考慮降水時(shí)間相關(guān)性的地面觀測(cè)-雷達(dá)-衛(wèi)星遙感逐時(shí)降水融合方法研究

阮惠華，張鈞民 ，許劍輝，戴曉愛

(1.廣東省氣象探測(cè)數(shù)據(jù)中心，廣東 廣州 510641；2.廣東省科學(xué)院廣州地理研究所/廣東省遙感與地理信息應(yīng)用重點(diǎn)實(shí)驗(yàn)室/廣東省地理空間信息技術(shù)與應(yīng)用公共實(shí)驗(yàn)室，廣東 廣州 510070；3.成都理工大學(xué)地球科學(xué)學(xué)院，四川 成都 610059)

1 引 言

隨著氣象觀測(cè)系統(tǒng)的迅猛發(fā)展，通過地面自動(dòng)氣象站、雷達(dá)、衛(wèi)星遙感等手段獲取的不同時(shí)空分辨率的降水觀測(cè)數(shù)據(jù)越來越多[1]；各行業(yè)對(duì)高質(zhì)量的時(shí)空連續(xù)降水?dāng)?shù)據(jù)產(chǎn)品要求越來越高，特別是針對(duì)極端天氣情況下高時(shí)空分辨率的降水?dāng)?shù)據(jù)，對(duì)洪澇災(zāi)害及滑坡監(jiān)測(cè)等具有極其重要的意義[2-4]。

綜合氣象站-雷達(dá)-衛(wèi)星遙感-地表輔助參量等多種資料，多源數(shù)據(jù)融合與數(shù)據(jù)同化技術(shù)已成為獲取高精度、高質(zhì)量、時(shí)空連續(xù)的多時(shí)空尺度降水融合網(wǎng)格數(shù)據(jù)產(chǎn)品的有效手段[1,5]。根據(jù)地面觀測(cè)-雷達(dá)、地面觀測(cè)-衛(wèi)星遙感、雷達(dá)-衛(wèi)星遙感、地面觀測(cè)-雷達(dá)-衛(wèi)星遙感等不同源的降水?dāng)?shù)據(jù)組合，相關(guān)學(xué)者開發(fā)了包括地理加權(quán)回歸方法(Geographically Weighted Regression，GWR)[6-7]、回歸克里金插值方法[8-9]、貝葉斯模式平均方法(Bayesian Model Averaging，BMA)[10-12]、最 優(yōu) 插值[13-14]、多尺度模式融合方法[15]、隨機(jī)森林與XGBoost 機(jī)器學(xué)習(xí)方法[16-19]等不同的多源降水?dāng)?shù)據(jù)融合模型，并在子午河盆地、淮河流域、揚(yáng)子江流域、華南地區(qū)等區(qū)域進(jìn)行應(yīng)用分析。為獲取更高時(shí)間分辨率的降水?dāng)?shù)據(jù)產(chǎn)品，相關(guān)學(xué)者利用“概率密度函數(shù)+貝葉斯模型平均(BMA)+最優(yōu)插值”組合方法有效地融合地面觀測(cè)降水-雷達(dá)定量降水估測(cè)產(chǎn)品-衛(wèi)星遙感降水產(chǎn)品，研制了高精度的1 km 分辨率的逐時(shí)降水融合產(chǎn)品[1,20-21]，并對(duì)這些逐時(shí)降水融合產(chǎn)品在四川、黃土高原、長江流域、華南地區(qū)等區(qū)域的適用性進(jìn)行對(duì)比評(píng)估[22-24]。結(jié)果表明，在華南區(qū)域，融合降水產(chǎn)品與實(shí)際降水量的偏差較小，對(duì)實(shí)際降水量的再現(xiàn)能力強(qiáng)。

