0 引言
在全球气候变暖背景下，极端天气和气候事件的发生频率、强度和持续时间均呈增加趋势，对社会经济系统和生态环境构成严峻挑战（IPCC，2021；刘婷婷等，2024；陈海山等，2025；周秀美等，2025）。气候变暖通过增强水循环过程，改变降水的时空分布格局，导致多地区极端降水事件频发（朱凯莉等，2023；李梦等，2025）。京津冀地区（36.08°N—42.67°N，113.45°E—119.83°E）是我国北方重要的经济核心区，总面积约217 176 km2，涵盖北京市、天津市及河北省。区域地貌类型复杂，包括东部华北平原、西部太行山脉、北部坝上及张北高原以及渤海沿岸地区；属温带季风气候，年均降水量300~800 mm（彭子豪等，2026）；人口密集、基础设施高度集中，极端天气事件对区域社会运行和城市安全影响显著（郭军等，2019；Xu et al.，2025）。研究表明，近年来京津冀地区极端降水事件呈现频率增加、强度增强的变化趋势（崔丹阳等，2025；刘姝等，2025；刘威等，2025），典型事件包括2016年7月20日北京极端暴雨及2021年7月21日、2023年7月29日、2025年7月26日京津冀极端暴雨等，这些事件造成大范围城市内涝，山洪地质灾害频发，反映出该区域在极端降水条件下防灾减灾面临较大压力。
极端降水阈值的客观识别是精准预判灾害风险、制定防汛预案的前提，而多源融合降水产品的可靠性则直接影响极端降水事件监测与评估结果的可靠性。因此，针对京津冀地区开展极端降水阈值识别及多源融合降水产品性能评估，对于提升区域极端降水监测与预警能力具有重要意义。极端降水研究的前提在于对极端事件的科学界定。传统方法主要基于固定阈值（张天宇等，2023）或相对百分位阈值（李建等，2013；Lai et al.，2024），虽计算简便，但在刻画极端事件统计特征及其变化方面存在局限。相比之下，极值理论提供了更为严格的统计基础（Field et al.，2012）。其中，广义极值分布（Generalized Extreme Value distribution，GEV）能够有效拟合极值序列，并支持不同重现期的估算（Coles，2001；Cooley，2013），已广泛应用于极端降水阈值识别与风险评估研究。
高质量观测数据是极端降水研究的基础。地面雨量计观测精度较高，但空间代表性有限（肖渝等，2024）；天气雷达具有高时空分辨率，但受杂波和传播异常影响，定量降水估计存在误差（东高红和刘黎平，2012）；卫星降水产品覆盖范围广且具备实时性，但精度相对较低，且依赖地面观测校准（李显风等，2017）。因此，融合地面观测、雷达及卫星数据构建多源降水产品，已成为提升区域降水监测能力的重要手段（段旭等，2010；刘晓阳等，2010；潘旸等，2018；师春香等，2019；刘扬等，2022）。目前，中国陆地数据同化系统（Chinese Land Data Assimilation System，CLDAS）和中国气象局多源融合降水分析系统（CMA Multi-source Precipitation Analysis System，CMPAS）已在全国范围内广泛应用，并在多区域表现出较高精度和良好适用性（孙帅等，2020；许冠宇等，2020；于杨等，2024），能够较好刻画区域降水特征，为气象业务预报和灾害预警提供支撑（张春燕等，2023；杨荣芳等，2024；庄园煌等，2024）。
尽管已有研究对降水融合产品在中小尺度降水过程中的性能进行了评估，但针对其在基于严格统计阈值定义的极端降水事件中的表现，特别是在不同时间尺度（如小时、日及过程尺度）的系统性评估仍显不足。同时，对地形因子（如海拔、坡度、坡向）对融合产品误差的影响机制关注不足。基于此，本文以京津冀地区为研究对象，首先基于赤池信息准则（Akaike Information Criterion，AIC）优选GEV模型，确定逐站极端降水阈值；其次，基于不同重现期阈值筛选2021—2024年区域极端降水事件；最后，从小时尺度、日尺度对CMPAS融合降水产品的监测能力开展综合评估，并进一步分析海拔、坡度及坡向等地形因子对应的误差差异。研究旨在揭示CMPAS产品在复杂地形区极端降水监测中的适用性与局限性，为区域防灾减灾及融合产品优化提供科学依据。
1 数据与方法
1.1 数据
