引言
降水是水循环的重要组成部分，对水文、环境、农业、生态等都具有重要影响，获取时空分辨率高、准确可靠的降水数据对于相关应用至关重要（Ebert et al.，2007）。传统的地面雨量计观测仍然是最准确的降水量测量方式（马艳和郭丽娜，2020；郭广芬等，2021），然而地面雨量计存在布网密度低、站点分布不均匀和空间覆盖范围有限等缺陷，尤其在降水时空分布极度不均的复杂地形区这些问题更突出（Mei et al.，2014；Anjum et al.，2016； Mahmoud et al.，2018；刘少军等，2021；黄楚惠等，2022）。因此，仅依靠地面雨量计观测数据可能导致降水空间分布和时间变化趋势的代表性变差。随着各类对地观测卫星的发射和探测仪器的快速发展，卫星降水产品已成为降水数据的主要辅助来源，得益于其空间覆盖范围大、时空分辨率高、观测连续、近实时、易于获取等特点（Sun et al.，2018；丁明泽等，2022），这些产品在水文、气候、天气和其他科学研究中得到广泛应用。
目前，多种对地观测卫星可以提供高时空分辨率的降水估算产品，其反演算法包括可见光/红外反演、被动微波反演、主动微波（雷达）反演和多传感器组合反演。获得广泛应用的热带降雨测量任务（Tropical Rainfall Measuring Mission，TRMM）提供的多卫星降水分析产品（Multi-satellite Precipitation Analysis，TMPA）是早期最著名的卫星降水产品（Villarini and Krajewski，2007；Liu et al.，2012；毛程燕等，2022），能够提供覆盖热带地区0.25°、3 h时空分辨率、准实时的降水估算。随后陆续发展的其他卫星降水产品也获得了有效应用，如美国气候预测中心的CMORPH（Climate Prediction Center MORPHing）（Joyce et al.，2004；许时光等， 2014；柳龙生和许映龙，2020）、加州大学水文气象和遥感中心的PERSIANN（Precipitation Estimation from Remote Sensed Information using Artificial Neural Networks）（Sorooshian et al.，2000）。由于TRMM 降水产品大获成功，2014年初美国国家航空航天局（National Aeronautics and Space Administration，NASA）和日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency，JAXA）启动了卫星降水继任项目——全球降水测量任务（Global Precipitation Measurement，GPM），以提供最新一代时空分辨率分别为0.5 h和 0.1°×0.1°的卫星近实时降水估计（Hou et al.，2014；丁明泽等，2022），IMERG（Integrated Multi-satellite Retrievals for GPM）和GSMaP（Global Satellite Mapping of Precipitation）作为其最主要的降水产品，较TRMM具有更高的时空分辨率和覆盖范围（Asong et al.，2017；曾岁康和雍斌，2019；Peng et al.，2020）。大量研究发现，基于卫星的降水估计产品提供具有均匀空间覆盖的降水信息，可以有效捕捉全球大部分地区的降水模态（杨文月等，2014；井宇等，2020；张华龙等，2020；柏荷等，2022）。
然而，卫星降水产品会受到各种误差源的影响，包括观测数据与降水之间缺少直接联系、采样不足、热辐射、轨道漂移、地形影响、反演算法等（Joyce et al.，2004；Ebert et al.，2007；Aghakouchak et al.，2011；孙乐强等，2014；Chen et al.，2021），另外，卫星传感器故障多、寿命短等可能会降低长时间数据序列的均一性（Sun et al.，2018）。因此，将卫星降雨产品用于研究或应用之前，有必要对其进行数据验证和不确定性评估。目前很多研究评估了卫星降水产品在全球或不同地区的估算性能（刘俊峰等，2010；Chen et al.，2013；廖荣伟等，2015；Kim et al.，2017；陈晓宏等， 2017），这些工作为卫星降水产品的合理利用和反演技术的改进提供了很好的参考。但是，针对卫星降水产品对致灾性高的强降水事件估算能力评估开展较少，在极端性强降水事件中的评估更为缺乏，而利用高时空分辨率的降水产品准确刻画强降水事件特征对于灾害风险管理尤为重要，这就需要对不同卫星降水产品在强降水事件中的适用性进行评估。
