降雨監(jiān)測與預報技術在防洪減災中的應用進展

摘要：洪水災害突發(fā)性強，成災速度快，對人民生命和財產(chǎn)安全造成較大的威脅。降雨作為洪水災害致災因子，數(shù)據(jù)的精確度對防洪減災具有重要意義。以降雨監(jiān)測與預報技術為切入點，對雨量站點觀測、天氣雷達降雨估計及預報、降雨數(shù)值預報、衛(wèi)星遙感反演的現(xiàn)狀進行了總結(jié)，通過分析時空降尺度方法及多源數(shù)據(jù)融合技術在降雨監(jiān)測與預報中的應用，揭示了其在提升降雨數(shù)據(jù)“量”與“型”準確度方面的效果。研究表明：降雨監(jiān)測與預報技術在當前取得了顯著進展，但在山丘區(qū)和城市環(huán)境空間的復雜地形方面仍面臨分辨率受到限制及精確性、時效性不足的問題。多源數(shù)據(jù)融合能提高降雨數(shù)據(jù)精度、時空覆蓋能力和預測準確性，優(yōu)化算法模型、融合“空-天-地”多源數(shù)據(jù)形成高分辨率預報是未來的研究方向。

關 鍵 詞：降雨監(jiān)測；降雨預報；防洪減災；衛(wèi)星遙感；天氣雷達；數(shù)值預報；降尺度；多源數(shù)據(jù)融合

中圖法分類號：TV125

文獻標志碼：ADOI：10.16232/j.cnki.1001-4179.2024.08.002

0 引 言

近年來，氣候變化所導致的極端降水事件已愈發(fā)頻繁，洪水時空變化特征、演進規(guī)律及所對應的災害危險性程度正在發(fā)生變化^［1-2］。降雨作為洪水災害最基本的源動力之一，驅(qū)動著陸面的水文循環(huán)，不同的“量”和“型”形成了降雨的多樣性和不確定性，在同一區(qū)域造成不同危險程度的洪水災害。隨著國內(nèi)外學者在水文氣象耦合領域的不斷深耕，降雨監(jiān)測與預報技術得到了長足的發(fā)展。降雨監(jiān)測側(cè)重于實時獲取和分析降雨數(shù)據(jù)，以及監(jiān)測降雨事件的過程。傳統(tǒng)暴雨、洪水災害的預防主要依賴于“落地雨”即地面雨量站觀測雨量，如Kocsis^［3］、Roderick^［4］等分別應用雷達和衛(wèi)星進行降雨監(jiān)測；而降雨預報則側(cè)重于利用監(jiān)測數(shù)據(jù)和氣象模型等信息，對未來降雨情況進行預測和推測，如魏凡^［5］、Li^［6］等分別利用雷達、數(shù)值預報產(chǎn)品進行了短臨和長期預報。隨著社會發(fā)展需求變化和防災減災意識的提高，降雨過程的精細化預報開始受到關注。精細化降雨監(jiān)測與預報不僅需要掌握降雨量的空間分布，還需要掌握區(qū)域降雨過程。因此，針對降雨數(shù)據(jù)時空分布不均勻的情況，如何更有效地提高數(shù)據(jù)精度仍需要進一步研究。基于此，本文分析了降雨監(jiān)測與預報技術在防洪減災中的應用現(xiàn)狀，闡述了時空降尺度技術和多源數(shù)據(jù)融合技術的研究進展及存在的問題，并對其發(fā)展趨勢進行了展望。

1 降雨量監(jiān)測與預報技術

降雨監(jiān)測是指實時地監(jiān)測和記錄當前時刻或較短時間內(nèi)發(fā)生的降雨情況。通常通過雨量站、衛(wèi)星觀測、雷達定量降雨估計等方式獲取降雨發(fā)生的位置、強度和變化情況等數(shù)據(jù)。降雨預報是指對未來一段時間內(nèi)可能發(fā)生的降雨情況進行預測，通常利用雷達和數(shù)值預報來預測強度、分布范圍和持續(xù)時間等降雨信息。降雨預報和監(jiān)測通常相互配合，以提供更全面、準確的降雨信息，從而做出適當?shù)臎Q策和應對措施。

1.1 雨量站點觀測

雨量站作為降雨監(jiān)測的一種方式，經(jīng)過長期使用和驗證，具有較高的可靠性和穩(wěn)定性，能夠?qū)崟r監(jiān)測降雨情況，經(jīng)歷了從簡單的手動記錄到自動化數(shù)字化監(jiān)測的演變。部分雨量計類型及特點見表1。

傳統(tǒng)雨量站通常采用雨量計和記錄器的組合，發(fā)展自20世紀初期。最早的雨量測量是通過人工觀測來進行的，人們使用雨量計來測量雨水的數(shù)量，然后記錄在紙質(zhì)記錄表或日志中。這種方法需要人工觀測員定期檢查并記錄降雨量，因此效率低下且容易出錯。

隨著科技的進步，出現(xiàn)了一些半自動化的雨量測量設備。這些設備可以自動記錄降雨數(shù)據(jù)，但仍需要人工去處理數(shù)據(jù)并進行分析。機械式雨量計使用機械結(jié)構(gòu)和傳感器來測量降雨量?，F(xiàn)代雨量站配備了各種傳感器和數(shù)據(jù)記錄設備，能夠自動記錄降雨數(shù)據(jù)，并通過網(wǎng)絡傳輸數(shù)據(jù)到中心數(shù)據(jù)庫。