1985—2024年5—8月京津冀地区172个气象站点（图1）逐日、逐小时降水观测资料。所有观测数据均经过严格质量控制，剔除缺测超过3 a的站点记录，以保证样本序列的完整性与一致性。上述资料用于广义极值分布模型的极端降水事件识别与阈值计算。评估对象为国家气象信息中心研制的CMPAS多源融合降水产品，该产品空间分辨率为0.01°×0.01°，时间分辨率为10 min和1 h。CMPAS综合利用地面雨量计、天气雷达、卫星遥感及数值模式等多源信息，并经过系统性偏差订正，具有较高的时空分辨率和更新频率，自2021年起已在京津冀等重点区域实现业务化运行。本研究选取2021—2024年CMPAS降水数据开展性能评估。为实现融合产品与地面观测资料的可比性，采用双线性插值法将CMPAS格点降水数据空间插值到172个站点位置，从而构建站点尺度的逐时与逐日降水序列。文中所用时间均为北京时。
图1
图1
京津冀地区高程（填色，单位：m）及站点（黑色点）分布
Fig.1
Elevation （the color shaded， Unit： m） and station （black dots） distribution of the Beijing-Tianjin-Hebei region
1.2 方法
1.2.1 GEV模型选择
GEV分布由位置参数μ、尺度参数σ和形状参数ξ决定，计算公式（Agilan and Umamahesh，2017）如下：
式中：
表1 GEV模型介绍
Tab.1
| 类型 | 位置参数 | 尺度参数 | 特点 | |
|---|---|---|---|---|
| Model 1 | 平稳 | μ | σ | 参数固定不随时间变化，提供一个无趋势背景下的参考框架，用于判断后续非平稳模型的必要性与显著性。 |
| Model 2 | 非平稳 | μ=μ0+μ1·s | σ=exp（σ0+σ1·s） | 参数随时间线性变化，检测极端降水是否存在长期线性增强或减弱的最直接方法。 |
| Model 3 | 非平稳 | μ=μ0+μ1·es | σ=exp（σ0+σ1·es） | 参数对时间的敏感度呈非线性放大，以反映时间对极端降水的非线性加速驱动效应，捕捉快速增强型的极端降水演变特征。 |
| Model 4 | 非平稳 | μ=μ0+μ1·sη | σ=exp（σ0+σ1·sη） | 以幂函数形式描述参数随时间的变化，该形式兼具线性与非线性特征，能更准确地描述观测数据的复杂变化，提升模型对不同演变形态的适应性。 |
| Model 5 | 非平稳 | μ=μ0（s+μ1）η | σ=exp[σ0（s+σ1）η] | 经验公式，支持参数耦合非线性变化，构建更灵活的统计框架，探索极端降水演变的复杂模式，为模型选择提供更丰富的候选方案。 |
注：s为物理协变量，用以表征时间；斜率参数μ0、μ1反映在协变量s的影响下，函数位置参数的变化趋势；斜率参数σ0、σ1则表征协变量s对函数尺度参数变化趋势的影响；η为物理协变量指数。
1.2.2 最优模型与评估方法
赤池信息准则AIC综合考虑模型精度与复杂度，通过惩罚过多参数来避免过拟合，计算公式如下：
式中：k为模型参数个数；nllh为负对数似然度。AIC越小表明模型整体表现越优。
考虑地形对降水估算精度的影响，根据已有研究，将站点海拔高度划分为<50 m（低海拔）、50~400 m（中海拔）和>400 m（高海拔）3个等级（胡嘉缨等，2023；旷兰等，2023；罗露花等，2024；杨荣芳等，2024）；同时，根据站点坡度分布，将坡度划分为0~5°、>5°~15°、>15°~25°、>25°~35°和>35° 5个等级；坡向则按照常用分类划分为N、NE、E、SE、S、SW、W、NW 8个方向。此外，结合不同等级降水强度（表2），对CMPAS融合降水产品不同地形条件及降水等级下的精度表现进行分层分析（李叶晴等，2023；李梦军等，2025），其中，24 h降水量1~6级分别为小雨、中雨、大雨、暴雨、大暴雨、特大暴雨。
表2 降水强度等级划分标准
Tab.2
| 分级 | 1 h降水量/mm | 24 h降水量/mm |
|---|---|---|
| 1 | 0.1~1.9 | 0.1~9.9 |
| 2 | >1.9~4.9 | >9.9~24.9 |
| 3 | >4.9~9.9 | >24.9~49.9 |
| 4 | >9.9~19.9 | >49.9~99.9 |
| 5 | >19.9 | >99.9~249.9 |
| 6 | >249.9 |
2 GEV模型评估和极端降水阈值识别
