摘要
本文中，作者开发了一种数据驱动的模型，利用随机森林机器学习算法将雷达测量数据分类为降水（P）和非降水（NP）回波。双极化雷达变量及其局部变异性在降水回波和非降水回波之间表现出显著差异。作者发现，增大搜索窗口大小通常可以提高分类精度，但这需要权衡：虽然在消除小范围的非降水回波方面有一定效果，但也可能抑制风暴边缘附近的微弱降水信号。通过结合使用不同窗口大小计算出的多尺度局部变异估计值，可以进一步改善分类性能，从而捕捉到降水回波和非降水回波所具有的空间尺度依赖特征。该模型使用单次雷达扫描获得的数据，并在距离雷达的所有范围内表现出一致的性能。这种一致性使得该模型在230公里范围内仍能可靠使用——这是NEXRAD雷达用于降雨估计的最大探测范围——而不会因距离效应导致精度显著下降。结合GOES-16红外通道产品的独立信息可以进一步提高分类效果，有助于消除主模型未能检测到的局部非降水回波，尤其是那些由于风力涡轮机产生的、在双极化特征上类似降水的回波。这种现象是基于水蒸气和/或雨滴吸收地面辐射、从而降低亮度温度的原理。在实际应用中，雷达附近仍存在挑战，因为该区域的采样体积较小，信号处理（如旁瓣影响和地面杂波抑制）可能会扭曲雷达测量数据。这些区域降水被漏检的情况很可能源于此类数据异常。为了解决这个问题，可以采用针对雷达附近区域的特殊扫描策略，例如恒高平面位置指示器（CAPPI）。
