《Atmospheric Research》：Precipitation science: State-of-the-Art in measurement, estimation, and modeling
编辑推荐：
降水科学领域积累了种类繁多的观测、建模和算法工具，然而它们之间的张力仍未得到解决。循环验证依赖关系夸大了产品之间的表观一致性，掩盖了数据稀疏区域的真实不确定性。机器学习（ML）提升了中等强度事件的技能，但无法替代极端事件的观测基础设施或过程理解。
降水科学领域积累了种类繁多的观测、建模和算法工具，然而它们之间的张力仍未得到解决。循环验证依赖关系夸大了产品之间的表观一致性，掩盖了数据稀疏区域的真实不确定性。机器学习（ML）提升了中等强度事件的技能，但无法替代极端事件的观测基础设施或过程理解。
1. 引言：降水是地球水循环的基础组成部分，对社会系统至关重要。其时空变异性（从局地对流风暴到广大季风系统）使其成为科学探究和社会规划的关键气象变量。然而，降水过程的复杂性（包括相变、微物理相互作用和大气动力学）给准确测量和预测带来了重大挑战。截至2026年，准确测量降水仍因降水分布不均和瞬变性而困难重重。传统仪器（如雨量计和雨滴谱仪）提供点测量，但难以捕捉空间变异性。遥感技术（如天气雷达和卫星系统）扩展了空间覆盖，但引入了信号衰减和校准误差等不确定性。降水测量和预测的挑战使其成为评估气象和气候模型的最终指标。中国作为约占世界人口17.5%的代表性案例，其地形和气候驱动因子结构为建模提出了有价值的挑战。人为影响（城市化、土地利用变化、气溶胶载荷）进一步使建模任务复杂化。南欧、非洲及其他全球变暖热点地区的降水建模同样至关重要。2024年瓦伦西亚洪水和2025年得克萨斯洪水等灾害事件凸显了不准确降水预报和不充分观测系统的后果。本综述旨在回答：降水科学目前处于何处？它综合了降水测量、遥感和预报的最新进展，强调减少不确定性所需的跨学科努力。本文关注一个更深层次的问题：该领域已积累了多样的观测、建模和算法工具，但基本张力仍未解决，如分辨率与准确度之间的权衡、全球雨量计网络的不均匀分布、区域气候模型的可靠性被高估、机器学习方法对极端事件的泛化不足，以及验证基础设施的循环依赖。
2. 降水直接测量：2.1 雨量计：雨量计仍是地面降水测量的基石，提供标准参考和地面真值数据，用于验证遥感反演和模型输出。经典设计（如翻斗式雨量计（tipping bucket gauge）和称重式雨量计（weighing gauge））在全球网络中部署，如世界气象组织的全球降水气候中心（GPCC）。雨量计仍是黄金标准，自动化与数据遥测的改进增强了实时报告。然而，挑战包括有风条件下的欠捕获、蒸发损失以及偏远地区覆盖稀疏。不同仪器间比较仍是一个开放研究课题。雨量计类型多样，如翻斗式、称重式、虹吸式和光学式。称重式越来越受欢迎，但空间代表性仍是所有类型的限制因素。网络优化以解决降水空间变异性仍是活跃研究领域。表1总结了当前可用的全球降水数据集，由国际降水工作组（IPWG）编制。
2.2 雨滴谱仪：雨滴谱仪（disdrometer）是专门测量降水粒子滴谱（DSD）和速度的仪器，为理解微物理过程和验证雷达反射率提供关键数据。其名称来源于“drop size distribution meter”。类型包括冲击式（impact）、光学式（optical）和声学式（acoustic）。最新进展包括更高分辨率的光学系统和用于改进DSD反演的机器学习算法。Parsivel2雨滴谱仪广泛应用于混合相降水，新型低成本雨滴谱仪正逐步推广。挑战包括高成本和校准问题。
