Plateau Meteorology

Plateau Meteorology >

2025 , Vol. 44 >Issue 1: 122 - 133

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00052

Research on Dynamic Quantitative Precipitation Estimation Method Based on Tile Partitioning for Radar

  • Jiahui LI ,
  • Jianli MA ,
  • Mingxuan CHEN ,
  • Zhao SHI
Expand
  • 1. Chengdu University of Information Technology，Chengdu 610225，Sichuan，China
    2. Institute of Urban Meteorology，Beijing 100089，China

Received date: 2023-12-27

  Revised date: 2024-04-02

  Online published: 2024-04-02

Fold

Abstract

Considering the spatiotemporal variability of raindrop spectra is an effective way to improve radar quantitative precipitation estimation （QPE）.When using radar to estimate precipitation， the difference of raindrop spectrum is mainly manifested by the formulas of Z-R relation.Using the method of tile partitioning QPE （QPE_TP）， the precipitation estimation area is divided into tile partitions， the Z-R relationship is dynamically fitted using radar and automatic station data to carry out QPE within each tile.The QPE_TP effect was evaluated by utilizing six weather cases.From the evaluation indexes of QPE， the capability of QPE is significantly improved compared with the traditional fixed Z-R relationship and the global dynamic Z-R relationship.The QPE results are basically consistent with the heavy precipitation center， and the bias evaluation indexes are the least.The results show that the QPE_TP method is an effective way to improve radar QPE.

Key words： precipitation estimates; Radar mosaic; partition fitting

Cite this article

Jiahui LI , Jianli MA , Mingxuan CHEN , Zhao SHI . Research on Dynamic Quantitative Precipitation Estimation Method Based on Tile Partitioning for Radar[J]. Plateau Meteorology, 2025 , 44(1) : 122 -133 . DOI: 10.7522/j.issn.1000-0534.2024.00052

1 引 言

雷达定量降水估测（QPE）对定量降水预报（QPF）、 强降水预警、 城市积水内涝、 地质山洪灾害、 精细化天气服务等方面具有重要作用（Zhi et al， 2022； 宋林烨等， 2019； 胡迎春等， 2024）。由于降水在大尺度范围内表现出差异性（Foufoula-Georgiou et al， 2020）， 以及空间和时间上的高度变异性（Wen， 2015； 杨杰等， 2015； 张君霞等， 2024）， 导致QPE的准确估计很难， 一直是雷达气象面临的一个挑战。自1970年开始， 许多不同的降雨量估测方法先后发展起来。雷达QPE方法总体分为两类， 一类是使用降水估测公式来测量降水量， 另一类则利用雨量计联合雷达测量降水量（何滨， 2011）。传统固定Z-R关系、 动态Z-R关系， 以及基于偏振参量建立的固定降水估测关系， 基本采用降水估测公式的方法开展QPE计算， 只采用雷达数据， 开展雷达数据从“空到地”降水估测， 得到的QPE偏差较大（汪瑛等， 2011； 姚铖， 2021）主要原因是忽视了不同天气过程， 以及同一天气过程的不同区域雨滴谱（DSD）差异大（Yang et al， 2016； Guo et al， 2023； 吴亚昊等， 2016； 王俊等， 2023； 刘艳霞等， 2024）， 导致QPE偏差大。随后QPE从地面雨量计和空中雷达数据联合入手（Ochoa-Rodriguez et al， 2019； Benoit， 2021）， 实现“空地联合”开展QPE， 实际是利用自动站雨量修正QPE， 一方面利用自动站雨量数据实时订正降水估测公式， 使得公式能够不断适应DSD的变化， 缓解降水估测误差随小时雨量的明显变化； 另一方面， 利用自动站雨量数据根据最优插值法对QPE估测结果进行空间订正， 订正后的估测效果和稳定性可明显地改善（张扬， 2019）； 李梦迪等（2022）将自动站雨量观测数据格点化， 然后利用局地雨量计订正雷达QPE， 再利用雷达QPE和雨量计融合得到的降水估测结果要优于单独利用雷达得到的QPE产品； Kou et al（2022）根据匹配的双极化雷达数据和雨量计数据， 建立logistic回归模型的自适应降雨算法， 用于指导雷达降雨关系的选择， 结果表明， 该自适应算法优于单一降雨关系和传统组合算法。勾亚彬等（2014）利用雷达三维组网拼图数据开展降水估测， 指出利用三维组网数据采用动态Z-R关系最优插值算法， 降水估测可以取得良好效果； 韩丰等（2023）在勾亚彬的基础上， 采取分雨团的雷达-雨量站降水订正技术， 进一步提升QPE格点场的准确率， 但是忽视雨团内不同区域DSD差异大， 不能更好地刻画降水。
上述QPE方法， 基本上都没有考虑到DSD时空差异性对降水估测公式的影响， 为了更好的描述DSD随空间的变化引发的QPE降水估测关系式的变化， 本文将北京地区11部X波段双偏振和2部S波段双偏振雷达共同覆盖的区域， 采用网格细分的方式（以下简称瓦片分区）划分为若干个细小区域， 每个细小的瓦片区域内， 认为一小段时间内DSD是相对稳定的， DSD的稳定， 导致开展针对降水估测的关系式［如 R ( Z）、 R（K DP）、 R（K DP， Z DR）、 R（ Z， Z DR）］相对稳定， 利用这些关系式在短时间内开展降水估测应该能更好反映该瓦片实际降水量。对同一探测目标， X波段雷达和S波段雷达距离探测目标远近不一样， 导致探测方位和探测仰角不一样， 使得X波段雷达和S波段雷达对同一目标探测获得 Z DR值具有一定差异； 此外K DP值与雷达波长和雨滴散射幅度（波长不一样， 散射幅度不一样）有关（Zhang， 2016）， 导致X和S波段雷达探测的K DP差异大， 在用偏振参量开展降水估测时， 需要解决S和X波段偏振参量Z DR和K DP组网问题， 本文暂不做这方面的讨论， 但是反射率组网方法成熟， 因此本文利用北京地区S和X波段雷达组网得到的反射率三维数据， 采用瓦片分区方法， 先试验利用Z开展瓦片分区的降水估测的效果， 待偏振参量组网技术成熟后， 再开展基于偏振参量的瓦片分区的降水估测试验。

