雨滴谱式降水现象仪降水类型判定算法优化探究

杨宁 张晋 刘钧

（1 华云升达（北京）气象科技有限责任公司，北京 102299；2 中国华云气象科技集团公司，北京 100081）

0 引言

降水现象观测是地面气象观测的基本内容之一，实现降水现象自动观测，将有效提高观测的频次和质量。雨滴谱式降水现象仪通过激光测量技术对降水过程进行记录、分析，能够自动实现降水现象要素观测，数据采样、存储和处理，并按照气象业务规定数据格式输出多种降水类型。

雨滴谱式降水现象仪目前在全国2423个台站已完成布设，正在进行人工与自动观测的对比，为降水现象仪数据的可用性进行科学论证。从目前反馈的情况来看，设备整体性能明显优于人工观测，但在准确性方面还不能做到100%准确识别。本文以DSG5型降水现象仪为测试设备，在现有算法基础上，完善雨滴谱式降水现象仪的综合判定算法，以提升降水现象自动化观测水平。

1 DSG5型降水现象仪整体系统介绍

雨滴谱式降水现象仪整体系统构成如图1所示。

图1 雨滴谱式降水现象仪系统结构Fig. 1 System structure of raindrop spectrum precipitation phenomenon instrument

核心传感器的测量区域如图2所示，是一个能够发射水平光束的激光传感器，激光器大小为47.4 mm×41 mm×12 mm（长×宽×高），其发射器和接收器集成在密闭的机壳中[1]。

图2 核心传感器测量区域Fig. 2 Measurement area of core sensor

粒径的测量：当激光束里没有降水粒子降落穿过时，接收器的输出电压最大。降水粒子穿过水平光束 时以其相应的直径遮挡部分光束，因而降低了接收端接收测量到的电压，从而可以确定降水粒子的直径大小[2-5]。

降水粒子下降速度的测量：降水粒子的下降速度是根据电子信号持续的时间推导出来的。电子信号的持续时间为降水粒子开始进入光束到完全离开光束所经历的时间。

由上述两个关键量可以推导出降水滴谱、降水类型、降水动能、降水强度、雷达反射率等参数[4]。谱图数据显示如图3所示。

2 降水现象判定控制算法

该算法是参考Atlas-Ulbrich曲线分布趋势和实际实验数据总结而来[3,5]。目前传感器已引入该算法，此次在综判阈值方面给出具体数值。算法判断流程如图4所示。基于经典模型算法，给出了雨、雪、雨夹雪、冰雹、毛毛雨各自的判定算法和相应阈值。

2.1 雨的判定

降水粒子速度和直径经典算法模型公式为

图3 雨滴谱式降水现象仪谱图二（a）、三维（b）视图Fig. 3 Two- and three-dimensional data spectra for raindrop spectrum precipitation phenomenon instrument

图4 降水现象算法判断流程图Fig. 4 The discriminant flow chart of precipitation phenomenon

式中，c=3.866，β=0.67，v(D)为速度（单位：m/s），D为直径（单位：mm）。

速度偏差（Er）公式为

式中，v(D)为根据粒子直径用经典模型公式得出的标准速度，v(F)为实际测得的粒子直径所对应的速度。

当Er≥-45%且D≤5 mm时，判定为v(F)=v(雨)。降水颗粒为雨[5]。

判定如下：温度＞0 ℃，降水颗粒60%以上在雨区，且在雪和雨夹雪温度交叉区域内，不满足雪和雨夹雪的判定条件[5]。

2.2 雪的判定

当Er≤-270%且D≥0.5mm时，判定为v(F)=v(雪)，降水颗粒为雪[5]。

判定如下：温度≤7 ℃，雪区出现颗粒，并且雨区的比例小于60%，判定为雪。这里采用逐次逼近的方式进行判定，随着温度降低，判定的雪颗粒数量有所不同。

2.3 雨夹雪的判定

当-270%〈Er≤-45%且D≥0.5 mm时，判定为v(F)=v(雨夹雪)，降水颗粒为雨夹雪[5]。

判定如下：温度在1～6 ℃，1 mm以上的颗粒不能少于20个，雨夹雪颗粒超过总降水颗粒的50%，即判断为雨夹雪。

以上只是一个简单的描述，因为算法比较复杂难易描述得很准确。总之，利用温度，以及雨、雪、雨夹雪区域各种颗粒的比例关系，采用逐次逼近的方式判断雨夹雪，较准确地得出雨夹雪天气现象，在得出结论之前已经在多个地方做过实验，以实际的数据分析衍化出结论。

