基于雷达组网拼图和XGBoost的雷达定量降水估测.pdf

Jun.2023METEOROIENCEANDTECHNOLOGY3382023年6 月第51卷第3期Vol.51,No.3象技科基于雷达组网拼图和XGBoost的雷达定量降水估测赵华生1李晓静2*（1广西气象科学研究所，南宁530 0 0 6；2 广西幼儿师范高等专科学校，南宁530 0 0 6）摘要针对传统方法采用天气雷达进行强降水的定量估测存在较大偏差问题，论文以1h累计雨量为估测对象，基于雷达组网拼图资料，采用XGBoost(eXtremeGradientBoosting）算法，建立新的雷达估测降水模型。该模型设计以前1h的雷达组合反射率因子作为输人，进一步采用若干个剔除异常样本的策略有效清除建模样本中的部分噪声，更好地构建了雷达组合反射率与估测对象之间的非线性映射关系。在32 万个独立检验样本的估测结果中，其均方根误差（RMSE）为6.0 4mm、平均绝对误差（MAE）为3.50 mm、预报偏差（BIAS）为1.0 5；与目前业务系统上使用的ZR（30 0 1.4)关系方法相比，前者的RMSE和MAE分别下降了2 0.6%和10.3%，而BIAS指标则显示后者对降水量级的估测明显低估。进一步对小时雨强大于10 mm样本的统计结果表明，新方案的RMSE、M A E以及TS评分均大幅优于ZR（30 0，1.4）关系方法，可进行实际业务应用。关键词雷达降水估测；XGBoost；组合反射率；雷达拼图中图分类号：P415.2D0l:10.19517/j.1671-6345.20220301文献标识码：A引言中国是世界上暴雨洪涝等强降水发生最严重的国家之一，平均每年因此造成的经济损失高达几百亿元，精准监测和预测强降水落区对于解决该问题非常关键。虽然目前国内地面自动站数量在逐年增加，但仍无法满足网格预报业务对精细化程度的需求。因此，在短时临近的气象业务中，基于雷达等遥感观测手段的定量降水估测和预报方法在网格降水量监测和临近预报中扮演着愈发重要的角色。建立一个精准的雷达定量降水估测（QuantitativePre-cipitationEstimation，Q PE)方法，运用在雷达外推的短时临近预报业务中，就可以更好的进行短时临近降水预测，从而成为防灾减灾的重要手段。近年来，利用新一代多普勒雷达进行定量降水估测成为雷达资料应用的主要研究方向之一2 。大量研究表明，天气雷达的观测资料与地面的实况观测雨量的有效结合，有助于提高雷达的降水估测精度 。雷达反射率因子（Z)与降水强度（R)的关系通常用Z=R表示，其中参数和b可以通过雨量和雷达的观测资料进行确定4。目前美国和中国业务系统均采用了=300、b=1.4作为雷达估测降水的默认参数。然而大量的研究表明，参数、b 是与季节、降水条件以及地域等因素有关的时空函数5-6 ，对雷达定量降水估测的准确性有很大影响，单一的Z-R关系估测降水方法往往会造成大雨估测偏小而小雨估测偏大的问题7。针对不同地区Z-R关系的系数确定问题，国内外学者开展大量关于Z-R关系降水估测模型的研究：郑媛媛等8 针对不同距离和不同仰角的回波，利用最优化方法对不同高度回波的Z-R关系，提出了不同的降水估测模型，提高了雷达估测降水的精度，然而这种细分区域和降水类型的模型难以推广使用51；高烽等91采用2h滑动时间窗口的方法对Z-R关系进行实时订正，该方法对中雨的估测具有较好的效果。结合地面雨量观测值和天气雷达观测进行降水估测的方http:/气象科技广西高校中青年教师科研基础能力提升项目（2 0 2 2 KY0963）、广西科技厅重点研发计划项目（桂科AB21196041）、广西职业教育教学改革研究重点项目（GXGZJG2022A001）资助作者简介：赵华生，男，198 0 年生，硕士，高级工程师，主要从事非线性气象统计预报，Email：2 0 0 6 z h a o h u a s h e n g 16 3.c o m收稿日期：2 0 2 2 年7 月18 日；定稿日期：2 0 2 3年2 月14日*通信作者，Email：50 92 16 2 6 q q.c o m339赵华生等：基于雷达组网拼图和XGBoost的雷达定量降水估测第3 期法，主要思路是通过前几个小时的雨量站降水资料来调整Z-R模型中的a、b 参数10.1,该方法可以有效提高雷达降水估测的精度，但雷达与地面观测雨量的数据质量会带来一些误差12 ，特别是在反射率因子Z值较大的情况下，Z的随机误差造成的较小变化会对降水强度R造成较大的影响。同时，动态调整Z-R关系要求自动站降水观测数据与雷达观测同步，对降水观测的频次和数据传输的及时性要求较高。因此，基于Z-R关系的降水估测方法难以解决强降水估测误差较大的问题13-2 0 1随着机器学习方法的不断发展和应用，基于其较强的模型表达和拟合能力，许多学者将机器学习模型应用于雷达的定量降水估测。