2 瓦片分区降水估测方法介绍

2.1　瓦片分区对降水估测的理论依据

DSD时空差异大， 不同天气过程以及同一天气过程的不同区域， DSD差异大， 雨滴数密度N（单位： mm-1·m-3）随直径D（单位： mm）的分布见图1、 1（a）北京54511和54501两个站点同一次天气过程（2018年7月24日）在不同地点的滴谱分布情况； 图1（b）是不同天气过程（2016年7月20日、 2016年8月18日）在54511站点滴谱分布情况， 可以看出滴谱差异明显， 说明用固定的Z-R关系， 或是大面积区域的Z-R动态修正关系式， 都无法准确描述小区域内DSD对应的Z-R关系。因此需要将降水区域细分， 细分区域内的Z-R关系更能反映该区域DSD的变化， 细分越细， 理论上降水估计的准确度更高。
图1 两个站点同一次天气过程的雨滴谱（a）和同一站点不同天气过程的雨滴谱（b）

Fig.1 Raindrop spectra of the same weather case at two sites （a）， and raindrop spectra of different weather cases at the same site （b）

2.2　方法介绍

瓦片分区降水估测方法（Quantitative Precipitation Estimation Method for Tile Partition， 以下简称QPE_TP）， 可以分为五步， 分别如下：
（1） 对北京地区11部X波段双偏振和2部S波段双偏振雷达开展反射率三维组网， 组网方法采用文献（肖艳姣和刘黎平， 2006）方法， 组网前需要对X波段雷达开展衰减订正（马建立等， 2019）。
（2） 确定一个瓦片区域大小， 对北京区域开展瓦片分区。瓦片大小受限于自动站密度， 理论上自动站越密， 瓦片分区可越小， 自动站观测值越能表示瓦片内的真实降水。因此需要确定一个瓦片内， 取多少个雨量计合适。如果瓦片内的自动站能有效采样该瓦片区域内的降水， 即瓦片内出现非均匀降水时， 自动站在非均匀降水的各个区域， 都有观测值， 则利用自动站的观测数据， 更能有效动态拟合该瓦片区域内的降水估测关系式； 如果自动站在该瓦片区域内的非均匀降水中， 只采样到了部分值， 比如只采样到了小的降水值， 没有采样到大的降水值， 则利用自动站降水量拟合动态降水关系式就会出现较大误差。利用历史天气过程， 表1比较了自动站个数对降水估测结果的影响， 发现自动站个数N≤4时， 容易在瓦片分区中出现异常高的雨量值， 当N≥5时， 估测降水效果差异不大。因此初步界定QPE_TP算法瓦片内需要包含5个以上的自动站。北京区域自动站密度分布平原地区平均约5 km一个， 山区约7 km一个， 将每个分区设定为20 km×20 km的网格大小， 可使得北京地区绝大多数网格中5个以上的雨量站， 因此将北京地区的瓦片区域选择为20 km×20 km。
表1 瓦片分区拟合自动站个数选择

Table 1 For the selection of the number of automatic stations when fitting parameters using the tile partition method

