使用高斯融合方法为大不列颠开发雷达-雨量计小时融合降水数据集

《Journal of Hydrology》:Developing a radar-rain gauge hourly blended precipitation dataset for Great Britain using the Gauss Blending Method

【字体: 大 中 小 】 时间:2026年01月20日 来源:Journal of Hydrology 6.3

编辑推荐:

  融合降水数据集利用多源降水数据的优势,生成更高精度和更广覆盖的产品。然而,当前融合方法要么精度较低,要么过于复杂。部分方法只关注提升统计性能,却牺牲了降水的空间结构。研究人员开发了一种基于高斯-赛德尔方法(Gauss-Seidel method)改进的高斯融合

  
融合降水数据集利用多源降水数据的优势,生成更高精度和更广覆盖的产品。然而,当前融合方法要么精度较低,要么过于复杂。部分方法只关注提升统计性能,却牺牲了降水的空间结构。研究人员开发了一种基于高斯-赛德尔方法(Gauss-Seidel method)改进的高斯融合方法(Gauss Blending Method, GBM),用于融合大不列颠(Great Britain)地区的雷达和雨量计降水数据(970个雨量计),生成高分辨率(1 km)小时融合降水产品。与194个独立雨量计(2006–2018年)的对比表明,相比仅使用雷达数据,融合产品将均方根误差(Root-Mean-Square-Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)和平均相对误差(Mean Relative Error, MRE)分别降低了14.5%、14.5%和22.1%,同时将相关系数(Correlation Coefficient, CC)和纳什-萨克利夫效率系数(Nash-Sutcliffe Efficiency Coefficient, NSE)分别提高了7.8%和23.2%。GBM还增强了降水可检测性,且未引入新的系统偏差。研究人员将GBM与五种标准方法进行比较。乘法调整法(Multiplicative Adjustment Method)和平均场偏差调整法(Mean Field Bias Adjustment Method)表现较差,未能改善雷达降水数据。加法调整法(Additive Adjustment Method)和混合调整法(Mixed Adjustment Method)表现略差,且降水检测技能不稳定,生成的人造不连续和楔形伪影破坏了降水场。在大多数指标中,唯一可比的方法是外部漂移克里金法(Kriging with External Drift, KED)。然而,GBM生成了更完整的数据覆盖,对≥10 mm h?1的极端降水表现更好,更好地保留了降水结构和局部变异性,且易于应用。这一点通过几个极端降水事件案例得到展示。生成的雷达-雨量计融合数据集将有助于分析大不列颠地区的降水空间变异性和极端降水,在极端分析、水文建模和洪水风险评估方面具有显著优势。
论文解读文章

研究背景:降水数据是水文研究的关键要素。目前常用的降水产品包括雨量计测量、雷达定量降水估计(Quantitative Precipitation Estimates, QPEs)、卫星降水估计、再分析降水产品以及融合降水数据集。雨量计测量精度高但空间覆盖有限,雷达QPEs提供面状数据但精度低于雨量计,且存在系统偏差。融合数据集通过结合多源数据优势,可提高精度和覆盖范围。然而,现有融合方法存在缺陷:简单方法(如偏差调整法)精度低且可能产生负值或无限值;复杂方法(如外部漂移克里金法,KED)精度高但计算复杂,常牺牲降水空间结构,导致过度平滑或伪影。因此,研究人员开发了一种兼顾精度与空间结构保持的融合方法。

研究人员开展了什么研究:研究人员开发了高斯融合方法(Gauss Blending Method, GBM),基于数值求解的高斯-赛德尔方法(Gauss-Seidel method),利用雷达降水场的像素关系建立方程组,以雨量计观测值作为边界条件,通过迭代求解生成融合降水估计。研究人员将GBM应用于大不列颠(Great Britain, GB)地区的雷达QPEs和970个雨量计数据(其中776个训练,194个测试),生成了2006–2018年的1 km、小时分辨率融合降水产品。通过与五种常用方法(加法调整法、乘法调整法、混合调整法、平均场偏差调整法以及KED)的比较,评估了GBM在连续指标和分类指标上的表现。论文发表在水文学领域顶级期刊《Journal of Hydrology》。