盡管現(xiàn)有的逐時(shí)降水?dāng)?shù)據(jù)融合研究取得一定進(jìn)展，針對(duì)龍舟水、臺(tái)風(fēng)水等不同類型的暴雨過程，逐時(shí)多源降水融合方法的適用性仍需進(jìn)一步研究。此外，現(xiàn)有的逐時(shí)降水融合方法較少考慮暴雨過程降水的時(shí)間相關(guān)性。受到熱帶與中緯度天氣系統(tǒng)的共同影響，華南地區(qū)成為我國暴雨最頻繁的地區(qū)之一?；诖?，本文利用廣東省北部山區(qū)2018 年汛期強(qiáng)降水時(shí)段4 月23—28 日(北京時(shí)間，下同)龍舟水、5 月7—11 日龍舟水和9 月16—17 日臺(tái)風(fēng)“山竹”3 次暴雨過程250 個(gè)氣象站逐時(shí)降水?dāng)?shù)據(jù)，以及雷達(dá)降水、衛(wèi)星遙感降水、地形與海岸線距離等輔助變量，在對(duì)不同類型的逐時(shí)降水?dāng)?shù)據(jù)進(jìn)行質(zhì)量控制處理基礎(chǔ)上，基于機(jī)器學(xué)習(xí)算法與地統(tǒng)計(jì)學(xué)理論，開展空間分辨率為1 km逐時(shí)氣象站點(diǎn)-雷達(dá)-衛(wèi)星遙感降水的融合試驗(yàn)，充分考慮相鄰時(shí)刻降水的時(shí)間相關(guān)性，以期獲取復(fù)雜地形區(qū)域暴雨過程高精度的降水融合數(shù)據(jù)，并對(duì)逐時(shí)降水融合試驗(yàn)結(jié)果進(jìn)行分析評(píng)估。

2 數(shù)據(jù)及預(yù)處理

2.1 研究區(qū)概況

研究區(qū)主要位于粵北山區(qū)(圖1)。研究區(qū)海拔最低6 m，最高1 427 m，高海拔區(qū)域主要集中在東西兩邊，中間區(qū)域海拔整體相對(duì)較低，主要集中在清遠(yuǎn)東南部的英德、清新，清城境內(nèi)的北江河谷。研究區(qū)屬亞熱帶季風(fēng)氣候，雨水資源豐富，平均年降水量1 631.4～2 149.3 mm，年平均降水日(日降水量≥0.1 mm/d)為160～173 天，是廣東省一個(gè)典型的“雨窩”[25]。

圖1 研究區(qū)域及氣象站點(diǎn)分布 a.廣東省邊界范圍；b.研究區(qū)域及氣象站點(diǎn)分布。

2.2 研究數(shù)據(jù)

本文以廣東省氣象局提供的逐時(shí)降水?dāng)?shù)據(jù)作為地面基準(zhǔn)數(shù)據(jù)，250個(gè)氣象站點(diǎn)的空間分布如圖1a 所示。隨機(jī)選擇空間均勻分布的200 個(gè)氣象站點(diǎn)(占80%)作為訓(xùn)練集站點(diǎn)，50 個(gè)氣象站點(diǎn)(占20%)為測(cè)試集站點(diǎn)并用來評(píng)價(jià)不同降水融合模型的精度(圖1b)。選取2018 年4 月23—27 日(過程I)、5 月7—10 日(過程II)、9 月16—17 日(過程III)3次暴雨過程的降水?dāng)?shù)據(jù)進(jìn)行逐時(shí)降水?dāng)?shù)據(jù)融合試驗(yàn)，相關(guān)數(shù)據(jù)介紹如表1所示。

表1 相關(guān)數(shù)據(jù)來源及介紹

雷達(dá)降水：由1 km 分辨率的逐6 min 雷達(dá)定量降水估測(cè)產(chǎn)品計(jì)算得到，具體的計(jì)算過程參考文獻(xiàn)[25]。