基于1985—2024年京津冀地区5—8月172个气象站逐日降水观测资料开展GEV模型拟合与优选（图2）。Model 1在83.14%的站点表现最优，显著优于非平稳模型（Model 2~5分别在3.49%、11.63%、1.74%、0的站点中表现最优），表明多数站点的极端降水特征整体较为稳定。因此，后续极端降水阈值的计算均基于Model 1进行。
图2
图2
5种GEV模型最优拟合站点的空间分布
Fig.2
Spatial distribution of stations with optimal fitting among 5 GEV models
图3为京津冀地区5~50 a重现期下的极端降水阈值。其中，RP表示各站点在不同重现期下对应的极端降水阈值。京津冀地区极端降水阈值整体呈由西北到东南递增的分布特征。河北西北部地区夏季极端降水阈值变化幅度较小，这与该区域半干旱气候背景密切相关，其年降水量相对变率较低（李莹等，2024），导致极端降水上限受区域气候条件的显著限制。在较长重现期（如50 a），北京、石家庄和邢台等地区具有明显高值区。随着重现期的增加，京津冀地区夏季极端降水阈值总体呈逐步升高趋势，且高值区空间范围有所扩大，表明在更低发生概率条件下，对应的极端降水强度显著提高。这一特征在一定程度上反映了区域极端降水风险随重现期增加而增强的统计特性。
图3
图3
京津冀5 a、10 a、20 a、30 a、40 a、50 a重现期极端降水阈值空间分布（单位：mm）
Fig.3
Spatial distribution of extreme precipitation thresholds for 5 a， 10 a， 20 a， 30 a， 40 a， and 50 a return periods in the Beijing-Tianjin-Hebei region （Unit： mm）
3 CMPAS降水产品评估
3.1 降水产品误差空间分布
CMPAS日降水产品在极端降水事件中总体表现较好（图4）。平均误差分布显示，区域整体以负值为主（站点占比52.9%），其中77.9%的平均误差位于±2 mm·d-1范围内；负值主要出现在京津冀中部地区，平山最小（-35.8 mm·d-1），最大正值出现在邢台（14.9 mm·d-1）。平均绝对误差空间分布与平均误差相似。均方根误差较大区也集中在中部，最大值同样出现在平山（64 mm·d-1），北部整体均方根误差较小；72.7%的站点RMSE<5.0 mm·d-1，北部地区整体偏小，而大值主要分布在保定地区，尤以浅山区最大。相关系数整体偏高，R>0.90的站点占98.9%。89.5%的站点TS超过0.90，最低值出现在沽源与隆化（TS=0.67）。空报率普遍低于0.15，北部地区略偏高。漏报率除平山站为0.27外，其余站点均为0（图略）。所有指标均通过α=0.01的显著性检验。
图4
图4
京津冀地区CMPAS融合降水产品日降水量评估指标空间分布
Fig.4
Spatial distribution of evaluation metrics of CMPAS daily precipitation over the Beijing-Tianjin-Hebei region
CMPAS小时降水产品（图5）ME同样以负值为主（站点占比52.9%），92.4%的ME为-0.2~0.2 mm·h-1，最小负值出现在石家庄（-1.5 mm·h-1），最大正值位于邢台南宫（0.6 mm·h-1）；ME负值较小区主要分布在京津冀中部，与日降水产品一致。84.3%的站点MAE<0.3 mm·h-1，空间上呈由北向南先增后减的特征，高值区同样集中在中部，最大值出现在平山（1.55 mm·h-1）。75.6%的站点RMSE低于1 mm·h-1。由相关系数空间分布可看出，CMPAS融合降水产品与地面观测在逐小时尺度上具有较高一致性，98.3%（88.4%）的站点R>0.90（0.95）。87.2%的站点TS超过0.80，北部局地偏低。空报率整体偏低，68.6%（89.5%）的站点FAR<0.15（0.20），误报主要分布在张家口、承德北部、邢台南部及天津北部。漏报率除平山站为0.51外，其余站点均小于0.10（图略），表明该产品对极端降水具有较高捕捉能力。
图5
图5
京津冀地区CMPAS融合降水产品逐小时降水量评估指标空间分布
Fig.5
Spatial distribution of evaluation metrics for CMPAS hourly precipitation over the Beijing-Tianjin-Hebei region
3.2 海拔高度对降水误差的影响