关键技术方法:研究人员采用的主要技术方法包括:(1)高斯融合方法(GBM):基于高斯-赛德尔迭代法,通过3×3像素窗口建立加法或乘法关系,形成降水场的方程组,以雨量计观测(陆地上)和0 mm(海洋上)作为边界条件,经200次迭代求解,得到融合降水场。(2)比较方法:加法调整法、乘法调整法、混合调整法、平均场偏差调整法(MFB)和外部漂移克里金法(KED)。其中KED选择指数协方差模型,按月份优化参数(使用16个最近雨量计,最大距离60 km)。(3)评估指标:连续指标包括均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)、相关系数(CC)、有效像素覆盖率、偏差、相对偏差、方差保持度(PVar)和纳什-萨克利夫效率系数(NSE);分类指标包括探测概率(POD)、误报率(FAR)、临界成功指数(CSI)和海德克技能评分(HSS)。数据来源为英国气象局的NIMROD系统雷达QPEs(1 km,5分钟)和经过质量控制的雨量计观测数据(共1298个站,选取相关系数≥0.7的970个)。

研究结果:

4.1 连续指标比较:通过比较六种融合方法的连续指标,发现KED在RMSE、MAE、MRE、CC和NSE上提升最大(分别降低17.8%、20.5%、24.2%和提高9.2%、28.1%),但有效像素覆盖率仅53.5%。GBM位列第二,RMSE、MAE、MRE分别降低14.5%、14.5%、22.1%,CC和NSE提高7.8%和23.2%,有效像素覆盖率达100%,PVar(0.969)最佳,且未引入新系统偏差。乘法调整法和MFB表现最差,导致指标恶化。加法调整法和混合调整法略低于KED和GBM,但产生不连续和楔形伪影。

4.2 降水检测技能评估:通过分类指标评估各方法在不同降水阈值下的检测能力。KED和GBM是仅有的两种在所有阈值下均未降低数据质量的方法,显著提高了对≥5 mm和≥10 mm降水的检测能力(如≥5 mm时雷达HSS从0.37提升至KED的0.50和GBM的0.48)。乘法调整法和MFB表现差,误报率高。加法调整法和混合调整法在部分阈值改善,但在0 mm和>0 mm阈值下降检测技能。

4.3 GBM与加法/混合调整法比较:GBM在大多数连续指标(RMSE、MAE、MRE、有效像素覆盖率、偏差、PVar、NSE)上略优于加法调整法和混合调整法。在检测技能上,GBM在所有阈值下表现更稳定,而加法/混合调整法在非降水区引入虚假降水。加法调整法因三角化插值产生楔形伪影,混合调整法继承该问题;GBM生成了更平滑、空间连续且无伪影的降水场。

4.4 GBM与KED比较:在有效像素覆盖率上,GBM(100%)是KED(53.5%)的1.87倍,因GBM利用像素关系使信息在全场传播,而KED在雨量计稀疏区无法生成有效值。在降水误差上,KED在0–10 mm区间误差更低,但GBM在≥10 mm区间(除30–40 mm外)误差更小,更适合极端降水分析。在复杂度上,GBM理论简单,只需确定迭代次数,而KED需选择协方差模型并校准多个参数。在降水面积和局部变异性上,KED易高估或低估降水面积,并过度平滑局部结构,如2017年康沃尔极端对流风暴案例中KED最大估计仅45 mm,而GBM保留了170 mm的合理值,且更好地保持空间结构。