1 暴雨实况及资料和方法
1.1 特大暴雨事件概况
甘肃陇东地区位于黄河中游内陆黄土高原地区，地形复杂，中南部为高原沟壑区，北部为丘陵沟壑区，东部为低山丘陵区，海拔为885~2 857 m。属大陆性气候，冬季盛行西北风，夏季盛行东南风，降雨量“南多北少”，降水过程多集中在7—9月。受副热带高压和冷空气共同影响，2022年7月15日陇东庆阳市发生一次破历史记录的极端性降水过程。降水过程中，庆城县翟家河站24 h累积雨量（20：00至次日20：00，北京时，下同）达373.2 mm，接近庆阳市所有测站及甘肃省所有国家站日降水量极值的2倍，最大小时雨量84.9 mm，为庆阳市所有测站建站以来第3大值。针对此次极端强降水过程，以庆阳市为研究区，对多种卫星降水产品在本次过程中的估算能力进行评估分析。
1.2 地面降水观测数据
站点实况降水数据为庆阳200个测站（国家站及加密自动站）逐小时降水观测数据，测站空间分布（图1）不均匀，站点间距约10 km。
图1
图1
研究区及雨量站位置分布
Fig.1
The study area and distribution of ground rainfall stations
格点降水数据选取CMPAS三源近实时实况融合格点降水资料，该资料基于“概率密度函数+贝叶斯模型平均+最优插值”融合法，首先采用概率匹配法订正雷达估测降水和卫星反演降水的系统偏差，再使用贝叶斯模型平均法将两者融合，最后采用最优插值法实现降水背景场与观测站点数据的有效结合，形成地面、雷达、卫星三源数据融合格点降水产品，该产品时间分辨率1 h，空间分辨率1 km。2018年6月CMPAS通过业务准入以来，应用评估表明其对晴雨判断准确且能较好地反映强降水落区，累积降水量与实况相当，小时降水产品和站点降水变化基本一致（龙柯吉等，2020；孙帅等，2020；Li S et al.，2022）。因此，本研究以CMPAS降水产品作为地面降水场来评估各类卫星估算降水数据。
文中涉及的庆阳市行政边界基于甘肃省自然资源厅标准地图服务网站下载的审图号为甘S（2021）91号的标准地图制作，底图无修改。
1.3 降水产品简介
8种卫星降水产品为：FY-4A、CMOPRH-RT、IMERG-Early、IMERG-Late、GSMaP-Now、GSMaP-Gauge、PERSIANN-Now、PERSIANN-CCS。FY-4A定量降水估计产品是基于FY-4A卫星辐射成像仪AGRI（Advanced Geostationary Radiation Imager）的业务降水产品，通过AGRI的降水反演算法，将AGRI在红外通道观测的瞬时亮温数据，反演生成像元瞬时降水率。数据从国家卫星气象中心的官方网站获取，时间分辨率1 h，空间分辨率均为4 km。CMOPRH-RT是NOAA研制的实时高时空分辨率全球卫星降水产品，该产品集成了多个低轨道卫星的被动微波信息和地球同步平台的红外辐射数据。IMERG-Early、IMERG-Late是建立在TRMM的后续降水观测计划GPM基础上的2种近实时卫星数据，其主要降水反演算法均为IMERG，但IMERG-Late的延时较长。GSMaP根据不同的反演算法提供了3种主要类型的卫星降水数据，本文使用的数据采用微波成像仪算法、微波探测器算法和微波-红外联合算法的准实时卫星降水数据GSMaP-Now以及经过美国气候预测中心全球雨量站点、气候以及地形等校正后的卫星降水数据GSMaP-Gauge。PERSIANN是加州大学水文气象和遥感中心研发的基于人工神经网络对遥感信息进行估算得到的降水估算产品。其中PERSIANN-Now是实时卫星降水数据，PERSIANN-CCS是在实时产品基础上对云相关参数进行订正后的产品。表1为8种卫星降水产品的基本信息。
表1 卫星降水产品的基本信息
Tab.1
| 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° | ||
| 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° | ||
| 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 |
1.4 评价方法