2.3 冰雹测量：地面冰雹测量（如使用冰雹垫）的进展显著增强了对冰雹风暴特征的理解。传统冰雹垫（hail pad）通过压痕估计冰雹大小、密度和动能。最新进展包括自动化处理技术和无人机航拍测量（如“HailPixel”技术），将采样面积扩大到数千平方米，捕捉罕见大冰雹的分布尾部。与自动传感器和雷达的协同部署优化了大小估计，但标准化和区域间比较仍存在挑战。
2.4 新兴技术：新兴地面降水估计技术旨在克服传统仪器的局限性，如微波链路衰减（microwave link attenuation）利用蜂窝通信网络估算降雨，众包数据和物联网（IoT）传感器提供机会性降水信息，低成本雷达系统补充局部测量。这些技术在城市应用中逐渐得到关注，但数据质量控制和网络兼容性仍是主要挑战。
3. 降水遥感：卫星和地面遥感涵盖多种观测系统，包括地球静止平台的红外传感器、低轨卫星的被动微波辐射计、星载降水雷达和地基天气雷达网络。本节基于已有框架，关注多传感器集成和反演算法的最新进展。
3.1 卫星：全球降水测量（GPM）星座由NASA和JAXA领导，提供每2-4小时的高分辨率近全球降水测量。综合多卫星反演（IMERG）算法融合数据，提供0.1°分辨率、30分钟间隔的降水估计。截至2026年7月，GPM星座仍在运行，但SSMIS数据计划终止和GPM核心观测站（CO）燃料即将耗尽（预计2028-2032年退役）将严重影响IMERG精度。GPM CO搭载双频降水雷达（DPR）和GPM微波成像仪（GMI）。新任务如TROPICS（热带气旋监测）和TEMPEST（技术验证）已取得进展。计划中的任务包括INCUS（2026年发射，研究对流云动力学）、WIVERN（ESA地球探索者任务，约2030年代初发射，提供云内风场和降水测量）以及JAXA的降水测量任务（PMM，计划2028年发射，搭载Ku波段多普勒降水雷达KuDPR）。卫星估计仍是全球降水产品的骨干，未来任务需接续GPM的记录。
3.2 地基雷达：地基天气雷达（C波段、S波段、X波段）是高分辨率降水测量和临近预报的核心。美国NEXRAD等系统已升级双极化技术，增强降水类型判别和强度估计。全球雷达网络覆盖在扩展，但非洲、中亚和极地等区域仍存在显著空白。定量上，雷达反射率-雨强关系（Z-R关系）引入较大不确定性，衰减、波束遮挡和地物杂波等问题也限制了其绝对精度。冰雹的遥感检测是活跃领域，双极化雷达通过极化变量识别冰雹，但定量尺寸估计仍不确定。
4. 降水建模：云微物理方案是数值天气预报（NWP）和气候模式中模拟降水过程的关键。
4.1 数值天气预报（NWP）模型：WRF模式仍广泛使用，但下一代框架如MPAS（跨尺度预报模型）和UFS（统一预报系统）正受到关注。这些模型采用先进微物理方案，如双参数方案预测质量和数浓度，以及预测粒子属性（P3）方案，更灵活地模拟冰粒子特性。WDM6方案通过预测云滴、雨和霰的质量和数浓度改善降水预报。
4.2 区域气候模式（RCMs）：区域气候模式提供高分辨率模拟，但存在系统性偏差，如降水强度和频率的偏差，尤其对于对流事件。这些偏差源于对流参数化方案。当网格间距大于约10公里时，深对流必须参数化，导致特征性误差（如降水过早、过弱）。当网格间距小于约4公里时，可采用对流可分辨（convection-permitting）模拟。历史上，多年代际区域气候积分受计算成本限制，但如今如d4PDF和CONUS404数据集已展示出向对流可分辨分辨率过渡的趋势。
4.3 对流可分辨模式（CPMs）：对流可分辨模式（水平网格间距约1-4公里）可显式模拟深对流，消除对流参数化带来的系统性误差，显著改善降水日变化、极端强度及地形降水模拟。然而，它们也面临计算成本高、微物理和边界层处理不确定性增加等挑战。对流可分辨模拟正逐步取代参数化RCM用于政策相关预估。
