用于估算设计风暴的天气雷达数据的价值 —对汉诺威地区的分析外文翻译资料

 2022-11-17 05:11

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

用于估算设计风暴的天气雷达数据的价值

—对汉诺威地区的分析

Uwe Haberlandt和Christian Berndt

德国汉诺威莱布尼茨大学水资源管理，水文和农业水利工程研究所

通讯作者：Uwe Haberlandt（haberlandt@iww.uni-hannover.de）

发布时间：2016年5月12日

摘要：分析纯雷达降雨，台站降雨和雷达台站合并产品的极端降水频率，持续时间为5分钟至6小时，回返期为1年至30年。极端的部分持续时间序列来源于数据和概率分布的拟合。设计降雨量估算的性能是基于用于参考的观测站点的交叉验证来评估的。对于使用纯雷达数据进行预测降雨估计，采用站点位置处的像素值;对于合并产品，应用空间插值方法。结果表明，纯粹的雷达数据不适用于极值估计。同雷达降雨的常见结果相反，与观测结果相比，它们通常会得出过高的估计。另一方面，雷达和台站数据之间的合并产物往往会得出过低的估计。他们只能在更长的观测周期中得出优于观测站的结果。合格的极值估计的主要问题似乎是雷达数据质量差。

  1. 引言

规划和评估城市和农村集水区的水利结构和洪水风险管理需要设计风暴。设计风暴来自年度最大降雨量或特定持续时间阈值以上的降雨频率分析。风暴通常会在不同的持续时间和频率下压缩到特定位置的强度持续频率（IDF）曲线或深度持续频率曲线（DDF）。为了获得设计降雨的可靠估计，需要高时间分辨率的长期降水观测资料。特别是短时观测资料，往往只能在空间密度较差的情况下得到，这就要求进行区域化。最近几年，关于DDF曲线区域化的研究已经有了不同的研究（Durrans和Kirby，

2004;约翰逊等人，2016; Madsen等，2002）。此外，从更好的可用日常观测中获得短时间内的IDF曲线（Yu et al。，2004）已应用了缩放方法。

另一种方法是使用天气雷达估算设计降雨量，该设计降雨量具有很高的空间和时间分辨率，或者至少可以将其用作区域化的附加信息。同时，许多运行雷达仪器的观测时间长达10年，这意味着要分析其估算设计降雨量的好处。雷达数据产生的降雨通常有偏差，需要进行某种修正，这可以通过调整雷达数据（Krajewski和Smith，2002）或合并雷达数据和观测数据（Berndt等，2014）解决。到目前为止，只有少数调查利用雷达降雨进行极值分析。 Marra和Morin（2015）使用23年的雷达记录来估计以色列不同气候带的IDF曲线。他们发现，与规范数据相比，基于雷达的降雨极值普遍被高估，但有70％的情况在由雨量计得出的IDF的不确定范围内。 Eldardiry等人（2015）分析了不同因素对设计风暴评估不确定性的贡献。他们利用美国路易斯安那州NEXRAD雷达网络的13年数据集，发现由于雷达产品的条件偏差，雷达数据低估了观测到的基于IDF的曲线。他们还发现IDF曲线的区域估计，例如使用指数洪水法，与现场估算相比，显著降低了不确定性。（2009年）在荷兰使用11年雷达数据集进行极值分析。他们发现，如果应用区域频率分析，雷达数据适合估计DDF曲线。然而，由于样本较短，事件的空间相关性较强，估计持续时间较长的风暴的不确定性变大。

在当前的研究中，比较了不同的区域化方法，以估计在利用和不利用雷达信息的情况下来自插值降雨产品的DDF曲线。与仅使用基于规范的降雨数据相比，这应该能够提供关于雷达数据在DDF曲线的现场估计方面的真正益处的见解。

  1. 方法
    1. 雷达数据预处理

雷达数据预处理根据Berndt et al。（2014）。 下面简要总结这些步骤：（1）利用标准的Z - R关系将5分钟分辨率下的原始雷达反射率转换为降雨强度; （2）应用简单的统计杂波校正方法; （3）数据在1kmtimes;1km的网格上插值; （4）在该网格上应用空时滤波器进行平滑处理; （5）考虑到雨量计和雷达数据之间标准误差的累积分布函数，删除了异常值。 此外，采用了不同的雷达数据调整方法来测量数据，这些方法与下面的插值方法一起描述。