Xia等2 1 最早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到不同的高度层，输人不同高度层的雷达反射率因子来估测降水，结果优于Z-R等传统方法；Ju-YoungShin等2 2 利用随机森林、随机梯度增强模型和极端学习机方法对Gwangdeoksan雷达站极化雷达资料进行了定量降水估算模型的适用性研究。结果表明基于机器学习的定量降水估计模型比传统的Z-R关系模型具有更好的性能，特别是对于强降水事件；ZhangChangjiang等2 3 利用平稳小波变换与支持向量机（SVM）相结合，进行雷达的定量降水估测，相比于Z-R关系，该方法的降水估测精度有一定的提高；傅德胜等2 4 将采用RBF神经网络与变分法得到的Z-R关系进行对比，发现可以得到比Z-R关系更好的降水估测模型；殷志远等2 5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，整体上提高了洪水的预报精度。但是，目前尚未见有利用XGBoost方法来构建雷达定量降水估测的研究报道。XGBoost方法是GBDT（梯度提升迭代决策树)的改进，具有强的非线性拟合能力、防止过拟合、算法效率高、泛化能力强等特点2 6-2 7 。本文尝试采用XGBoost方法构建雷达定量降水估测模型，并进行定量强降水估测研究。1楼数据和处理方法1.1雷达资料本文所用的雷达资料是中国气象局的强天气分析预报系统对雷达基数据进行采样处理，形成格点化的反射率因子等高平面拼图（ConstantAltitudePlanPositionIndicating，CA PPI)，覆盖范围为10 2 114E、19 2 8 N，水平分辨率0.0 1X0.01，垂直分辨率0.5km，0.5 10.5k m，共2 1层，6 min输出一次。论文以2 1个层次的组合反射率作为定量降水估测的雷达资料，其中数据采集的时段为20162020年6 月汛期（每年的4一10 月），而非汛期（每年的1一3月和11一12 月）雷达关机时段及故障导致数据连续缺失时段不予统计。1.2地面实况雨量观测资料地面实况雨量观测资料来源于广西气象局，包括广西区域约2 8 0 0 个自动站的1h雨量观测数据，统计时段与雷达资料的时段相对应。图1为本文研究的雨量观测点的地理位置和分布情况。26N242220104106108110112E图1研究区域及其地面站点分布1.3数据分析及处理针对一年中出现降水事件的概率比较小，出现大范围的强降水事件概率更小，同时，大多数1h内的降水事件均发生在局部地区等情况。因此，为了使模型的训练更具有针对性，论文在训练样本时进行了如下处理：（1)对2 0 16 年4月至2 0 19年6 月汛期内的整点时段，选取全区自动站点中，有超过10 个（约2850个站点中的10 个以上）以上站点的累计降水量超过10 mm的整点时段，共计1340 2 个1h时段。(2)采用三次多项式插值法，将CAPPI组合反射率的网格数据插值到自动站的位置，代表该自动站的反射率因子，从而得到CAPPI组合反射率因子与地面自动站雨量观测之间的一一对应关系。（3）计算该自动站在过去1h内的平均CAPPI340象第51卷技科品之d（雷达反射率因子是组合反射率因子D：6min一顿，t时刻其过去1h内反射率因子为：d(t),d(t-1),d(t-9)。（4)构建样本矩阵：首先，论文以过去1h的累计降水量作为预报对象，因此，对于（1)中选取的每个1h时段所对应的t时（t=1,2，1340 2），对于站点s（s=1,2，2 8 50），如果其过去1hD，大于或等于2 0 dBz，则时段t选取的样本矩阵为：A，=(d,(t),d,(t-1),d,(t-9),y,(t)/s=1,2,，2 8 50），其中，y（t）为站点s在t时的前1h累计降水量。进一步，将所有样本组A，按时间t进行AA2堆叠，得到原始的样本数据矩阵B=,其中NAN为1340 2。最终，样本矩阵B的总样本量为1342 18 4个。表1为所选样本中降水量分布情况表1所选样本的降水量分布情况1h降水量,T是在第T一1轮模型的模型预测值5,T-1的基础上加了一个新树fr（）。而树的复杂度函数(f）=M+，其中M为好操钢的子节点数量每棵树的叶子节点的分数组成的集合，和入为系数；由此可见，目标函数由训练损失和叶子节点权重或树的深度等两部分构成，一方面可以控制模型的复杂度，另一方面可以防止过拟合。同时，它使用二阶泰勒展开式逼近目标函数，使得目标函数近似优化更接近实际值，从而提高预测精度。