MLP在雷达定量降水估测中的应用.pdf

卓健，廖胜石，苏传程，等.MLP在雷达定量降水估测中的应用J.热带气象学报，2023，39(3)：289-299.文章编号：1004-4965(2023)03-0289-11MLP在雷达定量降水估测中的应用卓健1，廖胜石2，苏传程1，邓悦1，张小琼1(1.广西壮族自治区气象信息中心，广西 南宁 530022；2.广西壮族自治区气候中心，广西 南宁 530022)摘要：通过临近时次、临近空间降水回波性质相似假设，以人工智能技术结合快速动态分级法(FastDynamic Categorical method，FDC)为核心，设计广西区域分钟级雷达定量降水估测产品模型。在单部雷达估测降水时，分两层三次使用感知器寻求合理的降水类型分类Z-I关系，首先将FDC看为一种多分类算法，根据单站雷达各级回波的降水估测结果误差将回波区内的站点分为强站点和弱站点两类，然后分别对这两类站点再次使用FDC建立新的强、弱两类Z-I关系。在多部雷达组网联合估测定量降水时，将各雷达估测值等权重看待，将单部雷达估测作为一个分支，通过连结方式构建一个多层感知器(Multilayer Perceptron，MLP)。无站点回波区采用K近邻算法(K-Nearest Neighbor，KNN)选择合适的MLP求得的Z-I关系估算降水量。对2019年310月试验产品进行检验分析，结果表明以区域站组成的训练组小时降水相关系数达0.973 7，以国家级气象台站组成的测试组相关系数达0.825 6。关键词：快速动态分级法；K近邻；多层感知器；定量降水估测；Z-I关系中图分类号：P426.6文献标志码：ADoi：10.16032/j.issn.1004-4965.2023.027收稿日期：2022-02-24；修订日期：2023-05-28基金项目：广西气象数据治理及实况业务创新团队；广西气象科研计划项目(桂气科2021M21)；广西气象科研计划项目(桂气科2022Z03)共同资助通讯作者：廖胜石，男，广西壮族自治区人，高级工程师，主要从事气候监测评价、气象灾害风险评估研究。E-mail：第39卷 第3期2023年6月热 带 气 象 学 报JOURNAL OF TROPICAL METEOROLOGYVol.39,No.3Jun.,20231 1 引引言言由于天气雷达探测资料高时空分辨率的特点，对于短临预报、中小尺度天气监测等气象业务具 有 重 要 意 义1-3。雷 达 定 量 降 水 估 测(Quantitative Precipitation Estimation，QPE)是天气雷达探测资料应用的重点，在国内外有众多研究和业务产品，其分辨率已达到1 km、分钟级。由于Z-I关系不确定、地形遮挡、距离衰减、探测高度等原因造成雷达估测降水存在明显的系统性偏差，研究人员在研制定量降水估测产品时采用反射率垂直廓线订正、降水类型分类、双偏振量质量控制、双偏振量降水估计、雨量计偏差订正等方法提升估测精度。针对国内雷达型号多、标定不均一等具体情况4-7，研究人员从波束阻挡、融化层及反射率垂直廓线订正、降水类型分类Z-I关系、利用双偏振量估测降水等技术方法进行深入研究，取得丰硕成果8-26。近年来，大数据技术与人工智能技术的飞速发展为气象领域充分挖掘海量历史数据价值提供了生机，逐步实现以数据驱动的思路来解决气象领域的问题。在雷达定量测量降水问题上，Xiao等16采用人工神经网络用于雷达降水估测，通过将雷达观测插值不同的高度层，输入不同高度层的雷达反射率来估测降水，结果优于Z-I等传统方法；Chen等17将地面雷达和TRMM 雷达观测数据相结合作为深度神经网络的输入，证明了该创新的降雨估测算法的广阔前景和通用性；Liu等18研究发现基于人工神经网络的定量降水估测比用Z-热 带 气 象 学 报第39卷I关系更精确；邵月红等19利用BP神经网络对临沂地区的降水进行估测，取得效果比概率匹配法更好。傅德胜等20基于径向基函数神经网络，建立雷达定量估测降水模型，将其用于地面降水估测；殷志远等21采用遗传神经网络进行了雷达定量估测和预报降水的实验，整体上提高了洪水预报的精度。陈训来等22采用梯度提升决策树法，结果要优于固定Z-I关系与动态Z-I关系。张晨阳等23将加权随机森林和反射率垂直廓线结合，并考虑地形特征，效果有了一定提升。雷达定量估测降水研究取得很多成果，但有些研究结果的计算效率，估测精度仍需改进，在实际业务上推广困难。