一种三阶段‘匹配-反演-优化’的雷达-降雨反演方法：以中国伊洛河流域为例

《Geomatics, Natural Hazards and Risk》：A three stage ‘Matching-Retrieval-Optimization’ method for radar–rainfall retrieval: a case study in the Yiluo River Basin, China

　　

在现代降雨监测、预报和预警系统中，雷达作为关键的技术基础，深刻改变了洪水管理和减灾的途径。为提高基于雷达的降雨反演精度并有效评估结果的可靠性，研究人员提出了一种创新的、可迁移的三阶段雷达-降雨反演框架（Three-Stage Radar–Rainfall Retrieval Framework, TS-RR），该框架由三个核心组成部分构成：匹配、反演和优化。此外，提出了一种新颖的点-面-过程（Point-Areal-Process, PAP）三维评估方法，能够从站点、空间分布和降雨过程三个角度对反演精度进行全面、定量的评估。结果表明：（1）TS-RR框架能有效指导雷达-降雨反演，其中优化阶段（Stage III）显著增强了降雨峰值的捕捉能力，提高了空间分布精度（Kullback–Leibler散度, KLD < 0.1），并展现出对动态降雨过程的强适应性（相关系数, CC > 0.9）；（2）在有限样本条件下，第二阶段的概率匹配方法（Probability Matching Method, PMM）展现出较强的鲁棒性，保持了稳定的相关性表现（相关系数, CC = 0.7–0.9）；（3）PAP方法有效评估了反演结果的可靠性。所提出的方法通过为水资源管理、洪水预报和预警系统提供科学依据的数据支持和决策参考，具有实际应用价值。

近年来，全球变暖导致极端降雨事件频发，对社会经济和人类活动产生深远影响。中国水利部提出建立流域降雨监测预报“三道防线”，其中雷达作为第一道防线，通过捕捉降雨空间特征进行定量降水估计（Quantitative Precipitation Estimation, QPE）。传统QPE算法主要依赖雷达反射率因子（Z）与降雨强度（R）之间的经验Z-R关系，但参数易受区域、降水类型和气候影响，适应性差。虽然机器学习方法被引入以建立非线性映射，但仍缺乏通用性强的反演框架和精细评估手段。为此，研究人员提出一种三阶段“匹配-反演-优化”的雷达-降雨反演方法（Three-Stage Radar–Rainfall Retrieval Framework, TS-RR），并以中国伊洛河流域为案例验证其有效性。该研究发表在《Geomatics, Natural Hazards and Risk》期刊上。

研究人员使用了郑州和三门峡多普勒雷达复合反射率数据（空间分辨率0.01°×0.01°，时间分辨率6分钟）以及伊洛河流域内135个雨量站的小时降雨数据，数据集包含2021和2022年雨季（6–9月）约168,000个样本，其中70%用于训练，30%用于验证，2021年9月18日的观测数据作为独立测试集。关键技术方法包括：（1）第一阶段时空匹配：采用传统匹配方法（Traditional Matching Method, TMM）和概率匹配方法（Probability Matching Method, PMM）实现雷达与雨量站数据耦合；（2）第二阶段反演：基于Z-R关系（Z = aR^b），使用Levenberg-Marquardt算法优化参数a和b，得到降雨强度估计；（3）第三阶段优化：利用随机森林（Random Forest, RF）和多层感知机（Multilayer Perceptron, MLP）等机器学习算法，以雷达反射率为输入特征、降雨为输出特征，捕捉非线性关系。同时，提出点-面-过程（Point-Areal-Process, PAP）三维评估方法，从站点（点）、空间分布（面）和降雨过程（过程）三个维度量化反演精度，评估指标包括Kullback–Leibler散度（KLD）、皮尔逊相关系数（CC）、均方根误差（RMSE）、相对偏差（RBIAS）和平均相对误差（MRE）。