定量评价指标包括相对误差（Relative Bias，RB）、均方根误差（Root Mean Squared Error，RMSE）、相关系数（Correlation Coefficient，CC）（黄嘉佑，2010）。RB反映卫星估算数据与地面雨量站实测数据的误差趋势，RMSE反映卫星降水产品的整体精度和误差水平，CC反映降水产品与地面观测降水数据的时空一致性。
式中：n为样本总数；对于时间序列分析，
分类评价指标包括命中率、空报率和临界成功指数（Hyndman and Koehler，2006）。命中率（Probability of Detection，POD）反映卫星数据准确及时捕捉实际降水事件能力，空报率（False Alarm Ratio，FAR）反映卫星对降水事件的误报程度，临界成功指数（Critical Success Index，CSI）综合考虑POD和FAR，用来衡量卫星产品检测实际降水事件的真正水平。
式中：
结构相似性指数（Structural Similarity Index，SSIM）（Wiederholt et al.，2019），包括均值相似性（Similarity in Mean，SIM）、方差相似性（Similarity in Variance，SIV）和形态相似性（Similarity in Pattern，SIP），反映降水产品在空间上的性能。
式中：
2 结果分析
2.1 累积雨量
图2是2022年7月14日20：00至15日20：00观测、CMPAS与8种卫星降水产品的累积降水空间分布。可以看出，本次陇东特大暴雨事件中，地面降水中东部大、西北小，暴雨中心位于庆阳市庆城县，中心降水量超过250 mm。
图2
图2
2022年7月14日20：00至15日20：00观测、CMPAS与8种卫星降水产品累积降水空间分布（单位：mm）
Fig.2
Spatial distribution of cumulative precipitation from 20：00 July 14 to 20：00 July 15， 2022 observed and from CMPAS as well as 8 kinds of satellite-based precipitation products
8种卫星降水产品均在一定程度上反映了本次降水过程的空间分布，对中东部的降水大值区描述能力较好。但从不同量级降水分布看，仅GSMaP-Now估算出特大暴雨量级降水；CMOPRH-RT、IMERG-Early、IMERG-Late、GSMaP-Now能够相对准确地展现暴雨以上量级的降水范围；其他产品的降水量级、中心位置均有偏移，其中FY-4A产品的暴雨以上量级降水落区整体偏大、降水中心偏东至合水县中部，PERSIANN-CCS、PERSIANN-Now产品虽估算出大暴雨量级降水，但降水中心向东南偏移至合水县西部，GSMaP-Gauge未能估算出大暴雨量级降水，降水中心偏东。
为定量比较各卫星降水估算产品表现，利用最邻近法将其插值到站点，与地面测站累积雨量进行对比。由图3可知，CMOPRH-RT的空间相关系数CC最高（0.51），说明本次过程中CMOPRH-RT对地面累积雨量空间分布的表征能力最强；其他7种卫星降水估算产品CC均小于0.40，特别是GSMaP-Now的CC仅为0.17，说明该产品对本次过程降水空间分布表征能力较差。从相对误差RB看，IMERG-Early、IMERG-Late、GSMaP-Gauge、PERSIANN-CCS、PERSIANN-Now等产品总体上低估了地面累积雨量，另外3种产品则高估；CMOPRH-RT表现最佳，RB仅0.9%，而FY-4A表现较差，RB为80.6%，极大高估地面累积雨量。从均方根误差看，各降水产品表现相差不大，RMSE均在7 mm左右，CMOPRH-RT仍然最优，RMSE最低（5.8 mm）。
图3
图3
2022年7月14日20：00至15日20：00观测与各卫星降水产品累积降水量对比
Fig.3
Comparison of cumulative precipitation from 20：00 July 14 to 20：00 July 15， 2022 observed and 8 kinds of satellite-based precipitation products
对各种降水数据采用两阶段反距离加权法TIDW（Two-stage Inverse Distance Weighting）进行空间插值，将其统一插值为时间分辨率1 h、空间分辨率1 km的地面格点降水场。利用站点观测数据对CMPAS降水产品进行定量评估，本次极端降水事件中，CMPAS的RB为-1.2%，RMSE为0.82 mm，CC为0.99，说明CMPAS降水产品能够反映本次降水事件特征，因此用CMPAS降水产品评估各种卫星降水估算产品的结构相似性特征。