XGBoost有包括正则化项、学习率和决策树数量和树结构属性等众多超参数，超参数定义了模型的复杂度或学习能力等属性，表2 为XGBoost算法主要参数的常用默认值。表2XGBoost算法主要参数的默认值参数XGBRegressorXGBClassifierMax_depth66Learning_rate0.30.3Estimator100100Objectivereg:linearreg:logisticBoostergbtreegbtreeN_jobs11Reg_alpha00Reg_lambda113预报试验3.1试验建模样本处理由1.3节的第（4)点可知，本研究使用样本数据的矩阵B的总样本为1342 18 4个，每一个样本由10个反射率因子和1个地面雨量观测值对应组成。以样本i为例，假设该样本所对应的时间为t，则该样本地面雨量观测值为y（t）、10 个反射率因子可表示为d(t),d(t一1),d(t一9）。为了方便,论文以总样本的前10 0 万个样本作为XGBoost算法模型的建模样本，以总样本最后的342 18 4个样本作为独立样本，用于测试模型的性能。由于雷达反射率因子存在杂波等问题，建模样本中相应地也存在包含大量噪声的样本，即噪声样本，这类样本会对模341赵华生等：基于雷达组网拼图和XGBoost的雷达定量降水估测第3 期型的训练产生负面影响。为了使模型在训练学习中尽可能避免受到噪声样本的干扰，在建模计算前，需要将建模样本中的噪声样本剔除：首先，ZR关系（=aR，其中a=300、b=1.4，记为ZR（30 0，1.4），下同）的雷达雨量估测方法，作为SWAN系统的默认参数，其估测能力应该是具有一定参考价值，因此，论文采用ZR（30 0，1.4)的估测作为参考，判断该样本是否属于噪声样本。其次，用ZR(300，1.4)关系估测1h的降水量时，由于我国气象雷达观测是6 min一顿，也就是1h10顿，因此，过去1h累计降水量R的估测计算式子为：R=6/60R(t-9)+6/60R(t-8)+1之R（-)6/60R(t)(3)其中R（t）为t时刻的雨强最后，记D为过去1h的平均反射率因子；y为过去1h的实况累计降水量；同时令R为利用ZR（30 0 1.4)关系计算D得到的估测降水。则利用d=10lg(z)、=a R以及不等式的性质，可以证明，对同一时段内，RR。于是，清除异常建模样本噪声的5条策略如下：(1)当D25dBz且y=0mm时，由于RR1mm。经试验统计，当R1时，实况观测得到实况累计降水量y=0mm的概率小于10%，因此在采取的策略中，将这部分样本去除。(2)当D40dBz且yR12mm而y5mm，因此，这部分样本可视为不合理的样本，应当去除。(3）当D45dBz且yR27mm而y10mm，因此，可以认为这部分样本是不合理的，可以去除掉。（4）当D50dBz且yR63mm而y15mm，估测与实况观测相差巨大，因此，这部分样本也应去除。(5）当D55dBz且yR144mm而y20mm，估测与实况观测相差甚远，因此，这部分样本应当去除。按照这5个异常样本的剔除策略，在10 0 万个建模样本中，共剔除了2 7 36 7 个样本，即实际的建模样本数为97 2 6 33个。3.2XGBoost算法模型参数的确定在进行建模试验计算前，需要确定XGBoost算法模型的参数。为了避免过多参数调整而影响到模型的通用性问题，论文对算法的众多参数，除了其中的Estimator，其他参数均采用算法的默认参数值（表2）。为了确定出最佳的Estimator值，以估计值和观测值之间的平均绝对误差（MAE）作为目标进行多次建模试验，结果见图2。3.853.83.753.73.653.63.55050100150200250300350400450500Estimator图2不同Estimator参数值下的MAE变化曲线对图2 进行分析可知，当Estimator值增加到200以后，模型的MAE指标变化不大。因此，在建模试验部分，XGBoost算法模型的参数最终确定为Estimator=200，其他参数均按照表2 中的默认参数进行设置。3.3模型精度的评估指标论文采用的估测精度评价指标分别为均方根误差RMSE(RootMeanSquareError,RmsE）、平均绝对误差MAE（M e a n A b s o l u t e Er r o r，M A e）、偏差(BIAS,BiAs)28-29、T S 评分(Threat Score,T,)30 一般RMSE和MAE通常会受到强降水较大的影响，主要反映强降水的估测效果。进一步利用TS、空报比例(PNB)对各级降水区间进行分级评估，以y,和yi分别为样本i的预测值与观测值；n为参与统计的样本量，则这些评估指标分别定义如下：7RMSE=(4)n1MAE=(5)n=171BIAs=1(6)771342第51卷象技科T,=NA+N+NNA（7)式（7）中NA、NB、Nc 分别为正确、空报、漏报次数。