由于雷达回波和降水关系存在很强的地域性，广西地处亚热带地区，地形复杂，降雨天气变化多端，“太阳雨”、“牛背雨”、“街区雨”、“东边日出西边雨”的事例比比皆是，目前针对广西区域开展基于深度学习的定量降水估测算法的研究还比较少，国内外现有的经验不能直接在广西应用，通过采用深度学习等人工智能技术，提升广西雷达资料估测精度是亟需解决的技术问题。汪瑛等24指出一个好的定量降水估测算法关键在于能否实时刻画降水系统的时间变化，由此提出了动态分级 Z-I 关系法。该方法不依赖气候统计，改进了对短时强降水、尤其是大量级的短时极强降水低估的问题，计算速度快，便于移植。卓健等25进一步改进动态分级 Z-I 关系法，提出了快速动态分级法(Fast Dynamic Categorical method，FDC)，指出以偏差为0且方差最小为条件时分级均值是唯一解，使得求解QPE的计算速度进一步提升。动态分级Z-I关系法和快速动态分级法强调了时间相关性高的数据是更合理的选择，部分解决估测精度和计算速度的问题。本文在此基础上进一步提出一个假设：在同一时次，回波块是由多个不同降水强度特征的小区域联合组成。根据这个临近时次、临近空间的降水回波性质相似的假设，我们在设计广西区域分钟级雷达定量降水估测产品算法时，采用 AI 结合快速动态分级法(FDC)为核心来设计降水估测产品模型；与众多前人研究不同，本文还尝试在同一时次单部雷达使用超过一个 Z-I 关系，以此进行估测精度提升试验。2 2 资料和方法资料和方法2.1 数据来源和质控方案本文使用的资料取自 2019 年 3 月 10 日10月 10日广西雷达汛期运行模式覆盖的全时段资料，包括 10部新一代多普勒雷达产品和约 2 700个自动站(自动气象站)降水量数据，所有资料均从CIMISS(全国综合气象信息共享系统)获取。雷达产品使用各雷达站按业务考核要求上传的PUP组合反射率产品，不做质控；自动站资料使用分钟降水量和质控后的小时降水量数据，对降水数据进行简单质控：对于某站的某小时数据，若该时次的分钟降水量累计值不等于质控后的小时降水量则剔除该时次的分钟和小时降水数据，若某时次的分钟雨量有缺，但是累计值等于质控后的小时降水量，则将所缺分钟降水量设置为0，其余分钟降水量数据全部作为正常数据使用。分钟雨量资料与雷达资料的匹配方式如下：用 T-6 min 到 T-1min累计雨量与T时刻雷达回波相匹配，将这一匹配得到的回波等级与降水的关系用于T-6 min到T-1 min时间段的降水估测。2.2 方法2.2.1 FDC方法及改进思路FDC方法将某一时次回波Z划分为Lv1，Lv2，Lvn共n级，使用逐6 min自动站降水数据与对应位置回波求Z-I关系，限制条件是逐时次分级的QPE值应满足偏差(Bias)为0且方差(Var)最小，推导出同级回波的站点降水均值是该时次该等级回波Z-I关系的解。方差用于描述离散程度，对于第 n 级回波，FDC方法估测降水的方差如式(1)，Var=(-Gn-Gni)2(1)其中-Gn为第n级回波降水估测值的平均值，Gni为观测值，ni为第n级回波对应的自动雨量站序列。FDC方法流程图见图1，将各级回波对应的自动站归类后，求其均值即可得到这一级回波该时次的Z-I关系，将全部-Gn求出后，代入雷达回波强度即可求得全域的QPE值。从 AI视角，FDC方法属于一种多分类算法，忽略求解Z-I关系过程细节，可以将图1简化成感290第3期卓健等：MLP在雷达定量降水估测中的应用知器(图 2)，输入的是雷达回波和自动站雨量数据，输出的是Z-I关系。第一次 FDC 方法将回波和自动站分成了 n类，每类对应一个强度范围等级的雷达回波并包含一定数量的自动站点(图3a)，每类回波对应一个QPE值。要进一步提升FDC方法的QPE性能，应该在保持偏差为 0 的前提，使方差尽量趋近 0。FDC方法按照自动站点所在位置的回波强度等级进行分类(图3a)，在一个时次，每个强度范围等级的雷达回波为一类，该类回波的QPE是唯一的(图3a中绿色横线)，但是站点观测到的降水量可能与这个值并不一致，这就是 FDC 方法方差产生的原因。图1FDC方法流程图-G表示各级回波的Z-I关系。