EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 9: 1813 - 1826

DOI: https://doi.org/10.12082/dqxxkx.2023.220056

地理空间分析综合应用

IMERG和GSMaP对中国极端降水监测能力评估

  • 尚明 , 1 ,
  • 任阳阳 , 1, * ,
  • 宋宏利 1 ,
  • 姚亚楠 1 ,
  • 白磊 2 ,
  • 李悦 1 ,
  • 马杰 3
展开
  • 1.河北工程大学 地球科学与工程学院，邯郸 056038
  • 2.海南大学 生态与环境学院，海口 570228
  • 3.河北工程大学，邯郸 056038
* 任阳阳（1996— ），女，河北邯郸人，硕士生，主要研究方向为降水产品精度评估及应用。 E-mail:

尚 明（1988— ），男，山西运城人，博士，讲师，主要研究方向为遥感及GIS技术应用。E-mail:

收稿日期: 2022-02-07

  修回日期: 2022-11-14

  网络出版日期: 2023-09-05

基金资助

国家自然科学基金项目(32001130)

河北省自然科学基金项目(C2021402011)

邯郸市科学技术研究与发展计划(21422903273)

河北工程大学博士专项基金项目(SJ2101003040)

收起

Evaluation of IMERG and GSMaP Precipitation Products on Monitoring Extreme Precipitation Events over Mainland China

  • SHANG Ming , 1 ,
  • REN Yangyang , 1, * ,
  • SONG Hongli 1 ,
  • YAO Ya'nan 1 ,
  • BAI Lei 2 ,
  • LI Yue 1 ,
  • MA Jie 3
Expand
  • 1. School of Earth Science and Engineering, Hebei University of Engineering, Handan 056038, China
  • 2. School of Ecology and Environment, Hainan University, Haikou 570228, China
  • 3. Hebei University of Engineering, Handan 056038, China
* REN Yangyang, E-mail:

Received date: 2022-02-07

  Revised date: 2022-11-14

  Online published: 2023-09-05

Supported by

National Natural Science Foundation of China(32001130)

Natural Science Foundation of Hebei Province(C2021402011)

Science and Technology Research and Development Program of Handan City(21422903273)

PhD Special Fund of Hebei Univerisity of Engineering(SJ2101003040)

Fold

摘要

IMERG和GSMaP是GPM时代下2种主流的高分辨率卫星降水产品。为研究其对极端降水的监测能力，以2015—2020年中国698个气象台站逐日降水数据作为基准数据，选取6种极端降水指标及相关统计指标，评价IMERG和GSMaP在中国对极端降水的监测能力。结果表明：① 2种降水产品都可以很好的反映出各极端降水指数的空间分布特征且在低海拔地区对极端降水监测能力优于高海拔地区；② IMERG和GSMaP降水产品在东南诸河片、松辽河流域片和海河流域片等较为湿润的流域相关系数较高，内陆河相关系数较低，误差指标表明在中国GSMaP精度更高；③ 不同阈值下的探测率表现为东南部高于西北部，准确率西北部的较高；低阈值降水的探测率更高，而高阈值降水的准确率更高；另外， GSMaP对于弱降水的探测能力优于IMERG。总体上，IMERG和GSMaP在中国区域对极端降水的监测能力较好，在极端降水研究中有较好的应用前景。

关键词： GSMaP; IMERG; 中国; 极端降水; 精度评估

本文引用格式

尚明 , 任阳阳 , 宋宏利 , 姚亚楠 , 白磊 , 李悦 , 马杰 . IMERG和GSMaP对中国极端降水监测能力评估[J]. 地球信息科学学报, 2023 , 25(9) : 1813 -1826 . DOI: 10.12082/dqxxkx.2023.220056

