基于AI雷达回波外推产品的降水临近预报研究

Study on Precipitation Nowcasting Based on AI Products of Radar Echo Extrapolation

摘要

基于AI雷达回波预报产品，采用两种方法将预报回波转换为预报降水，一种是利用雨滴谱数据拟合本地Z-R关系，另一种是预报回波与实况降水观测的自适应Z-R关系。以2022年重庆6次暴雨过程为例，对以上两种方法计算的临近降水预报进行了检验评估。结果表明：≥0.6 mm/h、≥1.6 mm/h及≥7.0 mm/h三个等级的临近预报降水，两种方法预报降水的效果较传统外推方法有不同程度的提高。基于雨滴谱数据拟合本地Z-R方法平均绝对提高量为3.03%，平均相对提高量为6.85%。基于自适应Z-R方法平均绝对提高量为4.20%，平均相对提高量为14.46%，说明其在强降水的预报上更具优势。

Abstract

Based on radar echo nowcasting products generated by an artificial intelligence (AI) model, two methods are used to convert echo nowcasts into precipitation predictions. One method utilizes raindrop size distribution data to fit the local Z-R relationship, while the other applies a self-adaptive Z-R relationship to link the nowcasted echo with real-time precipitation observations. The precipitation nowcasts generated by both methods are validated and evaluated using six rainstorm events that occurred in Chongqing in 2022.The results show that, for rainfall intensities of ≥ 0.6 mm/h, ≥1.6 mm/h, and ≥7.0 mm/h, both methods outperform the original extrapolation techniques to varying degrees. For the method based on raindrop size distribution data, the mean absolute improvement is 3.03%, and the mean relative improvement is 6.85%. The self-adaptive Z-R method shows a mean absolute improvement of 4.20% and a mean relative improvement of 14.46%, indicating its superior performance in forecasting heavy precipitation. this method has been incorporated into Chongqing's local operational system to generate real-time precipitation nowcast products, which play a crucial role in monitoring and nowcasting heavy precipitation events.

Graphical abstract

关键词

雷达回波预报产品 / 雨滴谱Z-R关系 / 自适应Z-R关系 / 临近降水预报

Key words

radar echo forecasting products / Z-R relationship based on raindrop size distribution data / self-adaptive Z-R relationship / precipitation nowcast

临近预报（0~2 h）常用的客观方法是外推预报，可分为两类：一类是传统外推方法，主要有回波交叉相关法^[1-5]与光流法^[6-9]，此类方法是根据几个连续时次的雷达回波强度图计算位移矢量，根据矢量外推未来时次的回波，这种方法忽略了雷达回波的生消变化。另一类是基于人工智能技术的方法。在气象领域，越来越多的AI技术应用于临近预报^[10-15]。AI技术中采用的深度学习算法能提取到雷达回波的演变特征，由此建立的预报模型在一定程度上可预报出雷达回波的生消过程。Klein等^[10]在传统卷积神经网络结构上增加了动态卷积层，生成两个预测概率向量实现对降水回波的预测。Shi等^[11-12]将输入到状态及状态到状态之间的变化改为卷积操作，提出了卷积长短时记忆单元（Convolutional Long Short-Term Memory，ConvLSTM）网络，为了适应实际情况中大部分运动的非时空恒定，引入卷积核可变形的TrajGRU（Trajectory Gate Recurrent Unit，TrajGRU）方法，与基于光流法的临近降水预报效果相比，TrajGRU方法的效果更好。韩丰等^[13]将循环神经网络应用于雷达临近预报中，并通过检验0~1 h的预报组合反射率因子，效果优于相关法。顾建峰等^[14]基于AI技术建立强对流天气临近预报模型，并与SWAN外推预报回波比较，其在回波演变预报方面具有明显优势，定量评分有明显提升。黄兴友等^[15]利用预测神经网络模型预报2 h以内的雷达回波，并与光流法比较，发现神经网络模型预报效果更好。

