暴雨是典型的极端天气事件，常引发洪涝、泥石流、滑坡等灾害，造成巨大的财产损失乃至人员伤亡。这些暴雨天气大多是由中尺度对流系统(MCSs)产生的，这一系统具有特殊中尺度结构的系统性对流云组织，并常产生持续性强降水。因此，对于MCS降水实时反演与预估在暴雨的监测及预警中具有十分重要的应用价值。

   卫星监测不受地理和自然条件限制，是支撑大范围内MCS降水反演的重要手段。其中，静止卫星主要搭载可见光与红外传感器，其中红外传感器能够提供全天时的不间断观测，对于降水系统的动态监测尤为重要。但由于无法探测到云层内部信息，红外降水反演算法的效果往往具有较大偏差。如何发挥静止卫星红外观测优势，建立高质量的静止卫星降水反演算法，是目前卫星降水遥感面临的重要问题。

  一种可行的解决方案是引入目前仍在迅速发展的机器学习技术，将静止卫星红外观测提供的高密度观测数据与机器学习的深度分析能力相结合，挖掘云顶观测与地表雨强之间的深层联系，进而产生高精度的降水反演产品。我们的研究以华南地区为研究对象，将2019年6月作为训练集，7月作为独立的测试集。研究中以CMORPH为降水参考值，先后分析了多项式回归、支持向量机、决策树、随机森林和多层感知器五种机器学习模型对于MCS降水估计问题的适用性。其中，随机森林(RF)具有最佳性能。研究中共设计了31个CTT相关特征作为训练算法的候选输入，且之后它们都被证明对于算法产生积极的作用。研究中还结合随机森林模型的分类和回归方案，提出了一种基于随机森林的混合算法，即首先对降水像素进行识别，然后估计其降水强度。对于本研究中所考虑的MCS样本，这种算法表现最佳，且其准确度高于FY-4A自身的降水产品。这些结果表明，应用机器学习技术来解决卫星降水反演问题的思路是可行的，研究可为后续面向区域性强对流与暴雨天气的机器学习降水反演乃至预报算法提供参考。
 

降水估计,机器学习,中尺度对流系统,FY-4A卫星