卫星降水产品在陇东2022年7月特大暴雨事件中的适用性评估

doi:10.11755/j.issn.1006-7639(2023)-06-0997

摘要/Abstract

摘要：

以地面雨量站观测数据、中国气象局多源融合降水数据（CMPAS）为基准，通过定量、分类、结构相似度3种方法综合评估8种卫星降水产品（FY-4A、CMOPRH-RT、IMERG-Early、IMERG-Late、GSMaP-Now、GSMaP-Gauge、PERSIANN-Now、PERSIANN-CCS）在甘肃陇东2022年7月一次破历史记录的极端性强降水过程中的适用性。结果表明：（1）8种卫星降水产品基本反映降水中东部大、西北小的空间分布特征，除GSMaP-Now产品外，其余7种产品均低估暴雨中心降水量。（2）8种卫星降水估算产品对于强降水峰值的描述能力较好，强降水过程的2个峰值阶段均有体现，但均严重低估大暴雨及以上量级降水。（3）GSMaP-Gauge对暴雨以下量级降水估算最优，而CMOPRH-RT对暴雨及以上量级降水估算最优，所有产品对特大暴雨量级降水均无法正确命中。（4）CMOPRH-RT产品能从降水总量、降水量级、形态分布三方面最好地表现降水过程的结构分布。对本次降水事件，CMOPRH-RT降水产品在各方面表现综合最优。

关键词: 特大暴雨, 卫星降水产品, 极端性强降水过程, 检验评估

Abstract:

Based on the rainfall station observations and the products of Multi-source Merged Precipitation Analysis System of China Meteorological Administration (CMPAS), eight kinds of satellite-based precipitation products (FY-4A, CMOPRH-RT, IMERG-Early, IMERG-Late, GSMaP-Now, GSMaP-Gauge, PERSIANN-Now, PERSIANN-CCS) are comprehensively evaluated during the record-breaking extremely heavy precipitation process in East Gansu on July 15, 2022 by using quantitative analysis, classification and structural similarity methods. The results show that eight kinds of satellite-based precipitation products basically reflect the spatial distribution characteristics of precipitation with more in the central and eastern regions and less in the northwest. Except for the GSMaP-Now product, the other seven satellite-based precipitation products all underestimate the precipitation at the center of the rainstorm. The eight kinds of satellite-based precipitation products have a good ability to describe the peak value of heavy precipitation, and both peak stages of the heavy precipitation process are reflected, but all of them seriously underestimate the magnitude of heavy rainfall and above. For precipitation of different magnitudes, the GSMaP-Gauge is the best for estimating precipitation of magnitude below torrential rain, while the CMOPRH-RT is the best for heavy rain and above, and all products cannot correctly hit the precipitation of torrential heavy rainfall. In terms of the structural similarity index, the CMOPRH-RT product can best represent the structural distribution of the precipitation process from three aspects of total precipitation, precipitation magnitude, and precipitation morphological distribution. In summary, for this precipitation event, the CMOPRH-RT precipitation product had the best performance in all aspects.

Key words: torrential heavy rainfall, satellite-based precipitation products, extreme precipitation, evaluation

中图分类号:

P412

王一丞, 刘维成, 宋兴宇, 张文光. 卫星降水产品在陇东2022年7月特大暴雨事件中的适用性评估[J]. 干旱气象, 2023, 41(6): 997-1007.

WANG Yicheng, LIU Weicheng, SONG Xingyu, ZHANG Wenguang. Applicability evaluation of satellite-derived precipitation products in the torrential heavy rainfall event in East Gansu in July 2022[J]. Journal of Arid Meteorology, 2023, 41(6): 997-1007.