日尺度结果（表略）显示，低海拔地区整体平均误差较小（ME=-0.58 mm·d-1）、相关性较高（R=0.987）、TS=0.97、FAR=0.02，表明该区域产品稳定且误报少。中海拔地区表现出相对明显的ME（-0.98 mm·d-1）和最高的RMSE（11.80 mm·d-1），这一特征与日降水误差的空间分布结果基本一致，尽管相关系数（0.980）和TS（0.96）与低海拔地区无明显差别，但MAE和RMSE的增加表明在山麓或丘陵地带产品误差有所增大。高海拔地区整体最优，ME接近于0，MAE（1.13 mm·d-1）和RMSE（3.08 mm·d-1）均最低，同时相关性最高（R=1.000），TS=0.96，FAR（0.04）略有增加，且未出现漏报（PO=0），表明CMPAS融合降水产品对高海拔地区小降水事件可能存在轻微正误差。
从小时尺度（表略）看，CMPAS降水产品的地形依赖特征具有一致性。低海拔地区平均误差仍较小（ME=-0.02 mm·h-1），RMSE为1.05 mm·h-1，相关系数为0.989，TS达0.93，整体精度与日尺度总体一致；FAR（0.03）较低，整体表现优异。中海拔地区，误差增加（ME=-0.04 mm·h-1，MAE=0.24 mm·h-1，RMSE=1.13 mm·h-1），相关系数为0.970，TS（0.92）较高，FAR增至0.04。高海拔地区，ME接近于零，MAE和RMSE分别降至0.08 mm·h-1、0.38 mm·h-1，相关系数达0.996，TS为0.92，空报率维持在0.04。
总体来看，CMPAS融合降水产品在高海拔地区表现相对较好，低海拔地区次之，而中海拔丘陵地区误差最大，这与太行山东麓浅山过渡带地形复杂、雷达遮挡等因素有关。该地形依赖特征在日与小时尺度评估结果中均表现一致，表明地形对产品误差分布的影响具有一定稳定性。
3.3 坡度坡向对降水误差的影响
CMPAS降水产品在复杂地形下的误差呈现出明显的坡度与坡向依赖性（表略）。总体来看，坡度对误差的调制具有一定非线性特征：日尺度上ME、MAE和RMSE随坡度增加均先增大后减小，坡度大于35°区域的MAE（0.71 mm·d-1）和RMSE（1.28 mm·d-1）最小，产品性能相对较好；小时尺度上，误差随坡度增大呈先减小后趋稳的趋势，其中>15°~25°区间整体表现最优。坡向差异同样明显，CMPAS降水产品在各坡向均以低估为主，其中东坡和西坡误差相对较大，西坡尤为突出（小时尺度RMSE=1.03 mm·h-1）。10次极端降水事件中，太行山东麓迎风坡降水强度普遍较大，而西坡多处于背风侧，下沉气流增温与反气旋结构导致东西坡降水空间变化快（樊星等，2026），融合算法难以捕捉；复杂山地条件下，雷达束在西侧更易受到地形遮挡，尤其在低仰角观测时，低层降水回波易被部分遮挡，从而降低降水估计精度（Seo and Breidenbach，2002）。相比之下，西北坡误差相对较小，产品表现相对稳定。值得注意的是，日尺度的坡向效应明显强于小时尺度，说明坡向对降水累积过程的影响更为显著，小时尺度的小幅系统误差在时间累积过程中可能被进一步放大，从而在日尺度表现为更明显的误差。
3.4 不同降水强度等级的评估
为进一步探讨CMPAS融合降水产品在不同降水强度下的适用性，统计分析10次极端降水事件中各降水等级的评估指标。日尺度（表3），小雨等级平均误差最小（ME=0.42 mm·d-1），相关系数（0.88）和TS（0.99）表现良好，FAR=0，表明产品在弱降水条件下具有较好的识别能力；随着降水强度增加，中雨至暴雨等级ME由轻微高估转为低估，误差明显增大（RMSE=6.96 mm·d-1），但相关性仍维持较高水平（R=0.89）；大暴雨及特大暴雨等级，产品低估最显著（ME分别为-3.07、-14.62 mm·d-1），RMSE均明显升高，但对降水的时间演变仍具一定再现能力。整体来看，各降水等级识别能力较强（TS接近1，FAR=0），但对强降水强度的量级表征仍存在不足。小时尺度（表4），小雨量级平均误差最小（ME=0.05 mm·h-1），能较好捕捉弱降水信号，但由于基数较小，相对误差偏高（20.61%）；中等强度降水量级表征能力有所提升，相对误差明显下降；强降水产品出现系统性低估，且误差随降水强度增加快速增大（最大RMSE达5.42 mm·h-1），但识别能力依旧较强（TS≥0.99，FAR=0）。
表3 京津冀地区不同降水等级CMPAS融合降水产品日降水量评估
Tab.3
| 降水等级/（mm·d-1） | ME/（mm·d-1） | MAE/（mm·d-1） | MRE/% | RMSE/（mm·d-1） | R | TS | FAR | PO |