雨量站的布設目前仍無法實現(xiàn)完全均勻的空間覆蓋。在某些偏遠或復雜地形的地區(qū)，雨量站的布設可能受限，導致監(jiān)測范圍有限，其監(jiān)測結(jié)果存在一定誤差^［7］，且僅反映所在位置的降雨情況，無法提供全區(qū)域的降雨數(shù)據(jù)。在發(fā)生大范圍降雨事件的情況下，需要綜合多個數(shù)據(jù)源的數(shù)據(jù)進行分析和推測。

1.2 天氣雷達降雨估計及預報

20世紀50年代，國外學者開始利用多普勒雷達探測并研究暴風雨等災害性天氣^［8］。20世紀90年代后期到21世紀初，中國新一代天氣雷達布網(wǎng)進入快速發(fā)展階段，現(xiàn)階段已形成基本覆蓋全國的新一代天氣雷達網(wǎng)絡^［9］。具備實時降雨監(jiān)測與短臨預報功能的天氣雷達已成為全球氣象監(jiān)測的關鍵工具，廣泛應用于氣象的預報，在防汛減災等領域已經(jīng)得到良好的應用^［10］。例如Abon等^［11］在菲律賓基納河流域，采用雷達定量降雨估計進行降雨徑流模擬，效果優(yōu)異；糜佳偉等^［12］利用光流法進行基于天氣雷達的臨近預報，在梅溪流域開展洪水模擬，結(jié)果表明對于時空分布均勻的降雨，結(jié)合短臨預報的洪水模擬效果較好，但對于短歷時強降雨和特大暴雨，受天氣雷達精度影響，洪水預報效果差。

天氣雷達具有時空分辨率高、時效性強的優(yōu)勢，能夠?qū)崟r跟蹤暴雨中心走向和暴雨強度時空變化，但觀測范圍和覆蓋面積相對較小，且受到山丘區(qū)等地形復雜區(qū)域的遮擋，數(shù)據(jù)存在誤差^［13］。如何采取有效的方法進行改善，提高預報精度是天氣雷達進行廣泛應用的基礎。

1.3 降雨數(shù)值預報

降雨數(shù)值預報可以用于預見期為幾小時的短期預報，3～15 d的中期預報，以及超過15 d的長期預報^［14］，但其預測能力隨著預報時長的增加而減弱。20世紀初，美國氣象學家C.Abbe和挪威氣象學家V.Bjerknes設想通過解決控制大氣運動的數(shù)學物理方程組，運用數(shù)值計算方法展開天氣預報研究，經(jīng)過百年的發(fā)展，數(shù)值預報已經(jīng)成為一個復雜而嚴謹?shù)目鐚W科工程^［15］。目前，眾多國家基于數(shù)值預報方法進行日常天氣預報（部分產(chǎn)品見表2），主要用于氣象災害預報和決策支持等方面。例如沈滸英等^［16］基于多種數(shù)值預報產(chǎn)品構(gòu)建了長江上游的中期預報；Wang等^［17］構(gòu)建了WRF-SWMM耦合的城市雨洪模型，利用WRF模型生成河南省鄭州市定量降雨預報結(jié)果，預見期提前了3～6 h。

盡管降雨數(shù)值預報已經(jīng)得到一定應用，但由于數(shù)學模型中包含許多參數(shù)和假設，其不確定性以及物理過程的復雜性可能導致預報結(jié)果存在誤差。數(shù)值模型的空間和時間分辨率有限，可能無法準確捕捉局部降雨的細節(jié)，或?qū)涤臧l(fā)展和演變的精確預測不足。此外，初始條件和邊界條件的不準確性以及地形和土壤類型建模的局限性也會影響預報結(jié)果，仍需要對數(shù)值預報采用一定的方法進行修正。例如王建群等^［18］在史河流域，選取交互式全球大集合預報系統(tǒng)TIGGE中5個數(shù)據(jù)來源，統(tǒng)一采用預報時長為168 h（7 d），應用支持向量回歸算法（SVR）改善降雨預報的精度，結(jié)果表明改善后的預報雨量在洪水預報中具有較好的應用效果，但洪水過程與實測數(shù)據(jù)仍存在一定的偏差。

1.4 衛(wèi)星遙感反演

國外對氣象衛(wèi)星的研究起步較早，美國于20世紀60年代發(fā)射了第一顆人造試驗氣象衛(wèi)星，如今已經(jīng)形成了成熟的衛(wèi)星網(wǎng)^［19］。目前基于衛(wèi)星遙感反演的降雨監(jiān)測在城市內(nèi)澇^［20］、洪水災害^［21］領域得到了廣泛的應用，不同衛(wèi)星產(chǎn)品的時空分辨率各異（部分產(chǎn)品見表3），適用于不同的應用場景。如張弛等^［22］對比了CMORPH衛(wèi)星與地面雨量站觀測在徑流模擬方面的表現(xiàn)，發(fā)現(xiàn)兩者具有一定相關性，但CMORPH衛(wèi)星獲取的總雨量相比實測值較低。

衛(wèi)星遙感在降雨監(jiān)測中發(fā)揮了重要作用，但也存在一些問題：有限的空間分辨率可能限制了對小尺度降雨系統(tǒng)的觀測能力；受到天氣條件的影響，衛(wèi)星觀測可能受到云覆蓋和大氣遮擋的限制；時間分辨率有限可能導致無法提供實時的降雨監(jiān)測。因此，在利用衛(wèi)星遙感進行降雨監(jiān)測時，需要綜合考慮其局限性，并結(jié)合其他觀測手段和數(shù)值模型進行分析。例如Tang等^［23］在中國西南部缺資料地區(qū)壽溪河流域，利用IMERG衛(wèi)星獲取逐小時0.1°×0.1°降雨數(shù)據(jù)和站點觀測數(shù)據(jù)進行模擬，發(fā)現(xiàn)IMERG衛(wèi)星原始數(shù)據(jù)的模擬效果表現(xiàn)不佳，但采用兩者融合的降雨數(shù)據(jù)則能明顯提高模擬的準確性。