自动站数量/个 相关系数 均方根误差/（mm·h-1） 归一化误差/%
3 0.79 4.90 40.60
4 0.84 4.60 38.31
5 0.86 3.02 25.51
6 0.88 2.64 22.69
7 0.89 2.80 23.63
8 0.90 2.84 23.65
9 0.90 2.89 23.15
10 0.90 2.90 22.97
（3） 利用三维组网2 km高度（2 km高度回波受地形遮挡和地物影响小， 北京山区海拔基本在2 km以下）的雷达反射率因子和自动站5 min观测值， 对各个瓦片拟合关系式 Z = A R   b（单位： mm6·m-3）。得到各个瓦片降水关系式A、 b系数， 即5 min就修订一次A、 b系数。具体方法为：
设单个瓦片内所有雨量计的五分钟降水记录总数为N， 观测值用Gn 表示， n=1， 2， …， N。对第n个雨量值Gn 来说， 有M个与其时空相对应的雷达观测值dBZnm， m=1， 2， …， M。根据雷达反射率因子与降水强度之间的关系式 Z = A R   b， 可将dBZnm转化为降水强度R nm（单位： mm·h-1）， 即：
R n m = 10 d B Z n m - 10 l g A 10 b
北京地区X和S波段双偏振雷达， 均按VCP21模式运行， 完成一个体扫时间X波段雷达为3 min， S波段雷达为6 min； X和S波段双偏振雷达每3 min进行一次融合组网。降水强度进行时间积分就可以得到雷达测量的5 min累积降水， 记为Hn， n=1， 2， …， N， Wnm 是5 min的时间权重系数， 计算公式如下（李建通等， 2005）：
H n = ∑ m M W n m × R n m
选取判别函数（张培昌等， 2002）：
C T F = m i n ∑ n N ( H n - G n ) 2 + H n - G n
为确保A， b动态范围合理性， 设定参数A的取值范围为1~400， 步长为0.1， 参数b的取值范围为0.5~5， 步长为0.05。通过对CTF做循环， 不断调整 Z = A R b中的参数A和b的值， 当CTF为最小值时对应的A， b值视为最优参数， 此时Hn 最逼近Gn 的值。在获取单个瓦片最优参数A和b时， 确保该瓦片自动站雨量计个数5个以上。
（4） 单个瓦片内自动站不满足5个时或没有自动站时， 不采用第（3）步方法来确定参数A和b后开展降水估测， 此时利用整个降水区域的回波， 将其分为0~20 dBZ、 20~30 dBZ、 30~40 dBZ、 40~50 dBZ、 >50 dBZ五组数据， 仍然按式（3）采用最优化处理法先拟合出五组参数A、 b， 然后开展该瓦片区降水估测。
（5） 瓦片分区拟合处理后， 雨强会出现较为明显的分区差异， 相邻区域雨强不连续， 此时采用滑动平均的方法， 减弱雨强的不连续性， 方法为： 将每个瓦片四周相邻瓦片各取十行（上下相邻瓦片）、 十列（左右相邻瓦片）格点数据， 对数据应用窗口函数进行平滑处理， 窗口大小越大， 平滑后的数据越平滑， 但也会损失一些细节， 反之， 窗口大小越小， 平滑后的结果无法消除雨强不连续的现象。通过历史数据比较窗口大小对连续性的影响， 确定窗口长度为5时， 相邻瓦片雨强过渡具有较好的连续性， 因此选用5点做滑动平均处理。QPE_TP算法流程如图2所示。
图2 QPE_TP算法处理流程

Fig.2 Flow diagram of QPE_TP algorithm

3 瓦片分区降水估测方法效果检验

3.1　“杜苏芮”引发的北京极端暴雨降水个例效果评估

本文选取2023年7月30日的强降水个例作为算法的测试个例， 06:30（世界时， 下同）时刻雷达反射率、 瓦片分区（20 km×20 km）、 自动站分布见图3。从图3中可知， 绝大多数瓦片内， 自动站个数可达到10个以上， 少数瓦片内自动站个数小于5个。对自动站个数N≥5个的瓦片， 采用第（3）步分区拟合开展降水估测； 对N<5的瓦片（如北京西部和北部山区部分瓦片）， 采用第（4）步回波强度分级拟合的方法， 开展降水估测， 分段拟合结果见图4， 分段函数是2023年7月30日06:30时刻的参数拟合， 对N<5瓦片， 根据每个格点的回波强度值对应那组数据的范围， 则使用该组拟合的参数进行降水量估测。
图3 2023年7月30日06:30反射率（单位： dBZ）与自动站分布

红色和蓝色圆点分别代表国家站和区域站

Fig.3 Refectivity （unit： dBZ） and automatic station at 06:30 on 30 July 2023.The red and blue dots represent national and regional stations， respectively

图4 2023年7月30日06:30分段降水估测函数

Fig.4 Segmented precipitation estimation function at 06:30 on 30 July 2023

利用QPE_TP方法， 计算出7月30日06:30 - 06:35时段5 min每个瓦片分区的累积降水量， 见图5（a）。由于分区处理后会出现较为明显的分区差异， 采用QPE_TP第（5）步滑动平均处理后效果如图5（b）所示， 雨量不连续的地方， 改善明显， 如两处红框标记的位置。
图5 瓦片分区原始估测降水量（a）和估测降水量边界滑动平均处理（b）（单位： mm·h-1）

Fig.5 Original estimation Rainfall using the QPE_TP （a）， and boundary sliding average processing for estimation rainfall （b）.Unit： mm·h-1

