诊断与条件校正塞浦路斯X波段雷达低估：空间融合与机器学习方法的交叉验证评估

《Remote Sensing》：Diagnosing and Conditionally Correcting X-Band Radar Underestimation in Cyprus: A Cross-Validated Evaluation of Spatial Merging and Machine Learning Approaches

　　

基于雷达的定量降水估计（QPE）在半干旱地中海气候中因浅层降水的系统性低估而面临严峻挑战，然而针对此类环境量身定制的雨量计-雷达融合框架尚未得到充分评估。本研究为塞浦路斯开发并评估了一套融合流程，结合了来自帕福斯（Paphos）和拉纳卡（Larnaca）业务化雷达网络的X波段双偏振观测数据，以及来自50个站点雨量计网络在2024年湿季（2024年1月和11月至12月）11次降水事件中的累积量。研究人员评估了四种方法：原始雷达镶嵌、全局平均场偏差（MFB）校正、通过留一法交叉验证（LOOCV）评估的空间变化局部反距离加权（IDW）偏差校正，以及基于偏振、几何和地形预测因子训练并通过留一事件交叉验证（LOEO-CV）评估的随机森林（RF）机器学习反演方法。原始雷达表现出严重且高度可变的低估，站点级偏差因子范围为1.4至200倍。全局MFB校正消除了系统性偏移，但作为单一空间均匀标量，无法改善空间对应性；仅当偏差场在空间上一致时才有益。局部IDW校正对大多数事件在交叉验证下降低了均方根误差（RMSE）（通常为40-53%），但这一改善反映了平均偏差的去除而非空间模式的恢复：仅2024年1月17日的事件结合了RMSE降低（从24.07 mm降至11.31 mm）与真实空间技能（留一法相关系数r=0.850，偏差场一致性r=0.742），而多个事件在RMSE上有所改善却保留了近乎为零的空间相关性，且1月30日和31日的事件性能直接下降。这些结果刻画了距离加权（IDW）插值的局限性；包含地形外部漂移的地统计估计量能否在当前雨量计网络约束偏差场的条件下恢复空间技能，仍有待检验。当在相同降水匹配对集（N=2378）上重新评估时，随机森林将10分钟RMSE相对于最佳经典Z-R估计器仅降低了2.6%（从10.38 mm降至10.10 mm），并将系统偏差从-5.06 mm降至-4.25 mm，但未改善点对点空间对应性（r≈0），表明这种均值回归型随机森林提供了有效的偏差校正技能，但缺乏空间对应技能，未能解决CAPPI采样与雨量计点测量之间的根本代表性差距。在本研究的样本条件下，识别出局部偏差校正技能的三个先决条件作为经验诊断指标：至少约40个有效雨量计、空间一致的偏差场以及适中的偏差范围。未尝试对这些指标进行正式的bootstrap或重采样不确定性估计，因为11个事件样本量太小，无法获得稳定的重采样统计量；因此，每个事件中有效雨量计数量、偏差因子范围、偏差场空间自相关与LOOCV误差之间的关系被呈现为这些诊断指标的经验基础，随着更长事件记录的可用，应予以完善和统计稳健性测试。这些发现表明，空间融合的适用性可在校正前通过网络和偏差场属性进行诊断，且在空间插值失败之处，机器学习反演通过系统性偏差去除提供了互补价值。概率融合框架、更密集的雨量计网络以及明确针对空间对应性的机器学习方法被确定为东地中海QPE的优先发展方向。

**论文解读：塞浦路斯X波段雷达低估的诊断与条件校正——空间融合与机器学习方法的交叉验证评估**

**研究背景与问题**

在干旱半干旱地中海气候区，基于雷达的定量降水估计（QPE）面临严峻挑战。该区域降水通常呈现浅层、空间异质性强且偶发性的特征，尤其以浅层对流或层状系统为主，地面雷达难以可靠探测。塞浦路斯位于东地中海，水资源极度匮乏，且降水年际变率大，准确的QPE对于洪水预报、水资源管理及水文气象研究至关重要。然而，X波段雷达在塞浦路斯表现出系统性且随空间变化剧烈的低估，站点级偏差因子可高达1.4至200倍，严重制约了QPE的可靠性。现有研究多针对中纬度湿润气候，缺乏针对塞浦路斯及类似半干旱地中海环境、基于多事件和多校正方法的系统评估。因此，研究人员开展了此项研究，旨在评估空间融合和机器学习方法在改善雷达QPE方面的有效性，并识别事件级条件（如网络密度、偏差场空间一致性）决定校正方法是否成功的关键因素。该论文发表在《Remote Sensing》。