该指标在0 1之间浮动，反应了估测降水的准确程度，这里TS值越大，表示降水估测的准确性越高。4试验结果及分析论文先采用XGBoost算法对由第3.1节中得到的建模样本进行建模训练，随后利用训练好的模型对没有剔除异常样本的独立样本（因为在实际的定量降水估测中，无法判别测试样本是否是异常样本，所以独立样本不做异常样本的剔除)进行测试，测试结果采用本文3.3节的评价指标进行客观评估。同时为了更好地了解本文提出的雷达定量降水估测方法的性能，论文同时还利用目前美国和中国业务系统均采用的Z-R关系法对独立样本也进行了同样本的估测试验，具体结果见表3。表3两种估测方法对独立样本的估测精度对比估测方法RMSEMAEBIASXGBoost6.043.501.05ZR(300,1.4)7.613.910.61注：偏差越接近1，效果越好；表中，黑色加粗数字为每一类的最好结果。分析表3，RMSE和MAE的对比结果表明，XGBoost估测降水方法相较于ZR（30 0，1.4）关系方法能取得更好的效果。32 万的独立样本估测的RMSE和MAE分别下降了2 0.6%和10.3%。由于RMSE和MAE能够更好地反映强降水的估测效果，说明XGBoost方法在强降水条件下估测效果更好。同时，BIAS指标上也表明，ZR（30 0，1.4)关系方法对降水的量级明显低估。为了进一步了解两种方法具体性能的对比情况，论文按照实况降水量强度 10 mm/h、10 2 0mm/h.2030 mm/h.3040 mm/h、40 50 m m/h、50mm/h划分为6 个等级，并利用3.3节的评估指标分别对6 个等级进行统计，结果见图3。由图3ab 可以看出，ZR(300，1.4)关系方法在小于10 mm/h的降水估测上取得了更好的效果。而对于大于10 mm/h的降水估测，XGBoost估测降水方法比ZR(300，1.4)关系方法在RMSE和MAE上的误差分别降低了2 4%31%和17%2 1%，这可能是由于XGBoost模型能更好地拟合反射率因子与降水量的关系，从而降低了强降水估测的误差。5488385050(a)42.78xgboostZ-R(300,1.4)(i-4.u)/AS28.8029.4921.9620.0815.5715.919.1711.456.933.883.8250降水量级/(mmh-)7(b)6.33xgboostZ-R(300,1.4)65.244.99(i.4.Ul)/AW54.554.123.8043.753.152.8732.3521.581.451010102020303040405050降水强度/（mmh-)(c)1.21.14xgboostZ-R(300,1.4)1.00.930.800.80.700.670.650.600.60.470.40.430.410.390.360.20.050降水强度/(mm h1)(d)0.9.0.860.80.85xgboostZ-R(300,1.4)0.70.60.5020.50.40.300.360.320.280.30.250.190.20.110.1200-1100.120.150.10.050.030.010.080.050.030.0 10 mm/h范围外，XGBoost估测降水方法不论是在10 2 0 mm/h、2030mm/h、30 40 m m/h、50 m m/h 这4个等级,还是对于10 mm/h、2 0 m m/h、30 m m/h、40mm/h以及50 mm/h这5个区间的雨量估测，其TS值均大幅优于ZR（30 0，1.4）关系方法。本文还进一步选取了独立样本中2 0 2 0 年6 月7 日00:00：0 0（U T C）这一个例进行估测对比分析（图4）。该个例有53个气象观测站的1h降水量超过2 0 mm，其中最大降水量为93.5mm。343赵华生等：基于雷达组网拼图和XGBoost的雷达定量降水估测第3 期26NZR(300,1.4)2524235040202271.60.1021105106107108109110111112E26NXGBoost model(b)2524235040202271.60.1021105106107108109 110 111112E26NObservationofrainfall(c)BD2524235040202271.60.1021105106107108109110111112E图42020年6 月7 日0 0：0 0：0 0（UTC）降水估测对比图：（a）ZR（30 0，1.4)方法预测的雨量分布，（b）XG Bo o s t模型预测的雨量分布，（c）实况观测雨量分布由图4可见，观测的实况雨量（图4c）分别有4个降水中心，分别为图中的A、B、C以及D区。