Abstract

The Integrated Multi-satellitE Retrievals for GPM (IMERG) and Global Satellite Mapping of Precipitation (GSMaP) are two high-precision multi-satellite precipitation products. In order to evaluate the applicability of IMERG and GSMaP products (i.e., IMERG_Final and GSMaP_Gauge) for monitoring extreme precipitation events over the Mainland of China, six extreme precipitation indicators and commonly used statistical indexes were selected to quantify the performance of IMERG and GSMaP products by comparing with the gauged daily precipitation data obtained from the 698 meteorological stations in the mainland of China during 2015—2020. The results show that: (1) Both IMERG and GSMaP products can well reflect the spatial distribution characteristics of extreme precipitation indicators in the mainland of China and have better monitoring capability for extreme precipitation in low-altitude areas than that in high-altitude areas; (2) IMERG and GSMaP perform relatively higher accuracy in the Southeast Drainage Basin, the Haihe River Basin, and the Songhua and the Liaohe River Basin, while the accuracy in the Inland Drainage basins show relatively lower accuracy. Based on the result of error indicators, it is found that the accuracy of GSMaP is higher in the mainland area than the other areas; (3) The rate of rainfall detection in the southeast is higher than that in the northwest, while the accuracy is higher in the northwest. The rate of rainfall detection for low-threshold precipitation is higher, while the accuracy for high-threshold precipitation is higher. In addition, the capability of GSMaP in detecting weak precipitation is better than that of IMERG. Overall, IMERG and GSMaP have well monitoring capabilities for extreme precipitation in the mainland of China, which indicates the great prospect of their applications in extreme precipitation research.

Key words： GSMaP; IMERG; China; extreme precipitation; accuracy evaluation

1 引言

IMERG和GSMaP是GPM时代下2种高分辨率降水产品，为全球用户提供高时空分辨率和覆盖范围更广的数据[12]。已有学者针对多种主流卫星降水产品以及GPM时代下降水产品展开研究。 曾岁康等[13]研究了IMERG和GSMaP在四川地区的适用性，研究发现IMERG和GSMaP在盆地的反演精度优于高原山区，不同地形区精度差异明显。Tang等[14]对IMERG和TMPA降水产品在中国进行验证，结果表明IMERG降水产品虽然可以较好的捕捉到降水日变化情况，但在干旱气候区和高纬度地区的精度仍需进一步提高。李彦妮等[15]对GSMaP和IMERG降水产品在陕西地区进行精度评估，结果表明GSMaP在年尺度上精度高于IMERG，并且对大雨及以上强降雨事件的监测能力比IMERG略强。
目前，关于GSMaP和IMERG两种降水产品对极端降水监测能力的研究多为在局部区域内进行对比评估或仅分析一种降水产品。刘若兰等[16]评估了IMERG降水产品对极端降雨的监测能力，结果表明IMERG降水产品在高海拔和干旱地区的探测精度较低，极端降水频率更接近实测降水频率。李媛媛等[17]评估了GSMaP和IMERG 2种降水产品在黄河流域的精度，研究发现GSMaP在极端降水观测能力上强于IMERG产品。高玥等[6]针对湖南省出现的持续强降水过程，评估了GSMaP降水产品对典型极端降水事件的监测能力，研究发现GSMaP的3套降水产品都能捕捉到大雨及以上级别的强降雨过程的空间分布特征以及不同强弱降水阶段的交替过程，其中GSMaP_Gauge产品表现最好。陈汉清等[18]对IMERG降水产品评估工作中发现，相比TRMM时代降水产品，其对中强度降水事件和极端降水的探测能力有一定的提高，但仍存在高估极端降水、探测能力不足的问题。
近几十年来，我国极端降水日数、极端降水平均强度和极端降水值都有增强趋势，极端降水事件趋多，并且年极端降水存在明显的区域差异[19]。随着全球气候变暖，GPM时代下具有高时空分辨率的 2种降水产品GSMaP和IMERG为监测极端降水事件提供了新的契机。现有的研究多着力于卫星降水产品的精度验证，将GPM数据用于监测极端降水的研究相对较少；而且针对极端降水的研究多为区域尺度。通过对GSMaP和IMERG极端降水监测能力开展评估，有助于在大范围获取极端降水事件变化情况的同时认识降水产品的误差特性，并推动针对极端降水事件在特定区域的应用。因此本文以中国为研究区域，基于2015—2020年地面气象站雨量观测数据，评估同时期GSMaP和IMERG2种降水产品在中国地区对极端降水的监测能力，并按照流域对站点进行划分，定量评估极端降水指数的误差指标，为相关降水产品应用到极端降水研究提供依据。

