利用深度学习开展偏振雷达定量降水估测研究

皇甫江; 胡志群; 郑佳锋; 朱永杰; 尹晓燕; 左园园

doi:10.11676/qxxb2022.046

利用深度学习开展偏振雷达定量降水估测研究

doi: 10.11676/qxxb2022.046

皇甫江^{1, 2,},
胡志群^{2, 3, ,},
郑佳锋¹,
朱永杰^{1, 2},
尹晓燕^{1, 2},
左园园^{1, 2}

1.
成都信息工程大学大气科学学院，成都，610225
2.
中国气象科学研究院灾害天气国家重点实验室，北京，100081
3.
中国气象局大气探测重点开放实验室，成都，610225

基金项目: 国家重点研发计划项目（2019YFC1510304）、广东省重点领域研发计划项目（2020B1111200001）、中国气象局大气探测重点开放实验室开放课题（U2021Z05）、青年科学基金项目（42105141）

详细信息

作者简介:
皇甫江，主要从事雷达气象研究。E-mail：3200101052@stu.cuit.edu.cn

通讯作者:
胡志群，主要从事雷达气象研究。 E-mail：huzq@cma.gov.cn

中图分类号: P415
计量
- 文章访问数: 272
- HTML全文浏览量: 29
- PDF下载量: 127
- 被引次数: 0
出版历程
- 收稿日期: 2022-02-28
- 录用日期: 2022-06-10
- 修回日期: 2022-03-29
- 网络出版日期: 2022-04-01

A study on polarization radar quantitative precipitation estimation using deep learning

HUANGFU Jiang^{1, 2
,},
HU Zhiqun^{2, 3
, ,},
ZHENG Jiafeng¹,
ZHU Yongjie^{1, 2},
YIN Xiaoyan^{1, 2},
ZUO Yuanyuan^{1, 2}

1.
School of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，China
2.
Chinese Academy of Meteorological Sciences，Beijing 100081，China
3.
Key Laboratory of Atmosphere Sounding，CMA，Chengdu 610225，China

摘要

摘要: 利用2018—2020年经偏振升级改造后的广州S波段双偏振雷达（CINRAD/SAD）82892个体扫的0.5°仰角数据，以及雷达100 km探测范围内1109个雨量站共计538560个分钟雨量数据，分别构建了单参量、三参量雷达定量降水估测（QPE）深度学习网络架构（Z-Rnet、K_DP-Rnet、Pol-Rnet），并以K_DP=0.5°/km为阈值分别训练得到大雨、小雨、总体等9个定量降水估测模型。在常用的均方误差作为损失函数的基础上，对不同降水强度采用不同权重提出了自定义损失函数，并利用比率偏差、相对偏差、均方差、平均绝对误差和平均相对误差作为评价指标对模型进行评估。通过对以积层混合云为主、以对流云为主和以层状云为主的3次降水过程的模型验证结果表明，利用深度学习训练的模型有较好的定量降水估测效果，区分雨强的小雨、大雨模型比不区分雨强的总体模型的效果要好。采用自定义损失函数模型效果更好，其均方差、平均绝对误差和平均相对误差分别较采用传统均方误差损失函数提升了8.62%、12.52%、16.34%。自定义损失函数中，采用Z_H-Z_DR-K_DP三参量网络架构训练得到的定量降水估测模型效果最好，其均方差、平均绝对误差和平均相对误差分别较采用Z_H的单参量Z-Rnet架构提升6.82%、8.43%、7.22%；较采用K_DP的单参量K_DP-Rnet架构提升12.33%、17.61%、17.26%。
- 深度学习 /
- 偏振雷达 /
- 定量降水估测 /
- 单参量架构 /
- 三参量架构
Abstract: Using 82892 volume scanning data at 0.5° elevation angle from the S-band dual polarization radar deployed in Guangzhou (CINRAD/SAD) and 538560 1-minute rainfall data from 1109 stations within the radar's 100 km detection range from 2018 to 2020, three deep learning networks（Z-Rnet, K_DP-Rnet and Pol-Rnet）are designed for radar quantitative precipitation estimation (QPE) based on s ingle and three radar moments, respectively. Furthermore, based on the three networks and with K_DP = 0.5°/km as the threshold to divide the training dataset as heavy, light, and all rain data, a total of 9 QPE models are built. On the basis of using the common mean square error as the loss function, a self-defined loss function is proposed by adjusting the weight for different precipitation intensity. Several indexes including ratio deviation, relative deviation, mean square error (MSE), mean absolute error (MAE) and mean relative error (MRE) are then used to evaluate the performance of the models. Finally, three precipitation processes that are respectively dominated by cumulus-stratiform mixed, convective and stratiform clouds are used to test the effect of QPE. The results suggest that the models fitted by deep learning have better QPE results, and the QPE accuracy for the data that are divided into heavy and light rain is better than that for the data that includes all types of rainfall. The MSE, MAE and MRE with the self-defined loss function are improved by 8.62%, 12.52%, 16.34% than that with the traditional mean square error loss function. Among them, the QPE with Pol-Rnet, i.e., Z_H, Z_DR and K_DP are used as input factors, is the best, and the above indexes are respectively increased by 6.82%, 8.43%, 7.22% than that with Z-Rnet, and by 12.33%, 17.61%, 17.26% than that with K_DP-Rnet.
- Deep learning /
- Polarimetric radar /
- Quantitative Precipitation Estimation /
- One-moment network /
- Three-moment network