在评估QPE_TP效果误差和精度特征时， 从平均误差MEAN_BIAS（单位： mm·h-1）、 平均绝对误差MAE（单位： mm·h-1）、 相关系数CC、 均方根误差RMSE（mm·h-1）和归一化误差NE（单位： %）这五个指标来进行评估， MEAN_BIAS表示估测值与真值之间偏差的平均值， 可以反映整体偏差情况， 其值可正可负， 正值表示高估， 负值表示低估， 其越接近于0说明数据越集中。MAE表示两组数据差值的绝对值的平均， 越接近于0说明数据误差越小。RMSE和NE值越小表示误差越小， 算法估测效果越好， RMSE受降水强度大小影响， NE不受其影响。CC表示估测值与真值之间的关联程度， 其值越接近于1表示二者关联度越高， 估测效果越好。
为了验证QPE_TP效果， 将采用三种降水估测方法与之比较， 三种方法分别为： （1）固定Z-R关系式： Z = 300 R 1.4（Battan， 1973）； （2）通过历史数据， 统计出适合北京区域的Z-R关系（陈明轩等， 2010）， 即 Z = 386 R 1.43； （3）动态Z-R关系方法， 采用北京区域内5 min所有自动站降水量和雷达回波点对点对应关系， 整体拟合Z-R关系参数A、 b， 拟合参数时， 判别函数同样使用CTF， A、 b值变化区间与瓦片分区算法相同。
图6给出了2023年7月30日暴雨时段将最近邻点的权重与距离的幂进行调和计算， 获得的降水量分布图。图7使用四种方法估测降水量， 偏差（G/R）为国家站实际值与雷达降水估测值之比， 该值越接近1， 表明该算法估测的降水量与实况更接近， 若偏差大于1则为低估， 呈现暖色圆点， 若偏差小于1则为高估， 呈现冷色圆点， 圆点同种颜色不同大小是体现同种量级下值的大小。对比图6的降水量分布情况分析， 红色散点主要分布在怀柔和密云， 估测降水量偏小， 原因是怀柔和密云区域的自动站偏少， 不满足瓦片分区自动站5以上要求， 导致采用类似图4的分段拟合的函数来估测降水时， 估测值偏低。
图6 2023年7月30日06:00 -07:00北京区域基于自动站调和插值的降水量分布（单位： mm·h-1）

Fig.6 Distribution of precipitation base on automatic station harmonic interpolation from 06:00 to 07:00 on 30 July 2023.Unit： mm·h-1

图7 2023年7月30日06:00 -07:00北京区域不同方法估测的降水量（彩色区， 单位： mm·h-1）

彩色圆点表示国家站点处1 h降水量偏差（G/R）分布。（a）Z=300R1.4， （b）Z=386R1.43， （c）动态Z-R关系法， （d）QPE_TP算法

Fig.7 From 06:00 to 07:00 on 30 July 2023， the distribution of rainfall （color area， unit： mm·h-1） estimated by different methods.The colored dots indicate the distribution of one-hour rainfall deviations （G/R） at the national stations in Beijing.（a） Z=300R 1.4， （b） Z=386R1.43， （c） Dynamic Z-R relationship method， （d） QPE_TP algorithm

图7（c）和（d）强降水中心位置与图6位置一致， 少数站点出现低估现象， 但图7（c）出现的强降水区域较小， 强降水中心处的估测雨量小于国家站雨量， 图7（d）估测强降水区域比较精准， 估测的暴雨区域与图6的雨量分布较为接近。根据图7（a~b）两种固定Z-R关系法估算1 h降水， 都表现出只有少数站点估测误差较小， 大部分站点误差较大， 整体出现低估情况， 从雨量分布情况， 未出现明显强降水中心。
图8给出四种算法在国家站点估测的降水量与国家站点实测值的比较， 图8（a~c）， 红色散点居多， 说明普遍出现低估现象； 图8（d）中， 白色和黄色圆点居多， 说明使用瓦片分区算法大部分区域估测效果比较好， 从CC评分来看， 图8（d）瓦片分区算法估测效果更接近1， 国家站点处对应的雷达估测值均分布在标准线附近， RMSE误差在1 mm·h-1左右， NE在10%左右， 瓦片分区估测算法优于其他三种算法。图8（a~b） RMSE误差均大于5 mm·h-1， NE大于40%， 普遍出现低估现象， 降水量越大， 低估现象越明显。图8（c）表明动态Z-R关系明显低于国家站的降水量， 在10 mm·h-1降水量附近， 高估和低估现象并存， 两种固定Z-R关系和动态Z-R关系整体雷达估测的效果与国家站估测的降水量数据CC指标均较差。
图8 2023年7月30日06:00 -07:00北京区域不同降水估测方法效果评估

Z=300R1.4（a）， Z=386R1.43（b）， 动态Z-R关系法（c）， QPE_TP算法（d）

Fig.8 Evaluation of the effect of different precipitation estimation methods in Beijing from 06:00 to 07:00 on 30 July 2023.Z=300R1.4（a）， Z=386R 1.43 （b）， Dynamic Z-R relationship method （c）， QPE_TP algorithm（d）