**3.1 时空数据匹配与耦合**：通过匹配分析，所有雨量站成功匹配到对应雷达栅格。降雨强度以小雨（0.1–2.5 mm/h）为主，占比超过75%，雷达反射率集中在10–30 dBZ，表明伊洛河流域降雨以中小强度为主，极端事件低频。

**3.2 基于雷达的降雨反演与估计**：3.2.1 拟合结果：TMM方法参数a在295–330之间，b在1.37–1.41之间，对降雨强度变化不敏感；PMM方法参数a为149，b为1.96，对降雨强度变化更敏感，能更好捕捉强降雨特征。3.2.2 点-面-过程评估：以2021年9月18日降雨事件为例，点评估显示PMM在石岭、新安、黄龙铺三个站点的反演趋势与实测（Ground Truth, GT）一致，但某些时刻存在高估或低估；TMM和Base方法存在显著低估。面评估显示TMM低估面雨量，无法有效识别降雨中心；PMM表现最佳，KLD值比Base低约29%。过程评估显示PMM的CC稳定在0.7–0.9，RMSE和MRE低于TMM和Base，但第二阶段在复杂降雨条件下难以精确重现降雨场空间结构和强降雨中心位置。

**3.3 增强与优化**：3.3.1 点-面-过程评估：点维度上，第三阶段（RF和MLP）有效捕捉了降雨峰值动态变化，与GT数据吻合更好。面维度上，第三阶段KLD值降至0.27（RF）和0.25（MLP），低于第二阶段，更准确反映空间分布格局。过程维度上，RF的CC超过0.9，MLP的CC维持在0.95以上，RMSE在1–4 mm之间，MRE低于10%，部分时段低于5%。3.3.2 综合评价：对3、6、12、24小时累积降雨的评估显示，第三阶段在短时段（3和6小时）RMSE低至0.45（MLP），KLD小于0.1；长时段（12和24小时）KLD保持在0.05–0.11之间，明显优于第二阶段（KLD 0.2–0.9）。第三阶段RBIAS通常低于5%，而第二阶段为10%–15%。说明第三阶段能更准确反映伊洛河流域降雨的时空异质性。

**讨论**：讨论指出，TS-RR方法克服了传统固定Z-R公式在复杂地形下的局限，通过动态整合降雨特征和非线性建模，揭示了伊洛河流域雷达-降雨关系存在显著的时空变异性和非线性。该方法有效抑制了系统偏差及其累积放大效应，为流域水量输入评估和水文模型提供更精确的降雨输入。在适用性方面，第二阶段的PMM方法在样本有限时展现出强鲁棒性，且具有透明性和低计算需求，通过不同数据量（25%–100%）的参数拟合验证，PMM得到的Z-R统计关系保持稳定，适合需要快速响应的水文应用。第三阶段在短历时对流性暴雨（如9月24日小时降雨>20 mm/h）和长历时持续性强降雨（9月28日峰值为10.4 mm/h）中均表现优于第二阶段，进一步验证了其鲁棒性和适应性。

**结论**：（1）本研究提出了一个三阶段雷达-降雨关系反演框架，包括时空数据匹配与耦合、基于雷达的降雨反演和反演优化。该框架是论文的核心贡献，为相关领域提供了高适应性和可迁移的系统性解决方案。（2）提出了一种点-面-过程（PAP）评估方法，从雨量站（点）、空间分布特征（面）和降水过程时间演变（过程）三个维度进行精细尺度验证，增强了评估的客观性和全面性。（3）系统检验了第三阶段在反演优化中的有效性。PAP评估表明，在点维度，第三阶段有效捕捉了降雨峰值；在面维度，准确反映了空间降雨格局和强度中心（KLD ≤ 0.1）；在过程维度，对动态降水演变适应性强，CC通常超过0.9。（4）在样本有限不足以支持复杂机器学习模型训练的条件下，第二阶段的概率匹配方法（PMM）展现出显著的鲁棒性，能有效捕捉降雨空间特征并保持稳定的反演性能（CC = 0.7–0.9）。证明PMM是有限样本条件下可靠且可解释的替代方法。