通过对比可知，XGBoost模型基本上能够完整估测出C区（主降水落区），并在A区和B区也稍有体现。而ZR(300,1.4)方法（图4a)得到的估测降水仅在主降水落区的C区稍有体现。进一步地，在降水量级的估测上，XGBoost模型（图4b）能够估测出超过40mm以上的降水，并与实际雨量比较吻合，与之对应的ZR(300，1.4)关系法则没有估测出大于40 mm的降水。综上所述，XGBoost估测降水方法可以有效提高雷达估测强降水的精度，在降水强度大于2 0 mm/h时，其误差相对传统业务方法降低了2 6%31%，同时TS评分对于ZR(300，1.4)关系方法有了较大提高。分析原因，可能是因为XGBoost方法能够在训练中更好地提取雷达回波与降水之间的非线性关系。对于降水强度小于10 mm/h，论文提出的XG-Boost估测降水方法与ZR（30 0 1.4)关系方法的估测效果相当或略差，其原因可能是这一类的样本量大，包含的噪声也大，干扰了模型的训练效果。5结论目前，在短时临近降水业务预报中，存在着利用各种方法外推出2 0 顿（2 h)的雷达回波，然而，纵然外推出来的雷达反射率很接近实况，但在将雷达反射率转化为降水时，由于雷达的估测降水误差较大，往往无法较准确预测未来12 h强降水的落区。为此，本文利用雷达反射率因子和实况观测雨量资料，提出了一种基于雷达雷达拼图和XGBoost的估测降水方法，该方法首先针对天气雷达存在多种难以避免的杂波问题，本文根据过去1h的平均反射率值与地面实况降水量的异常关系提出了异常样本的剔除方法，从而尽可能地排除了异样样本对模型训练的影响。其次，针对雷达估测降水方法在强降水量级的估测存在较大偏差的问题，该方法利用XGBoost模型算法强大的非线性拟合能力，可以从训练样本中构建降水与雷达反射率因子之间的良好的非线性映射关系，从而提高了天气雷达估测强降水的效果。该方法在未进行异常样本剔除的独立样本测试中，本文提出的XGBoost估测降水方法与ZR（30 0，1.4）关系方法相比，当降水强度大于2 0mm/h时，XGBoost模型较ZR（30 0，1.4）方法在RMSE上降低了2 6.48%31.0 6%,MAE降低了17.17%2 1.2 6%，T S评分提高10 0%以上。可见，XGBoost估测降水方法明显提高了雷达定量测量强降水的精度。同时，目前业务系统提供的Z-R关系方法（ZR(300，1.4)在弱降水上的估测则优于XGBoost方法，因此，在实际的业务中可以将两则相结合，为雷达定量估测降水提供更好的精度。344象第51卷技科参考文献1李翠金中国暴雨洪涝灾害的统计分析J.灾害学，19 9 6，11(1):59-63.2李柏，古庆同，李瑞义，等新一代天气雷达灾害性天气监测能力分析及未来发展J.气象，2 0 13，39（3）：2 6 5-2 8 0.3曾正茂，刘黎平.山西地区C波段新一代天气雷达（CC)联合雨量计降水效果对比与分析，成都信息工程学院学报，2016.31(1):54-64.4Mapiam P P,Sriwongsitanon N.Climatological Z-R relation-ship for radar rainfall estimation in the upper ping river basinJJ.Scienceasia,2008,34(2):215-222.5魏鸣，宋羽轩，张蕾定量测量降水量的回波结构自适应算法研究J.大气科学学报，2 0 18，41（5）：10 2-10 9.6赵淑芳，张立文，王倩，等山东极端强降雨分钟雨量、Z-R关系和风暴结构演变特征J干旱气象，2 0 17，0 35（0 0 5）：806-814.7郑永光，张小玲，周庆亮，等。强对流天气短时临近预报业务技术进展与挑战J.气象，2 0 10，36（7）：33-42.8郑媛媛，谢亦峰，吴林林，等多普勒雷达定量估测降水的三种方法比较试验J.热带气象学报，2 0 0 4，2 0（2）：192-197.9高烽，周新尧，孔凡超，等滑动时间窗长度对太行山区雷达反演降水的影响J。气象，2 0 18，44（4）：7 2-8 1.1oJ Goudenhoofdt E,Delobbe L.Evaluation of radar-gauge mer-ging methods for quantitative precipitation estimates J.Hy-drology and Earth System Sciences,13,2(2009-02-18),2009,13(2):195-203.11J Hasan M M,Sharma A,Mariethoz G,et al.Improving radarrainfall estimation by merging point rainfall measurementswithin a model combination framework J.Advances in Wa-terResources,2016,97:205-218.12 Seo DJ.Conditional bias-penalized kriging(CBPK)J.Sto-chastic Environmental Research and Risk Assessment,2013,27(1):43-58.13 赵华生，金龙，黄小燕，等.