HTML全文

图 1 雨量计上空雷达0.5°仰角3×3个距离库数据示意

Figure 1. Schematic diagram of the 0.5° elevation angle 3×3 distance radar data above the rain gauge

下载: 全尺寸图片幻灯片

图 2 双偏振雷达资料处理技术路线

Figure 2. Flowchart of dual polarization radar data preprocessing

下载: 全尺寸图片幻灯片

图 3 自动雨量站分布（图中间的黑色三角为雷达位置，黑色圆点为雷达探测100 km范围内雨量站）

Figure 3. Distribution of automatic rainfall stations （The black triangles in the center show the radar position，and the black dots indicate rainfall stations within 100 km of radar detection）

下载: 全尺寸图片幻灯片

图 4 雨量数据预处理技术路线

Figure 4. Flowchart of rainfall data preprocessing

下载: 全尺寸图片幻灯片

图 5 单参量网络架构流程

Figure 5. Flowchart of single-moment network

下载: 全尺寸图片幻灯片

图 6 多参量网络架构流程

Figure 6. Flowchart of three-moment network

下载: 全尺寸图片幻灯片

图 7 采用均方误差作为损失函数时，大雨模型（a₁、b₁、c₁）、小雨模型（a₂、b₂、c₂）和总模型（a₃、b₃、c₃）中分别采用K_DP （a₁、a₂、a₃）、Z_H （b₁、b₂、b₃）和Z_H-Z_DR-K_DP （c₁、c₂、c₃）作为输入因子的散点（色阶为解释方差）

Figure 7. Scatter plots of heavy rain （a₁，b₁，c₁），light rain （a₂，b₂，c₂），all rain （a₃，b₃，c₃） data models fitted with traditional MSE as loss function and with K_DP （a₁，a₂，a₃），Z_H （b₁，b₂，b₃） and Z_H-Z_DR-K_DP （c₁，c₂，c₃） as input factors，respectively （The color code indicates the explanatory variance）

下载: 全尺寸图片幻灯片

图 8 同图7，但为采用自定义损失函数

Figure 8. Same as Fig. 7 but with self-defined loss function

下载: 全尺寸图片幻灯片

图 9 2019年6月11日12时36分0.5°仰角雷达PPI

Figure 9. Radar PPI of 0.5° elevation at 12：36 UTC 11 June 2019

下载: 全尺寸图片幻灯片

图 10 2020年6月9日10时48分0.5°仰角雷达PPI

Figure 10. Radar PPI of 0.5° elevation at 10：48 UTC 9 June 2020

下载: 全尺寸图片幻灯片

图 11 2018年9月16日06时30分0.5°仰角雷达回波PPI

Figure 11. Radar PPI of 0.5° elevation at 06：30 UTC 16 September 2018

下载: 全尺寸图片幻灯片

表 1 各参数标准化的最大、最小值设置

Table 1. Maximum and minimum values of standardized parameters

参数	Min	Max
R	0.1 mm/h	250 mm/h
Z_H	10 dB	70 dB
Z_DR	0 dB	7 dB
K_DP	0°/km	7°/km

下载: 导出CSV

表 2 各模型训练集数据量

Table 2. The amount in the training dataset of each model

模型/数据	训练数据数量（组）
大雨模型	71490
小雨模型	471200
总模型	620690
合计	1163380

下载: 导出CSV

表 3 自定义损失函数权重系数

Table 3. Weight coefficients of self-defined loss function

模型	参数	雨强区间（mm/h）	权重
大雨模型	K_DP	（0，10.0）、[10.0， 25.0）、[25.0，45.0）、[45.0，60.0）、[60.0，100.0）、[100.0， 250）	8.0、 5.0、 1.1、 3.0、 6.0、 10.0
	Z_H	（0，10.0）、[10.0， 25.0）、[25.0，45.0）、[45.0，60.0）、[60.0，100.0）、[100.0， 250）	8.0、 5.0、 1.1、 3.0、 6.0、 9.0
	Z_H-Z_DR-K_DP	（0，10.0）、[10.0， 25.0）、[25.0，45.0）、[45.0，60.0）、[60.0，100.0）、[100.0， 250）	10.0、 5.0、 1.1、 3.0、 5.0、 10.0
小雨模型	K_DP	（0，3.0）、[3.0，9.0）、 [9.0，15.0）、 [15.0，30.0）、[30.0， 50.0）、 [50.0，250）	5.0、 1.5、 1.1、 2.0、 5.0、 8.0
	Z_H	（0，3.0）、[3.0，9.0）、 [9.0，15.0）、 [15.0，30.0）、[30.0， 50.0）、 [50.0，250）	8.0、 1.5、 1.1、 2.0、 5.0、 8.0
	Z_H-Z_DR-K_DP	（0，3.0）、[3.0，9.0）、 [9.0，15.0）、 [15.0，30.0）、[30.0， 50.0）、 [50.0，250）	8.0、 1.5、 1.1、 2.0、 5.0、 8.0
总模型	K_DP	（0，3.0）、[3.0，9.0）、 [9.0，15.0）、 [15.0，30.0）、[30.0， 50.0）、 [50.0，250）	8.0、 1.5、 1.1、 2.0、 5.0、 8.0
	Z_H	（0，3.0）、[3.0，9.0）、 [9.0，15.0）、 [15.0，30.0）、[30.0， 50.0）、 [50.0，250）	8.0、 1.5、 1.1、 2.0、 5.0、 8.0
	Z_H-Z_DR-K_DP	（0，3.0）、[3.0，9.0）、 [9.0，15.0）、 [15.0，30.0）、[30.0， 50.0）、 [50.0，250）	8.0、 1.5、 1.1、 2.0、 5.0、 8.0

下载: 导出CSV

表 4 采用均方误差作为损失函数的评估结果

Table 4. Model evaluation results by using MSE as the loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	1.013	0.013	12.59	9.37	0.286
	Z_H	1.055	0.052	12.183	8.93	0.272
	Z_H-Z_DR-K_DP	1.009	0.009	11.578	8.687	0.265
小雨模型	K_DP	1.108	0.097	5.826	3.744	0.372
	Z_H	1.000	0.000	5.081	3.464	0.344
	Z_H-Z_DR-K_DP	1.032	0.031	5.145	3.453	0.343
总模型	K_DP	0.903	0.107	7.131	5.036	0.432
	Z_H	0.939	0.065	6.389	4.261	0.366
	Z_H-Z_DR-K_DP	1.065	0.061	6.359	3.895	0.334

下载: 导出CSV

表 5 采用自定义损失函数的评估结果

Table 5. Models evaluation results by using the self-defined loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	0.966	0.036	12.159	9.1111	0.278
	Z_H	0.985	0.015	11.863	8.855	0.27
	Z_H-Z_DR-K_DP	1.034	0.033	11.378	8.457	0.258
小雨模型	K_DP	0.912	0.097	5.618	3.873	0.385
	Z_H	0.985	0.016	4.867	3.196	0.318
	Z_H-Z_DR-K_DP	1.019	0.018	4.791	3.11	0.309
总模型	K_DP	1.048	0.046	6.581	4.034	0.346
	Z_H	1.044	0.042	6.169	3.747	0.322
	Z_H-Z_DR-K_DP	1.036	0.034	5.81	3.549	0.305

下载: 导出CSV

表 6 采用均方误差作为损失函数的评估结果

Table 6. Evaluation results by using MSE as the loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	1.006	0.006	10.551	8.092	0.257
	Z_H	0.996	0.004	9.685	7.121	0.226
	Z_H-Z_DR-K_DP	0.916	0.092	9.854	7.661	0.244
小雨模型	K_DP	1.089	0.082	5.641	3.762	0.364
	Z_H	0.933	0.072	4.982	3.742	0.362
	Z_H-Z_DR-K_DP	0.933	0.072	4.914	3.703	0.358
总模型	K_DP	0.856	0.168	6.432	4.977	0.466
	Z_H	0.845	0.184	5.632	4.235	0.396
	Z_H-Z_DR-K_DP	0.931	0.074	5.280	3.734	0.349

下载: 导出CSV

表 7 采用自定义损失函数的评估结果

Table 7. Evaluation results by using self-defined loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	0.978	0.023	9.872	7.578	0.241
	Z_H	0.934	0.070	9.542	7.032	0.224
	Z_H-Z_DR-K_DP	0.927	0.078	9.285	7.117	0.226
小雨模型	K_DP	0.890	0.124	5.179	3.769	0.364
	Z_H	0.897	0.114	4.656	3.314	0.320
	Z_H-Z_DR-K_DP	0.895	0.117	4.533	3.220	0.311
总模型	K_DP	1.001	0.001	5.414	3.388	0.317
	Z_H	0.939	0.065	5.084	3.149	0.295
	Z_H-Z_DR-K_DP	0.903	0.107	4.907	3.067	0.287

下载: 导出CSV

表 8 采用均方误差作为损失函数的评估结果

Table 8. Evaluation results by using MSE as the loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	0.920	0.088	12.177	9.234	0.308
	Z_H	1.031	0.030	11.350	8.311	0.278
	Z_H-Z_DR-K_DP	0.927	0.079	10.727	7.944	0.265
小雨模型	K_DP	1.130	0.115	5.372	3.570	0.360
	Z_H	1.069	0.065	5.016	3.568	0.360
	Z_H-Z_DR-K_DP	1.072	0.067	4.732	3.310	0.334
总模型	K_DP	0.867	0.153	6.210	4.673	0.445
	Z_H	0.959	0.043	5.852	4.402	0.385
	Z_H-Z_DR-K_DP	1.056	0.053	5.343	3.283	0.313

下载: 导出CSV

表 9 采用自定义损失函数的评估结果

Table 9. Evaluation results by using self-defined loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	0.871	0.148	12.377	9.483	0.317
	Z_H	0.971	0.030	11.079	8.143	0.272
	Z_H-Z_DR-K_DP	0.931	0.074	10.559	7.924	0.265
小雨模型	K_DP	0.939	0.065	4.858	3.511	0.354
	Z_H	1.083	0.076	4.471	2.879	0.290
	Z_H-Z_DR-K_DP	1.070	0.065	4.159	2.694	0.272
总模型	K_DP	1.021	0.021	5.659	3.390	0.323
	Z_H	1.130	0.115	5.565	3.269	0.311
	Z_H-Z_DR-K_DP	1.061	0.058	4.932	2.845	0.271

下载: 导出CSV

表 10 采用均方误差作为损失函数的评估结果

Table 10. Evaluation results by using MSE as the loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	1.095	0.087	15.178	10.947	0.285
	Z_H	1.118	0.158	15.903	11.200	0.291
	Z_H-Z_DR-K_DP	1.071	0.066	13.350	8.913	0.232
小雨模型	K_DP	1.150	0.130	5.416	3.239	0.331
	Z_H	1.029	0.028	5.111	3.411	0.349
	Z_H-Z_DR-K_DP	1.017	0.017	4.895	3.258	0.333
总模型	K_DP	0.916	0.091	6.572	4.449	0.421
	Z_H	0.967	0.034	6.538	4.052	0.383
	Z_H-Z_DR-K_DP	1.060	0.057	6.088	3.365	0.318

下载: 导出CSV

表 11 采用自定义损失函数的评估结果

Table 11. Evaluation results by using self-defined loss function

模型	参数	BIAS	RBIAS	RMSE（mm）	MAE（mm）	MRE
大雨模型	K_DP	1.015	0.015	13.457	9.963	0.259
	Z_H	1.112	0.101	14.076	10.172	0.264
	Z_H-Z_DR-K_DP	1.066	0.062	12.023	7.868	0.205
小雨模型	K_DP	0.954	0.049	4.746	3.083	0.315
	Z_H	1.034	0.033	4.606	2.811	0.288
	Z_H-Z_DR-K_DP	1.015	0.015	4.345	2.677	0.274
总模型	K_DP	1.102	0.092	5.713	3.190	0.302
	Z_H	1.139	0.122	5.991	3.283	0.310
	Z_H-Z_DR-K_DP	1.073	0.068	5.146	2.852	0.270

下载: 导出CSV

参考文献(29)