|---|---|---|---|---|---|---|---|---|
| 0.1~9.9 | 0.42 | 0.69 | 18.59 | 1.60 | 0.88** | 0.99 | 0 | 0.01 |
| >9.9~24.9 | 0.42 | 1.80 | 10.57 | 3.77 | 0.76** | 0.99 | 0 | 0.01 |
| >24.9~49.9 | -0.94 | 2.77 | 7.69 | 5.46 | 0.78** | 1.00 | 0 | 0 |
| >49.9~99.9 | -0.67 | 3.85 | 5.30 | 6.96 | 0.89** | 1.00 | 0 | 0 |
| >99.9~249.9 | -3.07 | 7.18 | 5.18 | 19.35 | 0.84** | 1.00 | 0 | 0 |
| >249.9 | -14.62 | 16.73 | 5.90 | 26.41 | 0.59** | 1.00 | 0 | 0 |
注：**表示通过α=0.01的显著性检验，下同。
表4 京津冀地区不同强度等级CMPAS融合降水产品小时降水评估
Tab.4
| 强度等级/（mm·h-1） | ME/（mm·h-1） | MAE/（mm·h-1） | MRE/% | RMSE/（mm·h-1） | R | TS | FAR | PO |
|---|---|---|---|---|---|---|---|---|
| 0.1~1.9 | 0.05 | 0.14 | 20.61 | 0.49 | 0.75** | 0.93 | 0 | 0.07 |
| >1.9~4.9 | 0.01 | 0.34 | 10.78 | 0.82 | 0.72** | 1.00 | 0 | 0 |
| >4.9~9.9 | -0.17 | 0.63 | 9.04 | 1.43 | 0.68** | 1.00 | 0 | 0 |
| >9.9~19.9 | -0.47 | 1.30 | 9.39 | 3.11 | 0.64** | 0.99 | 0 | 0.01 |
| >19.9 | -1.63 | 2.33 | 7.53 | 5.42 | 0.90** | 1.00 | 0 | 0 |
总体而言，无论在日尺度还是小时尺度，CMPAS融合降水产品均表现出较好的时间匹配能力，但在强降水条件下对降水强度的定量表征存在一定不确定性。
3.5 降水产品性能的日变化特征
降水日变化特征对极端降水事件的识别与监测具有重要意义。图6为CMPAS小时降水产品在日变化方面的性能表现。该产品在全天各时次的ME整体较小，大多数时次的偏差绝对值小于0.05 mm·h-1；最小值（-0.06 mm·h-1）出现在09：00，最大值（0.03 mm·h-1）出现在18：00。MAE最大值（0.27 mm·h-1）出现在07：00，最小值（0.15 mm·h-1）出现在21：00，产品在夜间至凌晨时段平均绝对误差相对较小。RMSE为0.62~1.50 mm·h-1，0：00—12：00呈波动状态，13：00稳定，最小值出现在05：00—06：00，最大值出现在07：00，说明早晨过渡时段误差较大。相关系数在所有时段均在0.95以上，其中10个时次超过0.98，表明该产品与地面观测结果高度一致。TS为0.88~0.95，全天波动幅度不大；同时FAR保持较低水平，多为0.02~0.05；PO值亦较稳定（0.030~0.050），说明产品在多数时段均能准确识别降水发生。12：00—13：00 TS≥0.94，PO≤0.03，FAR<0.03，表明该产品对极端降水事件中午强降水高发时段具有较好的响应能力。
图6
图6
京津冀地区CMPAS融合降水产品逐小时降水量评估指标变化
Fig.6
Temporal evolution characteristics of hourly precipitation evaluation indices for CMPAS merged products in the Beijing-Tianjin-Hebei region
4 讨论与结论
京津冀地区极端降水事件对区域经济和社会运行具有显著影响，基于GEV模型识别该地区逐站极端降水阈值，并筛选出2021—2024年的区域极端降水事件。在此基础上，系统评估CMPAS融合降水产品在日与小时尺度下对区域极端降水事件的刻画能力，得到以下主要结论。