    1. 未观测地点的降雨估计

连续5分钟降水时间序列是针对观测降雨可用的一组地点估算的，但是在估算程序中没有使用目标地点的观测资料; 即执行交叉验证。 因此，假设观测值无误差，估计方法的实际验证是可能的。 以下方法用于降雨数据集的估计/插值：

1. REF - 这代表观测的参考降雨时间序列，不加修改即可采用。

2. NN - 使用记录降雨站进行最近邻插值。

3. OK - 普通克里格法应用于m个最近的周边降雨站。

4. Radar - 如上所述的预处理雷达数据是从最近的1公里times;1公里的像素中提取出来的，不需要进一步调整。

5. RadarADJ - 雷达数据通过使用更密集的非记录站网络的日降雨量进行调整。

6. CM - 条件合并插值（Sinclair和Pegram，2005）是通过使用来自记录站的数据和未经调整的雷达数据（雷达）应用的。

CMADJ - 使用来自记录站和雷达的数据（RadarADJ）应用条件合并插值。

对于绩效评估，使用相对偏差

和相对均方根误差，

和y分别是估计和观测的设计风暴分位数，S和R分别是电台数和回报周期数。 对于不同的风暴持续时间D，分别进行计算。

    1. 极值分析

极值分析的基础是从上面列出的插值方法获得的5分钟时间序列。 极值分析是根据德国设计风暴评估标准（DWA-M-531,2012）进行的。部分持续时间序列（PDS）的样本量为D = 5,10,15,30,60,120,240,360,720,1440分钟的持续时间的约数的e倍。 最小干燥持续时间Min [4 h，D]用于保证风暴的独立性。 指数概率分布适合每个持续时间的PDS。 最后，在整个持续时间内对分布参数进行平滑处理，以便在没有跳跃的情况下对DDF曲线进行一致的估计（参见DWA-M-531,2012）。

  1. 研究领域和数据

研究区是汉诺威机场气象雷达半径为128公里的雷达距离（见图1）。在南部的哈尔茨山脉，该地区海拔高度从北部大部分平坦部分增加到1141 m a.s.l.。 年平均降水量在500-1700毫米/年之间变化。 雷达数据可用于2000年至2012年（13年）。 雷达数据预处理按照Sect.2.1。 已经选择了8个记录参考站，对DDF曲线进行了验证。 此外，在研究区域内插值有46个记录站和512个非记录站，但时间覆盖范围很大。 对于所有台站而言，与雷达观测相同的13年时间内是使用过的。

图1.具有地形，雷达圈和降雨站的研究区域。

  1. 结果

作为一个起点，用不同的插值方法估算年平均降水量。图2显示了使用不同方法对8个参考站平均13年平均年降水量的比较。 这两种不使用雷达数据，NN和OK的方法提供了几乎没有偏差的内插时间序列。 采用纯雷达进行估算会导致显著的低估，这是雷达降雨量与台站值之间比较的典型特征。 当雷达数据根据日常站点的降雨量进行调整时，年度值的偏差将被删除。 插值使用有条件合并雷达数据（CM）和调整雷达数据（CMADJ），分别导致略高估。

图2. 2000年至2012年期间5分钟内插降雨序列的平均年降雨量在8个参考站平均。

图3. 8个参考站和8个返回周期的平均相对偏差（T = 1,2,3,5,10,20,25,33年）。

图4显示了从不同方法获得的相对均方根误差的比较，再次对8个参考站和8个返回期的平均值进行了平均。 使用纯雷达数据（雷达）会产生最大误差，然后是仅使用记录站的“确定”。 应用简单最近邻技术（NN）进行插值时发现总体最小误差。 当使用条件合并（CM）时获得第二小的误差，其仅在更长的持续时间内才能胜过NN方法。 每日调整的方法RadarADJ和CMADJ在降雨持续时间短的情况下仍然具有相当高的误差。