为了进一步评估四种方法降水估测的效果， 将国家站实测数据分为小雨（0~2 mm·h-1）、 中雨（2~5 mm·h-1）、 大雨（5~10 mm·h-1）、 暴雨（10~20 mm·h-1）、 大暴雨（>20 mm·h-1）五个等级， 从不同雨量级情况下的平均误差、 平均绝对误差、 均方根误差3个指标去评估不同方法下雷达降水估测精度。
根据MEAN_BIAS误差结果， 表2中四种方法均有出现低估情况， 但瓦片分区在雨量小于2 mm·h-1时， 会出现高估， 降水量大于2 mm·h-1时， 均出现不同程度的低估现象， 但在暴雨和大暴雨区间， RMSE均能在1.6 mm·h-1以内， MAE在1.3 mm·h-1以内。从两种固定Z-R关系降水估测结果各项评估误差看， 随着雨量级的增加， 降水估测偏差逐渐增大， 大于20 mm·h-1的强降水， MEAN_BIAS误差均达到20 mm·h-1左右， 但 Z = 300 R 1.4关系法每段估测效果优于 Z = 386 R 1.43关系法降水估测的降水量。动态Z-R关系法小于20 mm·h-1时， 均方根误差在2 mm·h-1内， 与自动站降水量误差较小， 大于20 mm·h-1时， 估测降水量的效果有所下降， 与自动站降水量误差较大。与四种降水估测的方法相比， 瓦片分区算法在每个雨量级下的三种误差指标均优于其他两种固定Z-R关系的估测结果， 在强降水区间会明显优于动态Z-R关系估测结果。
表 2 不同雨强1 h雷达降水估测效果评估

Table 2 Evaluation of the effect of 1-hour radar precipitation estimation under different rainfall levels

降水估测方法 评估结果 0~2/（mm·h-1） 2~5/（mm·h-1） 5~10/（mm·h-1） 10~20/（mm·h-1） ≥2 /（mm·h-1）
Z=300R 1.4 MEAN_BIAS -1.00 -2.23 -2.75 -3.85 -19.34
MAE 1.00 2.23 2.75 3.85 19.34
RMSE 1.00 2.30 3.08 4.16 19.34
Z=386R 1.43 MEAN_BIAS -1.13 -2.49 -3.58 -5.39 -21.05
MAE 1.13 2.49 3.58 5.39 21.05
RMSE 1.13 2.57 3.59 5.59 21.05
动态Z-R MEAN_BIAS 0.26 -0.41 0.23 0.05 -15.09
MAE 0.26 0.51 1.71 1.66 15.09
RMSE 0.26 0.64 1.99 1.84 15.09
瓦片分区 MEAN_BIAS 0.42 -0.72 -0.23 -1.26 -1.13
MAE 0.42 0.72 0.67 1.26 1.13
RMSE 0.42 0.80 0.87 1.52 1.13
对2023年7月30日05:00 -10:00降水估测结果比较见图9， 瓦片分区算法的CC基本维持在0.94以上， 波动较小， 其余三种方法波动较大， 在0.75至0.96区间波动， 瓦片分区算法的RMSE基本维持在2.6 mm·h-1以内， 在07:00 -08:00和08:00 -09:00， RMSE有所增大。 Z = 386 R 1.43关系法在10:00， RMSE超过了8 mm·h-1， 两种固定Z-R关系在这5 h估测降水量的RMSE波动较大， 动态Z-R关系法降水估测的RMSE在2.4~4.5 mm·h-1之间波动， 较两种固定Z-R关系法的RMSE误差评估指标更小。从NE指标来看， 由于NE不受降水量大小影响， 四种降水估测方法的NE波动均较小， 但瓦片分区的NE在整个过程的不同时间都是最小， 基本维持在15%附近。
图9 北京区域大面积暴雨时段（2023年7月30日06:00 -10:00）4种方法效果对比

Fig.9 Comparison of the effects of four methods during the large-scale rainstorm period in Beijing （from 06:00 to 10:00 on 30 July 2023）

在07:00 -08:00和08:00 -09:00， 均方根误差增大， 根据雷达估测结果如图10（a）和（b）所示， 雨量实际分布如图10（c）和（d）所示。误差较大的紫色圆点在瓦片分区中自动站个数小于5个的区域， 针对这些区域是使用点对点估测降水量， 表明在进行总体分段拟合时， 由于总体拟合的分段拟合的划分区间对该时次降雨过程不是完全适合， 所以在小雨区间和暴雨部分拟合的关系式进行点对点估测降水量时， 误差有所增大， 07:00 -08:00和08:00 - 09:00的粉色圆点大多在市区， 但整体上RMSE小于3 mm·h-1。
图10 2023年7月30日07:00 -08:00（左）和08:00 -09:00（右）QPE_TP算法估测降水量（a， b）和自动站降水量分布插值（c， d）（单位： mm·h-1）

（a）和（b）中彩色圆点表示国家站点处1 h降水量偏差（G/R）分布， 红色和蓝色框分别为彩色圆点误差较大区域

Fig.10 QPE_TP algorithms for estimation rainfall （a， b） and interpolating rain gauges rainfall distribution （c， d） （unit： mm·h-1） on 07:00 -08:00 （left） and 08:00 -09:00 （right） on 30 July 2023.The colored dots indicate the distribution of one-hour rainfall deviations （G/R） at the national stations in （a）and （b）， the red and blue boxes are the areas where the coloured dots have a large error respectively