图2FDC方法求Z-I关系感知器自动站雷达回波G雷达回波自动站雨量LV1LV2LV3LVnAWS1AWS2AWS3AWSmAWS1_1AWS2_1AWS3_1AWSn_1AWS1_aAWS2_bAWS3_cAWSn_dLV1LV2LV3LVnG1G2G3Gn291热 带 气 象 学 报第39卷进一步细分可达到偏差为0，方差进一步缩小的目的，具体方法如下：首先将自动站降水值与该站点位置回波的QPE值进行比较，自动站降水值QPE值的站点定义为强站点(红色圆点，用AWSS表示)，其余则为弱站点(蓝色圆点，用 AWSW表示)；然后对第一次FDC方法分出的所有回波和自动站类别进行类内二分类，即一个强度范围等级的雷达回波，与该量级回波包含的强站点组成一个子类，与弱站点组成另一个子类，各子类分别重新求Z-I关系，这一方法将回波和自动站分成了2n类(图 3b)，各类分别使用类内站点均值作为新的该类回波Z-I关系，强站点的Z-I关系如图中深红色虚线表示，弱站点的Z-I关系如图中浅绿色虚线表示。设分类前由自动站降水量顺序序列 H1，Hm，Hn 组成，新类是在Hm处截断形成的两个新顺序序列 H1，Hm-1 和 Hm，Hn，由方差公式可知，两个新序列的方差之和小于等于原序列，仅当一个新的序列为空集时两个新序列的方差之和才等于原序列，这也可通过图1直观看出。理论上，可以根据误差再继续进行分类，从而不断缩小方差，但是实际应用时过多分类容易发生过拟合现象：建模的训练集得到一个“完美”的公式，在独立检验的验证集里表现不佳。2.2.2 个例随意抽取南宁SA雷达一个时次(2019年8月1日03:48(世界时，下同)的雷达回波(图4a)。该时次回波位置对应自动站雨量838个样本值空间分布（图 4b），传统方法26，如固定关系法(Z=300I1.4)和最优法(Z=3I2.3)，拟合得到的Z-I曲线分别对应图4c的灰、黄点线。若站点观测值落在曲线上，则估测值与观测值为0误差，很多站点的观测值并未落在拟合曲线上，这就是估测值与观测值的均方根误差来源。使用FDC方法进行二次分类后，拟合得到强、弱站点的两类Z-I关系(图4d)，由于降水雨强为韦伯分布(Weibull distribution)，拟合得到的曲线更接近占多数的小量值，即曲线偏向该类数据的下方。值得注意的是这两条线不同于传统方法得到的指数形式曲线，并未呈现单调递增的特点，体现了动态方法是用实时数据来拟合Z-I关系，每个时次参与拟合的数据不同，得到的 Z-I 关系是动态变化的。通过2.2.1节的讨论可知，经过两次分类后，估测值与观测值的均方根误差缩小了。如-515dBZ对应的286个站点观测值为0 mm，两次分类FDC的估测值也为0 mm，这部分站点估测误差为0，图4d中的蓝实线和横坐标基本重合；而图4c中可看到，固定关系法和最优法的Z-I曲线均位于横坐标轴上方，即估测值0 mm，存在不同程度的估测误差，其中最优法510 dBZ的6 min估测值偏差是最大的。可以预见，将分好的类再进一步分类，会有更多估测值落在Z-I关系曲线上，从而进一步缩小均方根误差。将算法在实际系统中实现时，需要考虑可用站点数，避免过拟合现象发生，为研究方便，本文仅进行两次分类。图3FDC分类示意图a.第一次分类；b.第二次分类。竖虚线表示回波分类间隔，圆点表示自动站降水量，横线表示第一次分类小类回波的Z-I关系，横虚线表示第二次分类小类回波的Z-I关系，图b带边框圆点表示第二次分类后同颜色小类的强站点。PrePre(a)(b)ZZLv1Lv2LvLvn-1LvnLv1Lv2LvLvn-1Lvn292第3期卓健等：MLP在雷达定量降水估测中的应用2.2.3 人工智能技术选择机器学习算法可分为回归(Regression)、分类(Classification)和聚类(Clustering)，分类或者聚类都比较适合用于区分任务，聚类和分类的差异在于是否使用标签(label)。本研究将第二次分类结果作为同级回波分类的标签，因此从分类算法中选择算法。两次分类的FDC方法从结构上看是一个多层感知器(Multilayer Perceptron，MLP)，FDC的 MLP模型包含两层感知器(图5)，第一层感知器使用雷达回波与全部自动站观测数据建立第一次Z-I关系G1，根据偏差区分出强站点和弱站点后，再次使用FDC方法，第二层感知器将强站点和弱站点分别与雷达回波建立新的Z-I关系G2S和G2W。2.2.4 多部雷达的QPE拼图图42019年8月1日03:48南宁SA雷达组合反射率因子产品(a)、回波区6 min自动站降水量(b)、传统方法数据拟合曲线(c)、两次分类FDC估测结果(d)b中纵横坐标为距离雷达中心经纬度度数，c中蓝点表示站点观测值(Z表示雷达回波强度，I表示降水强度)，d中红色表示强站点，蓝色表示弱站点，用圆圈、方框和三角符号表示该时次不同等级回波对应雨强的样本数量。