从地面累积降水量的结构分析结果（表2）可知，对于SIM指数，8种卫星降水产品对降水过程日降水量的估算效果均较好，其中CMOPRH-RT表现最佳，SIM为1，其余产品SIM均高于0.85，说眀对于本次极端降水过程在只考虑区域降水总量偏差时，各种卫星降水产品对于总量的控制水平较好。对于SIV指数，8种产品同样表现出较好的估算效果。对于SIP指数，CMOPRH-RT表现最优（SIP为0.735），相较其他产品有明显优势，说明该产品在空间形态上与实况最接近。
表2 总降水结构相似度
Tab.2
| 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 |
结构相似性指数SSIM综合反映各卫星降水产品在SIM、SIV、SIP指数方面的表现。从SSIM看，CMOPRH-RT最高（0.727），其次为IMERG-Late（0.371）、GSMaP-Now（0.364），PERSIANN-Now最低（0.259）。说明本次极端降水过程中，CMOPRH-RT降水产品能够从降水总量、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。
2.2 降水过程
2.2.1 时序变化特征
卫星降水估算产品对于强降水过程的动态跟踪能力也是定量降水估计领域关注的重点之一。图4（a）为卫星估算降水和CMPAS降水在区域内的小时平均降水量时序变化，可见8种卫星降水估算产品对于强降水的峰值反映较好，不同产品对2个强降水峰值出现时间均有体现。但在本次降水过程前期，降水量呈现逐渐增加的阶段，除CMOPRH-RT能较好表征该特征外，其余7种产品对降水发生的判别均存在滞后性，其中GSMaP-Now滞后时间最长，在降水开始7 h后才判别出大范围强降水。图4（b）为24 h累积降水为大暴雨及以上量级降水的站点及对应卫星估算降水小时平均降水量时序变化，可见8种产品均能反映出两个强降水峰值，相较于大范围降水变化，卫星降水估算产品对于较强降水发生的判别能力有明显提升，但均低估了降水强度。
图4
图4
2022年7月14日20：00至15日20：00 8种降水产品（a）与大暴雨及以上量级降水站点（b）的小时平均降水量时间序列
Fig.4
Hourly average precipitation time series of 8 kinds of precipitation products (a) and at stations with heavy rainstorms and above (b) from 20:00 July 14 to 20:00 July 15, 2022
选用相关系数（CC）和相对误差（RB）综合定量描述卫星降水产品在小时尺度的精度（表3）。从CC看，CMOPRH-RT在本次过程中表现最优，对于区域降水表现最佳（CC接近1.00），大暴雨及以上站点降水表现第二（0.82）。其次为IMERG-Early、IMERG-Late，区域降水均为0.94，大暴雨及以上站点降水分别为0.84、0.79，说明此3种卫星降水产品能较好地表现此次过程区域降水总量的时间演变；GSMaP-Now产品效果较差。从RB看，CMOPRH-RT依然表现最佳，对于区域降水，FY-4A、GSMaP-Now表现出较大正偏差，其余4种产品为负偏差；对于大暴雨及以上站点降水，8种卫星降水产品均表现出较大负偏差，极大低估了降水强度。
表3 8种降水产品逐小时平均降水量精度指标
Tab.3
| 降水产品 | RB/% | CC | |||
|---|---|---|---|---|---|
| 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 | |
2.2.2 分级降水检验
按照气象标准，将日降水量分为小雨（降水量<10 mm）、中雨（10 mm≤降水量<25 mm）、大雨（25 mm≤降水量<50 mm）、暴雨（50 mm≤降水量<100 mm）、大暴雨（100 mm≤降水量<250 mm）、特大暴雨（降水量≥250 mm）6个等级。分级降水检验采用命中率（POD）、误报率（FAR）及临界成功指数（CSI）来量化卫星降水产品评估。