綜上所述，衛(wèi)星遙感、天氣雷達和數(shù)值預報3種降雨數(shù)據(jù)來源在水文領域均已得到了一定應用。但現(xiàn)有研究成果表明，僅依靠原始數(shù)據(jù)，在實際應用中仍會存在預報效果不佳的問題。因此針對降雨“量”與“型”的不確定性和多樣性，通過不同的方法得到具有高時空分辨率的降雨監(jiān)測與預報數(shù)據(jù)，可以從源頭上降低水文模擬過程的不確定性，同時也能一定程度上解決降雨資料匱乏的難題。

2 降雨數(shù)據(jù)分辨率提升方法

為滿足防洪減災精細化需求，降雨數(shù)據(jù)準確的“量”和細致的“型”至關重要。不同來源的降雨數(shù)據(jù)本身具有一定的不確定性，而精確度與空間、時間分辨率存在著密不可分的關系，為獲得能夠滿足不同需求的降雨數(shù)據(jù)，眾多學者開展了空間、時間降尺度相關研究。

2.1 空間降尺度方法

天氣雷達本身能夠提供高時空分辨率的降雨數(shù)據(jù)，能夠更加精確地分析流域降雨時空分布特征^［24］。而衛(wèi)星遙感、數(shù)值預報在大空間尺度范圍內(nèi)精度尚可，但目前隨著防洪減災需求逐漸精細化，在結(jié)合水文、水動力學模型模擬的過程中存在著分辨率不足的問題^［25］。空間降尺度所采用的方法可歸納為動力降尺度方法、統(tǒng)計降尺度方法及動力-統(tǒng)計降尺度方法3類，各類方法在應用中的特點、原理及典型代表方法如表4所列。

2.1.1 動力降尺度方法

動力降尺度方法是通過建立嵌套網(wǎng)格和物理參數(shù)化方案，在局地范圍內(nèi)進行更高分辨率的數(shù)值模擬來實現(xiàn)空間降尺度，具有物理意義明確、不受觀測資料影響等優(yōu)點^［26］。動力降尺度的應用可以涵蓋氣候模式和天氣模式的降尺度，氣候模型旨在模擬長期氣候變化，其時間尺度可達數(shù)十年至數(shù)百年，主要用于研究氣候系統(tǒng)的基本機制、歷史氣候變化和未來氣候趨勢。而天氣模式則專注于短期和中期天氣現(xiàn)象的模擬和預測，其時間尺度通常為數(shù)小時至十幾天，多用于天氣預報、氣象災害預警等方面。

由于動力降尺度方法通常結(jié)合數(shù)值模式開展應用，而這些降雨數(shù)據(jù)通?？臻g分辨率較低，因此動力降尺度在中小流域局部地區(qū)應用效果欠佳^［27］。目前越來越多的研究致力于提高動力降尺度模型的分辨率，開始探索將不同的誤差修訂方法與動力降尺度模型進行耦合，以更好地捕捉小尺度的降雨過程，克服動力降尺度方法的局限性^［28］。如Gao等^［29］在青藏高原區(qū)域利用WRF對氣候要素進行了模擬，結(jié)果表明動力降尺度方法提高了該區(qū)域氣溫和降雨的模擬精度；Harding等^［30］通過CMIP5數(shù)據(jù)集得到美國中部降雨量數(shù)據(jù)，再利用WRF進行動力降尺度模擬得到空間分辨率為10 km×10 km的日降雨數(shù)據(jù)。

2.1.2 統(tǒng)計降尺度方法

中小流域氣象變量的空間尺度相對較小，之間的統(tǒng)計關系相對緊密，因而動力降尺度方法應用效果較差，而統(tǒng)計降尺度方法可以通過建立大尺度氣候模式輸出變量與區(qū)域站點氣象變量之間的統(tǒng)計關系，改善中小流域內(nèi)降雨量的預報精度^［31］。例如黎揚兵等^［32］基于多項地理環(huán)境因子，構(gòu)建多尺度地理加權回歸模型（MGWR），對TRMM 3B42衛(wèi)星降雨產(chǎn)品降雨數(shù)據(jù)進行降尺度處理；Zhang等^［33］根據(jù)歸一化植被指數(shù)（NDVI）和數(shù)字高程模型（DEM），應用地理加權回歸克里金法（GWRK）將TRMM 3B42衛(wèi)星降雨產(chǎn)品降雨數(shù)據(jù)的分辨率提升至1 km×1 km。傳統(tǒng)的經(jīng)驗降尺度方法基于統(tǒng)計關系和經(jīng)驗模型，計算過程相對簡單，易于實現(xiàn)，可解釋性強，但經(jīng)驗降尺度方法的泛化能力通常較弱，往往只能通過已知數(shù)據(jù)來進行預測和插值，無法利用隱藏在數(shù)據(jù)背后的潛在模式。