1）GEV模型能够较好地刻画京津冀地区极端降水事件特征，最优拟合模型为平稳GEV模型（Model 1），适用于绝大多数站点（83.14%）。所识别的极端降水阈值呈现明显的空间梯度特征，自西北向东南递增，高值区主要集中在北京、石家庄和邢台地区，这与区域水汽输送条件及地形分布密切相关。
2）CMPAS融合降水产品在不同时间尺度下均表现出较高一致性，但其精度受地形与降水强度影响存在一定差异。产品与地面观测相关性较高（多数站点R>0.98），高海拔地区表现最优（MAE=1.13 mm·d-1，RMSE=3.08 mm·d-1，FAR<0.04），中海拔丘陵及浅山区误差相对较大；坡度大于35°时误差最小，而西坡误差相对较大。CMPAS融合降水逐时产品能较好地刻画降水变化特征（多数站点R>0.98），低估主要出现在强降水等级（RMSE最大达5.42 mm·h-1），产品在中高坡度表现最好，RMSE为0.41 mm·h-1，但在西坡误差最大，RMSE为1.03 mm·h-1。整体而言，在复杂地形与高强度降水背景下产品仍存在一定不确定性。
3）CMPAS融合降水产品对主要降水时段具有较好响应能力，特别是12：00—13：00午后对流高发时段，其TS评分超过0.94，PO低于0.03，RMSE小于1.10 mm·h-1，显示出其在短时强对流识别方面具有较好的应用潜力。
综上所述，CMPAS融合降水产品在京津冀复杂地形与强降水背景下表现出较强的适应性与识别能力，可为区域极端降水风险评估、短时临近预报及山洪、城市内涝等灾害预警提供可靠数据支撑。然而，本研究仍存在一定局限性：首先，受样本数量限制，涵盖的极端降水事件类型仍偏少，难以全面反映CMPAS在不同暴雨成因机制下的稳定性与适应性；其次，在太行山东麓等海拔变化剧烈、坡度较大或雷达易受遮挡的区域，融合产品误差明显增大，体现了复杂地形对雷达束传播、降水分布异质性和对流局地增强的共同影响，强降水阶段存在对大值的系统性低估，与已有研究一致（旷兰等，2023；李叶晴等，2023；候启等，2024），其原因包括强降水条件下地形遮挡与信号衰减影响雷达的有效覆盖范围、卫星难以捕捉对流核心的快速发展等（Seo and Breidenbach，2002；宇婧婧等，2013；刘菊菊等，2024）。
基于上述不足，未来研究应在以下方面进行针对性提升：一是扩大样本规模，构建覆盖多天气系统类型的极端降水集，形成分类型、分地形的性能评估体系；二是在复杂山地引入三维雷达束传播分析、基于地形指数（坡向、坡度、地形起伏度）的偏差参数化方法以及地形订正模型，以改善雷达与卫星在山地环境下的有效观测与融合能力；三是针对强对流发展中峰值低估的问题，引入双偏振参量与动态权重的非线性融合方法，增强对对流核心和极端降水中心的捕捉能力；四是提升卫星多通道高时效产品与对流参数的耦合，改善快速发展对流的识别能力；五是强化在山洪、城市内涝等业务场景中的应用验证，建立“降水误差—灾害风险误差”的业务影响链条，提升融合产品的业务可用性和风险响应能力。
总体而言，未来将围绕样本多样化、地形订正精细化、强对流峰值识别强化及业务应用场景深化四个方向持续推进，以进一步提升CMPAS融合降水产品在极端天气监测和灾害防控中的可靠性与精细化水平。
参考文献
低纬高原地区多元信息综合变分分析试验
[J].
利用高分辨率雷达、 卫星降水反演数据和地面降水观测资料， 建立联合降水估算场并对其进行变分订正， 得到0.1°×0.1°细网格降水同化场。同化资料包括2008年6~8月逐日4次FY-2卫星和CINRAD/CC雷达降水估算资料、 地面自动站降水观测资料， 试验结果表明， 采用变分方法对卫星及雷达联合降水估算场进行同化后， 所得结果既较真实地反映了地面观测网天气尺度信息， 也对低纬高原地区降水离散性分布特征的描述有较大的改善。
新疆短时强降水时空分布与地理气象因子的相关性
[J].基于2016—2024年5—9月新疆逐小时气象观测数据，分析短时强降水的时空分布特征，并采用MGWR模型，探讨短时强降水量与地理气象因子（海拔、坡度、NDVI、PWEI、平均气温）之间的空间异质性。结果表明：短时强降水呈明显的年际与月际变化特征，日变化的高发时段集中在10:00—12:00。空间分布上，短时强降水量高值区主要分布在天山山脉及其周边，而平原和盆地则显著偏少。通过对比发现，MGWR模型的解释力与拟合度均显著优于OLS和GWR模型，通过对MGWR模型中各因子的标准化回归系数进行分析，发现海拔对短时强降水量的影响最为显著，尤其在1000~2000 m的中海拔区域，坡度在0°~10°范围对短时强降水表现出较高的敏感性，NDVI在高值区同样表现出较强的响应特征，而PWEI与平均气温的影响相对较弱。在所有站点中，海拔作为主导因子的占比最高，达73.43%，坡度与NDVI次之，PWEI与平均气温的主导占比分别仅为1.62%与0.43%。