與海岸線距離、DEM：這兩個(gè)地表輔助參量的處理過程主要參考文獻(xiàn)[25]。

IMERG 和GSMaP 降 水：IMERG(Integrated multi-satellite retrievals for GPM) 和 GSMaP(Global satellite mapping of precipitation)是新一代全球降雨觀測(cè)計(jì)劃(Global precipitation measurement, GPM)廣泛應(yīng)用的衛(wèi)星降水產(chǎn)品，具有覆蓋范圍更廣(擴(kuò)展到全球)、時(shí)空分辨率更高的優(yōu)勢(shì)(IMERG：空間分辨率為0.1 °、時(shí)間分辨率為0.5 h；GSMaP：空間分辨率為0.1 °、時(shí)間分辨率為1 h)[26-28]。本文利用面到點(diǎn)克里金插值方法[27]分別對(duì)IMERG 和GSMaP 降水產(chǎn)品進(jìn)行空間降尺度，得到空間分辨率為1 km 的逐時(shí)IMERG 和GSMaP降水產(chǎn)品。

3 方 法

3.1 考慮降水時(shí)間相關(guān)性的XGBoost 逐時(shí)降水?dāng)?shù)據(jù)融合方法

本文提出的考慮時(shí)間相關(guān)性的XGBoost逐時(shí)降水融合方法技術(shù)路線如圖2所示。

圖2 考慮時(shí)間相關(guān)性的多源逐時(shí)降水融合方法技術(shù)流程圖

(1) 利用普通克里金插值算法對(duì)前兩個(gè)時(shí)刻的地面氣象站逐時(shí)降水進(jìn)行插值，得到空間分辨率為1 km的逐時(shí)網(wǎng)格降水?dāng)?shù)據(jù)(PreSiteOK)；前兩個(gè)時(shí)刻的降水插值結(jié)果(PreSiteOK)作為降水時(shí)間相關(guān)性引入到XGBoost模型中。

(2) 采用地統(tǒng)計(jì)學(xué)的面到點(diǎn)克里金插值(Area-to-point Kriging，ATPK)[27-29]分別對(duì)空間分辨率為0.1 °的逐時(shí)IMERG 和GSMaP 降水產(chǎn)品進(jìn)行空間降尺度。面到點(diǎn)克里金插值方法是利用已知面對(duì)未知點(diǎn)進(jìn)行插值估計(jì)的空間降尺度方法，其原理與普通克里金類似，即未知點(diǎn)值為其所在面以及附近面數(shù)據(jù)的線性加權(quán)求和[27]：

權(quán)重λx的求解如下：

式中，x為高空間分辨率(1 km)的待插值網(wǎng)格點(diǎn)，K為低空間分辨率(0.1 °)的網(wǎng)格數(shù)目，vi為低空間分辨率的網(wǎng)格，表示面與點(diǎn)協(xié)方差函數(shù)，表示面與面協(xié)方差函數(shù)為空間分辨率為0.1 °網(wǎng)格的IMERG 和GSMaP 降水產(chǎn)品,λx為權(quán)重，μx為拉格朗日乘子,為降尺度的空間分辨率為1 km的IMERG和GSMaP降水產(chǎn)品。

(3) XGBoost 是一種基于從GBDT(梯度提升樹)算法改進(jìn)和擴(kuò)展而來的經(jīng)過優(yōu)化的集成學(xué)習(xí)算法[30]，本文擬采用XGBoost 算法建立當(dāng)前時(shí)刻氣象站-前兩個(gè)時(shí)刻網(wǎng)格插值-雷達(dá)-衛(wèi)星遙感多源降水預(yù)測(cè)模型：

通過步驟(3)獲取每時(shí)刻的XGBoost降水融合模型以及對(duì)應(yīng)的逐時(shí)降水殘差。將空間分辨率為1 km 的逐時(shí)雷達(dá)降水?dāng)?shù)據(jù)、前兩個(gè)時(shí)刻網(wǎng)格降水?dāng)?shù)據(jù)、空間降尺度的衛(wèi)星遙感降水產(chǎn)品和地表輔助變量作為輸入，利用構(gòu)建的XGBoost 逐時(shí)降水融合模型預(yù)測(cè)1 km分辨率的逐時(shí)降水。

(4) 對(duì)XGBoost 降水融合模型的逐時(shí)降水殘差進(jìn)行普通克里金插值，得到1 km 分辨率的逐時(shí)降水殘差，并與模型預(yù)測(cè)結(jié)果進(jìn)行相加得到1 km分辨率的高質(zhì)量逐時(shí)降水融合結(jié)果。

