基于点与空间深度学习的海南岛不同降水强度区间雷达定量降水估计研究

《Remote Sensing》：Point-Based and Spatial Deep Learning for Radar Quantitative Precipitation Estimation Across Precipitation Intensity Ranges over Hainan Island

　　

准确的定量降水估计（QPE）对于应对强降雨等严重天气事件至关重要。能够建立雷达观测与雨强（R）之间非线性映射的深度学习方法已被广泛应用于减少QPE误差。本研究利用双偏振雷达和雨量计数据，评估了点基与空间深度学习（DL）方法在海南岛不同降水强度区间雷达QPE中的表现。研究基于点基或空间网格数据集训练了四种DL-based QPE模型，包括R-DNNNet、R-IncNet、R-Res-IncNet和R-DenseNet，并根据观测雨量计雨强回顾性划分的低强度（R < 10 mm h?1）、中强度（10 ≤ R ≤ 20 mm h?1）和高强度（R > 20 mm h?1）降水子集进行评估。结果表明，DL模型普遍优于传统经验关系。对于整体降水，基于点的三参数（ZH-ZDR-KDP）R-DNNNet取得了最佳性能（CC = 0.94，RMSE = 5.88 mm h?1），相比最佳传统经验方法，CC和RMSE分别提高了4%和23%。R-DNNNet在低强度和中强度降水上也表现最佳。对于高强度降水，空间卷积神经网络（CNN）模型R-Res-IncNet表现出最佳整体性能，在CC、RMSE和MAE上最大分别提升了8%、14%和19%。R-Res-IncNet的RMSE为12.45 mm h?1，而R-DNNNet为12.81 mm h?1，配对自举95%置信区间为0.018–1.006 mm h?1，表明改进虽小但具有统计支持。该结果表明在高强度条件下保留邻域雷达信息可能是有益的。这些强度特定排名是基于观测雨量计雨量定义的子集内回顾性评估获得的，表征了不同降水强度区间的条件模型性能。总体而言，结果表明所评估的点基和空间网格QPE配置的相对性能随降雨强度变化，而三变量极化输入在评估的数据集中提供了持续的好处。综上所述，研究结果突显了点基和空间DL模型的降水强度依赖性能特征，并表明其在改善海南岛雷达QPE性能方面的潜力，特别是对于强对流降雨。

一、研究背景与问题

降水是全球水循环的关键组成部分。在全球变暖背景下，大气水循环加剧，极端降水事件的频率、强度和空间范围显著增加，对人类社会活动和社会经济系统造成严重影响。因此，准确估计降水强度具有重要意义。天气雷达是定量降水估计的重要工具，传统QPE方法依赖于从雨滴谱（DSD）拟合的参数化关系，如Z–R关系。然而，这些静态参数化公式难以捕捉降水过程的动态特性。随着双偏振雷达的发展，QPE技术得到进一步改进，差分反射率（Z_DR）和比差分相移（K_DP）等额外偏振变量能够捕捉水凝物更多的微物理信息，从而提高QPE精度。尽管如此，传统QPE算法对DSD变化高度敏感，在强对流等DSD时空变化显著的天气条件下适用性有限。近年来，深度学习（DL）算法凭借强大的非线性映射能力为雷达QPE问题提供了新方案，但现有模型和公式对强降水事件的高时空变异性适应性有限，且缺乏对不同降雨强度下模型适用性的充分评估和多个模型间的综合交叉比较。

二、研究内容与结论

针对上述问题，本研究利用海南岛2020至2023年汛期（5月至11月）的S波段双偏振雷达数据和444个自动气象站雨量数据，构建了四种DL-based QPE模型，包括R-DNNNet、R-IncNet、R-Res-IncNet和R-DenseNet。研究将数据集按观测雨量计雨率回顾性划分为低强度（R < 10 mm h^?1）、中强度（10 ≤ R ≤ 20 mm h^?1）和高强度（R > 20 mm h^?1）降水子集，并采用点基和空间网格两种数据范式进行建模。研究得出以下主要结论：DL模型普遍优于传统经验关系，在相同雷达参数输入下，所有评估指标均有显著改善；点基和空间网格QPE配置表现出强度依赖性能，R-DNNNet在低强度和中强度降水上表现最佳，而R-Res-IncNet在高强度降水上表现最佳；三变量Z_H-Z_DR-K_DP输入配置在所有DL模型中取得最优性能，表明DL模型能有效利用多参数雷达输入，整合互补的微物理信息。这些发现突显了点基和空间DL模型的降水强度依赖性能特征，为海南岛雷达QPE性能改善提供了新途径，特别是对于强对流降雨。

三、关键技术方法

研究人员使用了2020至2023年海南岛汛期数据，包括海口市S波段双偏振雷达和444个自动气象站雨量数据。研究构建了两种数据范式：点基数据集（Dataset I）采用3 × 3栅格均值，空间网格数据集（Dataset II）采用9 × 9 × 3雷达像素窗口。四种DL模型包括：R-DNNNet（深度全连接神经网络，含3个隐藏层）、R-IncNet（基于Inception模块）、R-Res-IncNet（结合残差和Inception模块）以及R-DenseNet（基于密集连接模块）。模型采用均方误差（MSE）作为训练损失，Adam优化器，学习率1.0 × 10^?3。评估采用CC、NSE、MAE、RMSE和BIAS五种指标，并通过10,000次非参数自举重采样进行不确定性分析。