2 数据来源与研究方法

2.1 研究区概况与数据来源

本文以中国为研究区域，选取中国气象数据网(http://data.cma.cn/)提供的中国地面气候资料日值数据集V3.0作为基准数据，经过筛选得到698个具有完整记录的降水量数据。研究区站点空间分布以及流域分布如图1所示。
图1 中国地形与气象站点分布示意及九大流域分区

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。由于数据获取困难本研究不句括香港、台湾和澳门。

Fig. 1 Geographic map showing the topography and location of the meteorological stations and the nine drainage basins in the mainland of China

IMERG和GSMaP是GPM时代下2种主流降水产品。其中，IMERG融合了微波、红外和雷达数据等多种传感器的优势，根据校准降水数据的次数，IMERG产品又细分为早期运行版本“IMERG_early”，近实时版本“IMERG_late”，以及后实时版本“IMERG_final”。IMERG_early和IMERG_late为准实时产品，分别于观测后4 h和12 h发布，而IMERG_final为非实时后处理产品，该产品经过地面雨量站的偏差校正，具有较高精度，可提供2014年3月以来的降水数据。本文选取IMERG_final作为研究数据(https://disc.gsfc.nasa.gov/)，该产品的空间分辨率为0.1° ×0.1°，时间分辨率为0.5 h。GSMaP同样包括多种系列产品，其中主要产品有近实时版本(GSMaP_NRT)、标准版本(GSMaP_MVK)以及基于GSMaP_MVK和全球雨量站点、地形及气候信息进行校正的产品(GSMaP_Gauge)。本文使用GSMaP_Gauge V7产品(ftp://hokusai.eorc.jaxa.jp/)，该产品的空间分辨率为0.1°×0.1°，时间分辨率为1 h。为了方便描述，文中将所用产品称为IMERG和GSMaP。
受GPM卫星发射时间限制，本研究选用2015—2020年的地面基准数据和卫星数据。由于卫星数据集采用世界时(UTC)为时间基准，气象站点逐日观测数据为北京时(UTC+8)当日20时—次日20时，为了与地面基准数据保持一致，对卫星数据集进行如下处理：将卫星数据集加8 h转化为北京时，再选取相对应的时间段，将IMERG的0.5 h数据与GSMaP的1 h数据累加成逐日降水数据。使用R语言编写脚本，根据地面站点的坐标信息提取每日时间步长上对应格网的降水值得到IMERG和GSMaP降水产品数据集。

2.2 研究方法

本文根据气候变化检测和指标专家组[20](ETCCDI)推荐的极端降水指数，选取能够反映频率强度、绝对阈值以及持续性降水6个指标(表1)进行分析。并采用皮尔逊相关系数(R)、均方根误差(RMSE)、相对均方根误差(rRMSE)[21]、平均误差(ME)以及相对偏差(BIAS)[22]等统计指标对降水产品的极端降水指数进行评价。R越接近于1，RMSE、rRMSE、ME、BIAS越接近于0，表明误差越小。
表1 极端降水指数定义