機器學習方法是統(tǒng)計學方法的一種，能夠通過處理大量降雨數(shù)據(jù)，挖掘數(shù)據(jù)中的模式和規(guī)律，進而進行降雨預報。程文聰?shù)?sup>［34^］提出一種基于深度學習的降雨數(shù)值預報降尺度方法。Xu等^［35］使用人工神經(jīng)網(wǎng)絡（ANN）對衛(wèi)星降雨產(chǎn)品進行降尺度，與原始衛(wèi)星降雨數(shù)據(jù)相比，降尺度后的降雨數(shù)據(jù)都有效提升了空間分辨率，且能夠捕捉降雨的空間變異性。機器學習方法可以處理非線性關系和多變量之間的復雜關聯(lián)。相對于經(jīng)驗降尺度方法，機器學習方法通常需要大量的計算資源和時間，計算成本較高，部分機器學習模型具有較強的復雜性和不可解釋性，難以理解模型內(nèi)部的運作機制，對輸入數(shù)據(jù)的質(zhì)量和特征較為敏感，需要高質(zhì)量和全面性的數(shù)據(jù)才能得到準確的結(jié)果。

統(tǒng)計降尺度方法可以更好地考慮小流域的局地特征，且建模較為簡單，不需要大量的計算資源^［36］。隨著機器學習和數(shù)據(jù)驅(qū)動方法的迅速發(fā)展，未來的統(tǒng)計降尺度方法會更準確地捕捉降雨與影響因素之間的復雜關系，提高降尺度預報的準確性。

2.1.3 動力-統(tǒng)計降尺度方法

通過結(jié)合統(tǒng)計學、動力學空間降尺度方法，以期得到精度更高的降雨數(shù)據(jù)。例如Jiang等^［37］使用一種卷積神經(jīng)網(wǎng)絡（CNN）與動力降尺度結(jié)合的方法，將全球再分析數(shù)據(jù)集ERA5的降雨數(shù)據(jù)空間分辨率由0.25°×0.25°降至0.03°×0.03°；Anh等^［38］基于區(qū)域氣候模型輸出的越南紅河三角洲30 km×30 km分辨率的降雨數(shù)據(jù)，通過人工神經(jīng)網(wǎng)絡在6 km×6 km分辨率上預報降雨，精度更優(yōu)的同時所需算力減少了89%；蘇海鋒等^［39］在黑河流域使用了區(qū)域氣候模式輸出的分辨率為3 km×3 km的降雨數(shù)據(jù)，分別結(jié)合多元線性回歸（MLR）和貝葉斯模型平均（BMA）方法提升了空間分辨率。

動力-統(tǒng)計降尺度方法結(jié)合了動力學和統(tǒng)計學方法的優(yōu)點，能夠充分利用物理過程的信息和統(tǒng)計關系，提高降雨數(shù)據(jù)的降尺度效果，能夠適應各種不同類型和分布規(guī)律的降雨數(shù)據(jù)，具有較強的通用性和適用性^［40］。但從現(xiàn)有的研究成果來看，動力-統(tǒng)計降尺度受限于動力降尺度的特點，更適用于在較大尺度上應用。動力降尺度方法和統(tǒng)計降尺度方法在精度上的優(yōu)劣并不是絕對的，在具體應用中，需要根據(jù)實際需求、數(shù)據(jù)質(zhì)量、模型參數(shù)等多種因素綜合考慮，選擇合適的方法來進行空間降尺度。同時，不同的方法也可以結(jié)合使用，通過模型融合等方法來提高降雨數(shù)據(jù)精度。

2.2 時間降尺度方法

天氣系統(tǒng)的復雜性導致了降雨過程的不確定性與多樣性，進而引起了峰現(xiàn)時間、洪峰流量等有較大差異^［41］，準確的降雨過程對于暴雨、洪水的預警預報至關重要，可以幫助決策者采取及時有效的措施，來減輕災害風險并保護人民的生命財產(chǎn)安全。眾多專家學者通過提高時間分辨率來細化降雨過程，目前在該方面的研究成果主要有插值和雨型兩種方式。

時間分辨率的插值方式就是將較大時間步長的數(shù)據(jù)插值為較小時間步長的數(shù)據(jù)，常用的插值方法包括線性插值、多項式插值和樣條插值等。例如蘇鳳閣等^［42］假定降雨量在雨日內(nèi)均勻分布，采用線性插值方法將月降雨量均勻插值為日降雨量進行模擬，納什效率系數(shù)得到提高。Kondo等^［43］認為日雨強的分布是服從正弦分布，日最大雨強以及日降雨歷時與實測日降雨量的開方成線性相關，采用多項式插值方法提出了將日降雨轉(zhuǎn)換為小時降雨的方法，該方法雖然計算簡單，但受插值次數(shù)限制，會出現(xiàn)插值誤差增大和振蕩等問題。師春香等^［44］提出了一種基于靜止衛(wèi)星云圖云分類信息的累積降雨估計時間加權插值方法，并基于累積降雨時間插值權重系數(shù)計算方法，采用樣條插值的方法得到逐小時降雨過程，在一定程度上改善了多項式插值的精度；但邊界確定存在一定的困難，同時由于受方法本身限制，在應用中易出現(xiàn)超調(diào)現(xiàn)象等問題。除此之外，還有部分學者基于物理機制或采用機器學習方法構(gòu)建了不同降時間尺度模型進而插值得到高時間分辨率的降雨數(shù)據(jù)。如周祖昊等^［45］根據(jù)衰退公式建立了降時間尺度模型，在黃河流域?qū)⑷粘叨冉涤杲禐闀r尺度降雨，納什效率系數(shù)和均方根誤差均有所改善。Misra等^［46］基于由數(shù)值預報獲取的月尺度降雨數(shù)據(jù)集，采用長短期記憶遞歸神經(jīng)網(wǎng)絡（LSTM）生成了逐日的降雨數(shù)據(jù)，在均方根誤差和極值捕捉方面均表現(xiàn)優(yōu)異。

