《Remote Sensing》：Hourly Regional Precipitation Forecasting Using GNSS PWV and the ConvLSTM-ED Algorithm
编辑推荐：
准确的逐小时区域降水预报对洪水预警和天气风险管理至关重要，但站点尺度的全球导航卫星系统（GNSS）降水模型无法充分描述站点间降水的空间演变。本研究提出一种逐小时区域降水预报（HRPF）模型，将网格化GNSS反演可降水量（PWV）与网格化降水同卷积长短期记忆（C
准确的逐小时区域降水预报对洪水预警和天气风险管理至关重要，但站点尺度的全球导航卫星系统（GNSS）降水模型无法充分描述站点间降水的空间演变。本研究提出一种逐小时区域降水预报（HRPF）模型，将网格化GNSS反演可降水量（PWV）与网格化降水同卷积长短期记忆（ConvLSTM）编码器–解码器网络相结合。2008—2012年台湾省69个GNSS并址气象站的逐小时PWV和降水记录中的缺失值采用奇异谱分析（SSA）重建，并利用最近邻插值重采样至0.06°经纬度网格。模型以前1–6 h的PWV和降水场作为两个输入通道，预测未来1 h降水场。滞后自相关分析显示降水和PWV场均具有强时空依赖性，系数分别高于0.86和0.85。在年尺度外部验证中，HRPF模型的检测概率（POD）保持在90%以上，虚警率（FAR）低于55%，威胁评分（TS）为46.22%–46.58%。季节外部验证显示POD为88.8%–97.8%，夏季因FAR较低（45.8%–46.4%）而TS最高（52.8%–53.3%）。这些结果表明，GNSS反演PWV可为逐小时区域降水预报提供有用的空间水汽信息，而模型技能在台湾复杂地形上仍具有季节依赖性。
研究背景与意义：降水影响地球生态系统及土壤、植物、动物和人类，准确降水估计对洪水预警、农业管理、交通安全和减少天气相关损失至关重要。充足大气水汽是降水必要条件，因此水汽信息是短期降水预报的重要预测因子。可降水量（PWV）指单位截面积大气柱中水汽总量，通常以液态水深度毫米表示；无线电探空、水汽辐射计（WVR）和全球导航卫星系统（GNSS）可反演PWV，但前两者受成本和时空分辨率限制，GNSS PWV具有高精度、高时间分辨率和全天候监测能力。已有GNSS PWV驱动降水预报多集中于站点尺度时间序列预测，Benevides et al.、Liu et al.、Zhou et al.、Wu et al.、Li et al.等用非线性自回归网络、BP神经网络、随机森林、长短期记忆网络（LSTM）、门控循环单元（GRU）等预测降雨事件或雨量，但这些模型在GNSS站点位置有效，不能充分解析站点间降水空间结构。区域预报需要空间连续预测因子；Liu et al.用Cressman插值构建网格GNSS PWV并与雷达回波结合开展香港区域降水预报，显示空间GNSS PWV可改善区域预报，但依赖雷达的临近预报存在雷达回波不能准确代表实际降水空间分布、Z-R关系不确定导致雷达反射率反演雨强与实际雨强差异，以及数据获取或保密限制。为此，需要以地面降水观测为目标而非雷达反演降水的区域预报框架。ConvLSTM（卷积长短期记忆网络）结合卷积神经网络（CNN）空间特征提取和LSTM时间记忆，编码器–解码器可多尺度特征提取与空间重建。本研究提出逐小时区域降水预报（HRPF）模型，利用台湾省69个GNSS并址气象站2008—2012年逐小时PWV和降水，构建网格化双通道输入，预测未来1 h降水场，并在年尺度和季节尺度评估。意义在于展示结合GNSS大气水汽观测和降水历史开展区域预报、无需雷达输入的可行性；季节差异提示需评估虚警并按季节选择历史训练期。
关键技术方法：样本队列来源为台湾省69个GNSS并址气象站2008—2012年逐小时PWV与降水记录；PWV由GNSS观测反演，降水、气压和气温数据由Central Weather Bureau提供。研究人员采用奇异谱分析（SSA）重建逐小时PWV和降水缺失值，最近邻插值重采样至0.06°经纬度网格；以先前1–6 h的PWV和降水场为双通道输入，构建ConvLSTM编码器–解码器网络预测未来1 h降水；使用Adam优化器、均方误差（MSE）损失、时序五折交叉验证、早停和梯度裁剪；以0.5 mm/h阈值计算检测概率（POD）、虚警率（FAR）和威胁评分（TS）。
研究结果：
3.2 降水与PWV的滞后时空自相关：通过计算2008—2012年逐小时网格场在东西、南北0—5格点空间滞后下的自相关系数，得出降水和PWV场均具强时空依赖，系数分别>0.86和>0.85；随空间滞后增加而下降，东西方向更明显，PWV相关性更平滑、空间相干性更广。