Tab. 1 List of the extreme precipitation indices

指标 描述 单位
CDD 持续干燥指数：日降水量<1 mm的最长连续日数 d
CWD 持续湿润指数：日降水量≥1 mm的最大持续日数 d
R10 mm 强降水日数：每年日降水量>=10 mm的总日数 d
RX5day 5日最大降水量：每月内连续五日的最大降水量 mm
SDII 普通日降水强度：降水量≥1 mm的总量与日数之比 mm/d
R95pTOT 极端强降水总量：>95%日降水百分位值的降水量之和 mm
近年来引入分类评价指标评估降水产品与观测站点的吻合程度，即把降水是否发生看成离散状态变量[23]。本文根据传统天气学中对不同降水量的定义，如表1所示，选取0.1、10、25 mm/d作为是否发生降水、中雨以及大雨的阈值，采用3个分类统计指标(探测率(POD)、空报率(FAR)和准确率(ACC))评价卫星产品对降水事件的捕捉能力[22⇓-24]。POD、FAR和ACC 3个指标的取值均介于[0,1]之间，POD越高表示降水产品对降水事件的漏报率越小，FAR越小表示降水事件被错误估计的概率越小。POD和ACC的理想值为1，FAR的理想值为0。POD、FAR和ACC具体定义如下：
P O D = A A + C
F A R = B A + B
A C C = A + D A + B + C + D
式中：A代表卫星数据和站点数据均发生降水的事件；B代表站点数据无降水，卫星数据有降水的事件；C代表站点数据有降水，卫星数据无降水的事件；D代表二者均未发生降水的事件。

3 结果与分析

3.1 极端降水指标空间分布特征

图2、图3、图4展示了卫星降水和观测数据各极端降水指标的空间分布情况及箱线图，分析发现IMERG和GSMaP卫星产品的6种极端降水指标与观测数据均有较好的一致性。从持续干燥日数(CDD，图2(a))来看，2种降水产品在中国区域对CDD指标反映较好，既能体现出该指标的空间分布，又能很好地体现出数量特征(图4(a))。卫星产品与地面观测数据均呈现由东南向西北递增的趋势，新疆西北部的持续干燥日数较短的站点也能很好的表现出来。从持续湿润日数(CWD，图2(b))来看，2种卫星产品均有一定的高估，尤其是东南、西南、东北地区，其中，GSMaP较IMERG高估严重，在中国BIAS分别为28%和66%。在强降雨日数(R10 mm，图2(c))方面，2种降水产品均与站点数据有较强的一致性，在全国范围能够很好的反映出强降雨日数的分布特征。从图4(c)的箱线图中可以看出IMERG有轻微的高估，总体对该指标反映较好。IMERG在反映连续5日最大降水量(RX5day，图3(a))时与地面站点的空间分布及数量特征上对该指标反映较好，GSMaP有一定的低估。在普通日降水强度方面(SDII，图3(b))，IMERG能很好地反映出该指标东南向西北递减的分布趋势，与地面站点具有强的一致性，在数量特征上(图4(e))相对于GSMaP对该指标的把握能力较强。从图4(f)中可以看出IMERG高估极端强降水总量(R95pTOT)。IMERG在空间分布上对这几种极端降水指标监测能力较好，GSMaP对CWD、R10 mm指标有一定的高估，对RX5day、SDII有一定的低估，都集中体现在东南部地区，对R95pTOT指标一致性强，反映较好。
图2 2015—2020年中国多年平均极端降水指数空间分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 2 Spatial distribution of multi-year average extreme precipitation index from 2015 to 2020

图3 2015—2020多年平均极端降水指数空间分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 3 Spatial distribution of multi-year average extreme precipitation index from 2015 to 2020

图4 2015—2020多年平均极端降水指数

Fig. 4 Box plot of multi-year average extreme precipitation index from 2015 to 2020

卫星降水产品的精度受气候、地形、降雨强度的影响较多，并且由上述分析可知对极端降水监测精度存在明显的空间差异性，需进一步分析不同地区的表现情况。为此将全国站点的观测高程根据自然间断法[25]分为5个高程区间（图5）。在不同梯度下分析极端降水评价指标（表2）发现，GSMaP和IMERG在第一梯度对极端降水指标的表现普遍较好，GSMaP各梯度极端降水指标的R优于IMERG。对R10 mm、RX5day、SDII指标，两种降水产品的精度随海拔的升高整体呈降低趋势，可见降水产品在低海拔地区对极端降水监测能力较好。但第四梯度R出现一定的峰值。刘若兰等[16]在中国地区评估IMERG对极端降水监测能力发现极端降水指标的精度从低海拔到高海拔递减，这与本研究结果相类似。分布在低海拔地区的站点地形条件相对单一，且主要在东部地区，降水量相对较多且站点密集，精度较高。随着梯度的上升地形和气候条件变得复杂，可能会影响降水产品的精度。第四梯度出现精度提升的情况可能与最大降水高度相关，降水量有时在半山区达到最高值[26]，可见GPM降水产品对微量降水和固态降水的探测能力仍需进一步提升。CDD在第一梯度相对偏差呈现负值，随海拔升高相对偏差为正。其他极端降水指标的误差在不同梯度表现不尽相同，可见误差与相对误差指标受海拔高程的影响较大。
图5 站点高程空间分布

