田濟(jì)揚(yáng)，劉含影，劉榮華，丁留謙，劉 宇

（1．中國水利水電科學(xué)研究院，北京 100038；2．水利部防洪抗旱減災(zāi)工程技術(shù)研究中心，北京 100038）

1 研究背景

降雨監(jiān)測是水文監(jiān)測的重要組成部分，是暴雨洪水災(zāi)害防御工作的耳目和參謀[1-2]。21世紀(jì)以來，水利部門加大了對自動監(jiān)測站建設(shè)的支持力度，特別是經(jīng)過山洪災(zāi)害防治項(xiàng)目建設(shè)，全國山洪災(zāi)害自動監(jiān)測站點(diǎn)達(dá)13．2萬個，自動雨量站網(wǎng)平均密度為38 km2/站，是2006年（6000站）的22倍，最小報(bào)汛時段縮短到10 min，數(shù)據(jù)信息量增加100余倍，極大地縮小了降雨監(jiān)測盲區(qū)，有力支撐了水旱災(zāi)害防御工作[3-5]。但由于部分測站建設(shè)標(biāo)準(zhǔn)偏低，位于山丘區(qū)的測站運(yùn)維困難，數(shù)據(jù)質(zhì)量難以得到保障，常常出現(xiàn)冒大數(shù)、缺測、漏測等情況，且測站出現(xiàn)問題具有很強(qiáng)的隨機(jī)性，完全拋棄某一測站不切實(shí)際。

為使所有測站的監(jiān)測數(shù)據(jù)得到有效利用，需從眾多雨量監(jiān)測站中找出不同時段內(nèi)監(jiān)測數(shù)據(jù)準(zhǔn)確的站點(diǎn)，剔除數(shù)據(jù)質(zhì)量存在問題的站點(diǎn)。目前常用的異常站點(diǎn)識別方法有Hampel法、肖維勒準(zhǔn)則、格拉布斯準(zhǔn)則、K-medoids聚類法、離群點(diǎn)監(jiān)測等。Person等[6]提出了Hampel過濾方法，用中位數(shù)和中位絕對偏差代替對異常點(diǎn)敏感的平均數(shù)和標(biāo)準(zhǔn)差，使異常數(shù)據(jù)處理更有效。肖維勒準(zhǔn)則的置信概率偏低，且概率分布不均勻，對異常數(shù)據(jù)的剔除存在誤判的可能性[7]。格拉布斯準(zhǔn)則適用于樣本數(shù)量在[3，100]區(qū)間的異常數(shù)據(jù)判別[8]。在逐時雨量異常數(shù)據(jù)判別時，聚類分析契合了逐時降雨數(shù)據(jù)量大且變異性強(qiáng)的特點(diǎn)，但數(shù)據(jù)離散程度較大且區(qū)段劃分具有極強(qiáng)的主觀性[9]。離群點(diǎn)檢測的優(yōu)點(diǎn)是無需知道數(shù)據(jù)集的分布模型和分布參數(shù)，適用于存在某種距離度量手段的任何維度特征空間，其缺點(diǎn)是需要進(jìn)行大量的距離計(jì)算與比較，對計(jì)算資源要求高[10]。

業(yè)務(wù)應(yīng)用對異常站點(diǎn)識別方法的高效性、穩(wěn)定性和可靠性均提出很高的要求。本文以福建全省雨量監(jiān)測站為例，基于Hampel法、格拉布斯準(zhǔn)則及周邊測站法等方法建立起遞進(jìn)式異常站點(diǎn)篩查體系，并引入K-d tree（K-dimension tree）高級數(shù)據(jù)結(jié)構(gòu)和并行計(jì)算提高計(jì)算效率，以期為異常站點(diǎn)的快速識別、控制雨量監(jiān)測數(shù)據(jù)質(zhì)量提供參考。

2 研究區(qū)與數(shù)據(jù)

