[发明专利]NRIET基于云分类和机器学习的定量降水估测方法

说明书

本发明公开了一种NRIET基于云分类和机器学习的定量降水估测方法，本发明采用了基于云分类和机器学习的定量降水估测，首先进行雷达数据和雨量计数据预处理，并基于站点匹配雷达反射率和雨量计降水数据；根据雷达反射率强度识别层云和对流云等不同云系；然后使用机器学习回归算法实时进行拟合训练，得到累计降水量和雷达组合反射率的关系模型；最后实时将累计降水量和雷达组合反射率的关系模型作用于雷达组合反射率格点场数据，即可得到准实时的定量降水估测场。

技术领域

本发明涉及一种NRIET基于云分类和机器学习的定量降水估测方法，属于一种降水反演技术领域。

背景技术

随着灾害性天气近年来的频繁发生，高时空分辨率的雷达定量降水估测(QPE：Quantitive Precipation Estimation)信息，在暴雨、台风、洪水等灾害性天气的短时临近和精细化预警预报等工作中发挥越来越重要的作用。

基于雷达三维组网拼图数据的定量降水估测算法已在业务中得到初步应用，但Z-R关系、雷达-雨量计融合方法等因素，限制了雷达QPE的精度，在降水估测中，这些算法环节均待进一步优化改进。

目前，基于雷达和雨量计资料的联合定量降水估测算法，主要采用先雷达组网拼图，再降水估测的研究方案：首先，基于单部雷达的复合扫描平面，根据区域内多部雷达资料，进行组网拼图，得到覆盖全区域的完整组网拼图数据；然后，使用概率匹配的气候Z-R关系反演雷达估测雨量，并采用多种方法校准雷达估测雨量；最后，采用滑动窗口法，根据雨量计位置，设置一个一定大小的窗口，选择与雨量计观测雨量相关性好的校准估测雨量，作为该窗口的估测雨量。

作为传统算法核心的Z-R指数关系，即雷达反射率数据与降水数据之间的经典的指数关系式：

Z＝AR^b (1)

其中，R为单位时间内降水量，Z为基本反射率因子，可由雷达回波强度dBz根据下式进行转换计算：

Z＝10^dBz/10 (2)

根据历史雷达反射强度和雨量计降水量观测数据，可通过统计方法确定参数A和b。然后将确定的Z-R指数关系式应用于定量降水估测。

根据雷达反射率数据与降水数据之间的经典的指数关系，可由雷达反射率进行定量降水估测。但降雨系统常为积云混合云降水(指在大片层状云降水嵌有对流云降水)，暴雨时的对流云区是形成强对流天气的主要原因，而层状云区对暴雨的降水量和时间有直接的作用。层状云和对流云产生机理不同，降水的机制也不同。Z-R关系依赖于特定的雨滴谱分布，而雨滴谱分布则与降水过程、降水类型以及降水的地区差异等因素均相关，参数A和b在较大范围内变动。而且雷达方程假定雨滴谱在雷达波束采样体积内均匀分布的假设，对小尺度的天气过程而言通常并不成立，即使在很小的范围内，雨滴谱仍然会表现出较大的空间变化。因此Z-R关系随着地理位置，降水强度而变化，不同风暴单体，甚至同一个风暴单体的不同区域，Z-R关系亦会发生变化，这种变化不可避免地影响到雷达降水估测的精度。

发明内容

针对以上问题，本发明利用新一代多普勒天气雷达回波强度识别混合型降水过程中层状云和对流云，使用机器学习算法对不同类型的云体分别建立与降水之间的回归关系，进而应用于雷达定量降水估测，以提高估测精度。

为了解决以上问题，本发明采用了基于云分类和机器学习的定量降水估测，首先进行雷达数据和雨量计数据预处理，并基于站点匹配雷达反射率和雨量计降水数据；根据雷达反射率强度识别层云和对流云等不同云系；然后使用机器学习回归算法实时进行拟合训练，得到累计降水量和雷达组合反射率的关系模型；最后实时将累计降水量和雷达组合反射率的关系模型作用于雷达组合反射率格点场数据，即可得到准实时的定量降水估测场。具体技术方案如下：一种NRIET基于云分类和机器学习的定量降水估测方法，包括以下步骤：