图/表 8

参考文献 48

[1]	柏荷, 明義森, 刘启航, 等, 2022. 基于GPM卫星降雨产品的2001—2019年中国暴雨数据集[J]. 中国科学数据, 7(2): 227-236.
[2]	曾岁康, 雍斌, 2019. 全球降水计划IMERG和GSMaP反演降水在四川地区的精度评估[J]. 地理学报, 74(7): 1 305-1 318.
[3]	陈晓宏, 钟睿达, 王兆礼, 等, 2017. 新一代GPM IMERG卫星遥感降水数据在中国南方地区的精度及水文效用评估[J]. 水利学报, 48(10): 1 147-1 156.
[4]	丁明泽, 雍斌, 杨泽康, 2022. 全球降水观测计划多卫星联合反演降水产品的极端降水监测潜力研究[J]. 遥感学报, 26(4): 657-671.
[5]	郭广芬, 杜良敏, 肖莺, 等, 2021. 长江流域夏季极端降水时空分布特征[J]. 干旱气象, 39 (2): 235-243.
[6]	胡庆芳, 张野, 李伶杰, 等, 2022. GPM近实时反演数据对河南省2021年“7·20”极端暴雨的比较分析[J]. 水科学进展, 33(4): 567-580.
[7]	黄楚惠, 牛金龙, 李国平, 等, 2022. 基于西南区域中尺度模式系统预报的陡峭地形过渡带降水订正方法[J]. 干旱气象, 40(2): 317-326. DOI
[8]	黄嘉佑, 2010. 气象统计分析与预报方法[M]. 北京: 气象出版社: 3-18.
[9]	井宇, 陈闯, 王建鹏, 等, 2020. 一次大暴雨过程中两个强降水时段差异对比[J]. 干旱气象, 38(1): 126-136.
[10]	李伶杰, 胡庆芳, 黄勇, 等, 2018. 近实时卫星降水数据对南京“20170610”极端性强降水过程的监测分析[J]. 高原气象, 37(3): 806-814. DOI
[11]	廖荣伟, 张冬斌, 沈艳, 2015. 6种卫星降水产品在中国区域的精度特征评估[J]. 气象, 41(8): 970-979.
[12]	刘俊峰, 陈仁升, 韩春坛, 等, 2010. 多卫星遥感降水数据精度评价[J]. 水科学进展, 21(3): 343-348.
[13]	刘少军, 蔡大鑫, 韩静, 等, 2021. 卫星遥感反演降水研究进展简述[J]. 气象科技进展, 11(1): 28-33.
[14]	柳龙生, 许映龙, 2020. 孟加拉湾风暴"罗纳"对我国华南地区强降水的影响[J]. 干旱气象, 38(2): 271-279.
[15]	龙柯吉, 谷军霞, 师春香, 等, 2020. 多种降水实况融合产品在四川一次强降水过程中的评估[J]. 高原山地气象研究, 40(2): 31-37.
[16]	马艳, 郭丽娜, 2020. 气候变化和城市化对青岛降水的影响[J]. 干旱气象, 38(6): 920-928.
[17]	毛程燕, 马依依, 孙杭媛, 等, 2022. 不同路径移出型西南涡对中国中东部降水的影响[J]. 干旱气象, 40(3): 386-395. DOI
[18]	孙乐强, 郝振纯, 王加虎, 2014. TMPA卫星降水数据的评估与校正[J]. 水利学报, (10): 1 135-1 146.
[19]	孙帅, 师春香, 潘旸, 等, 2020. 中国区域三源融合降水产品的改进效果评估[J]. 水文, 40(6): 10-15.
[20]	沙宏娥, 傅朝, 刘维成, 等, 2022. 西北东部半干旱区一次极端特大暴雨的触发和维持机制[J]. 干旱气象, 40(6): 933-944. DOI
[21]	许时光, 牛铮, 沈艳, 等, 2014. CMORPH卫星降水数据在中国区域的误差特征研究[J]. 遥感技术与应用, 29(2): 189-194.
[22]	杨文月, 马金辉, 杨文凯, 2014. 基于TRMM卫星的近10a甘肃临夏降水变化特征[J]. 干旱气象, 32(6): 934-939. DOI
[23]	张华龙, 肖柳斯, 陈生, 等, 2020. 基于GPM卫星的广东汛期降水日变化特征与评估[J]. 热带气象学报, 36(3): 335-346.
[24]	张君霞, 黄武斌, 杨秀梅, 等, 2022. 陇东半干旱区一次特大暴雨事件的降水极端性分析[J]. 干旱气象, 40(6): 922-932. DOI
[25]	AGHAKOUCHAK A, BEHRANGI A, SOROOSHIAN S, et al, 2011. Evaluation of satellite-retrieved extreme precipitation rates across the central United States[J]. Journal of Geophysical Research-Atmospheres, 116(D2), DOI:10.1029/2010JD014741.
[26]	ANJUM M N, DING Y J, SHANGGUAN D H, et al, 2016. Comparison of two successive versions 6 and 7 of TMPA satellite precipitation products with rain gauge data over Swat Watershed, Hindukush Mountains, Pakistan[J]. Atmospheric Science Letters, 17(4): 270-279.
[27]	ASONG Z E, RAZAVI S, WHEATER H S, et al, 2017. Evaluation of integrated multi-satellite retrievals for GPM (IMERG) over southern Canada against ground precipitation observations: a preliminary assessment[J]. Journal of Hydrometeorology, 18(4): 1 033-1 050.
[28]	CHEN F, CROW W T, CIABATTA L, et al, 2021. Enhanced large-scale validation of satellite-based land rainfall products[J]. Journal of Hydrometeorology, 22(2): 245-257.
[29]	CHEN S, HONG Y, GOURLEY J J, et al, 2013. Evaluation of the successive V6 and V7 TRMM multi-satellite precipitation analysis over the continental United States[J]. Water Resources Research, 49(12): 8 174-8 186.
[30]	EBERT E E, JANOWIAK J E, KIDD C, 2007. Comparison of near-real-time precipitation estimates from satellite observations and numerical models[J]. Bulletin of the American Meteorological Society, 88(1): 47-64.
[31]	HOU A Y, KAKAR R K, NEECK S, et al, 2014. The global precipitation measurement mission[J]. Bulletin of the American Meteorological Society, 95(5): 701-722. DOI