从POD来看，对于小雨量级降水，CMOPRH-RT、IMERG-Early、IMERG-Late表现较好，POD均为30%，PERSIANN-CCS（15%）表现最差；对于中雨量级降水，GSMaP-Gauge（29%）表现最好，其次为GSMaP-Now（24%）和CMOPRH-RT（17%），IMERG-Late（7%）表现最差；大雨量级降水，GSMaP-Now（51%）表现最好，其次为IMERG-Late（44%）、CMOPRH-RT（43%），FY-4A和PERSIANN-Now最差，均为15%；对于暴雨量级降水，FY-4A（38%）表现最好，其次为CMOPRH-RT（35%）、PERSIANN-CCS（32%），IMERG-Early、GSMaP-Gauge最差，POD均为26%；对于大暴雨量级，FY-4A（47%）表现最好，其次为CMOPRH-RT（40%），GSMaP-Gauge和PERSIANN-Now未正确命中任何大暴雨；8种卫星降水估算产品对于特大暴雨量级的POD均为0，结合本次极端降水过程特点，说明8种卫星降水产品对于特大暴雨量级的降水，在极端降水落区范围较小时均无法正确命中。
图5
图5
8种降水产品不同降水等级下的POD（a）、FAR（b）和CSI（c）评分
Fig.5
The POD （a）， FAR （b） and CSI （c） scores of 8 kinds of precipitation products under different rainfall levels
从FAR看，对于小雨量级降水，GSMaP-Gauge的FAR最低（20%），表现最好，其余7种产品FAR均大于70%；对于中雨量级降水，GSMaP-Gauge表现最好（FAR为37%），其次为FY-4A、CMOPRH-RT，FAR分别为50%、67%，其余产品FAR超过75%；对于大雨量级降水，CMOPRH-RT表现最好（FAR为62%），其次为FY-4A、GSMaP-Gauge；对于暴雨量级降水，GSMaP-Gauge表现最好（FAR为59%），其次为CMOPRH-RT、FY-4A，FAR分别为76%、77%；对于大暴雨量级降水，CMOPRH-RT表现最好（FAR为78%），其余产品表现不佳，PERSIANN-Now空报率达100%；由于CMOPRH-RT估算出了特大暴雨量级的降水，但未能正确估算降水位置，FAR为100%，其余7种产品均无得分，即其余7种产品未能估算出小范围的特大暴雨量级降水。
从CSI看，对于小雨量级降水，GSMaP-Now、GSMaP-Gauge表现最优，CSI均为19%；对于中雨量级降水，GSMaP-Gauge表现最优，CSI为25%；对于大雨量级降水，GSMaP-Gauge表现最优，CSI为31%；对于暴雨量级降水，FY-4A表现最优，CSI为17%；对于大暴雨量级降水，CMOPRH-RT最优，CSI为17%；8种卫星降水估算产品对于特大暴雨的CSI评分均为0。
综合来看，在不考虑降水形态，以站点观测降水数据为基准进行评估时，GSMaP-Gauge对于暴雨以下量级降水估算最优，对于暴雨及以上量级降水CMOPRH-RT估算最优。
3 结论与讨论
针对2022年7月15日陇东特大暴雨事件，以地面雨量站观测数据和CMPAS融合降水数据为基准，通过定性、定量以及结构分析方法，从累积雨量、时序变化特征、分级降水检验三方面综合评估了8种主流卫星估算降水产品对极端降水的监测、反演能力。具体结论如下：
（1）8种降水产品基本反映了降水中东部大、西北小的分布特征，但除GSMaP-Now外，其他7种产品均未能反演出特大暴雨的出现。整体上，IMERG-Early、IMERG-Late、GSMaP-Gauge、PERSIANN-CCS、PERSIANN-Now低估了累积雨量，而FY-4A、CMOPRH-RT、GSMaP-Now表现为高估。CMOPRH-RT降水产品在降水总量、降水量级、形态分布等方面的综合表现最佳。
（2）8种卫星降水估算产品对于强降水的峰值描述能力较好，强降水过程的2个峰值阶段均有体现，但各产品对于降水开始时间的判断有所差别，其中GSMaP-Now滞后约7 h；对于大暴雨及以上量级降水，8种卫星降水估算产品对于强降水的峰值描述能力均较好，但均严重低估强降水点的降水强度。通过CC和RB综合定量评价，CMOPRH-RT降水产品对本次降水过程降水量的时间演变特征描述能力最佳。
（3）GSMaP-Gauge对于暴雨以下量级降水估算最优，而CMOPRH-RT对于暴雨及以上量级降水估算最优，所有产品对于特大暴雨量级降水均无法正确命中。