基于雨型進行降時間尺度的方式在工程水文設計中應用較多，通常采用設計雨型或典型暴雨過程，但在中小流域短歷時、強降雨的應用中難以體現(xiàn)降雨過程的多樣性和流域降雨特征。為此，部分學者通過結(jié)合降雨特征變量構(gòu)建時間分布模型進而預報降雨時程。例如，如原文林等^［47］結(jié)合洪水成災特性，依據(jù)概率分布傳遞擴散原理，以雨型特征參數(shù)為控制條件，提出了基于參數(shù)控制的隨機雨型生成法，通過結(jié)合數(shù)值預報產(chǎn)品實現(xiàn)小時尺度的降雨過程預報；沈天元等^［48］對裴河小流域降雨過程按照雨峰位置的不同進行歸類和劃分，采用Pamp;C法定量確定流域各種典型雨型的時程分配。此類方法通?；谝欢ǖ募僭O和前提條件，如降雨的分布形式、統(tǒng)計特性等，對所在流域或鄰近降雨條件相似區(qū)域歷史降雨資料要求相對較高，在缺乏歷史降雨資料的山丘區(qū)中小流域應用時具有局限性。

3 多源數(shù)據(jù)融合方法

多源數(shù)據(jù)融合是修正降雨“量”與“型”的一種重要技術手段，是將來自不同傳感器、不同平臺或不同模型的數(shù)據(jù)整合在一起，將不同數(shù)據(jù)源之間的信息互補，以彌補單一數(shù)據(jù)源的不足，獲得比原始的降雨數(shù)據(jù)偏差更小、時空分辨率更高的降雨產(chǎn)品。

對于設有雨量站的區(qū)域，可以通過基于部分實測雨量信息的“真實性”和不同數(shù)據(jù)源雨量的“宏觀性”，以遙感技術獲取的降雨資料為背景場，借助站點資料進行校正，從而提高降雨數(shù)據(jù)的準確性。例如，覃曉東等^［49］提出了一種時空動態(tài)數(shù)據(jù)融合方法，基于長短期記憶神經(jīng)網(wǎng)絡的空間插值方法與動態(tài)貝葉斯模型平均融合IMERG-E遙感降水數(shù)據(jù)和地面站點觀測降水數(shù)據(jù)；潘旸等^［50］采用貝葉斯融合（BM）方法融合了雷達、CMORPH衛(wèi)星及站點觀測數(shù)據(jù)，發(fā)現(xiàn)三源融合后的產(chǎn)品精度均優(yōu)于雷達、CMORPH衛(wèi)星任何單一來源；劉昱辰等^［51］采用外部漂移克里金法（KED）依據(jù)站點觀測數(shù)據(jù)對雷達定量降雨估測進行了修訂，結(jié)果表明經(jīng)修正后的降雨過程預報效果最好，但存在隨預見期延長外推效果下降的問題。

對于未設雨量站的區(qū)域，由于受到缺乏實測數(shù)據(jù)的限制，因此將多源數(shù)據(jù)相融合的同時要注意對數(shù)據(jù)的校正，從而提高降雨數(shù)據(jù)的準確性和可靠性。例如，Asfaw等^［52］選取4種高分辨率衛(wèi)星反演降雨數(shù)據(jù)，在時空變化權重校正的同時采用貝葉斯模型平均方法融合，結(jié)果表明融合后逐日的降雨量估計值精度明顯提升；Zhang等^［53］提出了一種基于疊加算法（Stacking）偏差調(diào)整方法，并對5個衛(wèi)星降雨數(shù)據(jù)采用左移截尾伽馬分布的集成模型統(tǒng)計方法（EMOS-CSG）進行融合，得到1 km×1 km逐小時的降雨過程；Kober等^［54］通過局部拉格朗日方法校正雷達短臨外推預報，并根據(jù)時間權重融合了高精度數(shù)值天氣預報，得到了逐小時的降雨預報，結(jié)果表明融合后的降雨過程在8 h的預見期內(nèi)可靠性和精確度更高。

降雨多源數(shù)據(jù)融合的有效性不受是否有雨量站實測信息的限制。通過整合各種數(shù)據(jù)源，無論是雨量站實測、天氣雷達、衛(wèi)星遙感等，都能夠提升降雨監(jiān)測和預報的精度和時效性。這種方法不僅能夠彌補雨量站實測數(shù)據(jù)可能存在的不足，還能夠綜合利用其他數(shù)據(jù)源的信息，從而更全面地了解降雨情況，提升原始數(shù)據(jù)的時空分辨率，延長預報的預見期，為防洪減災工作提供更為全面、及時的信息支持。

4 存在的問題

降雨監(jiān)測與預報技術發(fā)展取得了豐碩的成果，但在實際應用中仍然存在一些問題，未來的研究應致力于解決這些問題，提高降雨監(jiān)測與預報技術的準確性、時效性和適用性。