[32]	HYNDMAN R, KOEHLER , 2006. Another look at measures of forecast accuracy[J]. International Journal of Forecasting, 22: 679-688.
[33]	JOYCE R J, JANOWIAK J E, ARKIN P A, et al, 2004. CMORPH: a method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution[J]. Journal of Hydrometeorology, 5(3): 487-503.
[34]	KIM K, PARK J, BAIK J, et al, 2017. Evaluation of topographical and seasonal feature using GPM IMERG and TRMM 3B42 over Far-East Asia[J]. Atmospheric Research, 187: 95-105.
[35]	KUBOTA T, AONASHI K, USHIO T, et al, 2020. Global satellite mapping of precipitation (GSMaP) products in the GPM Era[M]// LEVIZZANI V, KIDD C, KIRSCHBAUM D B, et al. eds. Satellite Precipitation Measurement. Advances in Global Change Research. Vol 67. Springer, Cham. https://doi.org/10.1007/978-3-030-24568-9_20 DOI:10.1007/978-3-030-24568-9_20.
[36]	LI S, HUANG X, WU W, et al, 2022. Evaluation of CMPAS precipitation products over Sichuan, China[J]. Atmospheric and Oceanic Science Letters, 15(2): 49-55.
[37]	LI X, YANG Y, MI J, et al, 2021. Leveraging machine learning for quantitative precipitation estimation from Fengyun-4 geostationary observations and ground meteorological measurements[J]. Copernicus GmbH, 14(11): 7 007-7 023.
[38]	LI Y, PANG B, REN M, et al, 2022. Evaluation of performance of three satellite-derived precipitation products in capturing extreme precipitation events over Beijing, China[J]. Remote Sensing, 14(11),DOI: 10.3390/rs14112698.
[39]	LIU Z, OSTRENGA D, TENG W, et al, 2012. Tropical rainfall measuring mission (TRMM) precipitation data and services for research and applications[J]. Bulletin of the American Meteorological Society, 93(9): 1 317-1 325.
[40]	MAHMOUD M T, AL-ZAHRANI M A, SHARIF H O, 2018. Assessment of global precipitation measurement satellite products over Saudi Arabia[J]. Journal of Hydrology, 559: 1-12.
[41]	MEI Y W, ANAGNOSTOU E N, NIKOLOPOULOS E I, et al, 2014. Error Analysis of satellite precipitation products in mountainous basins[J]. Journal of Hydrometeorology, 15(5): 1 778-1 793.
[42]	NGUYEN P, OMBADI M, GOROOH V A, et al, 2020. PERSIANN dynamic infrared-rain rate (PDIR-Now): a near-real-time, quasi-global satellite precipitation dataset[J]. Journal of Hydrometeorology, 21(12): 2 893-2 906.
[43]	NGUYEN P, SHEARER E J, TRAN H X, et al, 2019. The CHRS Data Portal, an easily accessible public repository for PERSIANN global satellite precipitation data[J]. Scientific Data, 6(180296), DOI: 10.1038/sdata.2018.296.
[44]	PENG F C, ZHAO S, CHEN C, et al, 2020. Evaluation and comparison of the precipitation detection ability of multiple satellite products in a typical agriculture area of China[J]. Atmospheric Research, 236, 104814. DOI:10.1016/j.atmosres.2019.104814.
[45]	SOROOSHIAN S, HSU K L, GAO X, et al, 2000. Evaluation of PERSIANN system satellite-based estimates of tropical rainfall[J]. Bulletin of the American Meteorological Society, 81(9): 2 035-2 046.
[46]	SUN Q, MIAO C, DUAN Q, et al, 2018. A review of global precipitation data sets: data sources, estimation, and intercomparisons[J]. Reviews of Geophysics, 56(1): 79-107.
[47]	WIEDERHOLT R, PAUDEL R, KHARE Y, et al, 2019. A multi-indicator spatial similarity approach for evaluating ecological restoration scenarios[J]. Landscape Ecology, 34(11): 2 557-2 574.
[48]	VILLARINI G, KRAJEWSKI W F, 2007. Evaluation of the research version TMPA three-hourly 0.25 degrees x 0.25 degrees rainfall estimates over Oklahoma[J]. Geophysical Research Letters, 34(5), DOI: 10.1029/2006GL029147.