2.4 冰雹的判定

当Er≥-45%且D〉5 mm时，判定为v(F)=v(冰雹)，降水颗粒为冰雹[5]。

判定如下：伴有降雨的同时，满足至少两个以上通道，且每个通道内有冰雹颗粒不能少于3个，判定为冰雹。

2.5 毛毛雨的判定

判定如下：降水颗粒全部为D≤0.5 mm，且速度小于4 m/s的降水颗粒，在温度区间内（〉0 ℃），判定为毛毛雨[5]。以较慢速度轻轻飘落地面的小的降雨颗粒，不打起尘土为依据。

3 数据分析和综判思路

3.1 数据分析

3.1.1 问题描述

对山东、黑龙江、辽宁、安徽采集的数据进行梳理后，结合人工记录的台站具体天气情况，如天气现象、温度、湿度等气象要素，总结了天气现象仪目前存在的主要问题，主要包括3个方面：1）毛毛雨和雨现象判定切换频繁；2）环境因素制约了设备的测量性能，例如由于设备安装处未能定期清理杂草、蚊虫活动比较频繁、测量视窗周围挂蜘蛛网、个别台站附近有加工厂导致粉尘干扰等；3）冰雹误报的问题。

3.1.2 解决办法

以哈尔滨和绥中台站数据分析为例，下面就每种问题列出典型的谱图，提出改进的办法。

1）毛毛雨和雨现象的判定切换频繁的解决办法：在软件中加入阈值自定义设定，针对不同地域、不同台站，在毛毛雨的区域划分上给出默认参考设置。具体数值由下文综合判定思路中各要素值并进行组合得到。图5是列出的多次降水过程的典型样例。

图5 毛毛雨和雨现象判定切换频繁的典型谱图Fig. 5 A typical data spectrum of phenomenological determination frequent switching for the drizzle and rain

2）环境因素制约了设备的测量性能的解决办法：图6和图7分别是蚊虫干扰和粉尘干扰时的谱数据图。这两种干扰现象对应的谱图有一个共性是颗粒在少数几个通道重复率极高，且在交叉对比同时段温度数据时会发现，温度并未随着降水现象的出现而变化，但是自然界真实降水现象发生的时候，温度都会有相应的降低。因此，改进后的算法在现象输出时，结合温度要素作滤除，以此来提高设备的抗干扰能力。

3）冰雹误报问题的解决办法：在冰雹的直径区域划分上，通过统计分析对应站点的历史数据，设置判别的阈值范围。例如在强降雨较多的地区，提高冰雹直径的判别门限，可降低冰雹的误报。图8列出了多次降水过程的典型样例。

3.2 综判思路

图6 蚊虫干扰典型谱图Fig. 6 A typical data spectrum of mosquito interference

图7 粉尘干扰典型谱图Fig. 7 A typical data spectrum of dust interference

综合判定算法，源于现行台站工作人员在依照《地面气象观测规范》进行业务观测时的实际操作办法。例如，工作人员在观测是否有降雨现象发生时，能够实时感知到当时的温度、湿度、风速、风向和能见度视程，而且人脑会依据过往积累的经验进行现象的综合判定。同理，仪器的测量区域、人眼目视所及的区域都属于观测区域，而这些都是单个设备所不具备的，这里提出的综合判定算法是将上述思路与仪器可以实现的判定要素相结合，先分析了山东省两个台站的人工观测与自动观测的对比数据（通过台站地面综合观测业务软件ISOS采集到的温度、湿度、能见度要素数据），提出要使用的综判要素和阈值，之后复用该模型对两个台站其他数据进行现象验证，验证该方法可行。

