课题组在雨滴尺寸分布估算领域取得研究进展：

作为降雨估算的一个关键组成部分，雨滴尺寸分布（DSD）研究是气象学和水文学关注的热点。天气雷达可以观测空间大尺度的降水微物理过程，因此被广泛应用于DSD估算研究。传统的多项式回归算法将 DSD 参数与雷达特征相关联，由于其结构简单、精度可接受，目前仍被广泛应用。然而，回归方法对应用场景有所限制，目前对其关系外推及时空预测的理解还不够充分，在大尺度应用上存在极大不确定性。针对该问题，团队朱净萱博士于2024年9月在《Atmospheric Research》上发表题为“基于神经网络的极化雷达雨滴谱反演方法”的研究成果。

长短时记忆（LSTM）网络是处理序列建模中梯度消失问题和程度记忆的扩展系统，它能有效地处理重要事件之间存在显著时间滞后的时间序列数据，为雷达反演DSD参数提供了一种新思路。本研究基于LSTM网络技术，利用双偏振雷达观测数据提出了一种新的 DSD检索方法，即在双偏振雷达测量输入的不同组合下，提出了三种能够检索归一化伽马DSD参数的方案，分别是LSTM-D0、LSTM-Nw 和 LSTM-μ。与多项式回归方法相比，所有LSTM估计器都表现出更好的性能。

结果表示，在英国Chilbolton站，估计雨滴中值直径（D0）和截距参数（Nw）的纳什效率系数分别从0.93和0.70增加到0.95和0.93，对形状参数（μ）的估算表现更是大大提升。此外，本研究对时间和空间可预测性进行估算，D0、Nw和μ，以纳什系数衡量的可预测性在时间上分别增加了 0.08、0.31 和 0.39，在空间上分别增加了 0.03、0.19 和 0.23。这项研究有助于提高雷达极化测量对降水量的定量估计，从而更好地理解降水微物理过程。