在降水临近预报方面，大多是将外推雷达回波通过Z-R关系转换为外推预报降水，其中误差来源主要有两个方面，一是雷达回波外推预报误差；二是Z-R关系不稳定造成的误差。一般情况下Z-R关系用于雷达回波实况的降水估测^[16-18]，由于外推雷达回波一般都存在位置和强度的偏差，基于实况建立的Z-R关系将外推回波转换为降水就存在误差的传递和累积。本文基于AI模型反射率因子输出产品，该产品相对于传统外推回波产品有明显的提升，但在降水预报尤其是强降水预报方面仍然不足^[14,19]。因此考虑两种方法来减轻外推回波转换为降水的误差，一是通过雨滴谱数据建立本地的Z-R关系，即通过本地雨滴谱数据拟合建立适用于本地的Z-R关系；二是自适应Z-R关系，即动态建立外推回波与实况降水的Z-R关系，使外推预报回波自动适应地面降水观测，动态调整Z-R关系。本文利用人工智能技术对雷达回波的外推优势，以期达到改进临近降水预报的目的。

1 数据与方法

1.1 数据

文中使用雨滴谱、AI预报产品和地面雨量站数据，AI预报产品包括反射率因子产品与降水预报产品。雨滴谱数据时段是2019年1—12月，时间分辨率为1 min，空间上选取沙坪坝、万州、城口、酉阳4个代表站代表重庆，用于拟合重庆Z-R关系。在使用雨滴谱数据时进行质量控制，以剔除异常值^[20-23]。AI反射率因子与降水预报产品水平分辨率均为0.01°\times0.01°，约1 km\times1 km，AI反射因子预报产品时间分辨率是6 min，降水产品时间分辨率是10 min。地面雨量站包括国家站与区域加密站，共2 089站，包括34个国家站、5个高山站、2 050个区域加密站（图1）。地面雨量站雨量数据使用小时雨量，在使用时经过气候阈值及空间一致性检查，以剔除异常值^[24-25]。

2022年重庆6次暴雨天气过程（表1）中，最长持续时间达39 h（2022年6月22日19时—24日10时，北京时间，下同），最短持续21 h，最大累计降雨量为266.1 mm（合川区楼房站），最大小时雨强达125.1 mm/h（2022年6月26日23时江津区益海嘉里站）。6次暴雨过程中，累计降水量≥50 mm站数最少为255站，最多达918站。

1.2 方法

采用两种方法将预报反射率因子转换为预报降水，一种是基于雨滴谱（Drop Size Distribution,DSD）数据拟合得到适用于本地的Z-R关系；另一种是基于判别函数^[26]（Criterion Funtion，CTF）建立预报反射率因子与地面雨量站观测值的自适应Z-R关系。

基于雨滴谱数据拟合得到适用于本地的Z-R关系，雷达反射率因子Z与雨强R关系分别表示为^[24]：

Z={\sum }_{i=\mathrm{1}}^N[N(D_i)\times D_i^{\mathrm{6}}\times ∆D_i]，（1）

R=\frac{\mathrm{6}\mathrm{\pi }}{{\mathrm{10}}^{\mathrm{4}}}{\sum }_{i=\mathrm{1}}^N{\sum }_{j=\mathrm{1}}^M{D}_i^{\mathrm{3}}\frac{A_{ij}}{T\times S}，（2）

N(D_i)={\sum }_{j=\mathrm{1}}^M\frac{A_{ij}}{V_j\times T\times S\times ∆D_i}，（3）

Z=a\times R^b。（4）

式中:N、M分别是雨滴谱仪的雨滴直径与下落末速度通道数，T是取样时间，S是取样面积，采用德国OTT公司生产的PARSIVEL激光雨滴谱仪，N=M=32,T=60 s，S=0.005 4 m²。N\left(D_i\right)是雨滴数浓度，在直径D_i通道上单位体积单位直径的雨滴数量，A_{ij}为在直径D_i通道与速度V_j通道上的雨滴数量，∆D_i为直径D_i通道的间距。R单位：mm/h；Z单位：mm⁶/m³。利用雨滴谱数据计算出Z和R，由式（4）采用最小二乘法拟合得到Z-R关系的a、b系数。质量控制后4个雨滴谱代表站数据的拟合样本量为81 247个。