图5MLP模型求Z-I关系AWSS表示强站点，AWSW表示弱站点。(a)(b)(c)(d)dBZ-5051015202530354045505560655.0 mm,)2.4 mm,5.0 mm)1.0 mm,2.4 mm)0.4 mm,1.0 mm)0.1 mm,0.3 mm)0 mm-2.3-2.32.32.33.02.52.01.51.00.50降水强度/(mm/(6 min)3.02.52.01.51.00.50-5515253545-5515253545回波强度/dBZ回波强度/dBZ1样本1样本强站点Z-I线210样本210样本弱站点Z-I线超10样本超10样本Z=3I2.3Z=300I1.400AWSRADAG1AWSAWSSAWSWRADAG2SG2W降水强度/(mm/(6 min)293热 带 气 象 学 报第39卷多部雷达组合反射率拼图有平均值法和最大值法，试验本研究多部雷达定量降水估测拼图两种方法小样本测试后，发现最大值拼图整体偏强，偏强幅度超过40%，平均值拼图整体偏弱，偏弱幅度很小。分析平均值拼图整体偏弱的原因：由于有一定比例的样本处于无回波区域，这部分样本的加入，导致整体评估时误差呈负值，这是可接受的由样本因素引起的正常偏差，因此取平均值拼图法做为本研究的拼图方式。将各雷达降水估测分别作为一个分支，通过连结方式得到联合雷达降水定量估测模型(图6)，本模型的特点。(1)模型的核心计算为FDC是可解释的，所以这是一种没有“黑盒子”的AI模型。(2)模型将所有雷达等权重看待，即对于任意位置，可观测到该位置雷达回波的这部雷达对该位置的降水估测只由其本身性能决定，不需要考虑其他雷达从另外观测点探测结果，也就规避了雷达探测性能均一性差异问题；从观测角度，对于同一个气象回波，不同雷达从不同方位对其进行探测，因为雷达的不一致，观测角度不同，这就如同测量数据一样多次测量，取其平均值是一个合理的做法。(3)隐藏层2计算输出层的QPE见公式(2)，ki取值1或0，由站点是否属于对应的强或弱站点确定，n为kiG2i不为0值的数量，由于降水的非负性，若某区域某部雷达被遮挡导致无法观测，则该雷达这一位置的站点不进行估测也不纳入最后计算，不影响QPE值。QPE=1nkiG2i(2)(4)模型可适应自动站和雷达站数量的动态变化。2.2.5 KNN更多的回波区域没有自动站点，只计算1次Z-I 关系时一级回波只对应有一个 QPE 值，使用MLP模型对回波强度进行二次分类后，一级回波对应的Z-I关系存在双值。以图4相同时次为例，这些站点强站点和弱站点空间分布具有强站点和弱站点有相对聚拢的趋势(图7a)，即同类强弱站点的具有水平空间欧氏距离小，不同类强弱站点水平空间欧氏距离大的特点，由此提出假设：“在同一时次，回波块是由多个不同降水强度特征的小区域联合组成”，这种相似性质站点空间聚拢特点图6多部雷达QPE简图输出层的QPE表示最终计算结果。输入层隐藏层1隐藏层2输出层AWSRADA1RADAnRADAAWSG11G1nG1G21_SG21_WG2G2G2n_SG2n_WQPE294第3期卓健等：MLP在雷达定量降水估测中的应用是解决一级回波 Z-I 关系对应双值或者多值的依据。常 见 的 机 器 学 习 分 类 算 法 有 K 近 邻(K-Nearest Neighbor，KNN)，决策树(Decision Tree)，朴 素 贝 叶 斯(Naive Bayesian，NB)，逻 辑 回 归(Logistic Regression)，支持向量机(Support VectorMachine，SVM)，随机森林(Random Forest，RF)等。根据临近时次、临近空间的降水回波性质相似假设，选择KNN对无站点区域回波进行分类，以此确定某一无站点回波区域是强区(类似强站点，图7b红色区域)或者弱区(类似弱站点，图7b蓝色区域)，对应该区域QPE值应该取值G2S还是G2W。使用K=1选择2019年8月整月数据进行小样本实验，发现改进后的QPE效果存在明显改进，对降水细节刻画得更清晰。FDC方法QPE结果如图7c所示，改进后的QPE结果如图7d所示，可看出两方法的整体形状基本一致，但是QPE结果比图8a更能体现较强降水区的细节，变化的区域很多，例如图7d的浅蓝色区域远大于图7c的，而图7d深蓝区域则小于图7c的。