雨滴譜式降水現象儀降水類型判定算法優化探究

楊寧 張晉 劉鈞

（1 華云升達（北京）氣象科技有限責任公司，北京 102299；2 中國華云氣象科技集團公司，北京 100081）

0 引言

降水現象觀測是地面氣象觀測的基本內容之一，實現降水現象自動觀測，將有效提高觀測的頻次和質量。雨滴譜式降水現象儀通過激光測量技術對降水過程進行記錄、分析，能夠自動實現降水現象要素觀測，數據采樣、存儲和處理，并按照氣象業務規定數據格式輸出多種降水類型。

雨滴譜式降水現象儀目前在全國2423個臺站已完成布設，正在進行人工與自動觀測的對比，為降水現象儀數據的可用性進行科學論證。從目前反饋的情況來看，設備整體性能明顯優于人工觀測，但在準確性方面還不能做到100%準確識別。本文以DSG5型降水現象儀為測試設備，在現有算法基礎上，完善雨滴譜式降水現象儀的綜合判定算法，以提升降水現象自動化觀測水平。

1 DSG5型降水現象儀整體系統介紹

雨滴譜式降水現象儀整體系統構成如圖1所示。

圖1 雨滴譜式降水現象儀系統結構Fig. 1 System structure of raindrop spectrum precipitation phenomenon instrument

核心傳感器的測量區域如圖2所示，是一個能夠發射水平光束的激光傳感器，激光器大小為47.4 mm×41 mm×12 mm（長×寬×高），其發射器和接收器集成在密閉的機殼中[1]。

圖2 核心傳感器測量區域Fig. 2 Measurement area of core sensor

粒徑的測量：當激光束里沒有降水粒子降落穿過時，接收器的輸出電壓最大。降水粒子穿過水平光束 時以其相應的直徑遮擋部分光束，因而降低了接收端接收測量到的電壓，從而可以確定降水粒子的直徑大小[2-5]。

降水粒子下降速度的測量：降水粒子的下降速度是根據電子信號持續的時間推導出來的。電子信號的持續時間為降水粒子開始進入光束到完全離開光束所經歷的時間。

由上述兩個關鍵量可以推導出降水滴譜、降水類型、降水動能、降水強度、雷達反射率等參數[4]。譜圖數據顯示如圖3所示。

2 降水現象判定控制算法

該算法是參考Atlas-Ulbrich曲線分布趨勢和實際實驗數據總結而來[3,5]。目前傳感器已引入該算法，此次在綜判閾值方面給出具體數值。算法判斷流程如圖4所示。基于經典模型算法，給出了雨、雪、雨夾雪、冰雹、毛毛雨各自的判定算法和相應閾值。

2.1 雨的判定

降水粒子速度和直徑經典算法模型公式為

圖3 雨滴譜式降水現象儀譜圖二（a）、三維（b）視圖Fig. 3 Two- and three-dimensional data spectra for raindrop spectrum precipitation phenomenon instrument

圖4 降水現象算法判斷流程圖Fig. 4 The discriminant flow chart of precipitation phenomenon

式中，c=3.866，β=0.67，v(D)為速度（單位：m/s），D為直徑（單位：mm）。

速度偏差（Er）公式為

式中，v(D)為根據粒子直徑用經典模型公式得出的標準速度，v(F)為實際測得的粒子直徑所對應的速度。

當Er≥-45%且D≤5 mm時，判定為v(F)=v(雨)。降水顆粒為雨[5]。

判定如下：溫度＞0 ℃，降水顆粒60%以上在雨區，且在雪和雨夾雪溫度交叉區域內，不滿足雪和雨夾雪的判定條件[5]。

2.2 雪的判定

當Er≤-270%且D≥0.5mm時，判定為v(F)=v(雪)，降水顆粒為雪[5]。

判定如下：溫度≤7 ℃，雪區出現顆粒，并且雨區的比例小于60%，判定為雪。這里采用逐次逼近的方式進行判定，隨著溫度降低，判定的雪顆粒數量有所不同。

2.3 雨夾雪的判定

當-270%〈Er≤-45%且D≥0.5 mm時，判定為v(F)=v(雨夾雪)，降水顆粒為雨夾雪[5]。

判定如下：溫度在1～6 ℃，1 mm以上的顆粒不能少于20個，雨夾雪顆粒超過總降水顆粒的50%，即判斷為雨夾雪。

以上只是一個簡單的描述，因為算法比較復雜難易描述得很準確。總之，利用溫度，以及雨、雪、雨夾雪區域各種顆粒的比例關系，采用逐次逼近的方式判斷雨夾雪，較準確地得出雨夾雪天氣現象，在得出結論之前已經在多個地方做過實驗，以實際的數據分析衍化出結論。

