基于天气雷达和雨量站数据集的定量降水估计深度学习模型

《Environments》:Deep Learning Models for Quantitative Precipitation Estimation Based on Weather-Radar and Rain-Gauge Datasets

【字体: 大 中 小 】 时间:2026年08月10日 来源:Environments 4.3

编辑推荐:

  定量降水估计(Quantitative Precipitation Estimation, QPE)是水文气象应用的基本任务,涵盖从山洪检测到水资源管理等领域。尽管天气雷达相比雨量站具有更优越的空间覆盖,但基于经验?????(反射率因子与降雨率)关系的传统估算

  
定量降水估计(Quantitative Precipitation Estimation, QPE)是水文气象应用的基本任务,涵盖从山洪检测到水资源管理等领域。尽管天气雷达相比雨量站具有更优越的空间覆盖,但基于经验?????(反射率因子与降雨率)关系的传统估算无法捕捉空间变异性,且倾向于低估极端降雨。研究人员在此的思路是利用卷积神经网络(Convolutional Neural Network, CNN)学习雷达到降雨的映射,该网络基于共定位的雷达和雨量站数据进行训练;因此,一旦训练完成,该网络可以将雷达反射率测量值转换为降雨值,即使在没有雨量站的区域也可使用。尽管机器学习技术对此任务有前景,但它们通常需要大量训练集。为了在有限数据条件下运行,研究人员引入了一种U-Net架构,该架构将空间分析与时间分析分离:每个模块首先考察反射率场的结构,然后考察其在连续雷达扫描中的变化,从而从体积数据中提取时空特征,参数比全三维滤波器更少。该模型在2023年11月2日影响意大利托斯卡纳的一次强对流事件上进行了评估,将其性能与经典的Joss–Waldvogel ?????关系(适用于对流事件)、基于天气雷达和雨量站数据的数据驱动对数回归以及基线CNN架构进行了比较。主要优势是负偏差(即降雨低估)在相同操作条件下减半以上,与雨量站测量的相关性翻倍以上。值得注意的是,该模型能够从不同时间和地点获取的雷达和降雨数据中学习,并且能够将反射率图转换为降雨图,无需同时的雨量站测量。这是固定参数方法的一个优势;然而,它们的准确性远低于此。
定量降水估计(Quantitative Precipitation Estimation, QPE)是水文气象学的核心任务,服务于山洪预警、水资源管理等领域。传统基于雨量站的空间插值方法受限于稀疏分布,难以捕捉对流性降水的局地结构;天气雷达虽提供广域覆盖,但基于经验?????(反射率因子-降雨率)关系的估算无法反映空间变异性,且系统性低估极端降水。现有融合方法(如克里金外漂移、条件合并)依赖雨量站实时观测,而机器学习方法虽具潜力,却通常需要大量训练数据。针对上述问题,研究人员以2023年11月2日意大利托斯卡纳强对流事件为案例,提出一种面向有限数据条件的深度学习框架,旨在利用雷达体积数据独立生成降雨估计,克服传统参数化方法的局限性。该研究发表在《Environments》。

研究人员采用的主要关键技术方法包括:从意大利国家天气雷达网络(DPCN)获取8层恒定高度平面位置指示器(CAPPI)雷达反射率数据(1000–8000 m海拔),结合区域雨量站网络(426个站点,LaMMA联盟运营)的10分钟累积降雨量,生成时空超立方体(6个连续10分钟帧,8层×3×3像素窗口)。通过省份级空间分区(比萨、利沃诺为测试集,佛罗伦萨为验证集,其余为训练集)并施加10.5 km反泄漏缓冲区,确保测试集与训练集无空间重叠。模型方面,构建了基线三维卷积神经网络(CNN)和基于(2+1)D卷积块的U-Net架构,后者分别处理空间和时间维度,并引入目标加权损失函数(加权均方误差wMSE、加权平均绝对误差wMAE)以缓解对高强度降雨的低估。对比方法包括四个固定?????关系(Marshall–Palmer、Joss–Waldvogel、多雷达多传感器MRMS、罗马C波段)及基于对数回归的数据驱动参数化方法。

**3.1 Benchmarking**
在事件峰值时刻(2023年11月2日19:00 UTC),对Pistoia省的雨量站进行评估,数据驱动对数回归(参数a=1.35×10?4,b=0.225)在固定?????关系中表现最佳,均方根误差(RMSE)和平均绝对误差(MAE)最低,相关性(r)最高(0.42),但其他固定关系(如Joss–Waldvogel)均呈现显著负偏差(?10.15至?7.99 mm)。

**3.2 Simulations**
在严格保留的测试集(比萨和利沃诺省,18:00–21:00 UTC)上,固定?????关系相关性极低(r≈0.207–0.208),负偏差达?6.6至?7.3 mm;数据驱动对数回归性能未改善(r=0.208)。相比之下,基线CNN和(2+1)D U-Net的加权版本分别达到r=0.64和0.66,负偏差降至?1.1至?1.4 mm,RMSE和MAE均显著降低。U-Net在空间一致性上优于基线CNN,尤其在独立省份上保持了高相关性(r=0.66),而参数化方法相关性降至接近零(r≈0.06)。目标加权损失(wMAE/wMSE)进一步减轻了低估,使降雨强度预测更接近实测值。

讨论部分指出,省份级空间阻塞加反泄漏缓冲区的评估方案比随机划分更为严格,参数化方法在跨区域时失效,说明点尺度?????映射的固有弱点;而深度学习模型通过利用空间上下文、垂直结构和短期时间演化,实现了对未观测区域的有效泛化,这是操作应用的关键场景。尽管所有估计器仍存在对最强烈时段的低估,但加权损失显著缓解了这一问题。结论部分翻译如下:
在本研究中,研究人员提出了一种基于天气雷达和雨量站数据的深度学习定量降水估计方法。该架构采用U-Net主干,结合(2+1)D卷积块,以应对数据稀缺性并捕捉体积雷达采集的空间与时间演化。所提出的深度学习模型与基线CNN、四个固定参数化?????关系以及通过对数回归实现的数据驱动?????关系进行了基准测试。天气雷达和雨量站观测数据取自2023年11月2日袭击意大利托斯卡纳的强对流事件。完整训练和评估流程在Apple MacBook Pro(M3 Max)上每个配置运行时间不超过20分钟。所提出的U-Net架构在所有比较方法中实现了最佳相关性、最低RMSE和MAE。与相同配置下的参数化方法相比,偏差值减半以上,相关性值翻倍以上。目标加权损失进一步减少了高强度降雨的低估。鉴于其可扩展性,该模型可轻松适应更大、更多样化的数据集。未来发展将扩展到多事件,并评估其在无雨量站覆盖地区的鲁棒性和迁移能力。最后,一个值得关注的问题是在深度学习过程中引入不可分离多尺度分析的可能益处。对反射率图进行预处理阶段(如合成孔径雷达(SAR)数据中使用的)值得关注。没有空间平均,所有任务的性能都显著较差。一旦模型训练完成,仅依靠雷达覆盖估算降雨的能力直接关系到引言中提到的应用。水文和水力模型由分布式降水场驱动,其最薄弱环节通常是流域源头:山区且仪器稀疏,但水文占主导地位,因为那里的降雨在几小时内控制下游流量。基于雨量站的插值和调整技术恰恰在最不可靠的地区,而雷达覆盖通常可用。因此,训练后的模型可以为未设站流域提供降雨强迫,以雷达扫描更新率输出,用于山洪检测、河道洪水建模和水量平衡计算。有两个注意事项:估计值是小时累积量,而山洪应用通常需要亚小时更新;所有估计器(包括所提出的)仍然低估了最强烈的小时,尽管目标加权损失缓解了这种行为,且系统性偏差可以在事后校正。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号