[0001] 本发明涉及气象水文技术领域，尤其涉及一种基于雨滴谱仪和气象雷达的短临降雨预报方法及系统。

[0002] 传统的降雨监测预报主要是依靠于自动雨量站测量，然而自动雨量站虽然能够提供地面实测数据，但其布设密度难以满足高精度监测的需求，这限制了其在大面积范围内
提供连续、实时降雨信息的能力。尽管气象雷达可以覆盖较大范围并提供高空信号监测，但
它对外推近地面具体降雨情况的能力有限，尤其是在复杂地形条件下，其准确性会受到显
著影响。雨滴谱仪虽然能提供详尽的局部降雨特征信息，但由于监测范围极为有限，仅适用
于特定地点，难以进行大范围的降雨预测。

[0003] 因此，亟需一种基于雨滴谱仪和气象雷达的短临降雨预报方法及系统，能够使雷达回波图像数据更加贴近近地面降雨信息，提高对降雨预报的精确度及对于复杂多变的气
象数据的适应性。

[0018] 为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所
有其它实施例，都属于本发明所保护的范围。

[0019] 本发明提出了一种基于雨滴谱和气象雷达的短临降雨预报方法，图1是本发明实施例提供的一种基于雨滴谱和气象雷达的短临降雨预报方法的流程图，参见图1，具体包
括：
S1、获取雷达回波图像数据和雨滴谱仪数据，并进行预处理。

[0020] 具体的，首先根据雷达反射率因子和降雨强度相关联的物理性质特定获取降雨观测数据、天气雷达数据等多源数据，对于获取的雷达回波图像数据进行去噪、插值、坐标变
换和数据归一化处理，以确保数据质量和一致性。

[0021] 根据获取的雨滴谱仪数据计算雨滴数浓度，并剔除异常值，其中，获取的雨滴谱仪数据为离散化数据；
其中，雨滴数浓度的计算公式如下：
；
其中，N(Di)表示雨滴数浓度，Di表示第i个雨滴粒径的离散化区间对应的雨滴粒
径，j表示雨滴下落末速度的第j个离散化区间，i表示雨滴粒径的第i个离散化区间，nij表示第i个雨滴粒径的离散化区间、第j个雨滴下落末速度的离散化区间下对应的雨滴数量，A表
示采样面积，Δt表示采样时间间隔，Vj表示第j个雨滴下落末速度的离散化区间对应的速
度，ΔDi表示雨滴直径梯度。

[0022] S2、根据预处理后的雨滴谱仪数据定量估算雷达反射率因子。

[0023] 具体的，计算公式如下：；
其中，Z表示雷达反射率因子。

[0024] S3、根据预处理后的雷达回波图像数据构成第一数据集，根据基于预处理后的雨滴谱仪数据定量估算的雷达反射率因子构成第二数据集，使用第一数据集对UNet网络模型
进行训练，得到训练好的UNet网络模型，使用第二数据集对LSTM网络模型进行训练，得到训
练好的LSTM网络模型。

[0025] 具体的，根据预处理后的雷达回波图像数据构成第一数据集，并根据所需的预见期将第一数据集分为data组和label组，将data组作为输入，label组作为输出，对UNet网络
模型进行训练；第二数据集同理处理，对LSTM网络模型进行训练。

[0026] 示例性地，对柳林流域降雨预报模型进行训练，目标预见期为30min。收集到柳林流域雷达回波图像10000张，采集频率为6min，即5张图为30min。将10000张图像按照5帧图
像交错分组，分别得到9995张data组图像和label组图像，data组图像的时间比label组图
像早30min，即5帧图像，比如data组第一帧图像时间为2000年9月1日10:00，则label组第一
帧图像时间为2000年9月1日10:30，后续以此类推。

[0027] UNet网络模型是用于语义切割的一种U型网络结构模型，包括压缩路径、扩张路径和跳跃连接三个组成部分。图像信息先进入到压缩路径，模型在此对图像进行编码和下采
样，形成特征图。在扩张路径中，模型再对特征图解码和反卷积，并通过跳跃连接与压缩路
径中的特征图进行级联，修复卷积阶段丢失的部分特征信息。改造该模型并应用于通过多
帧连续雷达回波图像外推雷达回波图像，从而进行降雨预报。LSTM网络模型，即长短期记忆
网络（Long Short‑Term Memory network），是一种特殊类型的循环神经网络（RNN）。它被设计出来是为了应对传统的RNN在处理序列数据时遇到的“梯度消失”或“梯度爆炸”问题。通过对过去一段时间内的雨滴谱定量估计的雷达反射率因子进行整理和预处理，将其转换成
适合模型输入的形式，即一系列连续的时间点数据。然后，利用这些数据训练LSTM网络模
型，使其学会从输入序列中捕捉雷达反射率因子模式的动态变化规律。训练完成后，模型可
以根据最近的雨滴谱定量估计的雷达反射率因子（例如过去3小时的数据）来预测接下来一
段时间（如未来1小时）的雨滴谱定量估计的雷达反射率因子。LSTM通过其内部的记忆单元
和门控机制，有效地保留并利用历史数据中的长期依赖关系，从而实现对未来降雨量的准
确预测。