2.4 冰雹的判定

當Er≥-45%且D〉5 mm時，判定為v(F)=v(冰雹)，降水顆粒為冰雹[5]。

判定如下：伴有降雨的同時，滿足至少兩個以上通道，且每個通道內有冰雹顆粒不能少于3個，判定為冰雹。

2.5 毛毛雨的判定

判定如下：降水顆粒全部為D≤0.5 mm，且速度小于4 m/s的降水顆粒，在溫度區間內（〉0 ℃），判定為毛毛雨[5]。以較慢速度輕輕飄落地面的小的降雨顆粒，不打起塵土為依據。

3 數據分析和綜判思路

3.1 數據分析

3.1.1 問題描述

對山東、黑龍江、遼寧、安徽采集的數據進行梳理后，結合人工記錄的臺站具體天氣情況，如天氣現象、溫度、濕度等氣象要素，總結了天氣現象儀目前存在的主要問題，主要包括3個方面：1）毛毛雨和雨現象判定切換頻繁；2）環境因素制約了設備的測量性能，例如由于設備安裝處未能定期清理雜草、蚊蟲活動比較頻繁、測量視窗周圍掛蜘蛛網、個別臺站附近有加工廠導致粉塵干擾等；3）冰雹誤報的問題。

3.1.2 解決辦法

以哈爾濱和綏中臺站數據分析為例，下面就每種問題列出典型的譜圖，提出改進的辦法。

1）毛毛雨和雨現象的判定切換頻繁的解決辦法：在軟件中加入閾值自定義設定，針對不同地域、不同臺站，在毛毛雨的區域劃分上給出默認參考設置。具體數值由下文綜合判定思路中各要素值并進行組合得到。圖5是列出的多次降水過程的典型樣例。

圖5 毛毛雨和雨現象判定切換頻繁的典型譜圖Fig. 5 A typical data spectrum of phenomenological determination frequent switching for the drizzle and rain

2）環境因素制約了設備的測量性能的解決辦法：圖6和圖7分別是蚊蟲干擾和粉塵干擾時的譜數據圖。這兩種干擾現象對應的譜圖有一個共性是顆粒在少數幾個通道重復率極高，且在交叉對比同時段溫度數據時會發現，溫度并未隨著降水現象的出現而變化，但是自然界真實降水現象發生的時候，溫度都會有相應的降低。因此，改進后的算法在現象輸出時，結合溫度要素作濾除，以此來提高設備的抗干擾能力。

3）冰雹誤報問題的解決辦法：在冰雹的直徑區域劃分上，通過統計分析對應站點的歷史數據，設置判別的閾值范圍。例如在強降雨較多的地區，提高冰雹直徑的判別門限，可降低冰雹的誤報。圖8列出了多次降水過程的典型樣例。

3.2 綜判思路

圖6 蚊蟲干擾典型譜圖Fig. 6 A typical data spectrum of mosquito interference

圖7 粉塵干擾典型譜圖Fig. 7 A typical data spectrum of dust interference

綜合判定算法，源于現行臺站工作人員在依照《地面氣象觀測規范》進行業務觀測時的實際操作辦法。例如，工作人員在觀測是否有降雨現象發生時，能夠實時感知到當時的溫度、濕度、風速、風向和能見度視程，而且人腦會依據過往積累的經驗進行現象的綜合判定。同理，儀器的測量區域、人眼目視所及的區域都屬于觀測區域，而這些都是單個設備所不具備的，這里提出的綜合判定算法是將上述思路與儀器可以實現的判定要素相結合，先分析了山東省兩個臺站的人工觀測與自動觀測的對比數據（通過臺站地面綜合觀測業務軟件ISOS采集到的溫度、濕度、能見度要素數據），提出要使用的綜判要素和閾值，之后復用該模型對兩個臺站其他數據進行現象驗證，驗證該方法可行。