福建省位于我國東南沿海，山丘區(qū)面積占80%以上，且氣象條件復(fù)雜多變，受臺風(fēng)影響較大，暴雨洪澇災(zāi)害頻發(fā)[5]。為有效應(yīng)對強(qiáng)降水及其可能帶來的洪澇災(zāi)害，福建在全省范圍內(nèi)建設(shè)了大量的雨量監(jiān)測站，站網(wǎng)密度達(dá)到25 km2/站，居全國前列。研究選用雨量監(jiān)測站的數(shù)據(jù)來源于福建省水利廳。按照2020年的統(tǒng)計(jì)數(shù)據(jù)，福建全省發(fā)揮雨量監(jiān)測作用的各類雨量監(jiān)測站5234個，其中雨量站、河道水文站、水庫水文站、河道水位站個數(shù)分別為3268、119、1176、671，測站分布如圖1所示。氣象部門雨量監(jiān)測站報(bào)訊時間間隔為10 min，其余各類測站報(bào)訊時間間隔多為1 h。為便于異常站點(diǎn)識別，研究采用的雨量監(jiān)測數(shù)據(jù)時間間隔統(tǒng)一為1 h。自2010年山洪災(zāi)害防治項(xiàng)目實(shí)施以來，福建省雨量監(jiān)測站數(shù)量迅速增加，至2015年數(shù)量基本穩(wěn)定，后續(xù)每年仍有新建測站，但數(shù)量較少，大部分為更新改造。因此，研究選用福建全省雨量監(jiān)測站降雨數(shù)據(jù)的時間序列為2015—2020年。

圖1 福建省地形及站點(diǎn)分布圖

3 異常站點(diǎn)識別方法

遞進(jìn)式異常站點(diǎn)篩查體系由初步判定基準(zhǔn)站、周邊測站分析和雷達(dá)輔助校驗(yàn)三部分構(gòu)成（見圖2）。首先，基于長序列降雨觀測資料初步判定基準(zhǔn)站，采用Hampel法和改進(jìn)的格拉布斯準(zhǔn)則初步篩選出雨量監(jiān)測較為穩(wěn)定、數(shù)據(jù)質(zhì)量相對較高的測站，稱為基準(zhǔn)站，并剔除存在明顯問題的測站；再以初步篩選出的基準(zhǔn)站為基準(zhǔn)，采用周邊測站分析法對逐小時的降雨監(jiān)測數(shù)據(jù)進(jìn)行異常識別；最后通過雷達(dá)輔助校驗(yàn)，對篩選出的異常站點(diǎn)做進(jìn)一步驗(yàn)證。

圖2 異常識別方法流程圖

3．1 初步判定基準(zhǔn)站

3．1．1 Hampel法 Hampel法可用于異常極端值的判別，其基本原理是對給定的數(shù)據(jù)集假設(shè)一個分布和概率模型，然后根據(jù)假設(shè)采用不一致檢驗(yàn)對數(shù)據(jù)系列進(jìn)行處理[11-13]?；陂L序列測站的年雨量值，利用Hampel法對單一測站監(jiān)測數(shù)據(jù)的異常年份進(jìn)行識別，方法如下：

式中：Xi為數(shù)據(jù)序列X中的某一值；Median為X的中位數(shù)；MAD（median absolute deviation）為數(shù)據(jù)集Y的中位數(shù)；X＝｛x1，x2，…，xn｝，是測站年降雨量數(shù)據(jù)序列；Y＝｛y1，y2，…，yn｝＝｛x1-Median，x2-Median，…，xn-Median｝。當(dāng) Zi（i＝1，2，…，n）值大于 2．24時，則判定 Xi為異常點(diǎn)，i為該測站的異常年份[14]。但考慮到大量測站建設(shè)年代較近，數(shù)據(jù)序列較短，僅通過Hampel法從時間維度上判定測站監(jiān)測數(shù)據(jù)的異常年份，可靠性還不夠。

3．1．2 改進(jìn)的格拉布斯準(zhǔn)則 格拉布斯準(zhǔn)則適用于測量次數(shù)較少的情況（3≤n＜100），可一次性求出多個異常值。其基本原理是判斷可疑值取舍的過程中，將正態(tài)分布中平均值和方差這兩個最重要的參數(shù)引進(jìn)來，提高判斷的準(zhǔn)確性[15-17]?？紤]到本文單站年累積雨量的時間序列較短，為了提高異常值判定的準(zhǔn)確性，需借助周邊測站從空間維度再做判斷，格拉布斯準(zhǔn)則判別法較為適用。改進(jìn)的格拉布斯準(zhǔn)則是將原準(zhǔn)則公式中的平均值用中位數(shù)代替，可有效消除同側(cè)異常值的屏蔽效應(yīng)，更為穩(wěn)健[18]。具體方法如下。

先將通過Hampel法初步判定為某年異常的測站選出，在其周圍以20 km為半徑劃定區(qū)域，區(qū)域內(nèi)測站約50個左右，區(qū)域內(nèi)所有站點(diǎn)的年雨量值構(gòu)成樣本，通過從小至大排序?yàn)闃颖拘蛄蠿＝（x1，x2，…，xn），統(tǒng)計(jì)臨界系數(shù) G（a，n）的值G0（查臨界值表獲得），a為顯著性水平，本文取 a為0．05，并計(jì)算 G1、Gn：

式中：n為測站數(shù)量；X中為樣本中位數(shù)；σ為標(biāo)準(zhǔn)差。

若 G1≥Gn且G1＞G0，則判定x1為異常值并予以剔除；若Gn≥G1且Gn＞G0，則xn為異常值并予以剔除；若G1＜G0且Gn＜G0，則不存在異常值。若存在異常值，則剔除之后用剩余站點(diǎn)的年雨量值重新計(jì)算，重復(fù)上述步驟，直到無異常值為止。

為提高計(jì)算效率，縮短判斷待評估測站與周邊站點(diǎn)距離關(guān)系時程序的運(yùn)行時長，在使用格拉布斯準(zhǔn)則對疑似異常站點(diǎn)進(jìn)行判斷時，根據(jù)面積、測站分布、降雨空間分布情況等因素，將福建省分為7個區(qū)域，程序在查找20 km范圍內(nèi)測站時，僅在其中一個區(qū)域內(nèi)查找[19-20]。已經(jīng)判斷為異常的測站在后續(xù)判別待測站時不作為周邊測站參與比較，減少部分異常值對判別效果的不良影響。通過Hampel法和格拉布斯準(zhǔn)則共同判斷后，則完成基準(zhǔn)站初步判定。

3．2 周邊測站分析采用周邊測站分析時，優(yōu)先選用基準(zhǔn)站與待評估測站進(jìn)行同時段雨量比較，基準(zhǔn)站距離較遠(yuǎn)的（超過某一閾值），則選用距離待評估測站較近且經(jīng)基準(zhǔn)站評估后已確定為正常站點(diǎn)的非基準(zhǔn)站，與待評估測站進(jìn)行同時段雨量比較。為了避免初步確定的基準(zhǔn)站在某一時刻降雨監(jiān)測出現(xiàn)問題，在采用基準(zhǔn)站評估待評估測站時，待評估測站也包括基準(zhǔn)站。通過比較待評估測站雨量與同時段周邊基準(zhǔn)站（或已評估合格的非基準(zhǔn)站）的平均雨量，判斷待評估測站是否異常。周邊測站分析僅對1 h（或3 h、6 h）雨量超過10 mm、12 h雨量超過15 mm、24 h雨量超過25 mm的測站進(jìn)行評估。評估時分別比較待測站不同時間段（1 h、3 h、6 h、12 h、24 h）雨量值與周邊站點(diǎn)相應(yīng)時段的平均雨量值，當(dāng)雨量值相差超過一個等級時，則判定為異常站點(diǎn)。參考?xì)庀蟛块T對降雨等級的劃分規(guī)范，結(jié)合福建省的降雨特點(diǎn)，將雨量等級劃分如表1所示。

表1 雨量等級表

為選取合適的評估范圍，計(jì)算距離待評估測站5 km、10 km、15 km、20 km、25 km、30 km時，待評估測站的周邊站點(diǎn)平均數(shù)量分別為4個、13個、30個、50個、78個、115個，分析了距離選取對異常站點(diǎn)識別準(zhǔn)確率及計(jì)算時長的影響，具體見圖3?？紤]到福建省雨量監(jiān)測站網(wǎng)密度約為25 km2/站，且準(zhǔn)確率在15 km時達(dá)到最大，計(jì)算時長相對適中，故采用周邊測站分析時，分析范圍的半徑設(shè)為15 km，分析范圍內(nèi)站點(diǎn)平均數(shù)量30個。

圖3 距離與計(jì)算時長/準(zhǔn)確率的對應(yīng)關(guān)系

3．3 雷達(dá)輔助校驗(yàn)經(jīng)過基準(zhǔn)站初步判定和周邊測站分析后，已完成異常站點(diǎn)的篩查，但人工校驗(yàn)時發(fā)現(xiàn)，雨區(qū)與非雨區(qū)邊界、雨強(qiáng)差異較大的雨區(qū)邊界處，報(bào)訊正常的測站也容易被誤認(rèn)為異常站點(diǎn)，因此仍需進(jìn)一步驗(yàn)證篩查結(jié)果。盡管雷達(dá)降雨反演的精度受反演算法等因素的影響大，但利用雷達(dá)反射率仍能有效判定雷達(dá)探測覆蓋范圍是否產(chǎn)生降雨或判斷降雨量級，能夠充分反映某一時段降雨的空間分布特征[21-23]。雷達(dá)輔助校驗(yàn)方法包括：一是利用雷達(dá)低層仰角反射率超過20 dBZ閾值時即發(fā)生降雨的條件，驗(yàn)證雨區(qū)與非雨區(qū)邊界處測站判定結(jié)果；二是通過雷達(dá)基數(shù)據(jù)反演降雨強(qiáng)度，并與測站降雨量級進(jìn)行對比，驗(yàn)證測站是否異常；三是通過反射率的空間變化梯度，驗(yàn)證雨強(qiáng)差異較大的雨區(qū)邊界處測站的判定結(jié)果。

3．4 大規(guī)模降雨監(jiān)測數(shù)據(jù)處理算法福建省雨量監(jiān)測站數(shù)量多、密度大。為了能夠達(dá)到實(shí)時計(jì)算并判斷異常站點(diǎn)的目的，研究采用K-d tree高級數(shù)據(jù)結(jié)構(gòu)和并行計(jì)算方法，大幅提高計(jì)算效率。經(jīng)測試，全省站點(diǎn)進(jìn)行一次異常識別，計(jì)算時長約5～8 min。

3．4．1 K-d tree高級數(shù)據(jù)結(jié)構(gòu) K-d tree高級數(shù)據(jù)結(jié)構(gòu)主要用于優(yōu)化一定范圍內(nèi)周邊站點(diǎn)的篩選過程。K-d tree是對數(shù)據(jù)點(diǎn)在 k維空間（如二維（x，y），三維（x，y，z），k維（x，y，z，…））中劃分的一種數(shù)據(jù)結(jié)構(gòu)。為了能有效的找到最近鄰，K-d tree將整個空間劃分為幾個小部分，且K-d tree索引的空間劃分不會出現(xiàn)區(qū)域重疊現(xiàn)象，更適合作為計(jì)算環(huán)境中的上層全局索引，從而在多維查詢過程中快速發(fā)現(xiàn)包含查詢結(jié)果的局部數(shù)據(jù)節(jié)點(diǎn)[24-25]。

3．4．2 并行計(jì)算 針對多個測站同時進(jìn)行異常值識別這一問題，研究采用 CUDA（Compute Unified Device Architecture）平臺，使用支持CUDA的GPU（Graphics Processing Unit）進(jìn)行并行編程，與傳統(tǒng)的GPU相比，CUDA的GPU能獲得相比同期CPU（Central Processing Unit）高幾倍乃至十幾倍的提速，大幅縮短計(jì)算時長[26-29]。該方法是對多個獨(dú)立站點(diǎn)同時進(jìn)行異常識別，把來自不同站點(diǎn)的指令在不同的處理器上同時執(zhí)行，提高計(jì)算效率[30]。Hampel法和格拉布斯準(zhǔn)則所用數(shù)據(jù)為年尺度，不進(jìn)行實(shí)時計(jì)算，計(jì)算量相對較小，對計(jì)算的時效性要求不高，僅在格拉布斯準(zhǔn)則法分區(qū)計(jì)算時采用并行算法。周邊測站法所用數(shù)據(jù)為逐小時降雨數(shù)據(jù)，數(shù)據(jù)量大且需要實(shí)時計(jì)算，對計(jì)算的時效性要求很高，因此周邊測站法全程采用并行計(jì)算將不同站點(diǎn)分配到不同的處理器進(jìn)行同時計(jì)算。雷達(dá)輔助校驗(yàn)的計(jì)算量取決于篩查出的異常站點(diǎn)數(shù)量，盡管時效性要求高，但計(jì)算量較小，未采用并行計(jì)算。

目前福建全省發(fā)揮雨量監(jiān)測作用的各類雨量監(jiān)測站5234個，某一時刻站點(diǎn)降雨數(shù)據(jù)量最多有5234條，以計(jì)算量最大的周邊測站分析法為例，按分析范圍15 km計(jì)，某一待檢測站周邊站點(diǎn)降雨數(shù)據(jù)約30條，采用支持CUDA的GPU并行計(jì)算可將計(jì)算時長控制在5～8 min。

4 結(jié)果分析

4．1 基準(zhǔn)站初步判定結(jié)果經(jīng)過Hampel法和格拉布斯準(zhǔn)則判別法對2015—2020年異常站點(diǎn)進(jìn)行判定發(fā)現(xiàn)，2015年的異常站點(diǎn)數(shù)量最多，占比11．5%，之后異常站點(diǎn)逐年減少，至2020年，異常站點(diǎn)數(shù)量占比僅5．18%。主要原因是汛后逐年加強(qiáng)了測站的運(yùn)行維護(hù)，測站監(jiān)測數(shù)據(jù)的質(zhì)量有所提升。異常站點(diǎn)中雨量站、水庫站的比例偏高，2015—2020年雨量站異常站點(diǎn)在所有異常站點(diǎn)中的占比分別為42．83%、44．13%、48．25%、47．83%、50．84%、47．97%，水庫水文站異常站點(diǎn)在所有異常站點(diǎn)中的占比分別為 35．33%、35．20%、31．88%、29．83%、25．18%、34．69%。分析計(jì)算 2015—2020年每年各類異常站點(diǎn)在全省相應(yīng)類型站點(diǎn)中的占比，發(fā)現(xiàn)水庫水文站、河道水位站的占比更高，各類異常站點(diǎn)的空間分布情況見圖5，異常站點(diǎn)數(shù)量及占比見圖6。為檢驗(yàn)基準(zhǔn)站初步判定結(jié)果，將2015—2020年每年判定的異常站點(diǎn)與實(shí)際異常站點(diǎn)進(jìn)行對比，基準(zhǔn)站判定的準(zhǔn)確率為95．4%，詳見表2，其中異常站點(diǎn)的類型主要有三種：一是年降雨總量為0的站點(diǎn)（站點(diǎn)不報(bào)數(shù)）；二是年降雨總量遠(yuǎn)小于周邊測站的站點(diǎn)（站點(diǎn)年內(nèi)長時期不報(bào)數(shù)）；三是年降雨總量極大且遠(yuǎn)高于周邊測站的站點(diǎn)。典型實(shí)例如圖7所示。

表2 判定異常站和實(shí)際異常站點(diǎn)數(shù)量 （單位：個）

圖5 2015—2020年異常站點(diǎn)分布圖

圖6 2015—2020年異常站點(diǎn)數(shù)量及占比情況

圖7 異常站點(diǎn)類型

4．2 基于周邊測站分析的異常站點(diǎn)識別結(jié)果由于每年的基準(zhǔn)站會發(fā)生一定的變化，因此在周邊測站分析時取前一年的基準(zhǔn)站為基準(zhǔn)開展周邊測站分析，如對2017年逐小時降雨數(shù)據(jù)進(jìn)行異常識別時，選取基于2016年降雨資料判定的基準(zhǔn)站。分別選取2016—2020年每年的6月、7月和8月的1日8點(diǎn)、10日14點(diǎn)、30日20點(diǎn)的異常值識別結(jié)果進(jìn)行人工驗(yàn)證，異常識別正確率絕大多數(shù)超過了90%（見表3）。為進(jìn)一步驗(yàn)證方法的可用性，以2021年6月27—28日福建全省的雨量監(jiān)測站進(jìn)行了異常站點(diǎn)實(shí)時判別，結(jié)果如圖8和圖9所示。

圖8 6月27日、28日4個時刻異常站點(diǎn)分布情況

圖9 6月27日、28日4個時刻異常站點(diǎn)數(shù)量及占比情況

表3 雨量異常值識別正確率 （單位：%）

通過周邊測站分析法對2021年6月27日和28日的逐小時降雨數(shù)據(jù)進(jìn)行判定并選取共計(jì)8個時刻的結(jié)果進(jìn)行統(tǒng)計(jì)分析。結(jié)果表明6月28日15∶00的異常站點(diǎn)數(shù)量最多，占全省站點(diǎn)的11．6%，6月27日3∶00的異常站點(diǎn)數(shù)量最少，占全省站點(diǎn)的3．8%，6月27日和28日21點(diǎn)的異常站點(diǎn)數(shù)量均較多，主要原因是福建全省在6月 27日19∶00—21∶00和6月 28日9∶00—15∶00降雨范圍較廣，報(bào)訊站較多，更容易發(fā)現(xiàn)異常站點(diǎn)。對于不同類型測站，雨量站異常站點(diǎn)占全部異常站點(diǎn)比例依然最大，其次是水庫水文站、河道水位站，占比最小的是河道水文站，各類異常雨量監(jiān)測站的數(shù)量情況見圖9（a）。分析計(jì)算8個時刻各類異常站點(diǎn)在全省相應(yīng)類型站點(diǎn)中的占比，發(fā)現(xiàn)雨量站、河道水文站的占比相對較高，具體情況見圖9（b）。

經(jīng)周邊測站分析法檢測出的異常站點(diǎn)主要分為三類：一是實(shí)際發(fā)生降雨但未報(bào)數(shù)（降雨值為0）的站點(diǎn)；二是雨量值明顯小于周邊測站的站點(diǎn)；三是降雨值極大且明顯高于周邊測站的站點(diǎn)（冒大數(shù)）。在三類異常站點(diǎn)中，處于不同等級降雨區(qū)域分界處的站點(diǎn)較難識別，典型實(shí)例如圖10所示。

圖10 異常站點(diǎn)類型

4．3 異常站點(diǎn)識別結(jié)果校驗(yàn)與準(zhǔn)確率經(jīng)過基準(zhǔn)站初步判定和周邊測站分析后，已初步完成異常站點(diǎn)的篩查，但人工校驗(yàn)時發(fā)現(xiàn)，處于雨區(qū)與非雨區(qū)邊界、雨強(qiáng)差異較大的雨區(qū)邊界的正常站點(diǎn)也容易被判定為異常值，因此仍需借助雷達(dá)反射率進(jìn)一步驗(yàn)證。在2021年6月28日11點(diǎn)的異常結(jié)果中選取屬于這類情況的4個站點(diǎn)，將站點(diǎn)雨量圖與雷達(dá)回波圖疊加進(jìn)行人工判斷，具體情況見圖11。盡管通過上述方法將該4個站點(diǎn)判定為異常，但經(jīng)過雷達(dá)回波圖校驗(yàn)發(fā)現(xiàn)，10∶00—11∶00，川里村站1 h雨量為0．4 mm，光澤西關(guān)站1 h雨量為1．5 mm，楓林村站1 h雨量為0．5 mm，王村站1h雨量為22．2 mm。10∶00—11∶00每間隔6 m in完成一次提掃并獲得一次雷達(dá)反射率，計(jì)算1 h內(nèi)4個站點(diǎn)位置處對應(yīng)的雷達(dá)反射率均值分別為14 dBz、25 dBz、27 dBz、20 dBz。對比雷達(dá)反射率和站點(diǎn)小時雨量可知，川里村站、光澤西關(guān)站無異常，楓林村站的雨量值偏小，而王村站的雨量值偏大。

圖11 異常站點(diǎn)識別結(jié)果校驗(yàn)