用箭头简单标示出一些明显改动的区域，红色箭头标示雷达回波较强，在第一次QPE时估测值较高，通过第二次分类，QPE降低，紫色箭头则相反，第二次分类后QPE提升，这些变化都更符合自动站实际观测值，并且部分虚假回波造成的错误降水被正确订正为无降水(图7c、图7d黑色空心箭头)。图7时间同图4，强弱站点空间分布(a)、KNN分类区域(b)、第一次QPE(c)、第二次QPE(d)3 3 统计检验方法及结果分析统计检验方法及结果分析3.1 检验方法评估指标评估指标为常用的相关系数(r)、偏差(ME)、均方根误差(RMSE)，r=i=1n(Ra()i-Ra)(Rg(i)-Rg)i=1n()Ra()i-Ra2i=1n(Rg(i)-Rg)2(3)ME=1ni=1n(Ra()i-Rg(i)(4)RMSE=1ni=1n(Ra()i-Rg(i)2(5)式中Ra(i)为第i点上的估测值，Rg(i)为第i点上的观测值，Ra、Rg分别为估测值和观测值的均值。3.2 个例检验前文从理论角度探讨了本文研究方法QPE估测精度相对之前方法的改进思路，表1给出图4例子的统计指标，比较传统固定关系法26、最优法26、(a)(c)(b)(d)-2.3-2.32.32.300强站点弱站点强区弱区Pre(mm/(6 min)0.10.30.92.45.010.00.10.30.92.45.010.0Pre(mm/(6 min)295热 带 气 象 学 报第39卷FDC方法和本文介绍的两次分类FDC方法在单站雷达定量降水估测时的估测精度。可看出两次分类FDC得到的几个统计指标在四种方法比较中都是最优。FDC方法强调整体无偏，所以不管多少次分类，在样本没有错误和缺漏的情况下，ME 都接近 0，更多次分类的 RMSE 会减小。3.3 独立检验对本文介绍的MLP模型+KNN方法，生成组网雷达定量降水估测的精度进行检验，检验时间段为2019年3月10日10月10日。独立样本检验方法更能说明产品性能指标，具体方法为：将质控后的自动站小时降水量作为“真值”数据(简称为观测值，下同)；把自动站资料分为训练集(Train组)和验证集(Test组)两组，分组原则等采用潘旸等27的方法，将所有区域气象站作为 Train 组(2 634 站)，所有国家气象站作为 Test 组(91 站)，Test组分钟数据不参与QPE研制。首先按本研究的方法使用 Train组自动站降水分钟数据和全时段雷达产品制作出逐6 min雷达定量降水估测产品，再将每一时次的10个逐6min产品累加得到小时产品；采用K近邻算法，提取Train和Test两组自动站点(共2 725站)在小时产品里对应格点的估测值(简称为估测值，下同)，使用估测值和观测值进行检验评估。表2给出估测产品分组的统计指标，整体看各项指标Train组均高于Test组。表2Train/Test组统计指标估测值Train组Test组r0.973 70.825 6ME/(mm/h)0.002 7-0.016 9RMSE/(mm/h)0.394 90.905 9对相关系数按等级分别进行划分(表 2)。Train组98.75%的站点r0.9，该组仅有1站相关系数小于0.5，分析该站逐时降水概率仅为1.7%，观测累计降水量仅为23.8 mm，与同期同组站点平均降水概率11.2%，站点累计降水量平均值1 065.2 mm差距极大，分析该站因各种因素导致长时间雨量数据为0，同样情况出现在r(0.6，0.7区间的1站；Test 组 r 主要分布在(0.8，0.9段，没有 r0.5 的站点，作为独立检验组，相关系数属于较高水准，组成员均为国家站，与一般认为国家级站点可靠性强于区域站的观点吻合。站点累计估测值和观测值散点图有较好聚拢性(图8)，特别是Train组。表32019年Train/Test组r站数分布r(0.9，1.0(0.8，0.9(0.7，0.8(0.6，0.7(0.5，0.6(0.4，0.5Train组站数2 602227111比例98.75%0.83%0.27%0.04%0.04%0.04%Test组站数165119320比例17.58%56.04%20.88%3.30%2.20%0.00%对同时次所有站点估测值与观测值分别进行累加，Train组各时次的估测合计值与观测合计值基本相等(图9a)，表现在散点图上就是基本聚拢为一条直线，体现本文方法中作为Z-I关系的FDC方法强调整体无偏的特点，Test 组则表现稍差(图9b)，说明存在一定量的空估和漏估，这是需要进一步改进的地方。