基于深度学习的雷达降水及云中液态水反演研究

The Ka/Ku band radar we have provides insights into the three-dimensional structure of precipitating clouds and accurate precipitation distribution.While the traditional radar precipitation and cloud liquid water content retrieval algorithms need to calibrate values of parameters which depend on the location and time, the estimation based on these models are lack of accuracy. Deep learning (DL) algorithms have successfully been demonstrated to be valuable tools in radar-based retrievals when faced with complex data in recent years. In this study, deep neural networks (DNNs) is developed to improve precipitation and cloud liquid water estimation based on high-precision sample library which is obtained by Integrated Monitoring Platform composed of Ka/Ku band radar, rain gauges, microwave radiometer etc..Firstly, we focus on quality control process of the radar and then building sample library. Secondly, the architecture of three deep neural network for precipitation and cloud liquid water estimation will be detailed and analyzed, and obtain the best model. Lastly, the precipitation and cloud liquid water is analyzed to obtain the precipitation rate and threshold values of the cloud liquid water when rainfall occurs in the plateau. This project will help to expand the theory of the precipitation and cloud liquid water retrievals and advance the application of the hydrometeorology.

地基雷达是获取中尺度高时空分辨率面雨量和云物理参数的重要监测手段，是未来水文气象监测重要发展方向。目前基于物理和经验模型的雷达降水反演存在效率低、反演结果不确定性大和适应性差等不足。本申请基于Ka/Ku双频双偏振地基雷达、地面雨量计、微波辐射计等仪器的综合监测平台获取的长序列、高分辨样本，研究基于高效深度学习的反演降水/云中液态水算法和模型，开拓新的反演模式和方法。重点研究：高海拔地区Ka/Ku双频双偏振雷达的质量控制方法，构建雷达降水/云中液态水含量反演的深度学习样本；研究基于深度学习的雷达降水/云中液态水反演算法及模型，建立具有强泛化能力的雷达降水/云液水深度学习模型；基于反演获得的中尺度高分辨的降水/云液水，研究黄河源区自然降雨过程发生的云中液态水含量阈值及其降水转化率，揭示降水转化机理。本研究对拓展雷达反演理论、推进遥感水文气象的发展具有重要意义。

地基雷达是获取中尺度高时空分辨率面雨量和云物理参数的重要监测手段，是未来水文气象监测重要发展方向。目前基于物理和经验模型的雷达降水反演存在效率低、反演结果不确定性大和适应性差等不足。本研究基于双频双偏振地基雷达、地面雨量计、微波辐射计等仪器的综合监测平台获取的观测数据，构建基于深度学习的降水反演算法和模型，开拓新的反演模式和方法。（1）利用2019年和2020年夏季在青藏高原东北部的达日和德令哈雨滴谱（DSD）观测数据，研究了DSD特征和基于DSD的X、Ku和Ka波段极化雷达定量降水估算（QPE）关系。提出了基于DSD的双参数极化雷达QPE关系（R（Zh，ZDR），R（KDP，ZDR）），以及X、Ku和Ka波段的单参数关系（R（Zh），R（KDP）），并用DSD计算的R来评估这些模型。双参数模型的性能比单参数模型的性能更强。此外，R（Zh，ZDR）和R（KDP，ZDR）在X和Ku波段表现更好，而R（KDP，ZDR）模型在Ka波段表现最好。达日的地面Ka/Ku波段测量Z被用来评估Z-R和R-Dm QPE关系。与Z-R关系相比，R-Dm关系具有更好的性能。Ku雷达得出的R系列与DSD测量的对应关系更加一致。（2）研究构建了考虑了自注意力机制的CNN+GRU混合模型，该模型应用了CNN和GRU在同步提取时空特征方面的优势，充分利用雷达观测数据的空间和时间特征，提高了降水估计的性能。通过对5分钟、1小时和降雨事件规模的评价指标，将混合模型的性能与其他两种QPE方法，即多层感知器（MLP）模型和Z-R关系进行了比较。结果表明，混合模型具有更好的性能，其低估程度最低，与雨量计观测值的相关性最好，而且误差最小。（3）本研究还构建了基于物理模型约束的双偏振参量的深度学习模型，考虑了物理约束的深度学习降水反演模型大大提高了雷达降水的反演精度。