8种卫星降水估算产品的生成原理、使用数据有所差异。FY-4A、PERSIANN系列数据在本次降水过程中表现相对较差，其根本原因在于仅使用红外遥感数据进行反演计算（Nguyen et al.， 2019； Li et al.， 2021）。红外遥感反演降水的原理是依据红外及可见光探测到的云顶信息来反演降水量，本次过程强降水时段在夜间，在仅有红外数据的情况下，表现较差在意料之中。IMERG、GSMaP系列数据融合了实时被动微波数据（Hou et al.， 2014；Kubota et al.， 2020），表现较单一数据来源的产品效果有所提升，说明被动微波数据的加入对降水反演能力有较大程度提高，尤其对降水中心和降水量级方面。CMOPRH-RT、GSMaP-Gauge在卫星观测数据的基础上加入了部分站点降水观测数据（Joyce et al.， 2004； Kubota et al.， 2020），在对于面上平均降水时间序列进行评估时，明显看到加入站点数据带来的极大优势，但对于极端降水过程，两种卫星估算产品对于站点降水数据的融入算法有明显不同，CMOPRH-RT能够较正确地订正、反演出本次过程中降水的空间及时间分布特征，但是GSMaP-Gauge对于极端降水站点数据则明显认定部分数据为错值，导致空间分布特征表现还不如GSMaP-Now产品，因此，站点数据的引入对于卫星降水估算产品的精度影响取决于能否正确赋予站点降水数据相关的权重。另外与李伶杰等（2018）、胡庆芳等（2022）、Li Y等（2022）的研究对比发现，本文评估的8种卫星降水估算产品在地形较平坦地区（北京、河南、南京等市区）对极端降水事件的反演能力、各方面评价参数均优于本次降水过程，说明在地形复杂地区，各类卫星降水估算产品的适用性不足，相关反演算法有待改进。
总体而言，即使以高密度的地面雨量站网观测数据做对比，8种主流的卫星估算降水产品在这次陇东特大暴雨事件中，对小区域极端降水估算能力还有待提高，对大暴雨以上量级降水估算能力仍有较大的改善空间。卫星降水产品的精度受降水强度、传感器、地形等种种因素影响，在不同地区呈现不同的精度差异。因此，在极端降水过程中，对卫星降水产品依照不同地形、不同传感器及不同降水强度进行订正十分必要。
参考文献
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].
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].
基于地形和西南区域中尺度模式系统(southwest center WRF ADAS real-time modeling system,SWCWARMS)20:00(北京时,下同)和08:00起报的逐3 h风场、相对湿度场,计算地形降水估算量并结合SWCWARMS预报降水场构建降水订正方程,进而对2018—2020年汛期6—8月日降水、四川盆地降水过程及四川盆地西部降水过程3类降水进行订正,并仅对川西高原东坡到四川盆地西部的陡峭地形过渡带进行检验评估。结果表明:(1)各量级降水量订正值TS相对于SWCWARMS预报降水量的TS均有不同程度提高,20:00起报的订正效果优于08:00。对于大雨及以上量级均以四川盆地西部降水过程订正效果最佳, 20:00起报的12~36 h大雨、暴雨和大暴雨的降水量订正值 TS相对提高率分别为19%、25%和37%,且命中率高,空、漏报率明显减小,订正效果较好。(2)降水订正方程对四川盆地西部降水过程类型中的区域性暴雨个例和一般性降水个例均有较好的订正效果,即使是SWCWARMS模式预报的大雨、暴雨和大暴雨预报降水落区与实况差异甚远的个例也有一定订正效果。
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].以高密度的地面雨量站网观测数据为基准，综合分析了TRMM 3B42RT V7、IMERG Early、IMERG Late、GSMaP NRT、GSMaP NRT Gauge共5种近实时卫星降水数据对南京及周边地区2017年6月10日一次破历史记录的极端性强降水过程的监测能力。结果发现，在累积雨量方面，2种GSMaP数据有比较明显的低估，但基本再现了雨量中部高、南北低的空间分布格局；而3B42RT V7和2种IMERG对累积雨量的主要空间分布特征的辨识性较差。在降水强度时序变化方面，所有卫星数据均能正确探测到南京全市与江宁区的“20170610”降水过程，但在区域和网格尺度上对降水强度变化的动态跟踪能力明显不足，定量误差比较突出。5种数据中，GSMaP NRT的综合精度相对较高，而2种IMERG数据的表现尚不及3B42RT V7。总体上，近实时卫星降水数据对中小尺度极端性强降水过程的监测已展现了一定的积极效果，但捕捉降水落区及追踪降水动态变化的能力尚需大力改进。
不同路径移出型西南涡对中国中东部降水的影响
