A Study about Radar-based Quantitative Precipitation Estimation (QPE) Methods

基于雷达图像进行定量降水估计的方法主要分为以下几类：

• 物理模型：基于Z-R relation的一系列方法、插值法等
• 机器学习方法：SVM，RF, gradient boosted model(GBM), extreme learning machine(ELM)
• 深度学习方法：CNN, RNN, GCN, GCRN

论文《Dynamic ANN for precipitation estimation and forecasting from radar observations》
时间：2005
数据集：
数据来源：三个地面雨量计和雷达
数据集大小：465 volume scan ，两个验证集分别为144 volume scan， 144 volume scan
事件：1990-1996， 2004年的六次台风事件，每次大概一天
方法：
模型：RNN

Input：12 reflectivity data points
Target：hourly precipitation
指标与结果：
评价指标：RMSE, R^2， 48小时rainfall accumulations
结果：RMSE为7.12和8.81， rainfall accumulation误差基本在10%以内

论文《Assessing the Applicability of Random Forest, Stochastic Gradient Boosted Model, and Extreme Learning Machine Methods to the Quantitative Precipitation Estimation of the Radar Data: A Case Study to Gwangdeoksan Radar, South Korea, in 2018》
时间：2018
数据集：
数据来源：Locations of the Korea Meteorological Administration ground gauge stations雨量计，Gwangdeoksan (GDK) radar雷达（覆盖范围240km，有效范围100km，分辨率1km*1km， 间隔10分钟）20 个雨量计点
数据集大小：训练集3652 测试集1209
事件： 4个事件，8.28-29, 9.3， 10.5-6， 11.8

方法：
模型：RF(Random Forest), GBM(Stochastic Gradient Boosted Model), ELM(Regularized Extreme Learning Machine)
数据输入：雷达数据中的Z, DR, KD的不同组合
指标与结果：
评价指标：RMSE, COR, MAE, Mbias, RRMSE

ELM 算法表现在几个机器学习方法中表现最好。

论文《A Deep Learning Approach to Radar-Based QPE》
时间：2020
数据集：
数据来源：Radar : Quantitative Precipitation Estimation and Segregation Using Multiple Sensor (QPESUMS) Mosaic data set (Taipei 45个stations)
45个CWB weather stations的每小时降水量
数据集：训练集2013-2015，测试集2016
方法：
模型：volume-to-point framework
每小时的数据大小为 6275162（间隔为10分钟，每小时6个间隔）

指标与结果：
RMSE:1.86 mm/h(对比CWB的是1.90)

论文：《Graph Convolutional Regression Networks for Quantitative Precipitation Estimation》
时间：2020
数据集：
数据来源：Radar : China Meteorological Administration (CMA). Hangzhou 每6分钟
35 个Rain gauge Automatic Weather Station (AWS) 每分钟， 累积成6分钟 ，与rada保持一致
数据集大小：950 time steps
事件：2015 1-10月 12个event
方法：
模型：GCRN

指标与结果：
评价指标：RMSE, MAE, MedianAE, CC
结果：

总结：
数据集:一般为几次台风事件或者暴雨事件，每次持续监测一天左右。

检索到的使用深度模型的方法比较少，在近几年的文章中没有观察到直接使用如Deeplab系列等分割模型来做QPE。在这几篇中有使用volume-to-point CNN的，也有使用RNN和GCN的，但 RNN还是用于forcasting比较多。

在结果分析中，一般和Z-R模型用来做比较，评价指标基本为RMSE,都比Z-R模型的表现要好，但是由于不同数据集事件有差异，不便直接比较几种深度方法。还有一部分方法是data-driven的机器学习方法，在一些数据集上表现也比Z-R模型好，在检索中发现很多文章用到random forest等机器学习方法，但由于是主要调研深度的模型，没有太关注。