基于循环神经网络改进雷达定量估测强降水

发布时间：2024-06-03 19:16

　　为了解决天气雷达传统定量估测强降水有较大偏差的问题,基于循环神经网络(recurrent neural network, RNN)模型,提出了一种有效的雷达估测强降水方法。基于对降水演变规律的认识,重新设计RNN结构,实现了对前3个时次雨量计降水的耦合,从而改善天气雷达估测强降水的效果。利用连续观测的雷达资料,结合前3个时次雨量计对地面降水量进行估测,解决了利用Z-R关系估测强降水时存在较大偏差的问题。利用2015年夏季降水测试数据集进行验证,并与滚动法建立的Z-R关系方法进行了对比,结果表明,在≥30 mm/h的强降水下,RNN估测降水方法相比Z-R关系方法的均方根误差(root mean square error,RMSE)降低了24.28%,中位绝对误差(median absolute error,Median AE)降低了32.83%。因此,循环神经网络估测降水方法对于定量估测强降水效果显著,具有业务应用价值。

【文章页数】：8 页

【部分图文】：

图1南京雷达周围230km以内所有的雨量站点分布(黑色虚线为雷达的探测范围)

选取南京雷达周围230km范围内2000多个站点2014年6—8月和2015年6—8月的雨量计的数据(图1),时间分辨率为1h。为了排除雾、露等天气现象的影响,剔除了小于1mm/h的雨量计观测数据。在空间上,采用最近邻插值方法对雷达观测数据与雨量站数据进行匹配;在时间上,....

图3Z-R关系方法和RNN估测降水方法在2015年夏季降水上估测精度检验

为了具体分析对比实时订正的Z-R关系方法和RNN估测降水方法,本文按照降水强度<2mm/h、2～5mm/h、5～10mm/h、10～30mm/h、≥30mm/h划分为5个等级。然后,分别统计实时订正的Z-R关系方法和RNN估测降水方法在2015年南京地区夏季降水的RMS....

图2不同估测降水模型的示意图

Z-R关系方法是业务上常用的雷达估测降水方法,基于降水的雨滴谱符合M-P分布的假设,雷达反射率因子和降水强度之间为幂指数关系,即Z=aRb,其中Z为反射率因子,mm/m3;R为降水强度,mm/h。由于不同时空对应的雨滴谱的分布不同,Z-R关系存在很强的变化性,固定不变的Z-R关系....

图4北京时间2015年6月2日20:00:00的累计1h降水个例

本文选取了2015年6月2日20:00:00的梅雨锋混合云降水个例进行分析。由图4(a)可见,Z-R方法漏掉了左下角距离雷达较远的强降水中心,这是由于随着雷达探测距离的增加,雷达的探测高度增加,更高高度的回波会偏弱,基于滚动法实时订正的Z-R关系模型在远距离处往往会出现低估。但R....

本文编号：3988380