图2是代表站计算Z-R关系散点密度图与其拟合Z-R关系及常用对流性、层状云降水的Z-R关系曲线，图中实心圆点是雨滴谱计算结果，其颜色对应于概率密度分布。≤40 dBZ时，本地拟合Z-R关系雨强较对流性与层状云降水的雨强更强；＞40 dBZ时，本地拟合Z-R关系雨强介于对流性与层状云降水的雨强之间，并随着反射率因子的增大而逐渐趋于层状云降水的雨强。

基于CTF建立预报反射率因子与地面雨量站观测值的自适应Z-R关系，利用地面雨量站小时雨量观测值滚动更新Z-R关系系数，与常规的拟合a、b系数不同的是此处用的是预报反射率因子，而不是反射率因子实况，这种通过预报反射率因子自动适应雨量计观测值的方法，可以有效减小预报带来的误差，通过C_{\mathrm{T}\mathrm{F}}得到Z-R关系的a、b系数，C_{\mathrm{T}\mathrm{F}}表达式为^[26]：

C_{\mathrm{T}\mathrm{F}}=\mathrm{m}\mathrm{i}\mathrm{n}({\sum }_{i=\mathrm{1}}^N\left[(R_i-G_i{)}^{\mathrm{2}}+|R_i-G_i|\right])。（5）

式中：R_i与G_i分别是雷达降水预报值与雨量计观测值，N为地面雨量站数量，将a设置为[10,1 200]，步长取2，b设置为[1,3]，步长取0.1，在所有a、b取值中当C_TF达到最小时即为所取值，a、b值的取值范围参考了文献[17]的取值，由于是预报雷达反射率因子，因此适当扩大其取值范围。每小时计算一次a、b值，并将其应用到非整点时次，直到下一个整点时次，再次更新a、b值，可实现与AI同步的逐6 min滚动更新。计算流程见图3。首先对地面自动站雨量进行质量控制和AI多层预报反射率因子处理，此处取垂直方向上最大的反射率因子，将多层预报反射率因子处理成预报组合反射率因子；其次通过CTF计算当前最新整点小时预报反射率因子与雨量站观测雨量的Z-R关系的a、b系数；最后利用最新的Z-R关系转换下一整点时刻之前的预报反射率因子，即得到预报降水。其本质是用最新的预报反射率因子与地面雨量站观测雨量建立适应的Z-R关系，并逐小时更新Z-R系数，以期达到预报降水与实况更接近的目的。

效果检验采用常用的TS评分，为更好体现两种方法对AI输出预报降水改进的程度，分别定义TS评分的绝对提高量A_TS与相对提高量R_TS：

A_{\mathrm{T}\mathrm{S}}=(T_{\mathrm{S}}-T_{\mathrm{S}\mathrm{0}})\times \mathrm{100}\%，（6）

R_{\mathrm{T}\mathrm{S}}=\frac{(T_{\mathrm{S}}-T_{\mathrm{S}\mathrm{0}})}{T_{\mathrm{S}\mathrm{0}}}\times \mathrm{100}\%。（7）

式中：T_s是新方法的TS评分，T_s0是原方法的TS评分，此处即为AI直接输出预报降水的TS评分。绝对提高量与相对提高量可正可负，正值越大表示新方法效果优于原方法越明显，负值则表示降低了原评分，说明新方法效果不如原方法。这里参照顾建峰等^[14]对≥0.6 mm/h、≥1.6 mm/h、≥7 mm/h量级强度的降雨进行检验评估。