[J].利用欧洲中期天气预报中心提供的ERA-Interim再分析资料、热带降雨测量（tropical rainfall measuring mission,TRMM）卫星提供的降水反演产品3B42RT、全球降雨观测（global precipitation measurement,GPM）卫星搭载的双频降雨雷达（dual-frequency precipitation radar,DPR）观测数据、FY-2F云类型和云顶亮温等资料,对2010—2020年4—10月（暖季）影响中国中东部降水的西南涡进行分析。结果表明,2010—2020年暖季移出型西南涡共计108例,东移型、东北移型和东南移型占比分别为58.3%、27.8%、12.0%。其中东移型西南涡主要影响长江中下游,雨带呈东西向分布;东北移型西南涡雨带主要位于黄淮到华北一带;东南移型西南涡降水则主要集中在华南及沿海海域。另外,3类暖季移出型西南涡降水云系特征有明显差异,东移型西南涡30°N以北为层状云降水,以南为对流云降水,东北移型为对流云和层状云降水共同影响（即混合性降水）,而东南移型则以对流云降水为主;暖季移出型西南涡降水云分类均以积雨云和密卷云为主,且伸展高度高、云顶亮温低,其中东移型和东北移型西南涡云系影响范围更广,而东南移型西南涡云系则呈块状、更密实。
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].2022年7月15日地处西北东部半干旱区的甘肃庆阳出现特大暴雨，多站日雨量和小时雨量均突破历史极值，利用多源观测资料和ERA5再分析资料，针对这次特大暴雨过程形成机制进行分析。结果表明，本次过程是发生在黄土高原复杂地形下弱天气尺度斜压强迫、弱不稳定能量及深厚湿层背景下的暖区暴雨，局地性强、强降水持续时间长；南亚高压、副热带高压及低层气压系统上下叠加的环流形势配置有利于中尺度对流系统发生发展；地面辐合线和偏南低空急流触发对流系统初生、发展，低空急流的发展和长时间维持使地面辐合线不断加强，同时急流左侧（暴雨区）与其出口区和入口区右侧形成的稳定次级环流是对流系统维持的关键，而凝结潜热释放引发的局地锋生、低层正涡度发展则是对流系统发展维持的另一重要因素，同时也是大气不稳定度维持的重要原因。中尺度对流系统呈现深厚低质心、准静止特征，雷达回波具有后向传播和列车效应特征。
基于TRMM卫星的近10a甘肃临夏降水变化特征
[J].基于2001～2010年TRMM3B43降水资料和数字高程模型(DEM)数据，采用回归模型+残差的方法，对甘肃临夏回族自治州近10a的TRMM 3B43降水数据进行降尺度运算，并结合研究区6个雨量站的观测值，对TRMM 3B43降尺度结果进行精度检验，在此基础上定量研究了临夏回族自治州近10a的降水量时空变化特征。结果表明：TRMM 3B43降尺度降水量数据整体上具有一定的可信度，但比地面台站的观测值偏小；甘肃临夏州年降水量呈现出由西南向东北递减的趋势，且降水量随着海拔高度的升高而逐渐增加，两者相关系数为0．82;年内降水主要集中在5～9月，基本占全年降水量的70%以上，其中6月降水量最大，12月降水量最小。
陇东半干旱区一次特大暴雨事件的降水极端性分析
[J].2022年7月15日地处半干旱区的甘肃陇东出现一次特大暴雨过程，多站日雨量和小时雨量均突破历史极值。利用2022年7月14日20：00至15日20：00（北京时）逐分钟、逐小时降水观测数据，甘肃省庆阳市192个区域气象站建站以来日降水量、小时降水量资料，以及地面-卫星-雷达三源融合降水分析产品（CMA Multi-source Merged Precipitation Analysis System，CMPAS）10 min和1 h降水量数据，分析此次特大暴雨过程的降水特征及极端性。结果表明：这次特大暴雨过程具有累积降水量大、暴雨及以上量级降水落区集中、对流性降水强、降水中心稳定少动、短时强降水持续时间长等特征，其中累积降水量、降水强度和短时强降水持续时间的极端性明显。特大暴雨中心位于庆城县中北部的翟家河站，最大累积雨量达373.2 mm，是该站建站以来观测最大值，接近甘肃省所有国家站日降水量极值的2倍；最大小时雨量达84. 9 mm，位居庆阳市所有测站建站以来小时雨量第3位；短时强降水最长持续时间达6 h，是庆阳市所有测站建站以来最大值。分钟级降水量演变表明，强降水中心的降水强度具有脉动变化特征，降水位置在东、西、南、北方向存在摆动，但摆动幅度较小。
Evaluation of satellite-retrieved extreme precipitation rates across the central United States
[J].