**关键技术与方法**

研究人员为开展研究，采用了以下关键方法：1）原始X波段双偏振雷达数据（来自帕福斯PFO和拉纳卡LAC业务化雷达，扫描周期10分钟）经信噪比阈值质量控制后，构建2 km CAPPI（恒定高度平面位置指示器）场，并采用最大值合成法生成双雷达镶嵌图。2）基于标准Z-R幂律关系（Z=250 R^1.4）及混合偏振反演（结合KDP）进行瞬时降水估计。3）全局平均场偏差（MFB）校正（单一空间均匀标量）。4）局部反距离加权（IDW）偏差校正（搜索半径80 km，幂指数2），并通过留一法交叉验证（LOOCV）评估。5）随机森林（RF）机器学习模型，以Z、Z_DR、K_DP、SNR_h、雷达距离、站点海拔、气温及雷达标识为预测因子，采用留一事件交叉验证（LOEO-CV）评估。样本来源于2024年湿季11次降水事件，包含50个雨量计站（来自塞浦路斯气象局）的10分钟累积数据，最终匹配数据集含107,199个样本。

**研究结果**

**4.1 选定降水事件与数据集概览**：通过11次事件（网络平均日雨量>10 mm）的分析，发现事件雨量变幅大，1月事件（深层气旋系统）与11-12月事件（浅层降水）存在显著差异，雷达数据覆盖情况因事件而异。

**4.2 单雷达场与双雷达镶嵌**：PFO和LAC雷达提供互补覆盖，双雷达镶嵌图相比单雷达场更完整地呈现了降水空间结构，但Z_DR和K_DP场在空间上更为局部化，K_DP信号仅在强降水区域可用。

**4.3 10分钟尺度的Z-R降水估计**：所有经典Z-R估计器（Z=250 R^1.4、Z=100 R^1.4、Z=50 R^1.4）均表现出系统性负偏差，相关系数极低（r≈0），表明在10分钟尺度上无法实现点对点空间对应。最近距离站点的评估结果类似，确认该问题非距离依赖性。

**4.4 事件尺度降水累积**：在事件尺度上，Z=50 R^1.4估计器的相关系数提高至0.279（所有站点）和0.414（近距站点），表明时间累积可揭示部分空间信号。1月事件（如1月17日r=0.878）空间对应性最佳，而11-12月事件（如12月25日r=-0.083）则极差，平均场偏差（MFB）从9.8倍到112.2倍，揭示了浅层降水探测缺陷是主要误差源。

**4.5 机器学习降水估计**：随机森林模型在LOEO-CV下，对公共降水匹配对集（N=2378）的RMSE仅降低2.6%（从10.38 mm至10.10 mm），偏差从-5.06 mm减至-4.25 mm，但相关系数仍为零（r≈-0.04），表明其主要贡献是系统性偏差校正而非空间对应性改善。特征重要性分析显示，SNR_h（22.3%）、K_DP（21.3%）和Z_h（19.8%）是关键预测因子，海拔（9.5%）和雷达距离（10.8%）也起到重要作用。

**4.6 局部偏差校正结果**：通过LOOCV评估局部IDW校正，仅2024年1月17日的事件实现了RMSE显著降低（从24.07 mm至11.31 mm）并保持高空间相关系数（r=0.850）和偏差场一致性（r=0.742），满足约40个有效雨量计、空间一致偏差场、适中偏差范围的条件。对于其他事件（如1月30日），LOOCV反而使RMSE增加（至33.32 mm），且多个秋季事件虽RMSE降低但空间相关系数仍接近零，表明偏差场空间不连贯时，IDW无法恢复空间模式。

**研究结论与讨论**

研究结论部分翻译如下：本研究开发并评估了塞浦路斯的雨量计-雷达融合框架，结合X波段双偏振雷达与50站雨量计网络，针对2024年湿季11次降水事件。主要目标是评估空间变化偏差校正是否优于全局平均场偏差（MFB）校正。原始雷达镶嵌表现出系统性严重低估（1.4-200倍），且无单一空间模式。全局MFB校正去除了系统性偏移，但在偏差场空间异质时降低了性能，六个事件出现负相关，表明均匀标量校正模型不适用于半干旱地中海气候。局部IDW偏差校正通过LOOCV评估，降低大多数事件的事件尺度RMSE，但仅反映平均偏差去除：仅1月17日事件结合了RMSE降低（24.07 mm至11.31 mm）与真实空间技能（留一法r=0.850，偏差场一致性r=0.742）。对于1月30日事件，LOOCV IDW性能恶化（RMSE增至33.32 mm），多个秋季事件RMSE改善但留一法相关系数仍接近零，表明偏差场一致性而非降水深度或RMSE降低单独决定局部插值是否恢复空间结构。三个主要结论：1）低估的空间结构是事件依赖的，需逐事件评估偏差场一致性；2）当前雨量计网络密度不足以约束大多数事件的局部校正，需增加约一倍密度；3）局部校正对深层事件有效、对浅层事件失效这一二元结果，量化了当前基础设施下雨量计-雷达融合可提供可靠价值的最低降水深度阈值。未来工作应优先发展概率偏差校正框架、更长的累积窗口以及将偏振变量整合到事件特定Z-R关系中。