2 效果检验

2.1 基于雨滴谱<bold><italic>Z-R</italic></bold>关系的临近预报降水检验

图4是基于雨滴谱Z-R关系与AI降水预报时效为0~1 h的6次暴雨过程检验结果。图4a、b、c分别对应≥0.6 mm/h、≥1.6 mm/h、≥7 mm/h降雨强度的TS评分检验结果，蓝色与红色柱状图分别代表AI直接输出的预报降水与基于雨滴谱本地化Z-R关系得到的预报降水。对于≥0.6 mm/h的降雨，基于雨滴谱数据本地化Z-R关系的预报降水在6次暴雨过程中有4次TS评分提高（第1、3、5、6次暴雨），第5次暴雨TS评分达到0.705 6。对于≥1.6 mm/h的降雨，除第4次暴雨过程，其余5次TS评分均有所提高。对于≥7.0 mm/h的降雨，6次暴雨的TS评分均有所提高，但整体提高的幅度较小。预报时效为1~2 h的预报降雨的TS评分结果与0~1 h整体特点一致（图5），但TS评分比0~1 h低。以上检验结果表明，基于雨滴谱数据本地化Z-R关系的临近降水预报较AI直接输出的降水预报效果有所改善。

2.2 基于自适应<bold><italic>Z-R</italic></bold>方法的临近预报降水检验

对预报时效为0~1 h与1~2 h的基于自适应方法及AI直接输出的预报降水进行TS评分。0~1 h与1~2 h时效的检验结果特点一致，前者TS评分比后者高，随着时效的增加预报效果变差。对于≥0.6 mm/h的降雨，6次暴雨中仅有2次暴雨TS评分有所提高，而≥1.6 mm/h与≥7.0 mm/h的降雨，6次暴雨全部有所提高，且提高幅度大于基于雨滴谱数据本地化Z-R关系预报降水评分。这说明基于自适应方法的预报降水对于降水强度较强的降水提升效果更明显。这里可从自适应方法中用到的最佳判别函数式（4）～（5）来解释，式中，在计算CTF最小值时，地面观测雨量与Z-R关系转换雨量差别越大时CTF值就越大，当调整a、b系数时，强降雨对CTF的贡献值就更大，最终取CTF最小值时的a、b系数主要趋向于调节强降水，从而以此a、b系数的Z-R关系对强降水的预报效果改进更明显。对于部分TS评分低于AI输出结果的个例，原因一方面是预报反射率因子的偏差，另一方面是a、b系数在限定范围内没有将降水调整到最优值，但不设定a、b值范围，则转换出的降水可能出现不合理值。

2.3 检验评估结果

由表2可知，随着降水量级的增大或预报时效的增加，预报能力递减。与AI预报相比，雨滴谱拟合本地Z-R关系得到的预报降水TS评分均有所提高，最大提高量是对于≥1.6 mm/h的降水，0~1 h与1~2 h时效降水绝对提高量分别为5.26%、5.71%，相对提高量分别为10.76%、14.46%。自适应Z-R方法在≥0.6 mm/h的降水提高量为负值，但在≥1.6 mm/h与≥7.0 mm/h上的提高量明显，优于雨滴谱拟合本地化Z-R关系方法，0~1 h时效上对≥1.6 mm/h、≥7.0 mm/h降水TS评分绝对提高量分别达11.97%、4.78%，相对提高量分别为24.47%、18.36%，1~2 h时效上对≥1.6 mm/h、≥7.0 mm/h降水TS评分绝对提高量分别为9.71%、23.22%，相对提高量分别为到3.55%、28.25%。由此可见，自适应方法提升强降水预报效果更明显。

两种方法均对AI直接输出的降水TS评分有所提高，雨滴谱数据拟合Z-R方法平均绝对提高量为3.03%，平均相对提高量为6.85%。自适应Z-R方法平均绝对提高量为4.20%，平均相对提高量为14.46%。

2.4 个例分析

以个例1（2022年4月11日22时—13日0时）分析两种方法相对于AI直接输出预报降水产品的效果。在26个时次中，前9个时次，雨滴谱Z-R方法与AI预报降水产品TS评分相当，而自适应Z-R方法TS评分大多数低于AI预报降水产品；17个时次中，有1个时次资料缺失，没有计算TS评分；其余16个时次中，两种方法的TS评分大多数优于AI预报降水产品。