[0028] S4、基于光流法和训练好的UNet网络模型分别对雷达回波图像数据进行外推，基于训练好的LSTM网络模型对基于雨滴谱仪数据定量估算的雷达反射率因子进行外推。

[0029] 具体的，本发明耦合了UNet网络模型和光流法，既利用了深度学习模型对非线性运动的预报优势，又利用了数值计算方法在预报清晰度上的优势，提高了外推雷达回波图
像的精确度。同时，采用了动态回归的方法，实时率定UNet网络模型和光流法的权重，对于
复杂多变的气象数据，具有较强的适应性。

[0030] 本发明还利用LSTM网络模型对雨滴谱定量估计雷达反射率因子，LSTM模型在外推预报雷达反射率因子上的优势在于其能够有效捕捉长时间跨度内的依赖关系，通过独特的
记忆单元和门控机制，过滤无关信息并保留关键的长期模式。这一特性使LSTM能够更准确
地理解和预测雷达反射率因子变化特点，尤其是在处理非线性、复杂且带有间断性的气象
数据时表现出色。因此，LSTM模型能够提供比传统方法更为精确的雷达反射率因子外推。

[0031] S5、对外推的雷达回波图像数据进行动态回归，得到所需预见期的雷达回波图像数据。

[0032] 具体包括如下步骤：S51、分别将光流法和训练好的UNet网络模型上一时间段外推的雷达回波图像数
据与上一时间段气象雷达实际采集到的雷达回波图像数据进行比较，基于MSE损失函数，率
定UNet网络模型和光流法的回归权重。

[0033] 具体的，MSE损失函数的计算公式如下：；
其中， 表示UNet网络模型和光流法外推的雷达回波图像数据动态回
归结果，y表示气象雷达实际采集到的雷达回波图像数据，n表示雷达反射率因子数量，k表
示第k个雷达反射率因子；
UNet网络模型和光流法外推的雷达回波图像数据动态回归结果的表达式为：
；
其中，xUNet为UNet网络模型外推的雷达回波图像，xOF为光流法外推的雷达回波图
像，c、d为动态率定的回归参数，取值范围均为[0,1]，基于取值范围对回归参数遍历率定。

[0034] S52、根据上一时间段气象雷达实际采集到的雷达回波图像数据，基于光流法和训练好的UNet网络模型对下一时间段的雷达回波图像数据进行外推。

[0035] S53、根据UNet网络模型和光流法的回归权重，对UNet网络模型和光流法外推的下一时间段的雷达回波图像数据进行加权求和，得到最终的下一时间段的雷达回波图像数
据。

[0036] S54、重复上述步骤，对UNet网络模型和光流法的回归权重逐时间步调整，直至得到所需预见期的雷达回波图像数据。

[0037] 示例性地，由于光流法和UNet网络模型的计算逻辑不同，二者所需要的输入图片数量一般不一致（不同预见期的输入图片数量也不同）。假设我们需要对柳林实验流域下午
2:00‑2:30的雷达回波图像预报。首先向光流法和UNet网络模型分别输入气象雷达采集到
的柳林实验流域下午1:24‑1:30、1:00‑1:30的真实雷达回波图像，两个模型分别外推雷达
回波图像得到柳林实验流域下午1:30‑2:00的雷达回波图像。根据UNet网络模型和光流法
外推得到的柳林实验流域下午1:30‑2:00的雷达回波图像，与气象雷达实际采集到的柳林
实验流域下午1:30‑2:00的真实雷达回波图像对比，采用MSE损失函数率定UNet网络模型和
光流法的回归权重。再向UNet网络模型和光流法分别输入气象雷达采集到的柳林实验流域
下午1:54‑2:00、1:30‑2:00的真实雷达回波图像，两个模型分别外推得到柳林实验流域下
午2:00‑2:30的雷达回波图像，对两个模型的外推结果根据之前率定的回归权重加权求和，
得到最终的2:00‑2:30的雷达回波图像数据。后续时间序列以此类推，实现动态回归的效
果。

[0038] 进一步的，每个时段都需要根据前一时段的UNet模型和光流法外推雷达回波图像数据率定UNet模型和光流法的回归权重，即回归权重是动态变化的，有更好的时空准确性。

[0039] S6、根据外推得到的所需预见期的雷达反射率因子对所需预见期的雷达回波图像数据进行全局校正。

[0040] 具体包括如下步骤：S61、确定雨滴谱仪采样点的空间位置，并与雷达回波图像数据的空间位置进行对
照。

[0041] S62、将LSTM网络模型外推得到的所需预见期的雷达反射率因子与所需预见期的雷达回波图像数据对应空间位置的雷达反射率因子进行比较，得到二者之间的比例关系。