（1）降雨數(shù)據(jù)準確性。衛(wèi)星、雷達和降雨數(shù)值預報等技術在實際應用中都存在數(shù)據(jù)不準確的問題，衛(wèi)星受儀器本身限制，雷達則受地形影響較大，降雨數(shù)值預報受模型參數(shù)、邊界條件和初始條件的不確定性影響，可能導致數(shù)據(jù)缺失、誤差和不一致性。此外，由于觀測站點的局限性，某些地區(qū)的觀測數(shù)據(jù)可能缺失，在利用站點數(shù)據(jù)修正的過程中，降雨數(shù)據(jù)的準確性和時空連續(xù)性會受到影響。

（2）降雨預報時效性。在防洪減災實際應用中，及時準確的短臨預報至關重要，目前的降雨預報技術在實時監(jiān)測和短臨預報方面仍存在一定的滯后性。衛(wèi)星和雷達的觀測數(shù)據(jù)需要經(jīng)過處理和分析才能得到實時降雨信息，降雨數(shù)值預報也需要進行模型計算和數(shù)據(jù)同化等步驟。

（3）山丘區(qū)小流域和復雜地形區(qū)域的挑戰(zhàn)。在山丘區(qū)小流域和復雜地形區(qū)域，地形和地理因素對降雨分布和徑流過程產(chǎn)生重要影響，降雨的時空變異性大大增加，但目前的技術在這些區(qū)域的監(jiān)測和預報能力仍有限。因此，需要進一步研究如何提高這些區(qū)域降雨監(jiān)測與預報的精度和適應性。

5 發(fā)展趨勢分析

降雨監(jiān)測與預報技術發(fā)展取得了豐碩的成果，在防洪減災中有良好的應用前景，未來可以從以下3個方面展開研究：

（1）“空-天-地”一體化技術。將衛(wèi)星遙感、天氣雷達和地面觀測，結(jié)合其他航空航天遙感、物聯(lián)網(wǎng)和大數(shù)據(jù)等強化氣象監(jiān)測預警，以實現(xiàn)全時段、全地域的監(jiān)測和統(tǒng)計，更準確地預報短歷時強降雨的發(fā)生位置、強度和時長，為暴雨、洪水災害預報預警提供基礎支持。

（2）高時空分辨率暴雨預報技術。結(jié)合時空降尺度方法和多源數(shù)據(jù)融合，利用衛(wèi)星遙感、天氣雷達和數(shù)值預報產(chǎn)品等，將大尺度降雨數(shù)據(jù)互補結(jié)合，轉(zhuǎn)化為小尺度的降雨預報數(shù)據(jù)，更精細地分析和預判中小流域的降雨量及過程。

（3）基于機器學習驅(qū)動的降雨監(jiān)測與預報。聚焦于機器學習算法的效率和準確性，實現(xiàn)更快速、精確的降雨監(jiān)測和預報。通過優(yōu)化數(shù)據(jù)處理和模型訓練過程，結(jié)合并行計算和分布式系統(tǒng)的應用，實現(xiàn)多源數(shù)據(jù)融合與集成，不斷優(yōu)化預測模型，使其能夠適應不同地域和氣候條件下的降雨變化。

6 結(jié) 語

本文概述了雨量站點觀測、天氣雷達降雨估計與預報、降雨數(shù)值預報、衛(wèi)星遙感反演4種降雨監(jiān)測與預報技術的基本原理；在此基礎上，歸納了降雨“量”和“型”的時空分辨率提升方法，空間上主要通過動力學方法、統(tǒng)計學方法及動力-統(tǒng)計方法進行降尺度，時間上則主要通過插值和雨型構(gòu)建來細化降雨過程；其次，闡述了在實際應用中，不同場景下多源數(shù)據(jù)融合方法對降雨過程的優(yōu)化，在缺乏實測雨量站的情況下顯得尤為重要；最后，總結(jié)了當前降雨監(jiān)測與預報技術的準確性、時效性和適用性方面存在的問題及發(fā)展趨勢。降雨監(jiān)測與預報技術本身紛繁復雜，涉及領域眾多，本文從目前常見的降雨監(jiān)測與預報技術上進行了論述，以期為未來更深入地探討如何更有效地提高降雨監(jiān)測與預報數(shù)據(jù)精度提供參考。

參考文獻：

［1］TELLMAN B，SULLIVAN J A，KUHN C，et al.Satellite imaging reveals increased proportion of population exposed to floods［J］.Nature，2021，596（7870）：80-86.

［2］KREIBICH H，VAN LOON A F，SCHR?TER K，et al.The challenge of unprecedented floods and droughts in risk management［J］.Nature，2022，608（7921）：80-86.

［3］KOCSIS I，IOAN-AUREL I，CRISTIAN P，et al.A GIS-based methodology to combine rain gauge and radar rainfall estimates of precipitation using the conditional merging technique for high-resolution quantitative precipitation forecasts in T·ibles· and Rodnei Mountains［J］.Atmosphere，2022，13（7）：1106.

［4］RODERICK L，ALAN L，SREEJA N，et al.Prediction models for urban flood evolution for satellite remote sensing［J］.Journal of Hydrology，2021，603：127175.

［5］魏凡，田剛，徐衛(wèi)立，等.光流法雷達外推產(chǎn)品在突發(fā)強降水預報中的應用［J］.人民長江，2024，55（1）：97-104，134.

［6］LI L，YUE P X，SU L P，et al.Potential application of hydrological ensemble prediction in forecasting floods and its components over the Yarlung Zangbo River basin，China［J］.Hydrology and Earth System Sciences，2019，23（8）：3335-3352.

［7］楊文發(fā)，王樂，張俊.流域多尺度水文預報應用進展及適用性探討［J］.人民長江，2021，52（10）：84-94.