在前9个时次，降水从四川盆地逐渐移入重庆，在重庆的降水范围不大，TS评分变化不大，即TS评分与AI预报降水产品相当。由式（5）可知，自适应Z-R方法中，a、b系数的取值趋向于减小预报降水与观测降水差异的方向，预报降水与观测降水的差异又在强降水上占有更大的权重，因此自适应Z-R方法主要调节强降水的误差。自适应Z-R方法在动态a、b取值时，增强了预报降水，在增强预报降水的同时增加了空报，因此TS评分低于AI和雨滴谱Z-R方法的预报降水。随着降雨系统向东移动发展，雨区范围扩大，两种方法表现出较明显的优势。图6是AI与两种方法在2022年4月12日9时起报时效0~1 h与1~2 h降水预报分布。相对于AI预报降水，雨滴谱Z-R与自适应Z-R方法在降水强度≥0.6 mm/h时预报降水均有所增强，且自适应Z-R方法增强更明显，从而提高了强降水的预报能力。对于时效0~1 h与1~2 h，雨滴谱Z-R与自适应Z-R方法在降水强度≥0.6 mm/h、≥1.6 mm/h、≥7.0 mm/h时的TS评分均高于AI。AI预报降水主要是漏报站数较多，雨滴谱Z-R与自适应Z-R方法的预报降水有所增强，减少了漏报站数，增加了命中站数，但也增加了空报站数，总体来说，TS评分明显提高。其他个例也是通过增强预报降水，最终TS评分有所提高，尤其是对≥7.0 mm/h的强降水预报效果提高更明显。

2.5 业务试应用

通过对6次暴雨过程的检验评估，两种方法相对于AI降水预报产品的预报能力均有所提高，且自适应方法在较强的降雨预报上更具优势，提升效果更明显。强降雨更容易直接造成灾害或间接诱发次生灾害，因此将基于自适应Z-R方法的降雨预报产品接入了重庆本地业务系统，对强降水的监测与临近预警起到支撑作用。该产品总体上较为稳定，实时性较高，但有时由于AI预报雷达反射率因子缺失，会导致降水预报产品缺失。

3 结论与讨论

本文采用了两种方法将AI预报雷达反射率因子转换为预报降水，并对发生在重庆的6次暴雨过程进行了检验评估，得出结论如下：

（1）基于雨滴谱Z-R关系的预报降水，在重庆6次暴雨过程中，≥0.6 mm/h的降水，有4次TS评分提高；≥1.6 mm/h的降水，有5次TS评分提高；≥7.0 mm/h的降水，6次暴雨均有所提高，其中≥1.6 mm/h的降水提高幅度最大。在预报时效上，0~1 h的TS评分高于1~2 h，但提升幅度低于1~2 h。

（2）基于自适应Z-R方法的预报降水，在6次暴雨过程中，预报时效0~1 h的TS评分均高于1~2 h。对于≥0.6 mm/h的降水，有2次TS评分提高，对于≥1.6 mm/h与≥7.0 mm/h的降水，全部6次暴雨过程TS评分均有所提高，且平均提高幅度超过20%。

（3）相对于AI预报降水，大多数情况下，两种方法对≥0.6 mm/h、≥1.6 mm/h、≥7.0 mm/h 的预报降水均有不同程度的提高。基于雨滴谱数据拟合本地Z-R方法平均绝对提高量为3.03%，平均相对提高量为6.85%。基于自适应Z-R方法平均绝对提高量为4.20%，平均相对提高量为14.46%。基于自适应Z-R方法在强降水的预报上更具优势，目前该方法已接入重庆本地业务系统，实时生成基于自适应Z-R方法的临近降水预报产品，为强降水的监测及临近预警起到支撑作用。

需要注意的是两种方法均是通过Z-R关系将预报反射率因子转换为预报降水，尽管较原预报降水能力有所提高，但是这种提高仅是调整预报降水的强度，不改变降水落区分布，具有一定的局限性。当预报反射率因子位置偏差达到一定程度时，该方法不适用，此时使用本地化Z-R关系转换成预报降水。未来需要改进AI，提高模型对于雷达回波的预报能力，以进一步提升临近预报能力。

参考文献

[1] Rinehart R E, Garvey E T.Three-dimensional storm motion detection by conventional weather radar[J].Nature,1978,273(5660):287-289.