四川盆地一次极端暴雨过程的演变及成因分析
[J].2021年8月7日20：00—8日20：00四川盆地东北部地区发生了一次极端暴雨过程，其日降雨量和夜雨阶段的小时雨量突破历史极值。本文利用气象观测资料、多普勒雷达及ERA5再分析资料对此次过程的演变及成因进行分析。结果表明：1）过程发生前700 hPa假相当位温（θ<sub>se</sub>）偏离气候平均值2.5倍标准差，700、850、925 hPa比湿均偏离2倍标准差以上；2）稳定的地面辐合区和中低层低涡切变系统持续触发新生对流，并不断与原有对流系统合并形成“列车效应”，确保原对流系统维持发展；3）低层暖湿空气与干冷空气交汇形成稳定的θ<sub>se</sub>锋区，形成的经向暖湿上升气流与纬向次级闭合环流的上升气流共同作用，为对流系统提供稳定的能量和水汽输送；700 hPa附近的辐合风场配合中低层经向次级环流中下沉偏北气流的阻挡作用，使对流系统呈现准静止“后向传播”特征，有利于此次极端暴雨的形成。
CMPAS融合产品在陕西短时强降水监测中的适用性评估
[J].使用2016—2021年陕西省降水数据以及2018—2021年中国区域融合降水分析系统（CMA Multi-source Precipitation Analysis System，CMPAS-V2.1）的二源和三源融合降水分析实时产品，分析陕西省近6 a短时强降水的时空特征，并通过统计检验方法评估融合降水产品的准确性，为融合产品在短时强降水过程中的订正提供参考依据。结果表明：（1）陕西省短时强降水的最高频次出现在19：00（北京时，下同），强降水主要集中在16：00至次日02：00，且更多发生在6—8月。强降水极值在17：00至次日01：00和04：00—07：00相对较大。陕南地区短时强降水频次明显高于关中和陕北地区；陕北北部、关中东部以及陕南中东部的强降水极值相对更大。（2）两类降水产品的降水量均偏小。三源产品的平均绝对误差在陕北南部、关中大部和陕南南部地区较小，而其余地区二源产品较优。平均绝对误差随着降水量的增加而增大，对于20~50 mm的短时强降水，三源产品更为可靠，而对于50 mm以上的强降水，二源产品表现更佳。（3）两类产品平均绝对误差在13：00—19：00、23：00至次日01：00和04：00—06：00较大，在08：00—12：00、20：00—22：00和02：00—03：00较小，5—8月三源产品表现优于二源产品，而在9—10月二源产品较为可信。（4）降水量阈值降低时融合产品的准确性增加。三源融合产品在性能上优于二源；9—10月两类融合产品的降水量均优于5—8月。
What are the best covariates for developing non-stationary rainfall Intensity-Duration-Frequency relationship?
[J].
Comparing the mechanisms of two types of summer extreme precipitation in Beijing-Tianjin-Hebei region, China: Insights from circulation patterns and moisture transports
[J].
Climate change 2021: The physical science basis
[R].
A 131-year evidence of more extreme and higher total amount of hourly precipitation in Hong Kong
