统固定阈值方法。

该工作为极端降水识别、北极快速增温区降水监测及水文模型优化提供了新范式，同时证明了无监督学习在复杂地球系统解析中的巨大潜力。未来需整合更多观测设备（如雹粒探测器）和扩展PSD拟合模型（如Gamma分布），以进一步提升对稀有降水形态的捕获能力。