Comparison of two successive versions 6 and 7 of TMPA satellite precipitation products with rain gauge data over Swat Watershed, Hindukush Mountains, Pakistan
[J].
Evaluation of integrated multi-satellite retrievals for GPM (IMERG) over southern Canada against ground precipitation observations: a preliminary assessment
[J].
Enhanced large-scale validation of satellite-based land rainfall products
[J].
Evaluation of the successive V6 and V7 TRMM multi-satellite precipitation analysis over the continental United States
[J].
Comparison of near-real-time precipitation estimates from satellite observations and numerical models
[J].
The global precipitation measurement mission
[J].Precipitation affects many aspects of our everyday life. It is the primary source of freshwater and has significant socioeconomic impacts resulting from natural hazards such as hurricanes, floods, droughts, and landslides. Fundamentally, precipitation is a critical component of the global water and energy cycle that governs the weather, climate, and ecological systems. Accurate and timely knowledge of when, where, and how much it rains or snows is essential for understanding how the Earth system functions and for improving the prediction of weather, climate, freshwater resources, and natural hazard events. The Global Precipitation Measurement (GPM) mission is an international satellite mission specifically designed to set a new standard for the measurement of precipitation from space and to provide a new generation of global rainfall and snowfall observations in all parts of the world every 3 h. The National Aeronautics and Space Administration (NASA) and the Japan Aerospace and Exploration Agency (JAXA) successfully launched the Core Observatory satellite on 28 February 2014 carrying advanced radar and radiometer systems to serve as a precipitation physics observatory. This will serve as a transfer standard for improving the accuracy and consistency of precipitation measurements from a constellation of research and operational satellites provided by a consortium of international partners. GPM will provide key measurements for understanding the global water and energy cycle in a changing climate as well as timely information useful for a range of regional and global societal applications such as numerical weather prediction, natural hazard monitoring, freshwater resource management, and crop forecasting.
Another look at measures of forecast accuracy
[J].
CMORPH: a method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution
[J].
Evaluation of topographical and seasonal feature using GPM IMERG and TRMM 3B42 over Far-East Asia
[J].
Global satellite mapping of precipitation (GSMaP) products in the GPM Era
[M]// LEVIZZANI V, KIDD C, KIRSCHBAUM D B, et al. eds.
Evaluation of CMPAS precipitation products over Sichuan, China
[J].
Leveraging machine learning for quantitative precipitation estimation from Fengyun-4 geostationary observations and ground meteorological measurements
[J].
Evaluation of performance of three satellite-derived precipitation products in capturing extreme precipitation events over Beijing, China
[J].
Tropical rainfall measuring mission (TRMM) precipitation data and services for research and applications
[J].
Assessment of global precipitation measurement satellite products over Saudi Arabia
[J].
Error Analysis of satellite precipitation products in mountainous basins
[J].
PERSIANN dynamic infrared-rain rate (PDIR-Now): a near-real-time, quasi-global satellite precipitation dataset
[J].
The CHRS Data Portal, an easily accessible public repository for PERSIANN global satellite precipitation data
[J].
Evaluation and comparison of the precipitation detection ability of multiple satellite products in a typical agriculture area of China
[J].
Evaluation of PERSIANN system satellite-based estimates of tropical rainfall
[J].
A review of global precipitation data sets: data sources, estimation, and intercomparisons
[J].
A multi-indicator spatial similarity approach for evaluating ecological restoration scenarios
[J].
Evaluation of the research version TMPA three-hourly 0.25 degrees x 0.25 degrees rainfall estimates over Oklahoma
[J].