雨現象：目前設備對降雨識別較準確，可適當做一些質控。結合溫度、濕度、能見度要素條件得出軟件質控流程，即當溫度≥-2 ℃、濕度≥50%、能見度≤20 km三個條件同時滿足時，判定為雨現象。

圖8 冰雹的誤報典型譜圖Fig. 8 A typical data spectrum of hail misstatement

圖9是以山東東營臺站2017年9月1日—2018年5月31日中的392 763條有效數據進行分析統計得出的雨現象的譜圖。通過對比，可以發現原始譜圖存在明顯的干擾顆粒（紅色圈選部分），且記錄為雨現象為8090條，采用綜合判定算法后的譜圖排除了大部分干擾顆粒，這樣就能提高現象判定的準確性。

毛毛雨現象：毛毛雨發生的天氣條件為：濕度偏大，能見度偏低，雨滴較小，且下落速度較慢。結合這些條件，當有降水的時候，綜合溫度、濕度、能見度數值對毛毛雨進行質控，即當溫度≥-2 ℃、濕度≥90%、能見度≤1 km三個條件同時滿足時，判定為毛毛雨現象。

圖10是以山東煙臺站2017年5月31日—2018年5月31日中的有效數據進行分析統計得出的毛毛雨的譜圖。通過對比可以發現，原始被記錄為毛毛雨現象時對應的譜圖存在明顯的干擾顆粒（黑色圈選部分），導致誤判為毛毛雨，采用綜合判定算法后基本排除了干擾顆粒，這樣就能提高現象判定的準確性。

雪：目前設備對降雪識別較準確，可適當做一些質控。結合溫度、濕度、能見度要素條件得出軟件質控流程，即當溫度≤7 ℃、濕度≥50%、能見度≤20 km三個條件同時滿足時，判定為雪現象。

圖11是以山東東營臺站2017年9月1日—2018年5月31日的有效數據進行分析統計得出的雪的譜圖。通過對比可見，目前算法和引入綜判算法后，現象識別準確性差別不大，故可以延續目前算法。

圖9 雨現象引入綜合判定算法前（a）、引入后（b）的對比譜圖Fig. 9 Comparison of data spectrum of rain phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm

圖10 毛毛雨現象引入綜合判定算法前（a）、引入后（b）的對比譜圖Fig. 10 Comparison of data spectrum of drizzle phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm

雨夾雪：雨夾雪產生的條件比較特殊，在接近0℃時會出現下降上升的反復過程。并且雨夾雪一般出現在降水中段，此時濕度明顯很大。在2018年3月和4月初北方大部分地區出現兩次雨夾雪，分別對北京的4臺設備和遼寧、山東、安徽省份的多個臺站進行了分析對比。結合溫度、濕度、能見度要素條件得出軟件質控流程，即當-2 ℃〈溫度〈7 ℃、濕度≥80%、能見度≤20 km三個條件同時滿足時，判定為雨夾雪現象。

圖12是對山東煙臺臺站數據的分析，通過對比可以發現，原始譜圖存在較多干擾顆粒，導致誤判，采用綜合判定算法后的譜圖則基本排除了干擾顆粒，這樣就能提高現象判定的準確性。

4 小結

綜上所述，目前人工觀測與自動觀測結果不完全匹配的原因主要有以下三個方面：1）人工觀測原理與儀器測量原理不一致；2）單個設備測量范圍有限，且只能捕捉一個維度上粒子的參數；3）我國疆域遼闊，覆蓋五種氣候帶而呈現出的不同地域性特點。本文通過對有代表性的臺站觀測數據進行分析，區分真實降水和誤報降水兩種現象在譜圖上的細微差異，以及引入其他觀測要素值進行綜合判定的兩種方式，來提高設備現象判定的準確性，從而提高整體自動化觀測水平。

圖11 山東東營雪現象引入綜合判定算法前（a）、引入后（b）的對比譜圖Fig. 11 Comparison of data spectrum of snow phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm

圖12 山東煙臺雨夾雪現象引入綜合判定算法前（a）、引入后（b）的對比譜圖Fig. 12 Comparison of data spectrum of sleet phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm