Page 84 - 《高原气象》2026年第3期
P. 84
高 原 气 象 45 卷
692
1 引言 计模型, 其准确性显著优于传统 Z-R 关系。此外,
梯度提升决策树(Gradient Boost Decision Tree, GB‐
在全球变暖的背景下, 极端强降水事件的频发
DT)通过集成学习策略优化了模型鲁棒性, 陈训来
催生了高时空分辨率定量降水估计(Quantitative
等(2019)研究表明, GBDT 在强降水事件(小时雨
Precipitation Estimation, QPE)的迫切需求。由于中
强超过 30 mm·h )中的估计误差较动态 Z-R 法降低
-1
小尺度对流系统具有生消变化快、 水平尺度小的特
21. 3%, 有效缓解了对极端降水低估的现象。
点, 传统的地面雨量计观测难以满足其精细化监测 上述方法均依赖人工特征选择(如反射率均
的需求。而天气雷达凭借高时空连续观测能力, 成
值、 标准差等), 难以充分挖掘雷达参量与降水量
为 捕 捉 此 类 天 气 系 统 的 核 心 手 段(黄 兴 友 等 , 间的深层关联(Shen, 2018)。深度学习技术通过自
2024)。但传统 S波段雷达受限于 6 min更新频次和 动 提 取 高 维 特 征 克 服 了 这 一 缺 陷 。 Chen et al
250 m 空间分辨率, 难以完整刻画中小尺度对流系 (2019)结合地面雷达与星载 TRMM(Tropical Rain‐
统的时空演变过程(熊德方等, 2023)。相较而言, fall Measuring Mission)雷达数据构建多层感知器
X波段相控阵雷达通过电子扫描实现分钟级数据更 (Multilayer Perceptron, MLP), 其估计结果与雨量
新和 10 m 级的空间分辨率, 显著增强了强降水微 计数据的相关系数(Cross-Correlation Coefficient,
物理特征的捕捉能力(张哲等, 2022)。庄潇然等 CC)提升至 0. 89。卓健等(2023)提出融合快速动
(2023)基于北京房山 X 波段双偏振雷达探测资料, 态分级法(Fast Dynamic Categorical method, FDC)
不仅精准监测到 2017 年 6 月 18 日北京门头沟泥石 的 MLP 架构, 将单部雷达输入扩展为多分支网络,
流事件的极端降水过程, 还通过高分辨率的 QPE产 在广西地区实现分钟级、 1 km 网格的业务化 QPE
品成功定位山区强降水核心区域, 有效弥补了山区 产 品 , 强 降 水 事 件 的 均 方 根 误 差(Root Mean
雨量站稀疏的观测短板。然而, X 波段雷达的短波 Square Error, R )降低至 2. 1 mm·h 。相比之下,
-1
MSE
长特性使其信号易受波束衰减(Beam Attenuation, 传统神经网络因缺乏特征通道注意力机制, 难以区
BA)和路径积分效应(Path-Integrated Attenuation, 分融化层干扰与有效降水回波, 导致复杂降水场景
PIA)的影响, 尤其在强对流降水天气中, 反射率因 的泛化能力受限(Shen, 2018)。
子(Horizontal Reflectivity, Z )的探测值会随降水强 基于深度学习的降水估计方法, 其本质是通过
H
度增大而系统性偏低, 因此基于单偏振量的 R(Z ) 深度学习网络对数据中降水信息进行精准定位并
H
关系往往会导致估计结果偏离实际雨强。针对这 赋予更高的权重, 最终拟合得到降水估计结果, 这
一问题, 多种基于双偏振参量的 QPE方法得到了大 与医学图像检测分割任务的本质较为相似。而作
量的研究, 如基于反射率因子和差分反射率(Dif‐ 为处理医学图像检测分割任务的里程碑模型 U-Net
ferential Reflectivity, Z )的 R(Z , Z )方法(Chan‐ (Ronneberger et al, 2015), 不仅具有数据高效性的
DR
DR
H
drasekar and Bringi, 1988), 基 于 差 传 播 相 移 率 特点即在小样本条件下仍能取得较好的收敛效果,
(Specific Differential Phase Shift, K )的 R(K )方 而且具备更为灵活的特征融合机制及轻量高效的
DP
DP
法(Chandrasekar et al, 1990), 基于差分反射率和差 架构(Ronneberger et al, 2015)。基于此, Oktay et
传播相移率的 R(K , Z ) 方法等(Ryzhkov and Zr‐ al(2018)提出 Attention U-Net 模型, Attention U-Net
DP
DR
nić, 1995)。以上方法均为静态的雨强-雷达参量 在 U-Net 框架中解码部分引入注意力门(Attention
关系式, 忽略了不同天气过程以及同一天气过程的 Gates), 这些门动态聚焦于目标区域, 抑制非关键
不同区域雨滴谱(Drop Size Distribution, DSD)的时 特征, 从而显著提升对于小目标的识别精度。关吉
空差异(吴亚昊等, 2016), 缺乏对对流云演变过程 平等(2024)以 Attention U-Net为核心搭建具备处理
的动态适应机制的研究, 导致在夏季短时强降水过 卫星多通道数据能力的卫星降水估计网络框架, 评
程中, 它们的降水估计结果存在显著误差(谷军霞 估结果表明, Attention U-Net 的降水估计效果优于
等, 2018; 李佳慧等, 2025)。 使用传统物理反演方法的卫星降水产品 FY4A-QPE
近年来, 人工智能技术的快速发展为雷达 QPE (FengYun-4A Quantitative Precipitation Estimation)
问题提供了创新性解决方案。人工神经网络(Arti‐ 和 CMORPH(Climate Prediction Center MORPH‐
ficial Neural Network, ANN)以其自适应学习能力 ing), 也优于U-Net模型。
率先应用于该领域, 例如傅德胜等(2015)基于径向 成都平坝地区凭借得天独厚的地理区位与创
基函数(Radial Basis Function, RBF)建立的降水估 新发展战略, 近年来社会经济发展迅猛, 并成功承