基于CNN和RF算法的ECMWF降水分级订正预报方法J.气象科技，2 0 2 1，49（3）：419-42 6.14朱岩，翟丹华，吴志鹏，等.基于Xgboost算法的短时强降水预报方法J.气象科技，2 0 2 1，49（3）：40 6-418.15方楠，姜舒婕，闫晓敏，等.基于长短期记忆神经网络的风速超短期快速滚动预报技术J.气象科技，2 0 2 2，50（6）：8 42-8 50.16】赵生昊，覃彬全，杜乐.基于机器学习和单站地面气象要素的雷电临近预警方法JJ.气象科技，2 0 2 2，50（1）：12 1-12 8.17杜智涛，姜明波，杜晓勇，等.机器学习在气象领域的应用现状与展望J.气象科技，2 0 2 1，49（6）：930-941.18龙亚星，黄勤，李成伟.基于机器学习技术的蒸发皿蒸发量估算模型J.气象科技，2 0 2 1，49（2）：16 6-17 3.19尹麒名，甘建红，漆慧，等.一种改进的循环神经网络雷达图像外推算法J.气象科技，2 0 2 1，49（1）：18-2 4十45.2 0 黄彬，吴铭，孙舒悦，等.基于深度学习的卫星多通道图像融合的海雾监测处理方法J.气象科技，2 0 2 1，49（6）：8 2 3-8 2 9+850.21 Xiao R,Chandrasekar V.Development of a neural networkbased algorithm for rainfall estimation from radar observationsJJ.IEEE Transactions on Geoscience and Remote Sensing,1997,35(1):160-171.22 Ju Y S,Ro Y,Cha J W,et al.Assessing the applicability ofrandom forest,stochastic gradient boosted model,and extremelearning machine methods to the quantitative precipitation esti-mation of the radar data:A case study to Gwangdeoksan ra-dar,South Korea,in 2018 JJ.Advances in Meteorology,2019.23 Zhang Changjiang,Wang Huiyuan,Zeng Jing,et al.Short-term dynamic radar quantitative precipitation estimation basedon wavelet transform and support vector machine JJ.Journalof Meteorological Research,2020,34(2):228-241.2 4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，2 0 15（2）：199-2 0 3.2 5 般志远，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，2 0 13，32（4）：36 0-36 8.26 Chen T，G u e s t r i n C.XG Bo o s t:A Sc a l a b l e T r e e Bo o s t i n gSystem CJ/the 22nd ACM SIGKDD International Confer-ence,ACM,2016.2 7 杜扬帆，伍孝飞，乔百友.基于XGBoost-PredRNN十十的海表面温度预测.