[J].Based on the observations of hourly precipitation for 131 years from Hong Kong Observatory Headquarters, this study examined the long-term changes in the characteristics of hourly precipitation extremes in terms of intensity, total precipitation amount, duration, and frequency. Results show that the hourly precipitation extremes have significantly intensified by 29%–38% from 1885 to 2022. The 131-year observations evidence that the more extreme the hourly precipitation is (i.e. higher percentiles), the faster the increasing rate it has. Specifically, the magnitudes of hourly precipitation with the 95th, 97.5th, 99th, and 99.9th percentiles increased by rates of 0.03 mm, 0.05 mm, 0.07 mm, and 0.12 mm per year, respectively. Through the secular trend analysis, we found that only the maximum intensity of extreme precipitation events (i.e. events with maximum intensity exceeding the 95th percentiles) shows a significant increasing trend during 1885–2022, while the trends in the total precipitation amount, duration, and mean intensity are not significant. However, by comparing the percentile bin values between three sub-periods of the 131-year record, we found a significant rise over time in the total precipitation amount, mean intensity, and maximum intensity of extreme precipitation events with different intensities (i.e. 95th, 96th, 97th, 98th, and 99th percentiles), while the change in the duration is not significant. The analysis of the frequency of precipitation events shows significant increases in the proportion of extreme precipitation events during 1885–2022. The observations of 53 stations across Hong Kong from 1986 to 2022 show significant intensification and increasing frequency in the hourly precipitation extremes in most areas of Hong Kong. Meanwhile, the precipitation duration shows a decreasing tendency, which may explain the insignificant changes in the total precipitation amount. These findings provide important insights into the longer-term variations in the characteristics of hourly precipitation extremes.
Real-time correction of spatially nonuniform bias in radar rainfall data using rain gauge measurements
[J].