雨现象：目前设备对降雨识别较准确，可适当做一些质控。结合温度、湿度、能见度要素条件得出软件质控流程，即当温度≥-2 ℃、湿度≥50%、能见度≤20 km三个条件同时满足时，判定为雨现象。

图8 冰雹的误报典型谱图Fig. 8 A typical data spectrum of hail misstatement

图9是以山东东营台站2017年9月1日—2018年5月31日中的392 763条有效数据进行分析统计得出的雨现象的谱图。通过对比，可以发现原始谱图存在明显的干扰颗粒（红色圈选部分），且记录为雨现象为8090条，采用综合判定算法后的谱图排除了大部分干扰颗粒，这样就能提高现象判定的准确性。

毛毛雨现象：毛毛雨发生的天气条件为：湿度偏大，能见度偏低，雨滴较小，且下落速度较慢。结合这些条件，当有降水的时候，综合温度、湿度、能见度数值对毛毛雨进行质控，即当温度≥-2 ℃、湿度≥90%、能见度≤1 km三个条件同时满足时，判定为毛毛雨现象。

图10是以山东烟台站2017年5月31日—2018年5月31日中的有效数据进行分析统计得出的毛毛雨的谱图。通过对比可以发现，原始被记录为毛毛雨现象时对应的谱图存在明显的干扰颗粒（黑色圈选部分），导致误判为毛毛雨，采用综合判定算法后基本排除了干扰颗粒，这样就能提高现象判定的准确性。

雪：目前设备对降雪识别较准确，可适当做一些质控。结合温度、湿度、能见度要素条件得出软件质控流程，即当温度≤7 ℃、湿度≥50%、能见度≤20 km三个条件同时满足时，判定为雪现象。

图11是以山东东营台站2017年9月1日—2018年5月31日的有效数据进行分析统计得出的雪的谱图。通过对比可见，目前算法和引入综判算法后，现象识别准确性差别不大，故可以延续目前算法。

图9 雨现象引入综合判定算法前（a）、引入后（b）的对比谱图Fig. 9 Comparison of data spectrum of rain phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm

图10 毛毛雨现象引入综合判定算法前（a）、引入后（b）的对比谱图Fig. 10 Comparison of data spectrum of drizzle phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm

雨夹雪：雨夹雪产生的条件比较特殊，在接近0℃时会出现下降上升的反复过程。并且雨夹雪一般出现在降水中段，此时湿度明显很大。在2018年3月和4月初北方大部分地区出现两次雨夹雪，分别对北京的4台设备和辽宁、山东、安徽省份的多个台站进行了分析对比。结合温度、湿度、能见度要素条件得出软件质控流程，即当-2 ℃〈温度〈7 ℃、湿度≥80%、能见度≤20 km三个条件同时满足时，判定为雨夹雪现象。

图12是对山东烟台台站数据的分析，通过对比可以发现，原始谱图存在较多干扰颗粒，导致误判，采用综合判定算法后的谱图则基本排除了干扰颗粒，这样就能提高现象判定的准确性。

4 小结

综上所述，目前人工观测与自动观测结果不完全匹配的原因主要有以下三个方面：1）人工观测原理与仪器测量原理不一致；2）单个设备测量范围有限，且只能捕捉一个维度上粒子的参数；3）我国疆域辽阔，覆盖五种气候带而呈现出的不同地域性特点。本文通过对有代表性的台站观测数据进行分析，区分真实降水和误报降水两种现象在谱图上的细微差异，以及引入其他观测要素值进行综合判定的两种方式，来提高设备现象判定的准确性，从而提高整体自动化观测水平。

图11 山东东营雪现象引入综合判定算法前（a）、引入后（b）的对比谱图Fig. 11 Comparison of data spectrum of snow phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm

图12 山东烟台雨夹雪现象引入综合判定算法前（a）、引入后（b）的对比谱图Fig. 12 Comparison of data spectrum of sleet phenomenon before (a) and after (b) introduction of the comprehensive judgment algorithm