[1]	陈超,胡志群,胡胜等. 2019. CINRAD-SA双偏振雷达资料在降水估测中的应用初探. 气象,45(1):113-125 doi: 10.7519/j.issn.1000-0526.2019.01.010 Chen C,Hu Z Q,Hu S,et al. 2019. Preliminary application of CINRAD-SA dual polarization radar data in rainfall estimation. Meteor Mon,45(1):113-125 (in Chinese) doi: 10.7519/j.issn.1000-0526.2019.01.010
[2]	郭瀚阳,陈明轩,韩雷等. 2019. 基于深度学习的强对流高分辨率临近预报试验. 气象学报,77(4):715-727 doi: 10.11676/qxxb2019.036 Guo H Y,Chen M X,Han L,et al. 2019. High resolution nowcasting experiment of severe convections based on deep learning. Acta Meteor Sinica,77(4):715-727 (in Chinese) doi: 10.11676/qxxb2019.036
[3]	胡志群,刘黎平,楚荣忠等. 2008. X波段双线偏振雷达不同衰减订正方法对比及其对降水估测影响研究. 气象学报,66(2):251-261 doi: 10.3321/j.issn:0577-6619.2008.02.011 Hu Z Q,Liu L P,Chu R Z,et al. 2008. Comparison of different attenuation correction methods and their effects on estimated rainfall using X-band dual linear polarimetric radar. Acta Meteor Sinica,66(2):251-261 (in Chinese) doi: 10.3321/j.issn:0577-6619.2008.02.011
[4]	黄小玉,陈媛,熊毅等. 2009. 漂移克里金方法在雷达和雨量计联合估测降水中的应用. 气象学报,67(2):288-297 doi: 10.3321/j.issn:0577-6619.2009.02.012 Huang X Y,Chen Y,Xiong Y,et al. 2009. Merging radar and rain gauge data using Kriging with external drift (KED) for quantitative precipitation estimation. Acta Meteor Sinica,67(2):288-297 (in Chinese) doi: 10.3321/j.issn:0577-6619.2009.02.012
[5]	黄兴友,马玉蓉,胡苏蔓. 2021. 基于深度学习的天气雷达回波序列外推及效果分析. 气象学报,79(5):817-827 doi: 10.11676/qxxb2021.041 Huang X Y,Ma Y R,Hu S M. 2021. Extrapolation and effect analysis of weather radar echo sequence based on deep learning. Acta Meteor Sinica,79(5):817-827 (in Chinese) doi: 10.11676/qxxb2021.041
[6]	蒋薇,刘芸芸,陈鹏等. 2021. 利用深度神经网络和先兆信号的江苏夏季降水客观预测方法. 气象学报,79(6):1035-1048 doi: 10.11676/qxxb2021.057 Jiang W,Liu Y Y,Chen P,et al. 2021. Prediction of summer precipitation in Jiangsu province based on precursory factors:A deep neural network approach. Acta Meteor Sinica,79(6):1035-1048 (in Chinese) doi: 10.11676/qxxb2021.057
[7]	李建通,张培昌. 1996. 最优插值法用于天气雷达测定区域降水量. 台湾海峡,15(3):255-259 Li J T,Zhang P C. 1996. Optimum interpolation method used for measuring regional precipition with weather radar. J Oceanogr Taiwan Strait,15(3):255-259 (in Chinese)
[8]	林炳干,张培昌,顾松山. 1997. 天气雷达测定区域降水量方法的改进与比较. 南京气象学院学报,20(3):67-73 Lin B G,Zhang P C,Gu S S. 1997. Improvement of weather radar measured regional rainfall with comparison to other techniques. J Nanjing Instit Meteor,20(3):67-73 (in Chinese)
[9]	刘黎平,钱永甫,王致君. 1996. 用双线偏振雷达研究云内粒子相态及尺度的空间分布. 气象学报,54(5):590-599 doi: 10.3321/j.issn:0577-6619.1996.05.008 Liu L P,Qian Y F,Wang Z J. 1996. The study of spacial distribution of phase and size of hydrometeorsin cloud by dual linear polarization radar. Acta Meteor Sinica,54(5):590-599 (in Chinese) doi: 10.3321/j.issn:0577-6619.1996.05.008
[10]	任萍,陈明轩,曹伟华等. 2020. 基于机器学习的复杂地形下短期数值天气预报误差分析与订正. 气象学报,78(6):1002-1020 doi: 10.11676/qxxb2020.060 Ren P,Chen M X,Cao W H,et al. 2020. Error analysis and correction of short-term numerical weather prediction under complex terrain based on machine learning. Acta Meteor Sinica,78(6):1002-1020 (in Chinese) doi: 10.11676/qxxb2020.060
[11]	邵月红,张万昌,刘永和等. 2009. BP神经网络在多普勒雷达降水量的估测中的应用. 高原气象,28(4):846-853 Shao Y H,Zhang W C,Liu Y H,et al. 2009. Application of back-propagation neural network in precipitation estimation with doppler radar. Plateau Meteor,28(4):846-853 (in Chinese)
[12]	王超,吴翀,刘黎平. 2019. X波段双线偏振雷达数据质量分析及控制方法. 高原气象,38(3):636-649 Wang C,Wu C,Liu L P. 2019. Data quality analysis and control method of X-band dual polarization radar. Plateau Meteor,38(3):636-649 (in Chinese)
[13]	张培昌. 1988. 雷达气象学. 北京: 气象出版社. Zhang P C. 1988. Radar Meteorology. Beijing: China Meteorological Press （in Chinese）