四、研究结果

4.1 全测试集评估

在全测试集上，DL模型相比传统经验公式普遍表现出更优的估计性能。R-DNNNet取得最佳整体性能，CC从0.90提升至0.94，RMSE从7.64降至5.88 mm h^?1，MAE从4.66降至3.31 mm h^?1，NSE从33.6%降至23.9%。DL模型在K_DP单独输入以及Z_DR-K_DP组合输入下的RMSE均显著优于传统算法（7-8 mm h^?1 vs 10-12 mm h^?1）。

3.2 低强度降水测试集评估

在低强度降水条件下，R-DNNNet取得最佳性能，相比最佳经验公式R(Z_H, Z_DR)，CC提升25%，RMSE降低58%，NSE降低60%，MAE降低60%。R-IncNet和R-Res-IncNet在相同输入下也表现优异，CC约0.83，RMSE低于1.5 mm h^?1。传统算法中，R(Z_H, Z_DR)表现最佳，但仍有严重低估趋势。

3.3 中强度降水测试集评估

在中强度降水条件下，三参数DL模型相比个体经验关系有显著改进，CC最大提升36%，RMSE最大降低56%，NSE降低55%。然而，所有模型在10–13 mm h^?1区间呈现明显高估，在15–20 mm h^?1区间呈现中等低估，表明模型输出在特定强度区间存在系统性偏差。总体而言，DL模型的估计精度较传统算法有一定提升。

3.4 高强度降水测试集评估

在高强度降水条件下，R-Res-IncNet在所有DL模型中表现最佳，相比最佳个体经验关系，CC提升8%，RMSE降低14%，NSE降低19%，MAE降低19%，BIAS更接近1。R-Res-IncNet的RMSE为12.45 mm h^?1，略低于R-DNNNet的12.81 mm h^?1。此外，CSU式组合估计器的RMSE在四种降水条件下分别为9.37、2.49、6.49和19.25 mm h^?1，均高于对应的三变量DL配置。

3.5 输入特征消融与架构比较

在固定R-DNNNet架构下，三变量Z_H-Z_DR-K_DP输入相比最佳单/双变量输入，RMSE在全、低、中、高强度数据集上分别降低15.9%、26.4%、9.6%和7.0%，表明三个偏振变量提供了互补信息。在固定三变量输入下，R-DNNNet在低强度和中强度数据集上取得最低RMSE，而R-Res-IncNet在高强度数据集上取得最低RMSE。残差模块使R-Res-IncNet相比R-IncNet在全数据集上RMSE降低2.5%，高强度降水降低1.4%。

3.6 性能改进的自举不确定性

自举分析表明，最小RMSE的DL模型在四种降水强度条件下均显著优于最小RMSE的个体经验关系。对于全数据集，R-DNNNet的CC提升0.040，RMSE降低1.757 mm h^?1，95%置信区间分别为0.034–0.047和1.538–2.001 mm h^?1。配对自举比较显示，高强度降水条件下R-Res-IncNet与R-DNNNet的RMSE差异（12.45 vs 12.81 mm h^?1）的95%置信区间为0.018–1.006 mm h^?1，表明该差异虽小但具有统计支持。

五、讨论与结论

讨论部分指出，DL模型对传统QPE关系的改进与众多先前研究一致。研究进一步表明，在共同实验框架内，评估的QPE配置的相对性能随降水强度类别和输入表示而变化。CSU式组合实验表明，混合四种区域经验关系并不一定在所有降水条件下改善QPE性能。与Li et al. [13]的结果存在差异，主要归因于评估目标不同（本研究评估扫描匹配的降水率，而非小时累积降水量）。图11提供了强度依赖模型排序的物理解释：当局部雷达场相对均匀时，以雨量计为中心的雷达观测能保持与雨量计累积的紧密对应；而在高强度降水条件下，局部强降雨核心、更强的空间梯度和更复杂的回波结构使得空间网格表示保留了更多邻域信息，从而改善QPE性能。三变量输入的优势与偏振变量的互补微物理敏感性一致。研究局限性包括：仅基于海南岛热带区域，框架迁移性需进一步验证；极端强降水样本相对稀少（R > 100 mm h^?1仅274个样本）；仅使用两个最低雷达仰角，未充分表示深对流系统的垂直结构。

研究结论如下：（1）相比传统QPE关系，DL-based QPE模型普遍提高了估计精度，在相同雷达参数输入下，所有评估指标均有显著改善；（2）点基和空间网格QPE配置表现出强度依赖性能，低强度和中强度降水时R-DNNNet表现最佳，高强度降水时R-Res-IncNet表现最佳，RMSE差异具有统计支持；（3）在DL模型所有雷达参数组合中，Z_H-Z_DR-K_DP配置取得最优性能，表明DL模型能有效整合多参数雷达输入和互补的微物理信息。