降水产品	时间分辨率	空间分辨率	主要算法	主要数据源
FY-4A（Li et al.，2021）	1 h	4 km	建立红外亮温观测数据与降水率的关系	FY-4A卫星
CMOPRH-RT（Joyce et al.，2004）	30 min	8 km	微波反演降水，红外获取云系的运动矢量	TMI、SSM/I、AMSU-B、AMSR-E、GEO系列卫星
IMERG-Early（Hou et al.， 2014）	30 min	0.1°	微波反演降水，红外反演降水及获取运动信息	GMI、DPR、SSM/I、SSMIS、AMSR-E、AMSR2、AMSU-B、MHS、ATMS、GEO系列卫星
IMERG-Late（Hou et al.， 2014）	30 min	0.1°	微波反演降水，红外反演降水及获取运动信息	GMI、DPR、SSM/I、SSMIS、AMSR-E、AMSR2、AMSU-B、MHS、ATMS、GEO系列卫星
GSMaP-Now （Kubota et al.，2020）	30 min	0.1°	微波反演降水，红外获取云系的运动矢量	GMI、AMSR2、AMSU、SSMIS、GEO系列卫星
GSMaP-Gauge （Kubota et al.，2020）	1 h	0.1°	微波反演降水，红外获取云系的运动矢量	GMI、AMSR2、AMSU、SSMIS、GEO系列卫星
PERSIANN-Now （Nguyen et al.，2020）	1 h	0.04°	建立红外亮温观测数据与降水率的关系，气候降水曲线订正	GEO系列卫星
PERSIANN-CCS （Nguyen et al.，2019）	1 h	0.04°	建立不同种类云的云顶红外亮温与降水之间的关系	GEO系列卫星