注:该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 5 Spatial distribution of site elevations

表2 不同梯度极端降水指标误差分析

Tab. 2 Error analysis of extreme precipitation index with different gradients

梯度分区 站点
数量		 评价
指标		 CDD CWD SDII RX5day R10 mm R95pTOT
A B A B A B A B A B A B
梯度1
(<479 m)		 395 R 0.46 0.69 0.24 0.28 0.64 0.72 0.59 0.67 0.65 0.71 0.39 0.56
RMSE 12.10 8.36 3.11 5.47 2.32 3.39 49.70 45.00 6.26 6.22 7.78 4.64
rRMSE 0.36 0.24 0.50 0.86 0.18 0.26 0.31 0.27 0.22 0.21 0.23 0.13
ME -2.30 -1.49 1.58 4.46 -1.10 -3.10 -0.60 -19.60 2.61 3.63 5.52 0.19
BIAS(%) -2.80 -5.40 27.60 69.90 -8.50 -23.80 1.10 -10.50 10.50 10.80 16.30 0.70
梯度2
(479~1 128.8 m)		 130 R 0.33 0.54 0.18 0.26 0.59 0.64 0.54 0.60 0.55 0.60 0.30 0.44
RMSE 17.50 12.43 2.27 4.36 1.75 2.39 29.20 29.30 4.29 4.48 7.82 5.68
rRMSE 0.41 0.26 0.43 0.78 0.21 0.31 0.34 0.52 0.37 0.44 0.24 0.17
ME 2.05 -1.92 0.61 3.45 -0.60 -1.67 -2.40 -6.20 0.33 1.68 4.41 0.57
BIAS(%) 13.00 -2.20 16.70 62.30 -6.70 -14.70 2.50 16.50 12.10 21.50 14.00 2.60
梯度3(1 128.8~1 990.5 m) 95 R 0.31 0.53 0.26 0.22 0.54 0.65 0.42 0.57 0.50 0.60 0.29 0.37
RMSE 21.20 16.19 2.38 3.99 1.86 2.59 30.60 28.30 4.69 4.01 8.00 6.53
rRMSE 0.43 0.30 0.48 0.73 0.23 0.34 0.38 0.53 0.46 0.64 0.24 0.19
ME 5.90 0.64 0.98 3.04 -0.70 -1.60 -6.00 -8.10 -0.40 -0.20 3.14 1.46
BIAS(%) 20.00 5.70 22.90 55.40 -9.70 -13.60 -3.60 13.80 3.90 27.70 10.40 4.70
梯度4
(1 990.5~3 189 m)		 40 R 0.18 0.53 0.15 0.07 0.59 0.65 0.43 0.58 0.54 0.59 0.15 0.39
RMSE 21.00 14.18 3.60 6.09 1.19 1.61 23.50 17.90 5.23 4.64 8.48 5.19
rRMSE 0.41 0.25 0.58 0.93 0.17 0.23 0.37 0.28 0.77 0.48 0.30 0.18
ME 3.06 -0.04 1.32 4.95 -0.50 -1.40 2.01 -4.80 -1.30 -1.00 5.85 2.38
BIAS(%) 11.70 2.00 28.00 76.10 -6.20 -19.30 9.80 -2.00 26.90 0.40 21.50 8.70
梯度5
(>3 189 m)		 38 R 0.21 0.53 0.25 0.27 0.44 0.53 0.31 0.46 0.48 0.56 0.18 0.42
RMSE 22.90 16.50 4.07 7.26 0.88 1.14 23.30 16.10 4.29 3.88 9.27 5.18
rRMSE 0.39 0.27 0.53 0.93 0.15 0.19 0.41 0.31 0.37 0.32 0.36 0.20
ME 4.41 -0.09 1.91 5.79 0.10 -1.00 11.70 0.34 0.56 -1.60 7.54 2.81
BIAS(%) 13.90 4.70 26.90 74.40 2.60 -15.80 21.90 3.70 11.40 -12.30 29.70 11.10

