近日，我院2018级大气探测专业本科生李欣艳同学作为第一作者在大气探测领域国际权威期刊《Atmospheric Measurement Techniques》上发表了新一代国产静止气象卫星风云四号(FY-4A)定量降水估计(Quantitative Precipitation Estimate，QPE)研究成果，通讯作者为李欣艳同学的本科生导师杨元建教授。
作为天气和气候的重要表征，降水时空分布的剧烈变化是引起洪涝和旱灾的主要原因。准确测量降水对工农业生产、水资源利用以及干旱、洪涝监测具有重要意义。受西风系统和东亚副热带季风共同影响，中国成为雨季最长、雨量最充沛、暴雨频发的地区之一。随着社会经济不断发展，城市化进程不断推进，暴雨造成的损失越来越大。因此，加强中国及其周边地区汛期降水监测的研究至关重要, 有助于提升大型暴雨灾害的预警及应急能力，对灾后恢复重建也具有重要指导意义。传统的地面站观测降水在点尺度上具有极高的测量精确度，但受制于空间分布和站网密度不能准确反映面尺度上的降水；地基雷达观测能够给出一定范围内的降水时空分布特征，但其空间覆盖范围有限，无法实现全球尺度观测。随着遥感技术的飞速发展，气象卫星成为全球降水观测的唯一可行方式。卫星观测降水不受地理环境条件限制，具有覆盖范围广，时空分辨率高的特点，利用卫星遥感光谱资料反演获得大范围、高质量的降水产品一直是卫星定量降水估计的热点和难点问题。
由于降水是一个非常复杂的过程，并且降水强度与云顶光学物理变量之间存在非线性关系，因此, 用统计方法构造的QPE存在一定的局限性。近年来，机器学习方法在卫星降水定量估算中得以广泛应用。随机森林(Random Forest，RF)是一种现代分类与回归的机器学习技术，同时也是一种组合式的自学习技术，能够捕捉观测要素和气象要素间复杂的非线性关系。鉴于此，该研究基于FY-4A/AGRI多波段光谱反射率亮温，云参数产品和ERA5再分析的物理量资料，以中国华南暴雨为例，建立了一种基于RF模型的FY-4A QPE算法，进一步讨论了QPE算法估算降水精度的主要影响因素。模型的交叉验证结果表明，白天(DQPE)和夜间(NQPE) RF算法均能较好地估计降水, DQPE (NQPE)的偏差评分、相关系数和均方根误差分别为2.17(2.42)、0.79 (0.83)和1.77mm h-1(2.31mm h-1)。总体而言，该算法在暴雨等级及以下的降水估算中具有较高的精度。然而，QPE算法的正偏差表明，除了非降水像元对降水事件的某些误判外，QPE算法对降水的估计仍然过高。同时，QPE算法有低估暴雨及以上水平降水的倾向。与单传感器算法相比，QPE算法能更好地捕捉地表降水的空间分布，特别是强降水中心的再现效果良好。城市和农村地区QPE精度的差异较小，表明该模型在空间上表现良好，对下垫面类型没有明显的依赖，但是由于农村地区的自动站密度降低也对QPE降水的误差带来不确定性。
图1 高密度自动站的降水观测值与QPE算法的降水估计值的对比：(a) DQPE的训练集; (b) DQPE的测试集; (c) NQPE的训练集; (d) NQPE的测试集。色标:以0.5 mm h-1为间隔的对数频率。
图2 不同下垫面累积降水：(a-c)城市站; (d-f)乡村站。
图3 NQPE算法的降水估计值：(a-h) 6月23日00:00-07:00；(i-o) 6月23日17:00 - 23:00；(p-w) 6月24日00:00-07:00；(x) 6月24日17:00。
图4 高密度自动站的降水观测值：(a-h) 6月23日00:00-07:00；(i-o) 6月23日17:00 - 23:00；(p-w) 6月24日00:00-07:00；(x) 6月24日17:00。
总的来看，本文通过结合高密度自动站和气象物理量场，建立的FY-4A QPE算法对东亚夏季降水的监测预报以及防灾减灾等具有重要的科学支撑和应用价值。相比而言，以往的研究只包含了云顶信息，本文通过引入气象物理场，进一步提高了FY-4A QPE的精度，特别是在未来实际应用中，可以用T639, ECWMF 或GFS的全球预报气象物理量场结合实时的FY-4A卫星和高密度自动站观测信息实现对东亚范围内降水的大范围、动态连续的高精度监测，具有重要的示范意义和应用价值。不足的是由于海洋上没有高密度自动站，缺少高密度自动站的训练，FY4A QPE算法不能够准确预测洋面降水。同时，QPE算法有低估暴雨及以上水平降水的倾向。因此，对于整个东亚地区而言，实现对降水的高精度监测，提升国产静止气象卫星的定量降水估计的准确性仍然任重道远。
该项研究是由南京信息工程大学和中国气象局广州热带海洋气象研究所合作完成，获国家重点研发计划（2018YFC1506502, 2018YFC1507404）, 国家自然科学基金 (42175098) 以及大学生创新创业训练计划(202010300057Y, XJDC202110300313)等联合资助。
论文链接：
Li, X., Yang, Y., Mi, J., Bi, X., Zhao, Y., Huang, Z., Liu, C., Zong, L., and Li, W.: Leveraging machine learning for quantitative precipitation estimation from Fengyun-4 geostationary observations and ground meteorological measurements, Atmos. Meas. Tech., 14, 7007–7023, https://doi.org/10.5194/amt-14-7007-2021, 2021.