计算机系统应用，2 0 2 2 31（10）：2 36-2 44.28 Wang G,Liu L,DingY,et al.Improvement of radar quantita-tive precipitation estimation based on real-time adjustments toZ-R relationships and inverse distance weighting correctionschemes JJ.Advances in Atmospheric Sciences,2012,29(3):575-584.29 Bennett N D,Croke B F,Guariso G,et al.Characterisingperformance of environmental models J.EnvironmentalModelling&Software,2013,40(2):1-20.30 朱岩，翟丹华，吴志鹏，等.基于XGBoost算法的短时强降水预报方法.气象科技，2 0 2 1，49（3）：40 6-418.345赵华生等：基于雷达组网拼图和XGBoost的雷达定量降水估测第3 期Radar Quantitative Precipitation Estimation Based on RadarMosaic and XGBoost AlgorithmZHAO HuashenglLI Xiaojing2(1 Guangxi Institute of Meteorological Sciences,Nanning 530006;2 Guangxi College for Preschool Education,Nanning 530006)Abstract:To address the problem of large bias in the quantitative estimation of heavy precipitation bytraditional methods using weather radar,the thesis uses the 1-hour cumulative rainfall as the estimationobject,a new model for radar precipitation estimation based on radar mosaic data and XGBoost(eXtremeGradient Boosting)algorithm.The model is designed with the radar combined reflectance factor of theprevious hour as the input factor,and further employs several rejection strategies of anomalous samples toeffectively remove some of the noise from the modelling samples,thus better constructing a non-linearmapping relationship between the radar combined reflectance and the estimated object.The root meansquare error(RMSE)is 6.04 mm,the mean absolute error(MAE)is 3.50 mm,and the forecast bias(BIAS)is1.05 for the 320,000 independently tested samples;compared to the ZR(300,1.4)relational method currentlyused on operational systems,the RMSE and MAE of the former decrease by 20.6%and 10.3%respectively,while the BIAS indicators show a significant underestimation of precipitation magnitude by the latter.For sampleswith hourly rainfall intensity greater than 10 mm,further statistical results show that the new schemes RMSE,MAE and TS scores are substantially better than the ZR(30O,1.4)relational method for practicaloperational applications.Keywords:radar precipitation estimation;XGBoost;combined reflectivity;radar mosaic