3.2 融合試驗(yàn)設(shè)計(jì)

為了進(jìn)一步驗(yàn)證不同逐時(shí)降水融合模型的性能，設(shè)計(jì)了“考慮降水時(shí)間相關(guān)性的XGBoost逐時(shí)降水?dāng)?shù)據(jù)融合(本文提出方法，記為方案I)”、“不考慮降水時(shí)間相關(guān)性的XGBoost逐時(shí)降水?dāng)?shù)據(jù)融合(XGBoost 方法，記為方案II)”、“不考慮降水時(shí)間相關(guān)性的隨機(jī)森林逐時(shí)降水?dāng)?shù)據(jù)融合(RF方法，記為方案III)”三組逐時(shí)降水融合對(duì)比試驗(yàn)方案。具體的試驗(yàn)設(shè)計(jì)為：方案I，利用普通克里金插值算法對(duì)前兩個(gè)時(shí)刻的地面氣象站逐時(shí)降水進(jìn)行插值處理，并作為輔助變量，采用XGBoost算法進(jìn)行逐時(shí)氣象站點(diǎn)降水-前兩個(gè)時(shí)刻逐時(shí)網(wǎng)格降水-雷達(dá)降水-衛(wèi)星遙感降水融合分析；方案II，不考慮前兩個(gè)時(shí)刻逐時(shí)網(wǎng)格降水，采用XGBoost 算法進(jìn)行逐時(shí)氣象站點(diǎn)降水-雷達(dá)降水-衛(wèi)星遙感降水融合分析；方案III，不考慮前兩個(gè)時(shí)刻逐時(shí)網(wǎng)格降水，采用RF算法進(jìn)行逐時(shí)氣象站點(diǎn)降水-雷達(dá)降水-衛(wèi)星遙感降水融合分析。

3.3 評(píng)價(jià)方法

結(jié)合檢驗(yàn)站點(diǎn)的降水觀測(cè)數(shù)據(jù)，采用主要的評(píng)價(jià)指標(biāo)對(duì)逐時(shí)降水融合結(jié)果進(jìn)行定量評(píng)價(jià)，包括均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)和決定系數(shù)(R2)，其計(jì)算公式如下：

式中，n表示用于檢驗(yàn)的站點(diǎn)數(shù)，Ok表示第k個(gè)氣象站點(diǎn)降水觀測(cè)數(shù)據(jù)，表示第k個(gè)氣象站點(diǎn)對(duì)應(yīng)的逐時(shí)降水融合結(jié)果，Oˉ表示氣象站點(diǎn)降水觀測(cè)數(shù)據(jù)的平均值。

4 結(jié)果與討論

結(jié)合研究區(qū)的50個(gè)地面站點(diǎn)逐小時(shí)降水觀測(cè)數(shù)據(jù)，分別利用決定系數(shù)(R2)、均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)3 個(gè)統(tǒng)計(jì)指標(biāo)評(píng)價(jià)2018 年4 月23—28 日(龍舟水)、5 月7—11 日(龍舟水)和9月16—17 日(臺(tái)風(fēng)“山竹”)3 次暴雨過程的小時(shí)尺度多源降水?dāng)?shù)據(jù)融合結(jié)果的精度。