[14]	张培昌,戴铁丕,王登炎等. 1992a. 最优化法求Z-I关系及其在测定降水量中的精度. 气象科学,12(3):333-338 Zhang P C,Dai T P,Wang D Y,et al. 1992a. Derivation of the Z-I relationship by optimization and the accuracy in the quantitative rainfall measurement. Scientia Meteor Sinica,12(3):333-338 (in Chinese)
[15]	张培昌,戴铁丕,傅德胜等. 1992b. 用变分方法校准数字化天气雷达测定区域降水量基本原理和精度. 大气科学,16(2):248-256 doi: 10.3878/j.issn.1006-9895.1992.02.13 Zhang P C,Dai T P,Fu D S,et al. 1992b. Principle and accuracy of adjusting the area precipitation from digital weather radar through variational method. Chinese J Atmos Sci,16(2):248-256 (in Chinese) doi: 10.3878/j.issn.1006-9895.1992.02.13
[16]	张扬. 2019. 业务双偏振雷达网与自动站联合定量降水估测方法及效果分析研究[D]. 北京: 中国气象科学研究院. Zhang Y. 2019. Study on the quantitative precipitation estimation algorithm utilized with the operational dual-polarization radar network and automatic stations and its effect analysis[D]. Beijing: Chinese Academy of Meteorological Sciences （in Chinese）
[17]	郑佳锋,刘黎平,曾正茂等. 2016. Ka波段毫米波云雷达数据质量控制方法. 红外与毫米波学报,35(6):748-757 Zheng J F,Liu L P,Zeng Z M,et al. 2016. Ka-bard millimeter wave cloud radar data quality control. J Infrared Millim Waves,35(6):748-757 (in Chinese)
[18]	郑玉,魏鸣,李南等. 2020. 基于循环神经网络改进雷达定量估测强降水. 中国科技论文,15(5):585-592 doi: 10.3969/j.issn.2095-2783.2020.05.014 Zheng Y,Wei M,Li N,et al. 2020. Improved radar heavy precipitation estimation based on RNN. China Sciencepaper,15(5):585-592 (in Chinese) doi: 10.3969/j.issn.2095-2783.2020.05.014
[19]	Bringi V N,Huang G J,Chandrasekar V,et al. 2002. A methodology for estimating the parameters of a gamma raindrop size distribution model from polarimetric radar data:Application to a squall-line event from the TRMM/brazil campaign. J Atmos Ocean Technol,19(5):633-645 doi: 10.1175/1520-0426(2002)019<0633:AMFETP>2.0.CO;2
[20]	Chumchean S,Sharma A,Seed A. 2006. An integrated approach to error correction for real-time radar-rainfall estimation. J Atmos Ocean Technol,23(1):67-79 doi: 10.1175/JTECH1832.1
[21]	Fulton R A,Breidenbach J P,Seo D J,et al. 1998. The WSR-88D rainfall algorithm. Wea Forecast,13(2):377-395 doi: 10.1175/1520-0434(1998)013<0377:TWRA>2.0.CO;2
[22]	Gorgucci E,Scarchilli G,Chandrasekar V. 2000. Practical aspects of radar rainfall estimation using specific differential propagation phase. J Appl Meteor,39(6):945-955 doi: 10.1175/1520-0450(2000)039<0945:PAORRE>2.0.CO;2
[23]	Haberlie A M,Ashley W S. 2019. A radar-based climatology of mesoscale convective systems in the United States. J Climate,32(5):1591-1606 doi: 10.1175/JCLI-D-18-0559.1
[24]	Lee G W. 2006. Sources of errors in rainfall measurements by polarimetric radar:Variability of drop size distributions,observational noise,and variation of relationships between R and polarimetric parameters. J Atmos Ocean Technol,23(8):1005-1028 doi: 10.1175/JTECH1899.1
[25]	Reichstein M,Camps-Valls G,Stevens B,et al. 2019. Deep learning and process understanding for data-driven earth system science. Nature,566(7743):195-204 doi: 10.1038/s41586-019-0912-1
[26]	Seliga T A,Bringi V N. 1976. Potential use of radar differential reflectivity measurements at orthogonal polarizations for measuring precipitation. J Appl Meteor,15(1):69-76 doi: 10.1175/1520-0450(1976)015<0069:PUORDR>2.0.CO;2
[27]	Wang G L,Liu L P,Ding Y Y. 2012. Improvement of radar quantitative precipitation estimation based on real-time adjustments to Z-R relationships and inverse distance weighting correction schemes. Adv Atmos Sci,29(3):575-584 doi: 10.1007/s00376-011-1139-8
[28]	Wilson J W,Brandes E A. 1979. Radar measurement of rainfall:A summary. Bull Amer Meteor Soc,60(9):1048-1060 doi: 10.1175/1520-0477(1979)060<1048:RMORS>2.0.CO;2
[29]	Yin X Y,Hu Z Q,Zheng J F,et al. 2021. Study on radar echo-filling in an occlusion area by a deep learning algorithm. Remote Sens,13(9):1779 doi: 10.3390/rs13091779