[2] Mueller C, Saxen T, Roberts R,et al.NCAR auto-nowcast system[J].Weather and Forecasting,2003,18(4):545-561.

[3] WANG G Laili, Wong W, LIU Liping,et al.Application of multi-scale tracking radar echoes scheme in quantitative precipitation nowcasting[J].Advances in Atmospheric Sciences,2013,30(2):448-460.

[4] 张亚萍,程明虎,夏文梅,等.天气雷达回波运动场估测及在降水临近预报中的应用[J].气象学报,2006,64(5):631-646.

[5] ZHANG Yaping, CHENG Minghu, XIA Wenmei,et al.Estimation of weather radar echo motion field and its application to precipitation nowcasting[J].Acta Meteorologica Sinica,2006,64(5):631-646.(in Chinese)

[6] 胡胜,罗聪,黄晓梅,等.基于雷达外推和中尺度数值模式的定量降水预报的对比分析[J].气象,2012,38(3):274-280.

[7] HU Sheng, LUO Cong, HUANG Xiaomei,et al.Comparisons of one hour precipitation forecast between the radar extrapolation and the mesoscale numerical model[J].Meteorological Monthly,2012,38(3):274-280.(in Chinese)

[8] Horn B K P, Schunck B G.Determining optical flow[J].Artificial Intelligence,1981,17(1/3):185-203.

[9] Ayzel G, Heistermann M, Winterrath T.Optical flow models as an open benchmark for radar-based precipitation nowcasting (rainymotion v0.1)[J].Geoscientific Model Development,2019,12(4):1387-1402.

[10] 韩雷,王洪庆,林隐静.光流法在强对流天气临近预报中的应用[J].北京大学学报(自然科学版),2008,44(5):751-755.

[11] HAN Lei, WANG Hongqing, LIN Yinjing.Application of optical flow method to nowcasting convective weather[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2008,44(5):751-755.(in Chinese)

[12] 曹春燕,陈元昭,刘东华,等.光流法及其在临近预报中的应用[J].气象学报,2015,73(3):471-480.

[13] CAO Chunyan, CHEN Yuanzhao, LIU Donghua,et al.The optical flow method and its application to nowcasting[J].Acta Meteorologica Sinica,2015,73(3):471-480.(in Chinese)

[14] Klein B, Wolf L, Afek Y.A dynamic convolutional layer for short range weather prediction[C]//Proceedings of 2015 IEEE conference on computer vision and pattern recognition.Boston,MA,USA:IEEE,2015:4840-4848.

[15] SHI Xingjian, CHEN Zhourong, WANG Hao,et al.Convolutional LSTM network:a machine learning approach for precipitation nowcasting[C]//Proceedings of the 28th international conference on neural information processing systems.Montreal,Canada:ACM,2015:802-810.

[16] SHI Xingjian, GAO Zhihan, Lausen L,et al.Deep learning for precipitation nowcasting:a benchmark and a new model[C]//Proceedings of the 31st international conference on neural information processing systems.Long Beach,USA:ACM,2017:5622-5632.

[17] 韩丰,龙明盛,李月安,等.循环神经网络在雷达临近预报中的应用[J].应用气象学报,2019,30(1):61-69.

[18] HAN Feng, LONG Mingsheng, LI Yuean,et al.The application of recurrent neural network to nowcasting[J].Journal of Applied Meteorological Science,2019,30(1):61-69.(in Chinese)

[19] 顾建峰,周国兵,刘伯骏,等.人工智能技术在重庆临近预报业务中的初步研究与应用[J].气象,2020,46(10):1286-1296.

[20] GU Jianfeng, ZHOU Guobing, LIU Bojun,et al.Study on artificial intelligence technology and its application to Chongqing operational nowcasting[J].Meteorological Monthly,2020,46(10):1286-1296.(in Chinese)

[21] 黄兴友,马玉蓉,胡苏蔓.基于深度学习的天气雷达回波序列外推及效果分析[J].气象学报,2021,79(5):817-827.