圖3 對(duì)應(yīng)2018 年3 次暴雨過程的方案I、方案II和方案III逐時(shí)降水融合結(jié)果。結(jié)果顯示，3次暴雨過程中，方案I融合結(jié)果比方案II和方案III融合結(jié)果的精度高，R2均大于0.609。9 月暴雨過程方案I 融合結(jié)果的RMSE 和MAE 最小，分別為2.198和1.065 mm；方案I 降水融合的R2達(dá)到了0.78，高于方案II和方案III降水融合的R2。這可能是因?yàn)榉桨窱不僅考慮了當(dāng)前時(shí)刻地面降水與雷達(dá)降水、衛(wèi)星遙感降水、地表輔助變量間的非線性關(guān)系，還將前兩個(gè)時(shí)刻地面降水作為自變量引入到模型中，考慮了降水?dāng)?shù)據(jù)的時(shí)間相關(guān)性。此外，圖3 也顯示了3 次暴雨過程的方案II 逐時(shí)降水融合都優(yōu)于方案III 逐時(shí)降水融合，3 次暴雨過程的最大逐時(shí)降水量逐漸增加，暴雨過程II 的最大逐時(shí)降水量超過50 mm；暴雨過程I的逐時(shí)降水融合結(jié)果比過程II 和過程III 的逐時(shí)降水融合結(jié)果的精度低。結(jié)果表明，在降水量相對(duì)較大的情況下，三種方案都能獲取較高精度的逐時(shí)降水融合數(shù)據(jù)；然而，在降水量相對(duì)較小的情況下，三種方案的降水融合結(jié)果精度相對(duì)較低。這可能是因?yàn)樵诮邓肯鄬?duì)較小的情況下，衛(wèi)星遙感降水產(chǎn)品的估測(cè)存在不足[31]，逐時(shí)降水融合模型引入衛(wèi)星遙感降水產(chǎn)品導(dǎo)致降水融合結(jié)果存在一定的誤差。

圖3 2018年過程I(a)、過程II(b)和過程III(c)三種方案的逐時(shí)降水融合與站點(diǎn)降水觀測(cè)比較

圖4 顯示了3 次暴雨過程不同融合方法的逐時(shí)降水融合的R2、RMSE 和MAE 箱圖。對(duì)比3 次暴雨過程的逐時(shí)降水融合，方案I 的3 次暴雨過程降水融合的中位數(shù)R2分別為0.415、0.466和0.734，都高于其他兩種方法降水融合的中位數(shù)R2；除了5月暴雨過程方案I 降水融合的中位數(shù)RMSE 略大于方案II 降水融合的中位數(shù)RMSE，方案I 的暴雨過程I 和III 降水融合中位數(shù)RMSE 都小于其他兩種方法降水融合的中位數(shù)RMSE，暴雨過程I和III降水融合的中位數(shù)RMSE 分別為0.418 mm 和1.735 mm；方案I 的3 次暴雨過程降水融合的中位數(shù)MAE 都高于其他兩種方法降水融合的中位MAE。結(jié)果表明，方案I降水融合結(jié)果優(yōu)于方案II和方案III降水融合結(jié)果。這進(jìn)一步表明在逐時(shí)降水融合過程中引入多個(gè)相鄰時(shí)刻的降水信息能有效提高降水融合模型的精度。

圖4 不同融合方法的逐時(shí)降水融合的R2(a)、RMSE(b)和MAE(c)箱圖

比較方案II 和方案III 降水融合發(fā)現(xiàn)，暴雨過程I 和過程II 的方案II 降水融合的中位數(shù)R2小于方案III 降水融合的中位數(shù)R2，但3 次暴雨過程方案II 降水融合的R2均值都大于方案III 降水融合的R2均值；3次暴雨過程的方案II降水融合的中位數(shù)RMSE 和MAE 整體上小于方案III 降水融合的中位數(shù)RMSE 和MAE。這表明，方案II 降水融合的精度整體上優(yōu)于方案III降水融合。從圖4 也可看出，方案I、方案II 和方案III 三種融合方案在過程III 都能獲取較高精度的逐時(shí)降水融合結(jié)果，其中位數(shù)R2分別達(dá)到了0.734、0.722和0.643，遠(yuǎn)高于暴雨過程I和過程II逐時(shí)降水融合的中位數(shù)R2。

表2 和圖5～7 分別顯示了3 次暴雨過程方案I、方案II和方案III的R2表現(xiàn)最好的時(shí)刻占總暴雨過程比例情況、逐時(shí)降水融合的R2、RMSE和MAE時(shí)間序列以及對(duì)應(yīng)時(shí)間50個(gè)地面站點(diǎn)逐時(shí)降水觀測(cè)的平均值。從表2 可看出，3 次暴雨過程方案I獲得更高精度的逐時(shí)降水融合，優(yōu)于方案II 和方案III 降水融合，R2占比全部大于53.82%，遠(yuǎn)高于其他兩種降水融合方案。