3.2　强降水天气过程效果评估

为了进一步验证效果， 利用5次对流性降水（2021年7月2日大面积对流云降水， 2023年7月21日对流云降水面积不大但移动速度快， 2021年7月11日小面积对流云降水， 2023年7月24日大面积对流云降水， 2023年6月19日小面积对流云降水）和一次风暴减弱为层状云降水（2023年4月28日）天气过程， 对4种降水估测方法效果进行评估， 评估指标为相关系数CC、 均方根误差RMSE、 归一化误差NE。综合多个个例的各项指标评估结果分析， 瓦片分区算法优于另外3种降水估测算法（见表3）。
表3 1 h降水估测效果对比

Table 3 Comparison of 1 hour precipitation estimation effects

降水过程 降水估测方法 相关系数 均方根误差/（mm·h-1） 归一化误差/%

2021年7月2日

大面积对流云降水

 Z=300R 1.4 0.99 3.96 54.13
Z=386R 1.43 0.99 4.63 62.57
动态Z-R 0.99 0.79 13.31
瓦片分区 0.998 0.79 11.14

2023年7月21日

对流云降水面积不大但移动速度快

 Z=300R 1.4 0.84 2.73 41.26
Z=386R 1.43 0.84 3.24 51.23
动态Z-R 0.85 2.53 42.28
瓦片分区 0.94 1.40 24.74

2023年4月28日

大面积层状云

 Z=300R 1.4 0.78 3.32 61.61
Z=386R 1.43 0.78 2.04 32.86
动态Z-R 0.84 1.25 25.5
瓦片分区 0.9 1.01 22.19

2021年7月11日

小面积对流云降水

 Z=300R 1.4 0.72 8.41 68.68
Z=386R 1.43 0.72 8.96 74.57
动态Z-R 0.7 5.18 43.44
瓦片分区 0.84 3.48 25.35

2023年 7月24日

大面积对流云降水

 Z=300R 1.4 0.64 4.82 74.53
Z=386R 1.43 0.64 3.54 58.9
动态Z-R 0.77 2.41 54.6
瓦片分区 0.83 1.96 38.08

2023年6月19日

小面积对流云降水

 Z=300R 1.4 0.97 1.27 31.84
Z=386R 1.43 0.97 1.68 38.73
动态Z-R 0.97 1.31 41.39
瓦片分区 0.99 0.73 22.6

4 结论

本文分析了基于组网雷达数据的各种雷达定量降水估测方法的特点， 提出了利用自动站与雷达二源融合的瓦片分区算法。并利用实测资料， 对提出的降水估测方法效果进行了分析检验， 得出如下几点结论：
（1） QPE_TP算法、 Z = 300 R 1.4关系法、 Z = 386 R 1.43关系法和动态Z-R关系四种降水估测方法进行综合评估， 在多个个例验证的结果中体现出明显优势， 瓦片分区算法各项指标均优于其余三种降水估测方法。
（2） 四种算法降水估测结果表明， 在不同雨量等级下的各项评估结果中， QPE_TP算法在每个等级下的RMSE均在2 mm·h-1以内， 误差最小。分析的个例表明， QPE_TP算法降水估测结果对流云优于层状云， 但估测雨量的RMSE总体维持在3 mm·h-1以内。
（3） 在QPE_TP算法中， 当瓦片内自动站少于5个时， 按反射率值分级拟合开展降水估测， 降水估测结果会出现不同程度的高估或低估。