[22] HUANG Xingyou, MA Yurong, HU Suman.Extrapolation and effect analysis of weather radar echo sequence based on deep learning[J].Acta Meteorologica Sinica,2021,79(5):817-827.(in Chinese)

[23] 梁建茵,胡胜.雷达回波强度拼图的定量估测降水及其效果检验[J].热带气象学报,2011,27(1):1-10.

[24] LIANG Jianyin, HU Sheng.A strategy for radar-rainfall estimate and its validation[J].Journal of Tropical Meteorology,2011,27(1):1-10.(in Chinese)

[25] 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.

[26] WANG Ying, FENG Yerong, CAI Jinhui,et al.An approach for radar quantitative precipitation estimate based on categorical Z-I relations[J].Journal of Tropical Meteorology,2011,27(4):601-608.(in Chinese)

[27] 勾亚彬,刘黎平,王丹,等.基于云团的分组Z-R关系拟合方案效果评估与误差分析[J].暴雨灾害,2015,34(1):1-8.

[28] GOU Yabin, LIU Liping, WANG Dan,et al.Evaluation and analysis of the Z-R storm-grouping relationship fitting scheme based on storm identification[J].Torrential Rain and Disasters,2015,34(1):1-8.(in Chinese)

[29] 张勇,刘慧,郑颖菲,等.人工智能模型的分类临近预报产品效果检验与分析[J].沙漠与绿洲气象,2023,17(1):115-121.

[30] ZHANG Yong, LIU Hui, ZHENG Yingfei,et al.Effect validation and analysis of classified products outputted by artificial intelligent nowcasting model[J].Desert and Oasis Meteorology,2023,17(1):115-121.(in Chinese)

[31] Atlas D, Srivastava R C, Sekhon R S.Doppler radar characteristics of precipitation at vertical incidence[J].Reviews of Geophysics,1973,11(1):1-35.

[32] Beard K V.Terminal velocity adjustment for cloud and precipitation drops aloft[J].Journal of the Atmospheric Sciences,1977,34(8):1293-1298.

[33] Jaffrain J, Berne A.Experimental quantification of the sampling uncertainty associated with measurements from PARSIVEL disdrometers[J].Journal of Hydrometeorology,2011,12(3):352-370.

[34] 张扬.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,2019:15-20.

[35] ZHANG Yang.Study on the quantitative precipitation estimation algorithm utilized with the operational dual-polarization radar network and automatic stations and its effect analysis[D].Beijing:Chinese Academy of Meteorological Sciences,2019:15-20.(in Chinese)

[36] 任芝花,赵平,张强,等.适用于全国自动站小时降水资料的质量控制方法[J].气象,2010,36(7):123-132.

[37] REN Zhihua, ZHAO Ping, ZHANG Qiang,et al.Quality control procedures for hourly precipitation data from automatic weather stations in China[J].Meteorological Monthly,2010,36(7):123-132.(in Chinese)

[38] 任芝花,张志富,孙超,等.全国自动气象站实时观测资料三级质量控制系统研制[J].气象,2015,41(10):1268-1277.

[39] REN Zhihua, ZHANG Zhifu, SUN Chao,et al.Development of three-step quality control system of real-time observation data from AWS in China[J].Meteorological Monthly,2015,41(10):1268-1277.(in Chinese)

[40] 张培昌,杜秉玉,戴铁丕.雷达气象学[M].2版.北京:气象出版社,2001:181-187.ZHANG Peichang,DU Bingyu,DAI Tiepi.Radar meteorology[M].2nd edition.Beijing:China Meteorological Press,2001:181-187.(in Chinese)

基金资助

中国气象局创新发展专项(CXFZ2023J028)

中国气象局创新发展专项(CXFZ2024J013)

重庆市自然科学基金面上项目(CSTB2022NSCQ-MSX1461)

复盘总结专项(FPZJ2023-104)