课题组在基于雷达的降雨能量反演领域取得研究进展：

降雨能量（E）是理解降雨对地表影响的关键参数，它涉及雨滴与地表过程的相互作用。传统的雷达技术主要关注降雨观测，但在涉及雨滴与地表过程相互作用的降雨能量方面存在研究空白。团队博士生朱净萱于2024年11月在《IEEE Transactions on Geoscience and Remote Sensing》上发表题为“DREE-RF：基于雷达的随机森林降雨能量估算模型”的研究成果。

团队利用双偏振雷达探测降雨微物理特征的能力，首次提出了一个从雷达信号直接估算E的计算模型。该模型研究了雷达双偏振参数与E之间的机制相关性，并发现特定的差分相位（KDP）和水平反射率（ZH）与E的相关性最强。因此，研究开发了基于雷达的实证回归和随机森林（RF）模型来估算E，其中RF模型又根据敏感的KDP是否可用进行细分。

结果显示，RF模型提高了估算E的准确性，与站点测量的E的皮尔逊相关系数大于或等于0.97，并且进一步验证了模型的空间扩展能力。此外，与传统回归模型（TRM）和基于雷达反演雨滴谱的回归模型（DIRM）相比，两者都低估了E估计。而RF具有更小的偏差（BIAS）和均方根误差（RMSE），以及更高的皮尔逊相关性。

此外，本研究提出的RF模型具有良好的空间外推能力，研究发现TRM高估E，DIRM低估E且误差大，RF模型表现最佳，与真实数据匹配度高。RF模型的皮尔逊相关系数和NSE值显著优于其他模型，误差指标也更低，显示了其在跨站点降雨能量估算中的优越性。

这项研究不仅增强了我们对气候变化背景下降雨过程的理解，而且在水文建模、洪水预测和农业规划等领域具有巨大的应用潜力。随着雷达技术的进步和机器学习模型的优化，我们有望在未来更精确地管理和预测与降雨相关的水资源问题。