表2 不同降水融合方案R2表現(xiàn)最好的時(shí)刻占總暴雨過程的比例情況

圖5 暴雨過程I逐時(shí)降水融合R2(a)、RMSE(b)、MAE(c)精度評(píng)價(jià)

從圖5 看出，暴雨過程I 的方案I 降水融合整體上優(yōu)于方案II 和方案III 降水融合(表2)。但也出現(xiàn)方案I 降水融合精度比方案II 和方案III 降水融合精度低的情況，比如暴雨過程I 的23 日23 時(shí)方案I 降水融合的R2遠(yuǎn)小于方案II 和方案III 降水融合的R2。這可能是因?yàn)楸┯赀^程I的23 日21—22 時(shí)降水量比較大，而到了23 時(shí)降水量顯著減少，出現(xiàn)有的區(qū)域可能沒有降水的情況，方案I 引入21—22時(shí)兩個(gè)時(shí)刻相對(duì)較大降水信息反而增加降水融合誤差。從圖5也可看出，盡管方案II降水融合精度整體上稍微優(yōu)于方案III 降水融合，但也有不少時(shí)刻出現(xiàn)方案II降水融合精度差于方案III降水融合。

從圖6看出，暴雨過程II的方案I降水融合R2、RMSE 和MAE 整體上優(yōu)于方案II 和方案III 降水融合，特別是在持續(xù)降水量比較大的暴雨過程II的9 日02 時(shí)—10 日12 時(shí)這段時(shí)間內(nèi)，方案I 降水融合精度明顯優(yōu)于方案II和方案III降水融合。在這段時(shí)間內(nèi)，部分方案II 降水融合的R2低于方案III 降水融合的R2，但這兩種方法的RMSE 和MAE相差不大。

圖6 暴雨過程II逐時(shí)降水融合R2(a)、RMSE(b)、MAE(c)精度評(píng)價(jià)

圖7 顯示了暴雨過程III 的方案I、方案II 和方案III 降水融合的R2、RMSE 和MAE 時(shí)間序列，盡管出現(xiàn)方案II和方案III降水融合的R2略優(yōu)于方案I降水融合的R2，如暴雨過程III的16日10時(shí)；但整體上，方案I 降水融合的R2、RMSE 和MAE 明顯優(yōu)于方案II 和方案III 降水融合的R2(表2)、RMSE 和MAE。這表明在這次暴雨過程中，考慮前兩個(gè)時(shí)刻降水信息能更好地改善逐時(shí)降水融合模型精度。此外，圖7 也顯示了，方案II 降水融合精度整體上優(yōu)于方案III 降水融合精度，因?yàn)榉桨窱I 降水融合具有更高的R2和更低的RMSE和MAE。

圖7 暴雨過程III的逐時(shí)降水融合R2(a)、RMSE(b)、MAE(c)精度評(píng)價(jià)

圖8 顯示了2018 年3 次暴雨過程不同融合方法預(yù)測(cè)的累計(jì)降水空間分布，在3次暴雨過程方案I、方案II與方案III方法的降水融合結(jié)果具有相似的空間特征。

圖8 不同融合方法的累計(jì)降水融合結(jié)果空間分布圖 a.暴雨過程I；b.暴雨過程II；c.暴雨過程III。

暴雨過程I的累積最大降水量不超過110 mm，暴雨過程II 的累積最大降水量增加到180 mm，到了暴雨過程III，累積最大降水量超過了210 mm。在累積降水量比較高的區(qū)域，方案II 降水融合結(jié)果的高值范圍整體上比方案I 和方案III 降水融合結(jié)果的高值范圍大；在累積降水量比較低的區(qū)域，方案II 降水融合結(jié)果的低值范圍整體上比方案I和方案III 降水融合結(jié)果的低值范圍大。此外，方案III 在極大與極小降水融合的性能表現(xiàn)不太好，在降水量相對(duì)較高和較低的區(qū)域，方案III 降水融合不能較好地刻畫降水分布的空間細(xì)節(jié)。總體上來看，方案I 降水融合結(jié)果獲得較滿意的結(jié)果，具有更多的空間分布特征。