References

null
Battan L J， 1973.Radar observation of the atmosphere［M］.Chicago： The University of Chicago Press.
null
Benoit L， 2021.Radar and rain gauge data fusion based on disaggregation of radar imagery［J］.Water Resources Research， 57（2）.DOI： 10.1029/2020WR027899 .
null
Foufoula-Georgiou E， Guilloteau C， Nguyen P， et al， 2020.Advancing precipitation estimation， prediction， and impact studies［J］.Bulletin of the American Meteorological Society， 101（9）： E1584-E1592.DOI： 10.1175/BAMS-D-20-0014.1 .
null
Guo Z， Hu S， Zeng G， et al， 2023.An improved S-band polarimetric radar-based QPE algorithm for typhoons over south China using 2DVD observations［J］.Atmosphere， 14（6）.DOI： 10.3390/atmos14060935 .
null
Kou L， Tang J， Wang Z， et al， 2022.An adaptive rainfall estimation algorithm for dual-polarization radar［J］.IEEE Geosci Remote Sens， 19： 1-5.DOI： 10.1109/LGRS.2022.3143118 .
null
Ochoa‐Rodriguez S， Wang L P， Willems P， et al， 2019.A review of radar‐rain gauge data merging methods and their potential for urban hydrological applications［J］.Water Resources Research， 55（8）： 6356-6391.DOI： 10.1029/2018WR023332 .
null
Wen Y X， 2015.Towards improved QPE by capitalizing ground-and apace-based precipitation measurements［D］.Norman： University of Oklahoma Graduate College.
null
Yang L， Yang Y， Liu P， et al， 2016.Radar-derived quantitative precipitation estimation based on precipitation classification［J］.Advances in Meteorology， 2016： 2457489.DOI： 10.1155/2016/2457489 .
null
Zhang G F， 2016.Weather Radar Polarimetry［M］.Boca Raton： CRC Press， 166-167.
null
Zhi X F， Cui B Y， Ji Y， et al， 2022.Prediction of water level in urban waterlogging area based on deep learning approach［C］.IEEE International Conference on Advances in Electrical Engineering and Computer Applications （AEECA）.Dalian， China： IEEE， 548-551.DOI： 10.1109/AEECA55500.2022.9919102 .
null
陈明轩， 高峰， 孔容， 等， 2010.自动临近预报系统及其在北京奥运期间的应用［J］.应用气象学报， 21（4）： 395-404.DOI： 10.3969/j.issn.1001-7313.2010.04.002.Chen M X ，
null
Gao F， Kong R， et al， 2010.Introduction of auto-nowcasting system for convective storm and its performance in Beijing Olympics meteorological service［J］.Journal of Applied Meteorological Science， 21（4）： 395-404.DOI： 10.3969/j.issn.1001-7313.2010.04.002 .
null
勾亚彬， 刘黎平， 杨杰， 等， 2014.基于雷达组网拼图的定量降水估测算法业务应用及效果评估［J］.气象学报， 72（4）： 731-748.DOI： 10.11676/qxxb2014.050.Gou Y B ，
null
Liu L P， Yang J， et al， 2014.Operational application and evaluation of the quantitative precipitation estimates algorithm based on the multi-radar mosaic［J］.Acta Meteorologica Sinica， 72（4）： 731-748.DOI： 10.11676/qxxb2014.050 .
null
韩丰， 唐文苑， 周楚炫， 等， 2023.基于SWAN系统的降水临近预报算法改进和应用评估［J］.气象学报， 81（2）： 304-315.DOI： 10.11676/qxxb2023.20220066.Han F ，
null
Tang W Y， Zhou C X， et al， 2023.Improving a precipitation nowcasting algorithm based on the SWAN system and related application assessment［J］.Acta Meteorologica Sinica， 81（2）： 304-315.DOI： 10.11676/qxxb2023.20220066 .
null
何滨， 2011.多普勒雷达-自动雨量站定量降水估计技术研究［D］.南京： 南京信息工程大学.He B， 2011.Research on quantitative precipitation estimation technology of Doppler radar-automatic rainfall gauge station［D］.Nanjing： Nanjing University.
null
胡迎春， 陈耀登， 高玉芳， 等， 2024.基于雷达估测降雨及WRF-Hydro模型的典型山洪模拟研究［J］.高原气象， 43（1）： 254-263.DOI： 10.7522/j.issn.1000-0534.2023.00044.Hu Y C ，
null
Chen Y C， Gao Y F， et al， 2024.Simulation study of typical flash floods based on radar-estimated rainfall and WRF-Hydro model［J］.Plateau Meteorology， 43（1）： 254-263.DOI： 10.7522/j.issn.1000-0534.2023.00044 .
null
李建通， 郭林， 杨洪平， 2005.雷达-雨量计联合估测降水初值场形成方法探讨［J］.大气科学， 29（6）： 1010-1020.DOI： 10.3878/j.issn.1006-9895.2005.06.16.Li J T ，
null
Guo L， Yang H P， 2005.A study of the formation of initial radar field in estimating areal rainfall using radar and rain-gauge［J］.Chinese Journal of Atmospheric Sciences， 29（6）： 1010-1020.DOI： 10.3878/j.issn.1006-9895.2005.06.16 .
null
李梦迪， 戚友存， 张哲， 等， 2022.基于雷达-雨量计降水融合方法提高极端降水监测能力［J］.大气科学， 46（6）： 1523-1542.DOI： 10.3878/j.issn.1006-9895.2201.21201.Li M D ，
null
Qi Y C， Zhang Z， et al， 2022.Improving the detection performance of extreme precipitation observations using a radar-gauge merging algorithm［J］.Chinese Journal of Atmospheric Sciences， 46（6）： 1523-1542.DOI： 10.3878/j.issn.1006-9895.2201.21201 .