降水产品	时间分辨率	空间分辨率	主要算法	主要数据源
FY-4A（Li et al.，2021）	1 h	4 km	建立红外亮温观测数据与降水率的关系	FY-4A卫星
CMOPRH-RT（Joyce et al.，2004）	30 min	8 km	微波反演降水，红外获取云系的运动矢量	TMI、SSM/I、AMSU-B、AMSR-E、GEO系列卫星
IMERG-Early（Hou et al.， 2014）	30 min	0.1°	微波反演降水，红外反演降水及获取运动信息	GMI、DPR、SSM/I、SSMIS、AMSR-E、AMSR2、AMSU-B、MHS、ATMS、GEO系列卫星
IMERG-Late（Hou et al.， 2014）	30 min	0.1°	微波反演降水，红外反演降水及获取运动信息	GMI、DPR、SSM/I、SSMIS、AMSR-E、AMSR2、AMSU-B、MHS、ATMS、GEO系列卫星
GSMaP-Now （Kubota et al.，2020）	30 min	0.1°	微波反演降水，红外获取云系的运动矢量	GMI、AMSR2、AMSU、SSMIS、GEO系列卫星
GSMaP-Gauge （Kubota et al.，2020）	1 h	0.1°	微波反演降水，红外获取云系的运动矢量	GMI、AMSR2、AMSU、SSMIS、GEO系列卫星
PERSIANN-Now （Nguyen et al.，2020）	1 h	0.04°	建立红外亮温观测数据与降水率的关系，气候降水曲线订正	GEO系列卫星
PERSIANN-CCS （Nguyen et al.，2019）	1 h	0.04°	建立不同种类云的云顶红外亮温与降水之间的关系	GEO系列卫星

降水产品	SSIM	SIM	SIV	SIP
FY-4A	0.370	0.896	0.939	0.439
CMOPRH-RT	0.727	1.000	0.990	0.735
IMERG-Early	0.371	0.982	0.930	0.406
IMERG-Late	0.427	0.973	0.916	0.479
GSMaP-Now	0.364	0.991	0.985	0.373
GSMaP-Gauge	0.331	0.961	0.672	0.512
PERSIANN-Now	0.259	0.902	0.929	0.309
PERSIANN-CCS	0.295	0.909	0.916	0.354

降水产品	SSIM	SIM	SIV	SIP
FY-4A	0.370	0.896	0.939	0.439
CMOPRH-RT	0.727	1.000	0.990	0.735
IMERG-Early	0.371	0.982	0.930	0.406
IMERG-Late	0.427	0.973	0.916	0.479
GSMaP-Now	0.364	0.991	0.985	0.373
GSMaP-Gauge	0.331	0.961	0.672	0.512
PERSIANN-Now	0.259	0.902	0.929	0.309
PERSIANN-CCS	0.295	0.909	0.916	0.354

降水产品	RB/%		CC
降水产品	区域内平均	大暴雨及以上站点平均	区域内平均	大暴雨及以上站点平均
FY-4A	56.7	-39.7	0.89	0.61
CMOPRH-RT	0.01	-46.7	0.99	0.82
IMERG-Early	-19.8	-71.2	0.94	0.79
IMERG-Late	-23.4	-70.0	0.94	0.84
GSMaP-Now	11.0	-63.6	0.77	0.39
GSMaP-Gauge	-27.0	-76.7	0.87	0.62
PERSIANN-Now	-39.0	-79.9	0.71	0.50
PERSIANN-CCS	-37.9	-77.5	0.84	0.70