注：A表示IMERG, B表示GSMaP。

3.2 极端降水指标误差特征分析

为了定量评估2种降水产品对6种极端降水指标在中国区域的误差程度，逐站点将极端降水指标放到同一时间序列里，得到各站点极端降水指标的误差统计值，在此基础上分别对全国范围及各流域内包含的站点误差统计值求平均得到对应的结果（表3）。从表中可以看出，在中国地区GSMaP对5种极端降水指标的R均优于IMERG，对CDD、RX5day、R10 mm以及R95pTOT指标的RMSE、rRMSE小于IMERG。IMERG和GSMaP高估R10 mm(BIAS分别为12.60%、13.65%)低估SDII(BIAS分别为 -8.56%、-19.64%)。IMERG和GSMaP对CWD指标R较低(均低于0.4)，且有一定的高估。李媛媛等[17]在黄河流域对GSMaP和IMERG评估时发现，这两种降水产品CWD的R值较高，CDD的R值较低，相关性较差，这与本文结果存在差异，原因是该研究探讨了黄河流域2014—2016年GSMaP和IMERG对极端降水的捕捉能力，与本文的研究区域与时间段不同所造成。从R95pTOT指标来看， 2种产品对极端强降水总量存在一定的高估，GSMaP对该指标的R较高，平均误差与相对误差较低，精度更高。
表3 GSMaP和IMERG极端降水精度评价指标

Tab. 3 Summary of error evaluation indexes for IMERG and GSMaP precipitation products