考慮到福建全省在6月27日19∶00—21∶00和6月28日09∶00—15∶00降雨范圍較廣，報(bào)訊站較多，所以選擇如下6個時刻的異常結(jié)果進(jìn)行雷達(dá)回波的校驗(yàn)，具體情況如下表4所示。雷達(dá)校驗(yàn)前異常識別結(jié)果的平均準(zhǔn)確率為89%，經(jīng)雷達(dá)校驗(yàn)后平均準(zhǔn)確率提升至95%，這表明雷達(dá)輔助校驗(yàn)方法非常適用于應(yīng)對處于雨區(qū)與非雨區(qū)邊界、雨強(qiáng)差異較大的雨區(qū)邊界的正常站點(diǎn)被錯誤判斷為異常站點(diǎn)的情況。

表4 6個時刻雷達(dá)校驗(yàn)前后福建省雨量監(jiān)測站異常識別結(jié)果準(zhǔn)確率 （單位：%）

5 結(jié)論

本研究利用福建省5234個雨量站2015—2021年實(shí)測降雨資料，基于Hampel法、格拉布斯準(zhǔn)則、周邊測站分析法和雷達(dá)輔助校驗(yàn)等方法構(gòu)建了遞進(jìn)式異常站點(diǎn)篩查體系，對降雨監(jiān)測數(shù)據(jù)進(jìn)行了異常識別。主要結(jié)論如下：

（1）基于測站年累積雨量，采用Hampel法和格拉布斯準(zhǔn)則對異常站點(diǎn)進(jìn)行識別，結(jié)果表明異常站點(diǎn)類型主要有測站全年不報(bào)數(shù)、測站年內(nèi)長時期不報(bào)數(shù)、年降雨總量遠(yuǎn)高于周邊測站3類。在2015—2020年，福建省雨量監(jiān)測站數(shù)據(jù)質(zhì)量不斷提升，異常站點(diǎn)數(shù)量逐年減少。其中，2015年異常站點(diǎn)數(shù)量最多，占比為11．5%；2020年異常站點(diǎn)數(shù)量最少，占比為5．18%。此外，福建省內(nèi)雨量站和水庫數(shù)量較其他類型站點(diǎn)明顯偏多，異常站點(diǎn)數(shù)量也較其他類型異常站點(diǎn)更多，2015—2020年雨量站異常站點(diǎn)占全部異常站點(diǎn)比例為42．83%～50．84%，水庫水文站異常站點(diǎn)占全部異常站點(diǎn)比例為25．18%～35．33%。

（2）采用周邊測站分析法對2016—2020年間9個時刻全省雨量監(jiān)測站進(jìn)行異常識別，異常識別正確率超過90%，并以2021年6月27日和28日逐小時降雨監(jiān)測數(shù)據(jù)進(jìn)行了進(jìn)一步驗(yàn)證，結(jié)果表明異常站點(diǎn)類型主要有實(shí)際發(fā)生降雨但未報(bào)數(shù)、明顯小于實(shí)際雨量、冒大數(shù)3類，處于不同等級降雨區(qū)域分界處更難準(zhǔn)確識別。當(dāng)降雨范圍較大時，更容易發(fā)現(xiàn)異常站點(diǎn)，雨量站異常站點(diǎn)占全部異常站點(diǎn)的比例最高，各類異常站點(diǎn)在全省相應(yīng)類型站點(diǎn)中，雨量站異常站點(diǎn)的占比也最高。

（3）通過雷達(dá)輔助校驗(yàn)，6個典型時刻的異常識別平均準(zhǔn)確率由雷達(dá)校驗(yàn)前的89%提升至95%，表明雷達(dá)輔助校驗(yàn)方法非常適用于應(yīng)對處于雨區(qū)與非雨區(qū)邊界、雨強(qiáng)差異較大的雨區(qū)邊界的正常站點(diǎn)被錯誤判斷為異常站點(diǎn)的情況。

（4）本研究采用K-d tree高級數(shù)據(jù)結(jié)構(gòu)和并行計(jì)算方法，大幅提高了計(jì)算效率。經(jīng)測試，全省站點(diǎn)進(jìn)行一次異常識別，計(jì)算時長約5～8 min。