3.3 模型收敛与性能分析：通过年尺度和季节尺度四种时间数据配置下训练/验证MSE曲线分析，得出损失在前10—20轮快速下降后稳定；多年数据方案2—4损失更低更稳定，方案4最低最稳定；训练与验证曲线接近，无明显过拟合；季节曲线波动稍强但总体一致。
3.4 年尺度评估：通过内部和外部验证及台湾边界裁剪，比较方案1—4的POD、FAR、TS，得出POD>90%、FAR<55%，外部验证TS为46.22%—46.58%；方案3 TS最高，多年度历史数据改善总体预报技能。
3.5 输入配置消融分析：通过保持方案1设置比较PWV、降水及组合输入，得出组合PWV–降水输入POD和TS最高，PWV单独最低，降水单独居中或相当；外部验证FAR均高于内部验证；组合预测因子优于任一单因子。
3.6 季节尺度评估：通过方案5—8内部和外部验证，得出内部夏季POD最高99.0%（方案6）、冬季96.3%（方案8），秋季TS最高52.4%（方案6）；外部POD 88.8%—97.8%，夏季TS最高52.8%—53.3%因FAR较低45.8%—46.4%，方案7夏季TS最高53.3%，方案6和8在春、秋、冬较高；增加历史训练数据可改善性能但最优方案随季节变化。按强度分级评估方案8夏季，>0.5—2.5 mm/h的POD、FAR、TS为48.77%、84.26%、13.31%；>2.5—10 mm/h为1.00%、90.30%、0.89%；>10 mm/h无正确检测，检测技能随降水强度增加而下降。
3.7 季节与年尺度比较：通过比较年尺度与季节平均POD、FAR、TS，得出年POD>93%、FAR约52%—53%、TS约46%，与季节平均接近；年尺度综合性能略高主要因POD稍高；季节评估必要，夏季TS最高因FAR低，不同方案在春、秋、冬更优；年结果可作总体基准，季节结果对业务部署更有信息。
3.8 站点级与雨量计比较：通过比较2012年夏季北、南、东、西、中五个雨量站同位置网格预测与观测（五站未从网格观测中剔除，非独立验证），得出平均POD 92.7%、FAR 48.9%、TS 49.1%；POD较高但FAR和TS站点间有变化，虚警仍存在。
讨论部分总结：结果表明HRPF可利用网格GNSS PWV和降水预测未来1 h区域降水；消融支持同时纳入大气水汽条件和近期降水格局的价值；网格输出超越单站预报。但0.06°为模型输入间距而非有效观测分辨率，有效细节仍受约15 km平均站距和不均匀分布限制。验证设计评估不同训练期长度和季节条件，年结果提供总体评估，季节结果揭示被年聚合掩盖的POD、FAR、TS变化；五站雨量计比较提供夏季2012年台湾北、南、东、西、中部的点尺度补充证据。POD总体较高但TS中等、FAR低于55%，说明虚警仍是关注点；检测技能随降水强度增加而下降，>2.5—10 mm/h的POD为1.00%，>10 mm/h无正确检测，模型对强降水预报技能有限，可能漏报部分高强度事件；基于MSE的损失函数可能导致局地降水峰值低估，但该效应未单独评估。未来可纳入静止卫星观测补充站点稀疏区，研究多尺度或注意力架构及对强降雨加权损失，并通过控制比较和独立验证评估。
研究结论部分翻译：为提高区域降水临近预报精度，本研究提出逐小时区域降水预报（HRPF）模型，利用GNSS反演PWV和降水场预测未来1 h区域降水分布。2008—2012年台湾省69个GNSS并址气象站逐小时观测经SSA重建、插值到0.06°网格，并组织为双通道时空序列输入ConvLSTM编码器–解码器网络。通过保留PWV和降水场的网格结构，模型旨在学习局地空间格局和短期时间转换。实验表明，插值后的PWV和降水场具有强滞后时空自相关，降水和PWV自相关系数分别保持在0.86和0.85以上。HRPF模型在年和季节训练配置下稳定收敛，训练和验证损失曲线无明显过拟合证据。年尺度验证中模型检测到多数降水事件，POD>90%、FAR<55%，外部验证TS为46.22%—46.58%。但基于强度的评估显示，>0.5—2.5 mm/h的POD为48.77%，>2.5—10 mm/h为1.00%，>10 mm/h事件无正确检测；因此模型在全部观测降水强度范围内的业务适用性仍需进一步评估。季节验证进一步表明预报技能随季节降水条件变化；外部验证POD为88.8%—97.8%，夏季因FAR较低而TS最高52.8%—53.3%。总体而言，结果表明GNSS反演PWV与网格化降水历史和ConvLSTM编码器–解码器架构结合时，可为区域短期降水预报提供有效水汽信息。该模型最直接的支持证据来自本文评估的台湾站点网络和五年数据期的一小时预报；未来应在更长时间、极端降雨情形和不同GNSS站网密度区域测试，以更好界定其业务可迁移性。