null
刘艳霞， 文军， 谢晓林， 2024.青藏高原中东部和四川盆地的夏季雨滴谱对比分析研究［J］.高原气象， 43 （1）： 28-41.DOI： 10.7522/j.issn.1000-0534.2023.00033.Liu Y X ，
null
Wen J， Xie X L， 2024.A comparative study on the summer raindrop size distribution among areas over the central and eastern Qinghai-Xizang （Tibetan） Plateau and the western Sichuan basin［J］.Plateau Meteorology， 43 （1）： 28-41.DOI： 10.7522/j.issn.1000-0534.2023.00033 .
null
马建立， 陈明轩， 李思腾， 等， 2019.线性规划在X波段双线偏振多普勒天气雷达差分传播相移质量控制中的应用［J］.气象学报， 77（3）： 516-528.DOI： 10.11676/qxxb2019.023.Ma J L ，
null
Chen M X， Li S T， et al， 2019.Application of linear programming on quality control of differential propagation phase shift data for X-band dual linear polarimetric Doppler weather radar［J］.Acta Meteorologica Sinica， 77（3）： 516-528.DOI： 10.11676/qxxb2019.023 .
null
宋林烨， 陈明轩， 程丛兰， 等， 2019.京津冀夏季雷达定量降水估测的误差统计及定量气候校准［J］.气象学报， 77（3）： 497-515.DOI： 10.11676/qxxb2019.022.Song L Y ，
null
Chen M X， Cheng C L， et al， 2019.Characteristics of summer QPE error and a climatological correction method over Beijing-Tianjin-Hebei region［J］.Acta Meteorologica Sinica， 77（3）： 497-515.DOI： 10.11676/qxxb2019.022 .
null
汪瑛， 冯业荣， 蔡锦辉， 等， 2011.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， 27（4）： 601-608.DOI： 10.3969/j.issn.1004-4965.2011.04.018.Wang Y ，
null
Feng Y R， Cai J H， et al， 2011.An approach radar quantitative precipitation estimate based on categorical Z-R relations［J］.Journal of Tropical Meteorology， 27（4）： 601-608.DOI： 10.3969/j.issn.1004-4965.2011.04.018 .
null
王俊， 陈宝君， 周淑玲， 等， 2023.郑州“7·20”特大暴雨雨滴谱特征分析［J］.高原气象， 42（5）： 1247-1259.DOI： 10.7522/j.issn.1000-0534.2022.00089.Wang J ，
null
Chen B J， Zhou S L， et al， 2023.Analyzing the characteristics of raindrop size distributions of the“7·20”torrential rain in Zhengzhou on 20 July 2021［J］.Plateau Meteorology， 42（5）： 1247-1259.DOI： 10.7522/j.issn.1000-0534.2022.00089 .
null
吴亚昊， 刘黎平， 周筠珺， 等， 2016.雨滴谱的变化对降水估测的影响研究［J］.高原气象， 35（1）： 220-230.DOI： 10.7522/j.issn.1000-0534.2014.00093.Wu Y H ，
null
Liu L P， Zhou Y J， et al， 2016.Study of raindrop influence of spectrum change on precipitation estimation［J］.Plateau Meteorology， 35（1）： 220-230.DOI： 10.7522/j.issn.1000-0534.2014.00093 .
null
肖艳姣， 刘黎平， 2006.新一代天气雷达网资料的三维格点化及拼图方法研究［J］.气象学报， 64（5）： 647-657.DOI： 10.11676/qxxb2006.063.Xiao Y J ，
null
Liu L P， 2006.Study of methods for interpolating data from weather radar network to 3-D grid and mosaics［J］.Acta Meteorologica Sinica， 64（5）： 647-657.DOI： 10.11676/qxxb2006.063 .
null
杨杰， 刘黎平， 赵城城， 等， 2015.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， 34（6）： 1785-1796.DOI： 10.7522/j.issn.1000-0534.2014.00074.Yang J ，
null
Liu L P， Zhao C C， et al， 2015.Spatial distribution of error from the convective precipitation estimation of radar and optimization of Z-R relationship［J］.Plateau Meteorology， 34（6）： 1785-1796.DOI： 10.7522/j.issn.1000-0534.2014.00074 .
null
姚铖， 2021.基于Z-R关系优化的雷达降雨估测及水文应用研究［D］.大连： 大连理工大学.Yao C， 2021.Study on radar rainfall estimation and hydrology application based on Z-R relation optimization［D］.Dalian： Dalian University of Technology.
null
张君霞， 黄武斌， 王一丞， 等， 2024.河西走廊西部一次暴雨过程降水特征及极端性分析［J］.高原气象， 43（1）： 156-165.DOI： 10.7522/j.issn.1000-0534.2023.00036.Zhang J X ，
null
Huang W B， Wang Y C， et al， 2024.Analysis on precipitation extremes and characteristics of the rainstorm event in the west of Hexi corridor［J］.Plateau Meteorology， 43（1）： 156-165.DOI： 10.7522/j.issn.1000-0534.2023.00036 .
null
张培昌， 杜秉玉， 戴铁丕， 2002.雷达气象学， 第二版［M］.北京： 气象出版社.Zhang P C， Du B Y， Dai T P， 2002.Radar meteorology， Second Edition［M］.Beijing： China Meteorological Press.
null
张扬， 2019.业务双偏振雷达网与自动站联合定量降水估测方法及效果分析研究［D］.北京： 中国气象科学研究院.Zhang Y， 2019.Study on the quantitative precipitation estimation algorithm utilized with the operational dual-polarization radar network and automatic stations and its effect analysis［D］.Beijing： Technology Chinese Academy of Meteorological Sciences.
Options
Outlines

/

〈 〉

The system is designed and developed by Beijing magtec Technology Development Co., Ltd. with technical support: support@magtech.com.cn