[0042] S63、根据比例关系对所需预见期的雷达回波图像数据进行全局缩放，得到全局校正后的雷达回波图像数据。

[0043] 示例性地，要用LSTM网络模型外推得到的雷达反射率因子对动态回归得到的柳林实验流域下午2:00‑2:30的雷达回波图像进行全局校正。首先向LSTM网络模型输入柳林实
验流域下午1:30‑2:00的雨滴谱定量估计的雷达反射率因子，外推得到柳林实验流域下午
2:00‑2:30的雷达反射率因子。将LSTM网络模型外推得到的柳林实验流域下午2:00‑2:30的
雷达反射率因子与动态回归得到的柳林实验流域下午2:00‑2:30的雷达回波图像对应空间
点位的雷达反射率因子对比，将动态回归的雷达回波图像进行全局缩放，实现全局校正。

[0044] 本发明利用外推得到的雷达反射率因子去对外推得到的雷达回波图像全局校正，利用雨滴谱仪采集到的信息校正雷达回波数据，可以提高回波图像的精确度，同时使校正
后的雷达回波数据更加贴近近地面降雨信息，提高对降雨预报精确度。

[0045] S7、根据全局校正后的雷达回波图像数据进行降雨预报。

[0046] 具体的，计算过程如下：；
其中，Z表示雷达反射率因子，R表示反演降雨强度，a、b为经验系数；示例性地，可
以将a的取值范围设置为[1,300,1]，其中，[1,300]为取值范围，1为步长，将b的取值范围设置为[0.5,5,0.1]，其中，[0.5,5]为取值范围，0.1为步长；
在每次根据实际雷达回波图像预报反演降雨强度阶段，首先对上一时段的雷达回
波图像进行遍历a、b取值范围的计算反演，并对比自动雨量站实测数据，选取最接近的一组
a、b取值作为本时段计算反演的取值，实现动态取值的效果。通过CTF（Cost Function）误差判别函数来对比遍历期间的计算结果和自动雨量站实测数据，实现最优化的拟合效果；通
过CTF误差判别函数确定a、b的取值，计算公式如下：
；
其中，Gq表示与反演降雨强度对应时间段的自动雨量站实测得到的降雨强度数
据，q表示自动雨量站站点编号，m表示自动雨量站的数量；
根据CTF误差判别函数最小的一组a、b参数，根据全局校正后的雷达回波图像数据
计算反演降雨强度，并进行降雨预报。

[0047] 示例性地，比如柳林流域一共有5个雨量站站点，则m=5。预报2020年9月1日10:30的雨强信息，预见期为30min。首先，遍历2020年9月1日10:00的回波图像所有a、b取值的精
度，即得到300×45组5个雨量站站点的雨强信息，全部进行CTF误差函数计算，选取CTF值最
小的一组a、b参数作为反演9月1日10:30雨强信息的Z‑R关系进行反演计算。

[0048] 本发明中根据动态Z‑R关系法在反演雷达回波图像时，通过动态调整a、b参数，将自动雨量站收集信息实时纳入参考，加强了对已有数据的有效利用，避免了公式恒定和地
区特性不同所带来的反演误差影响，充分考虑了实际物理机制对Z‑R关系的影响，提高了对
降雨强度信息的反演精度。

[0049] 本发明还提出了一种基于雨滴谱和气象雷达的短临降雨预报系统，图2是本发明实施例提供的一种基于雨滴谱和气象雷达的短临降雨预报系统的结构示意图，用于实现上
述任一项所述的一种基于雨滴谱和气象雷达的短临降雨预报方法，参见图2，包括如下模
块：
数据获取模块，用于获取雷达回波图像数据和雨滴谱仪数据，并进行预处理；以及
根据预处理后的雨滴谱仪数据定量估算雷达反射率因子；
模型训练模块，与数据获取模块连接，用于根据预处理后的雷达回波图像数据构
成第一数据集，根据基于预处理后的雨滴谱仪数据定量估算的雷达反射率因子构成第二数
据集，使用第一数据集对UNet网络模型进行训练，得到训练好的UNet网络模型，使用第二数
据集对LSTM网络模型进行训练，得到训练好的LSTM网络模型；
预测模块，与模型训练模块连接，用于基于光流法和训练好的UNet网络模型对待
测雷达回波图像数据进行预测，基于训练好的LSTM网络模型对基于待测雨滴谱仪数据定量
估算的待测雷达反射率因子进行预测；
计算模块，与预测模块连接，用于对预测的雷达回波图像数据进行动态回归；
校正模块，与计算模块连接，用于根据预测的雷达反射率因子对动态回归后的雷
达回波图像数据进行全局校正；
输出模块，与校正模块连接，用于根据全局校正后的雷达回波图像数据进行降雨
预报。

[0050] 需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没
有明确列出的其它要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更
多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

[0051] 还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和
操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两
个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发
明中的具体含义。

[0052] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依
然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进
行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术
方案。