对Test组进行不同阈值的降水分级检验(表4)，发现除了在0.1，2)级别，ME为正值，其余组ME均为负值，说明本方法在低级别高估多于低估，高级别低估多于高估，降雨量级越大，低估越明显，对于小于10 mm/h量级降水，估测值和观测值还是比较接近的。说明本方法在小量级降水的估测精度比较高，对于强降水则有一定的低估偏差。统计指标rME/(mm/(6 min)RMSE/(mm/(6 min)固定关系法Z=300I1.40.410 8-0.118 70.369 4最优法Z=3I2.30.428 40.353 90.580 3FDC0.428 42.410-170.338 9两次分类FDC0.708 7-1.910-160.260 3表1几种单雷达QPE方法，单时次统计指标296第3期卓健等：MLP在雷达定量降水估测中的应用3.4 独立检验组相关系数差异最大两个站点简单分析在Test组中，相关系数最差的站(全州)相关系数 r=0.539 1，估测值和观测值散点分布如图 10a所示，关系数最好的站(德保)相关系数r=0.953 4，散点分布如图10b所示。德保站的散点更聚拢在估测值=观测值的红线附近，全州站的散点则呈离散分布状态。初步分析这两个站估测性能差异明显的原因，全州站位于广西东北角，目前使用的十部组网雷达仅桂林雷达可探测到该区域，全州站至桂林雷达直线距离约110 km，该区域山体较高，遮挡影响大，没有第二部雷达参与估测，从而导致估测精度不足，短时强降水(超20 mm/h)的估测准确率，TS=0%；德保站位于广西西南角，为百色、崇左两部SA波段雷达探测覆盖区域，短时强降水估测准确率，TS=100%。估测精度不足的部分区域，可通过引进周边省份雷达观测数据，如永州雷达至全州站直线距离约80 km且遮挡更少，或者期待广西用于填补雷达弱区、盲区的新增雷达建设成果。图82019年310月估测值与观测值逐站累计值散点图a.Train组(2 634站)；b.Test组(91站)。图92019年310月逐时估测值与观测值合计值散点图a.Train组(2 634站)；b.Test组(91站)。阈值/(mm/h)ME/(mm/h)RMSE/(mm/h)0.1，2)0.160 80.959 42，5)-0.076 62.294 85，10)-1.415 97.322 510，20)-4.596 87.322 520，)-12.873 316.942 1表4Test组分级检验统计指标(分级阈值)3 0002 0001 0000观测值/mm观测值/mm观测值/mm观测值/mm1 6001 2008004007 5005 0002 50004002000(b)(a)01 0002 0003 00040080012001600估测值/mm估测值/mm(b)(a)02 5005 0007 5000200400估测值/mm估测值/mm297热 带 气 象 学 报第39卷4 4 小小结结本文提出了一种使用 MLP为框架的 QPE方法，在隐藏层各雷达分别对探测区域进行估测，各时刻同等级回波使用超过一个Z-I关系，从而达到在输出层得到精度较高的估测结果，算法关键点如下。(1)以FDC方法为核心，根据单站雷达各级回波的降水估测结果误差将回波区内的站点分为强站点和弱站点两类，比只使用一次FDC方法对雷达降水回波的估测精度更优，分好的类可进一步继续分类。(2)使用 MLP技术，将多部雷达的 FDC两次分类方法组成一个深度学习QPE框架。隐藏层到输出层，神经元的值为0时，参与输出计算的权重为 0，有效避免被遮挡区域估测值为 0，导致拉低QPE值。(3)提出一个假设：“同一时次时，临近空间的降水回波性质相似”。依据这一假设，采用 KNN方法将无自动站点区域划归强区或弱区，确定任意位置回波对应的Z-I关系。本文的MLP模型和FDC方法都是可解释的，是一个没有“黑盒子”的深度学习模型，模型能动态适应雷达和自动站的动态增减。对基于该模型的2019年310月的广西新一代天气雷达定量估测降水产品进行检验分析，Train 组相关系数达0.973 7，Test组相关系数达0.825 6，结果表明该方法有较好的雷达定量估测降水能力。根据本文方法研制的广西地面 1 km分钟级实况降水分析产品已于2022年1月起通过天擎向广西区内用户提供，并在广西气象业务内网展示。