中国 东南诸河片 海河流域片 淮河流域片 黄河流域片 内陆河片 松辽河流域片 西南诸河片 长江流域片 珠江流域片
A B A B A B A B A B A B A B A B A B A B
CDD R 0.41 0.63 0.43 0.75 0.58 0.68 0.41 0.61 0.38 0.57 0.17 0.45 0.55 0.69 0.36 0.62 0.28 0.60 0.50 0.70
RMSE 15.60 11.50 9.10 6.40 14.10 10.80 10.30 7.80 17.20 12.40 30.40 24.20 15.30 11.90 17.40 13.80 12.70 7.40 14.20 8.80
NRMSE 0.36 0.25 0.36 0.25 0.26 0.20 0.31 0.22 0.35 0.25 0.42 0.30 0.31 0.24 0.27 0.22 0.46 0.25 0.46 0.28
ME -0.60 -1.30 0.00 -2.60 -0.50 2.10 -4.60 -4.30 4.70 -1.20 -1.80 -2.90 -3.40 4.20 -4.80 -3.10 2.50 -2.20 2.70 -2.00
BIAS(%) 2.40 -2.10 2.30 -8.10 -0.20 4.50 -13.10 -12.30 10.50 -1.20 6.80 2.30 -5.90 9.90 -4.80 -1.60 12.20 -7.70 13.70 -4.90
CWD R 0.22 0.26 0.09 0.20 0.17 0.12 0.34 0.39 0.16 0.11 0.30 0.34 0.31 0.27 0.26 0.32 0.21 0.24 0.17 0.34
RMSE 3.10 5.10 4.30 7.00 1.90 3.60 2.50 3.40 2.10 3.60 1.60 1.80 2.60 4.40 5.50 8.30 3.10 6.70 4.20 6.90
NRMSE 0.52 0.82 0.51 0.81 0.48 0.88 0.50 0.68 0.44 0.74 0.61 0.67 0.55 0.92 0.66 0.99 0.41 0.90 0.49 0.81
ME 1.50 4.10 2.00 5.30 1.20 2.90 1.30 2.60 0.90 2.90 0.90 1.30 1.40 3.50 2.90 6.80 1.00 5.50 1.80 5.80
BIAS(%) 28.00 66.00 24.0 61.50 30.70 70.10 28.50 53.10 20.40 59.00 37.50 50.70 31.70 74.50 40.50 83.80 15.10 73.40 23.30 67.60
SDII R 0.60 0.68 0.65 0.77 0.62 0.75 0.61 0.71 0.64 0.72 0.47 0.50 0.64 0.74 0.55 0.56 0.62 0.70 0.58 0.64
RMSE 2.00 2.90 1.80 3.10 2.70 3.00 3.20 3.50 1.70 2.10 1.50 2.30 2.00 2.70 1.10 2.00 1.90 2.90 2.50 4.30
NRMSE 0.20 0.28 0.13 0.23 0.24 0.26 0.24 0.26 0.20 0.25 0.30 0.51 0.19 0.27 0.13 0.24 0.16 0.24 0.16 0.27
ME -1.00 -2.40 0.20 -2.90 -2.30 -2.70 -2.50 -3.10 -1.10 -1.80 -0.80 0.00 -1.20 -2.50 -0.20 -1.80 -0.40 -2.60 -0.20 -4.00
BIAS(%) -8.60 -19.60 1.90 -21.30 -19.80 -23.70 -18.90 -23.60 -12.00 -21.70 -14.80 5.60 -10.90 -24.10 -0.80 -21.20 -2.20 -21.60 0.30 -25.20
RX5day R 0.53 0.63 0.54 0.68 0.66 0.76 0.65 0.72 0.50 0.60 0.44 0.49 0.56 0.66 0.40 0.48 0.53 0.65 0.52 0.60
RMSE 39.50 35.90 64.80 53.80 35.00 30.40 45.60 39.20 24.70 21.60 15.60 23.10 36.10 30.00 27.20 25.40 47.80 43.00 59.10 56.40
NRMSE 0.34 0.37 0.35 0.28 0.30 0.25 0.30 0.25 0.33 0.27 0.53 1.20 0.34 0.27 0.32 0.34 0.31 0.26 0.27 0.25
ME -0.20 -12.60 6.20 -29.20 -8.00 -8.80 -4.20 -17.20 -0.10 -4.80 -1.30 8.10 0.70 -9.90 6.10 -6.90 -3.00 -21.00 1.80 -23.60
BIAS(%) 3.00 1.00 5.70 -14.90 -4.20 -5.80 -1.40 -10.60 3.20 -3.70 5.40 73.60 2.60 -7.60 12.40 -1.00 0.60 -11.60 2.90 -10.00
R10 mm R 0.59 0.67 0.67 0.83 0.43 0.52 0.76 0.82 0.61 0.63 0.44 0.50 0.68 0.67 0.59 0.71 0.59 0.64 0.55 0.72
RMSE 5.50 5.20 8.70 7.80 4.20 3.60 5.50 5.10 3.90 3.80 3.00 2.30 4.30 3.70 6.10 5.40 6.70 6.90 7.10 8.10
NRMSE 0.35 0.35 0.19 0.16 0.27 0.24 0.23 0.21 0.30 0.27 1.18 1.43 0.26 0.22 0.37 0.27 0.19 0.19 0.16 0.18
ME 1.50 1.90 3.10 3.60 1.70 2.10 3.00 3.50 0.30 0.70 -0.20 -0.50 2.20 0.60 1.50 -1.90 1.60 3.70 0.70 4.80
BIAS(%) 12.60 13.70 7.80 7.00 12.00 14.30 12.50 14.30 7.40 5.00 34.70 66.10 13.60 4.40 17.80 -7.90 5.10 8.90 2.50 10.80
R95pTOT R 0.35 0.51 0.42 0.61 0.42 0.60 0.48 0.68 0.19 0.36 0.25 0.26 0.42 0.54 0.34 0.51 0.30 0.50 0.36 0.51
RMSE 8.10 5.30 5.90 3.60 10.40 5.60 10.10 4.70 9.90 5.10 9.10 9.60 8.50 5.40 6.60 5.20 6.80 4.30 5.90 4.00
NRMSE 0.25 0.16 0.19 0.11 0.31 0.16 0.28 0.13 0.31 0.16 0.28 0.29 0.24 0.15 0.24 0.18 0.22 0.13 0.18 0.12
ME 5.20 1.00 3.50 -0.70 8.00 1.70 8.40 0.90 7.40 1.30 2.10 3.30 5.90 1.20 4.00 1.80 4.50 -0.50 3.30 -0.20
BIAS(%) 16.40 3.40 11.30 -1.90 23.7 5.60 23.40 2.40 24.00 4.50 7.90 11.10 16.90 3.60 14.80 6.80 14.90 -0.70 10.30 -0.70