［8］ZBYN?K S，JAN S，JOHANNA O，et al.The role of weather radar in rainfall estimation and its application in meteorological and hydrological modelling：a review［J］.Remote Sensing，2021，13（3）：13030351.

［9］張培昌，顧松山，王振會，等.氣象萬千探本索源：南京信息工程大學“大氣探測學科”發(fā)展歷程回顧與展望［J］.大氣科學學報，2021，44（2）：165-177.

［10］糜佳偉，田濟揚，薛海，等.雷達測雨及臨近預報在中小流域水文視角下的應用評估［J］.科學技術與工程，2022，22（23）：10247-10254.

［11］ABON C C，KNEIS D，CRISOLOGO I，et al.Evaluating the potential of radar-based rainfall estimates for streamflow and flood simulations in the Philippines［J］.Geomatics，Natural Hazards and Risk，2016，7（4）：1390-1405.

［12］糜佳偉，田濟揚，楚志剛，等.耦合天氣雷達定量降雨估計與定量降雨預報的中小流域洪水預報研究［J］.華北水利水電大學學報（自然科學版），2022，43（3）：11-18.

［13］宋林燁，陳明軒，程叢蘭，等.京津冀夏季雷達定量降雨估測的誤差統(tǒng)計及定量氣候校準［J］.氣象學報，2019，77（3）：497-515.

［14］王長海.降雨預報信息在水庫調(diào)度中應用的可行性研究［J］.水利技術監(jiān)督，2007（2）：36-38.

［15］PETER B，ALAN T，GILBERT B.The quiet revolution of numerical weather prediction［J］.Nature，2015，525（7567）：47-55.

［16］沈滸英，邱輝，邢雯慧，等.三峽水庫入庫流量中期預報水文模型研究與應用［J］.人民長江，2019，50（10）：94-99，125.

［17］WANG H L，HU Y X，GUO Y，et al.Urban flood forecasting based on the coupling of numerical weather model and stormwater model：a case study of Zhengzhou city［J］.Journal of Hydrology：Regional Studies，2022，39：100985.

［18］王建群，段蓉，蔡晨凱.TIGGE模式在淮河水系史河流域的應用［J］.河海大學學報（自然科學版），2020，48（1）：14-21.

［19］高浩，唐世浩，韓秀珍.風云氣象衛(wèi)星發(fā)展及其應用［J］.科技導報，2021，39（15）：9-22.

［20］林琿，吳賢宇，潘家祎，等.中國城市洪澇實時預報研究：現(xiàn)狀與挑戰(zhàn)［J］.測繪學報，2022，51（7）：1306-1316.

［21］許文濤，唐文堅，王協(xié)康，等.暴雨洪水監(jiān)測技術研究進展與發(fā)展趨勢［J］.長江科學院院報，2023，40（4）：79-87.

［22］張弛，滑申冰，朱德華，等.衛(wèi)星與地面觀測融合降雨產(chǎn)品精度與徑流模擬評估［J］.人民長江，2019，50（9）：70-76.

［23］TANG X，YIN Z R，QIN G H，et al.Integration of satellite precipitation data and deep learning for improving flash flood simulation in a poor-gauged mountainous catchment［J］.Remote Sensing，2021，13（24）：5083.

［24］趙玲玲，劉昌明，王梓尹，等.中小流域暴雨洪水計算及參數(shù)地理綜合研究進展［J］.熱帶地理，2023，43（11）：2119-2134.

［25］包紅軍，趙琳娜.基于集合預報的淮河流域洪水預報研究［J］.水利學報，2012，43（2）：216-224.

［26］DICKINSON R E，ERRICO R M，GIORGI F，et al.A regional climate model for the western United States［J］.Climatic Change，1989，15（3）：383-422.

［27］王會軍，唐國利，陳海山，等.“一帶一路”區(qū)域氣候變化事實、影響及可能風險［J］.大氣科學學報，2020，43（1）：1-9.

［28］徐忠峰，韓瑛，楊宗良.區(qū)域氣候動力降尺度方法研究綜述［J］.中國科學：地球科學，2019，49（3）：487-498.

［29］GAO Y，XU J，CHEN D.Evaluation of WRF mesoscale climate simulations over the Tibetan Plateau during 1979-2011［J］.Journal of Climate，2015，7（28）：2823-2841.

［30］HARDING J K，SNYDER K P，LIESS S.Use of dynamical downscaling to improve the simulation of Central U.S.warm season precipitation in CMIP5 models［J］.Journal of Geophysical Research：Atmospheres，2013，118（22）：19994.

［31］WETTERHALL F.Daily precipitation-downscaling techniques in three Chinese regions［J］.Water Resources Research，2006，42（11）：W11423.

［32］黎揚兵，張洪波，任沖鋒，等.基于TRMM降尺度數(shù)據(jù)的渭河流域干旱時空演變特征與重心遷移規(guī)律研究［J］.華北水利水電大學學報（自然科學版），2023，44（3）：14-24.

［33］ZHANG Y Y，LI Y，JI X，et al.Fine-resolution precipitation mapping in a mountainous watershed：geostatistical downscaling of TRMM products based on environmental variables［J］.Remote Sensing，2018，10（1）：119.

［34］程文聰，史小康，張文軍，等.基于深度學習的數(shù)值模式降雨產(chǎn)品降尺度方法［J］.熱帶氣象學報，2020，36（3）：307-316.

［35］XU G Y，WANG Z J，XIA T.Mapping areal precipitation with fusion data by ANN machine learning in sparse gauged region［J］.Applied Sciences-Basel，2019，9（11）：2294.