参考文献：1 谷军霞，师春香，潘旸.天气雷达定量估测降水研究进展J.气象科技进展，2018，8(1)：71-78.2 潘旸，谷军霞，徐宾，等.多源降水数据融合研究及应用进展J.气象科技进展，2018，8(1)：143-152.3ZHANG J,HOWARD K,LANGSTON C,et al.Multi-Radar Multi-Sensor(MRMS)quantitative precipitation estimation:Initial operatingcapabilitiesJ.Bull Amer Meteor Soc,2016,97(4):621-638.4 叶飞，梁海河，文浩，等.新一代天气雷达均一性评估J.气象科技，2020，48(3)：322-330.5 叶飞，梁海河，文浩，等.基于单站CAPPI格点数据的相邻天气雷达均一性评估系统研究J.气象，2020，46(1)：50-62.6 张林，杨洪平，裴翀，等.相邻雷达回波差异检测方法研究与应用J.气象，2018，44(2)：268-276.7 韩静，楚志刚，王振会，等.苏南三部地基雷达反射率因子一致性和偏差订正个例研究J.高原气象，2017，36(6)：1 665-1 673.8 张诚忠，薛纪善，冯业荣，等.基于贝叶斯方案的雷达反射率反演水汽及其同化试验J.热带气象学报，2019，35(2)：145-153.9 刘陈帅，张阿思，陈生.基于S波段双极化雷达的变分法的定量降水估计算法J.热带气象学报，2022，38(3)：422-432.10 冀春晓，陈联寿，徐祥德，等.多普勒雷达资料动态定量估测台风小时降水量的研究J.热带气象学报，2008，24(2)：147-155.11 勾亚彬，刘黎平，王丹，等.基于云团的分组Z-R关系拟合方案及效果评估J.暴雨灾害，2015，34(1)：1-8.12 杨杰，刘黎平，赵城城，等.雷达估测对流性降水的误差空间分布及Z-R关系的优化J.高原气象，2015，34(6)：1 785-1 796.13 寇蕾蕾，李应超，楚志刚，等.C波段双偏振多普勒天气雷达资料分析及在定量估计降水中的应用研究J.热带气象学报，2018，34(4)：460-471.14 MAESAKA T,IWANAMI K,MAKI M.Non-negative KDP estimation by monotone assumption below melting layerC/in Extended图10Test单站估测值和观测值散点图a.全州站；b.德保站。50403020100观测值/(mm/h)(b)(a)01020304050估测值/(mm/h)观测值/(mm/h)0102030估测值/(mm/h)3020100298第3期卓健等：MLP在雷达定量降水估测中的应用Abstracts,Seventh European Conf.on Radar in Meteorology and Hydrology,2012.15 ZHANG A,XIAO L,MIN C,et al.Evaluation of latest GPM-Era high-resolution satellite precipitation products during the May 2017Guangdong extreme rainfall eventJ.Atmos Res,2019,216(1):76-85.16 XIAO R,CHANDRASEKAR V.Development of a neural network based algorithm for rainfall estimation from radar observationsJ.IEEETransactions on Geoscience and Remote Sensing,1997,35(1):160-171.17 CHEN H,CHANDRASEKA V,TAN H,et al.Rainfall estimation from ground radar and TRMM precipitation radar using hybrid deepneural networksJ.Geophys Res Lett,2019,46(16/17):10 669-10 678.18 YANG T H,FENG L,CHANG L Y.Improving radar estimates of rainfall using an input subset of artificial neural networksJ.Journal ofApplied Remote Sensing,2016,10(2):026013.19 邵月红，张万昌，刘永和，等.BP神经网络在多普勒雷达降水量的估测中的应用J.