總的來說，相比方案II 和方案III 逐時(shí)降水融合模型，方案I 獲得較高精度的逐時(shí)降水融合結(jié)果，逐時(shí)降水融合具有更豐富的空間分布特征。然而，方案I 逐時(shí)降水融合結(jié)果仍存在一定的誤差，這可能與引入的空間分辨率為0.1 °的IMERG和GsMaP衛(wèi)星遙感降水產(chǎn)品有關(guān)。粗分辨率的衛(wèi)星遙感降水產(chǎn)品在高值和低值的降水估測(cè)仍存在一定的誤差[31-33]。未來的研究應(yīng)該引入更多時(shí)間序列暴雨過程的逐時(shí)降水信息，通過長短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTM)挖掘暴雨過程降水的時(shí)間特征信息[34]，并以此優(yōu)化逐時(shí)降水融合模型，進(jìn)一步提高逐時(shí)降水融合精度。此外，結(jié)合遙感數(shù)據(jù)獲取的云量、水汽等輔助參數(shù)[35]，在充分挖掘降水量與云量、水汽之間時(shí)空特征信息基礎(chǔ)上，引入到逐時(shí)降水?dāng)?shù)據(jù)融合模型中提高多源降水?dāng)?shù)據(jù)融合模型的精度。

5 結(jié) 論

本文以廣東省北部山區(qū)2018年汛期強(qiáng)降水時(shí)段4 月23—28 日龍舟水、5 月7—11 日龍舟水和9月16—17 日臺(tái)風(fēng)“山竹”3 次典型暴雨過程的逐時(shí)降水為研究對(duì)象，建立基于XGBoost 與克里金插值算法的地面觀測(cè)-雷達(dá)-衛(wèi)星遙感多源逐時(shí)降水融合模型，充分考慮相鄰時(shí)刻降水的時(shí)間相關(guān)性，開展了空間分辨率為1 km 的逐時(shí)降水融合試驗(yàn)，并與不考慮降水時(shí)間相關(guān)性的XGBoost和隨機(jī)森林(RF)算法的逐時(shí)降水融合模型進(jìn)行對(duì)比，得到如下結(jié)論。

(1) 考慮降水時(shí)間相關(guān)性的方案I逐時(shí)降水融合模型融合結(jié)果精度整體上高于方案II和方案III逐時(shí)降水融合結(jié)果，與氣象站逐時(shí)降水?dāng)?shù)據(jù)最接近，因?yàn)榉桨窱通過引入前兩個(gè)時(shí)刻逐時(shí)網(wǎng)格降水?dāng)?shù)據(jù)充分考慮了相鄰時(shí)刻降水的時(shí)間相關(guān)性，使得降水融合結(jié)果能夠更好地刻畫空間細(xì)節(jié)。在出現(xiàn)降水量極大和極小值的區(qū)域，不考慮降水時(shí)間相關(guān)性的方案II和方案III逐時(shí)降水融合精度有所降低。

(2) 與方案II 和方案III 逐時(shí)降水融合結(jié)果相比，方案I逐時(shí)降水融合結(jié)果在不同暴雨過程的準(zhǔn)確性均有明顯改進(jìn)，3次暴雨過程的RMSE分別降低了6.0%和9.7%、6.3%和9.5%、10.5%和30.0%。

(3) 方案II 的精度整體上優(yōu)于方案III，3 次暴雨過程的RMSE 分別降低了3.9%、3.4%和21.8%，表明XGBoost算法在刻畫逐時(shí)氣象站降水與雷達(dá)降水、衛(wèi)星遙感降水、地表輔助參量間的非線性關(guān)系能力方面比RF算法更有優(yōu)勢(shì)。