摘要
由于观测变量之间存在较强的垂直变化性及非线性关联，准确获取云层液态水含量（LWC）和冰水含量（IWC）的垂直分布仍面临挑战。地面云雷达反射率数据以及微波辐射计得到的热力学参数能够提供互补的信息，但将其结合使用需要确保时间与高度的一一对应关系，并采用经过偏差控制的预测模型。本研究构建了一种具有垂直结构的机器学习框架，通过设计能够体现垂直结构特征的参数来捕捉局部梯度与上下文信息；该框架还整合了多种不同配置的树基学习模型，并通过基于垂直结构的堆叠策略加以运用，同时设置了垂直结构细化步骤以消除不同层次之间的不一致性。该框架以林登伯格站的Cloudnet全年观测数据为评估对象，结果表明：使用该框架后，IWC的均方根误差从0.0152克/立方米降至0.0092克/立方米，R2值从0.412上升至0.784；LWC的均方根误差则从0.0786克/立方米降至0.0591克/立方米，R2值从0.303上升至0.606。在边界区域的测试中，这种改进效果尤为明显，因为在雷达探测到的云层边界处，云层结构及水汽含量往往会随高度快速变化。这些结果表明，将云层参数反演问题视为具有垂直结构的学习问题，可以有效减少点式模型固有的不一致性，同时也为在大气参数反演中引入垂直结构约束提供了数据驱动的参考依据。