在图5中，示例性地估计了降雨站汉诺威DDF曲线的回报周期T = 1,5,10和20年。 纯雷达DDF仅在T = 1年内可见，并且在其他返回期间的x轴范围之外。 这再次表明如果使用纯粹的雷达数据来估计极值，那么估计过高。 估计DDF曲线的误差随着回报周期的增加而增加。 基于OK的DDF曲线再次显示出显着的低估。 汉诺威站的最佳方法是CMADJ。 如图4所示，各站之间平均性能的最佳方法各不相同。

  1. 总结和结论

本研究调查了雷达数据对设计降雨量估算的益处。 在记录的降雨站，雷达数据和合并产品的5分钟时间序列上应用不同的插值方法。 内插数据集用于极值分析，估计性能是基于观察结果进行评估的。 该分析的结果和结论可概括如下：

– 使用纯雷达数据会导致DDF曲线的高估。 这可能是由于天气雷达的测量误差造成的，这在预处理过程中无法检测和纠正。

  • 最邻近方法提供了最好的结果。 这部分是由于这种方法的不平滑特性以及由于记录降雨站足够密集的网络所致。
  • 雷达测量仪合并方法显着降低了误差，但最好只在很长的时间内完成。 然而，它们都提供了负偏差，这可以通过插值方法的平滑效应来解释。
  • 由于这些平滑效应，导致普通的克里格法对设计风暴的严重低估。当需要进行极值分析时，不能推荐这种方法。

图5. Hannover站的深度持续时间频率曲线（图1中的id 1538），四个选定的返回周期T = 1,2,10,20年。

总体而言，结果表明，以这种方式使用雷达数据不会有利于设计降雨量的估算，尽管这对其他研究区域和雷达仪器可能会有所不同。 无论如何，为了改进，有必要更好地纠正雷达数据的错误。 使用与指数洪水法相似的方法对极端降雨进行区域频率分析可能会导致更好的结果。此外，首先在局部估计极值分布，然后在空间中插值参数的过程可能更好地避免负偏差。

参考文献

[1] Berndt，C.，Rabiei，E .和Haberlandt，U .:用于高时间分辨率和各种台站密度场景的雨量计和雷达数据的地统计合并，J. Hydrol.，508,88-101,2014。

[2] Durrans，S.R。和Kirby，J.T .:阿拉巴马降雨地图集的极端降水估计区域化，J. Hydrol。295,101-107,2004。

[3] DWA-M-531：小册子：依赖于返回时间和持续时间的强降雨，德国水，废水和废物协会e. V.，Hennef，2012年。

[4] Eldardiry，H.，Habib，E.和Zhang，Y .:关于使用雷达定量降水估计进行降水频率分析，第2部分，J. Hydrol。，531,441-453,2015。

[5] Johnson，F.，Hutchinson，M. F.，The，C.，Beesley，C.，and Green，J.: 澳大利亚设计降雨的地形关系，J.Hydrol .，533,439-451,2016。

[6] Krajewski，W.F.和Smith，J.A.:Radar Hydrology：降雨估计，Adv。水资源。25,1387-1394,2002

[7] Madsen，H.，Mikkelsen，P. S.，Rosbjerg，D。和Harremoeuml;s，P .:使用广义最小二乘回归的局部持续时间序列统计的降雨强度 - 持续时间 - 频率曲线的区域估计。 Res.，38,1239，doi：10.1029 / 2001WR001125,2002。

[8] Marra，F.和Morin，E .:使用雷达QPE在一系列气候体制中推导强度 - 持续 - 频率曲线，第2部分，J. Hydrol.，531,427-440,2015。

[9] Overeem，A.，Buishand，T.A.和Holleman，I .:极端降雨分析和使用天气雷达的水深测量频率曲线。 Res.，45，W10424，doi：10.1029 / 2009wr007869,2009。

[10] Sinclair，S.和Pegram，G .:利用条件合并Atmos，将雷达和雨量计降雨量估算结合起来。Atmos. Sci. Lett.，6，19-22,2005。

[11] Yu，P.-S.，Yang，T.-C.和Lin，C.-S .:基于降水缩放特性的区域降雨强度公式，J. Hydrol.，295,108-123,2004。

致谢

我们感谢德国气象局（DWD）提供的降水和雷达数据

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24603]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章