4.4 地球系统模式（ESMs）：地球系统模式是GCM的自然演化，模拟大气、海洋、陆地、生物圈和冰冻圈的耦合相互作用。CMIP6中ESMs在云微物理、空间分辨率（部分低于25公里）和气溶胶-云相互作用方面有所改进，改善了降水模拟。但平衡气候敏感度仍存在较大不确定性，极端降水变化模拟困难。
4.5 再分析：再分析（如ERA5、MERRA-2）通过数据同化将观测集成到NWP模型中，提供时空一致的降水估计。但再分析降水是诊断输出，未直接同化降水观测，而是通过同化温度、湿度和风等间接约束。雨量计数据因其时空不匹配而难以直接同化，卫星微波辐射的间接同化使再分析降水依赖于模型对流和微物理参数化。验证中存在的循环依赖问题：再分析与同化观测共享数据，导致性能指标过于乐观。
4.6 机器学习：机器学习（ML）在降水估计中的应用经历了显著转变。从早期PERSIANN算法到近期深度神经网络（如U-Net、ConvLSTM、扩散模型）和集成方法（如XGBoost、LightGBM），ML在提升标准验证指标上表现突出。然而，ML方法本质上是插值引擎，对训练分布之外的极端事件泛化能力有限。在NWP中，AI模型（如PanguWeather、FourCastNet、GraphCast）在降水预报方面不如对大尺度变量（如位势高度、温度）成功。混合物理-AI方法（如SuperdropNet）代表更科学的方向。
5. 讨论：尽管2026年降水观测和建模技术显著进步，但确定全球真实降水模式仍具挑战。多种数据集（雨量计、卫星估计、再分析）在月尺度上总体一致，但在数据稀疏区域存在显著差异，如亚马逊盆地和印度季风区。降水产品的内部循环依赖因共享数据源而夸大表观一致性。不同仪器间的系统差异（如Parsivel雨滴谱仪高估强降雨、翻斗式雨量计低估）表明不存在真正的“真实”降水场。雨量计的直接性使其不可替代，但全球分布极不均匀（如GPCC全数据月产品约84,800个站点，但非洲、亚马逊等区域几乎无观测）。雨滴谱仪对雷达和微物理约束至关重要，但部署不足。冰雹垫采样面积极小，无人机摄影测量技术（如HailPixel）是重要进展。地基雷达在时空分辨率上优于任何卫星系统，但地理覆盖有限且数据不公开。卫星是全球降水监测的骨干，提供唯一一致的全球覆盖，但所有卫星产品均通过代理信号间接反演，带来系统性偏差。IMERG等产品在数据丰富区域表现良好，但在数据稀疏区域不确定性最大。NWP模型在短程预报技能上显著提升，但对流触发和组织的预测仍具根本性不确定性。现代参数化区域气候模型（RCMs）尚未提供可靠的区域降水预估，对流可分辨模拟是更坚实的途径。地球系统模式（ESMs）在整体水循环对温室气体强迫的响应方面提供物理一致且逐步改进的预估，但精细区域尺度仍存在不足。再分析产品在数据同化不充分区域可能产生虚假信心。机器学习（ML）作为降水科学的“力量倍增器”，可加速信息提取，但无法替代过程理解，且对极端事件泛化不足，其性能受训练数据地理分布限制。当前验证基础设施存在循环依赖，需独立验证数据集。
6. 结论：截至2026年，降水科学处于关键节点。地面测量系统可靠但缺乏变革性发展。卫星遥感面临关键任务终止的威胁（如GPM核心观测站退役），新任务（如WIVERN、PMM）计划在2028年后发射，可能造成监测空白。AI在降水预报方面进展有限，需物理知情的混合方法。机器学习模型在跨气候区迁移时技能缺乏保证，且气候变化下预测因子关系不平稳。云微物理参数化仍是重要不确定性源。该领域需要新卫星任务、创新测量策略和稳健建模计划。私营部门（如Tomorrow.io、Weather Stream）的商业卫星星座有望提供补充。七个核心思想：分辨率与准确度罕见共存；全球雨量计网络是整个系统的瓶颈；参数化RCMs尚未提供可靠区域降水预估；ESMs在适当尺度上更可靠；卫星产品是信息效率最高的投资；机器学习是力量倍增器而非基础；当前验证基础设施存在循环依赖。