高原气象，2009，28(4)：846-853.20 傅德胜，肖晨，谭畅，等.RBF神经网络在雷达定量估测降水中的应用研究J.气象科学，2015，35(2)：199-203.21 殷志远，彭涛，杨芳，等.基于QPE和QPF的遗传神经网络洪水预报试验J.暴雨灾害，2013，32(4)：360-368.22 陈训来，陈元昭，赵春阳，等.梯度提升决策树在雷达定量降水估测中的应用研究J.气象科技进展，2019，9(3)：132-137.23 张晨阳，杨雪冰，张文生.气象大数据超短临精准降水机器学习与典型应用J.农业大数据学报，2019，1(1)：78-87.24 汪瑛，冯业荣，蔡锦辉，等.雷达定量降水动态分级Z-I关系估算方法J.热带气象学报，2011，27(4)：601-608.25 卓健，陈少斌，周冬静，等.快速动态分级法进行雷达定量估测降水方法研究J.热带气象学报，2018，34(6)：856-864.26 梁维亮，黄荣，翟丽萍，等.广西短时强降水雷达定量降水估测方法试验J.灾害学，2016，31(2)：59-62.27 潘旸，谷军霞，宇婧婧，等.中国区域高分辨率多源降水观测产品的融合方法试验J.气象学报，2018，76(5)：755-766.APPLICATION OF MLP IN RADAR QUANTITATIVEPRECIPITATION ESTIMATIONZHUO Jian1，LIAO Shengshi2，SHU Chuancheng1，DENG Yue1，ZHANG Xiaoqiong1(1.Guangxi Zhuang Autonomous Region Meteorological Information Center,Nanning 530022,China;2.Guangxi Zhuang Autonomous Region Climate Center,Nanning 530022,China)Abstract:Based on the assumption of similar properties of precipitation radar echoes in adjacent time andspace,a minute-level radar quantitative precipitation estimation(QPE)product model in Guangxi isdesigned according to a core method which combins AI with the fast dynamic classification method(FDC).When precipitation is estimated bya single radar,a reasonable Z-I relationship is calculated byusing a two-layer perceptron for three times.First,FDC is considered d as a multi-classification algorithm.According to precipitation estimation error ofsingle radar echoes at all levels,the stations in the echo areaare divided into two categories:strong stations and weak stations.And then，by means of FDC applied tothese two types of stations respectively，new strong and weak Z-I relationships are found.As for multiplejoint radars used in QPE，the estimated values of each radar are treate