4.5 GBM的局限性:包括(1)过度依赖雷达场像素关系,残留波束阻挡可能降低可靠性;(2)高斯-赛德尔方法在方程组矩阵病态时可能不收敛;(3)雨量计-雷达不一致可能导致圆形伪影。

总结讨论部分:讨论主要围绕GBM与加法/混合调整法及KED的比较展开。与加法/混合调整法相比,GBM不仅在连续和分类指标上表现更优或相当,且避免了数据覆盖不足和降水场结构被破坏的问题。与KED相比,尽管KED在统计指标上略优,但GBM在数据覆盖、极端降水融合、应用简便性和空间结构保留方面具有明显优势。GBM更适用于极端降水的空间分布分析。局限性方面,雷达场质量、迭代收敛性和伪影问题需在应用中注意。

研究结论翻译:为平衡融合数据的精度与降水场空间结构的保持,研究人员开发了一种新的雨量计-雷达降水数据融合方法。高斯融合方法(GBM)利用雷达降水场的空间信息建立方程组,以雨量计观测为边界条件,通过迭代求解得到融合降水估计。采用连续指标(RMSE、MAE、MRE、CC、有效像素覆盖率、偏差、相对偏差、PVar和NSE)和分类指标(POD、FAR、CSI和HSS)评估其性能。GBM将原始雷达数据的RMSE、MAE和MRE分别降低了14.5%、14.5%和22.1%,同时将CC和NSE提高了7.8%和23.2%。偏差从0.009 mm略微增至0.013 mm,相对偏差从–0.133降至–0.097。GBM还实现了高有效像素覆盖率(100%)和PVar(0.969)。此外,GBM增强了正确识别降水事件的能力,同时减少了误报。这些结果表明,GBM在不引入新系统偏差的情况下减少了误差并保留了局部降水变异性。将几种常用方法(加法调整法、乘法调整法、混合调整法、平均场偏差调整法(MFB)和外部漂移克里金法(KED))与GBM进行了比较。其中,乘法调整法和MFB表现较差,未能显著改善雷达降水质量。加法调整法和混合调整法表现与GBM相似,但在大多数连续指标上略差,且降水检测技能不稳定,其降水场中还出现人为不连续和楔形伪影。尽管KED在连续和分类指标上略优于GBM,但两者差异很小(多数连续指标差异小于0.01)。然而,GBM在几个重要方面优于KED:(1)数据覆盖:GBM产生的有效像素数是KED的1.87倍,可生成空间更完整的降水场。(2)GBM在≥10 mm降水范围表现优于KED,因此更适用于高降水量值的融合,其结果数据集更适用于洪水风险评估。(3)GBM更易于应用,而KED复杂且在选择协方差模型和校准多个参数上需要大量工作。(4)KED倾向于高估和低估降水面积,扭曲降水场空间结构,降低局部降水变异性;而GBM较少出现这些问题,并保留了降水空间结构和局部变异性。基于这些发现,研究人员认为GBM是一种最优的降水数据融合方法。这些优势确保了GBM融合数据在极端降水分析和水文应用中的实用价值,特别是在洪水风险方面。然而,需注意几点局限性:对雷达场像素关系的过度依赖、高斯-赛德尔方法的收敛问题,以及雨量计-雷达不一致导致的圆形伪影。研究人员已使用GBM生成了2006年1月至2023年12月的大不列颠雨量计-雷达降水数据集(1小时和1 km)(GRaD-GB (1H1K))。该数据集融合了经过质量控制的逐小时雷达QPEs(Qiu et al., 2026)和约1500个经过质量控制的雨量计逐小时观测。GRaD-GB (1H1K)有效保留了降水场的空间结构,同时保持高精度。其高时空分辨率允许详细追踪风暴的生命周期(包括生成、发展和消散)以及移动方向,这使其在分析常被雨量计网络遗漏的局地对流风暴时特别有价值。此外,该数据集为研究大不列颠极端降水(尤其是极端事件的空间分布、面积和足迹)提供了坚实基础。这些见解对于改善对大不列颠洪水风险的理解和增强对未来洪水灾害的应对能力至关重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号