［36］CHEN J，ZHANG X J.Challenges and potential solutions in statistical downscaling of precipitation［J］.Climatic Change，2021，165（3/4）：63.

［37］JIANG Y Z，YANG K，SHAO C K，et al.A downscaling approach for constructing high-resolution precipitation dataset over the Tibetan Plateau from ERA5 reanalysis［J］.Atmospheric Research，2021，256：105574.

［38］ANH T Q，TANIGUCHI K.Coupling dynamical and statistical downscaling for high-resolution rainfall forecasting：case study of the Red River Delta，Vietnam［J］.Progress in Earth and Planetary Science，2018，5（1）：28.

［39］蘇海鋒，戴新剛，熊喆，等.黑河流域降雨統(tǒng)計-動力降尺度問題研究［J］.大氣科學，2023，47（3）：642-654.

［40］HELLSTRM C，CHEN D L，ACHBERGER C，et al.Comparison of climate change scenarios for Sweden based on statistical and dynamical downscaling of monthly precipitation［J］.Climate Research，2001，19（1）：45-55.

［41］HABERLANDT U，RADTKE I.Hydrological model calibration for derived flood frequency analysis using stochastic rainfall and probability distributions of peak flows［J］.Hydrology and Earth System Sciences，2014，18（1）：353-365.

［42］蘇鳳閣，郝振純.水文模型中雨量資料的解集分析及應用［J］.氣候與環(huán)境研究，2001（2）：261-266.

［43］KONDO J，XU J.Seasonal variations in the heat and water balances for nonvegetated surfaces［J］.American Meteorological Society，1997，36（12）：1676-1695.

［44］師春香，謝正輝.基于靜止氣象衛(wèi)星觀測的降雨時間降尺度研究［J］.地理科學進展，2008，27（4）：15-22.

［45］周祖昊，王浩，賈仰文，等.缺資料地區(qū)日降雨時間上向下尺度化方法探討：以黃河流域為例［J］.資源科學，2005，27（1）：92-96.

［46］MISRA S，SARKAR S，MITRA P.Statistical downscaling of precipitation using long short-term memory recurrent neural networks［J］.Theoretical and Applied Climatology，2018，134（3/4）：1179-1196.

［47］原文林，宋漢振，劉美琪.基于隨機雨型的洪水災害預警模式［J］.水科學進展，2019，30（4）：515-527.

［48］沈天元，馬細霞，郭良，等.基于不同雨型的裴河小流域洪水災害臨界雨量分析［J］.水文，2018，38（6）：37-41.

［49］覃曉東，朱仟，周東旸，等.基于深度學習的多源降水數(shù)據(jù)融合方法及其應用［J］.人民長江，2023，54（11）：68-75.

［50］潘旸，沈艷，宇婧婧，等.基于貝葉斯融合方法的高分辨率地面-衛(wèi)星-雷達三源降雨融合試驗［J］.氣象學報，2015，73（1）：177-186.

［51］劉昱辰，劉佳，邱慶泰，等.基于網(wǎng)格追蹤算法的雷達外推降雨臨近預報在大清河流域的應用［J］.水利水電技術（中英文），2021，52（7）：85-94.

［52］ASFAW W，TOM R，ALEMSEGED T H.Blending high-resolution satellite rainfall estimates over urban catchment using Bayesian Model Averaging approach［J］.Journal of Hydrology：Regional Studies，2023，45：101287.

［53］ZHANG T T，LIANG Z M，WANG H J，et al.Merging multisatellite precipitation products using stacking method and the censored-shifted gamma ensemble model output statistics in China′s Beimiaoji basin［J］.Journal of Hydrology，2023，618：129263.

［54］KOBER K，CRAIG C G，KEIL C，et al.Blending a probabilistic nowcasting method with a high-resolution numerical weather prediction ensemble for convective precipitation forecasts［J］.Quarterly Journal of the Royal Meteorological Society，2012，138（664）：755-768.

（編輯：謝玲嫻）

Application progress of rainfall monitoring and forecasting techniques

in flood control and disaster reduction

YUAN Wenlin，YANG Yifan，ZHAO Xiaopeng，GUO Jinjun，HU Shaowei

（School of Water Conservancy and Transportation，Zhengzhou University，Zhengzhou 450001，China）

Abstract：Flood disasters are highly sudden and develop rapidly，posing significant threats to people′s lives and properties safety.Rainfall is a disaster-causing factor for floods，and the accuracy of rainfall data is of great significance for flood control and disaster reduction.Focusing on rainfall monitoring and forecasting technology，we summarized the current state of rain gauge observations，weather radar rainfall estimation and forecasting，numerical weather prediction，and satellite remote sensing inversion.By analyzing the application of spatiotemporal downscaling methods and multi-source data fusion technology in rainfall monitoring and forecasting，we reveal their effectiveness in improving the accuracy of both the “quantity” and “type” of rainfall data.Research indicates that significant progress has been made in rainfall monitoring and forecasting technology.However，challenges remain in complex terrains，such as mountainous and urban environments，where resolution is limited and accuracy and timeliness are insufficient.Multi-source data fusion can improve the accuracy of rainfall data，spatiotemporal coverage，and prediction accuracy.Therefore，optimizing algorithm models and integrating multi-source data from “space-sky-ground” to create high-resolution forecasts is a future research direction.

Key words：rainfall monitoring; rainfall forecasting; flood control and disaster reduction; satellite remote sensing; weather radar; numerical prediction; downscaling; multi-source data fusion