注：A表示IMERG, B表示GSMaP。

从流域尺度看，2种降水产品的CDD在较湿润的流域表现较好，如海河流域片、松辽河流域片以及珠江流域片，相关系数均大于0.5。在较干旱的流域(内陆河片及黄河流域片)表现相对较差，相关系数均小于0.5。GSMaP对该指标的相关系数较IMERG表现较好，各流域均优于IMERG，尤其是在东南诸河片表现最好，R为0.75。对比误差指标，GSMaP的RMSE和rRMSE较小，IMERG在东南诸河、海河、内陆河、黄河流域高估CDD，在其他流域2种降水产品的ME和BIAS均为负值，对CDD有一定的低估。2种降水产品在各流域对CWD的R均在0.4以下，相关性较低且对于该指标具有不同程度的高估， GSMaP较IMERG高估严重，不宜将GSMaP用于对CWD指标的评估。对于R10 mm指标， GSMaP的R均在0.5以上，与地面观测降水有较好的一致性。其中在东南诸河片表现最好，R为0.83。IMERG除了在海河流域片和内陆河表现较差，其他流域R均高于0.5。GSMaP在各流域(除长江流域片、珠江流域片)的RMSE较IMERG小。从ME和BIAS来看，除了GSMaP在西南诸河片对该指标有一定的低估， 2种降水产品在九大流域均倾向于高估。从SDII和RX5day指标来看，GSMaP在各流域的R高于IMERG，与地面站点具有更好的一致性。2种降水产品在降水量较丰富的流域如东南诸河、淮河、海河、松辽河、长江流域相关系数较高，而在内陆河地区相关系数较低。从RX5day来看，IMERG除内陆河及西南诸河片的RMSE和rRMSE的相对较小，其他流域的误差均大于GSMaP。对SDII指标，2种产品的RMSE均小于5， IMERG在东南诸河以及GSMaP在内陆河有一定的高估，在其他各流域均有一定低估。从极端强降水总量上(R95pTOT)来看，2种降水产品在黄河流域及内陆河表现较差，在东南、海河淮河流域片表现较好。
总体来说，大陆地区GSMaP相对IMERG对这5种极端降水指标的精度较高，监测能力较好。2种降水产品在东南诸河片、松辽河流域片和海河流域片等较为湿润的流域R较高，内陆河片R较低，这与李麒崙[27]对于IMERG降水精度的研究结果相类似。东南诸河片地处平原地区，受地形影响较小，卫星反演更加准确。在内陆河片，地形复杂，气候干燥，全年降水量偏低且用于验证的地面站点较少，因此对各极端指标的相关系数表现较差。李媛媛[17]对最新GPM数据在黄河流域进行评估发现，GSMaP产品6组极端降水指数的R均大于IMERG产品，在极端降水观测能力上优于IMERG，这与本文结论一致。

3.3 不同阈值下降水产品探测能力分析

分别以0.1、10、25 mm/d为阈值统计各站点的分类评价指标，得到IMERG和GSMaP的分类评价指标空间分布（图6）以及各分类指标的频率分布（图7）。从图6可以看出，在0.1 mm/d阈值下（图6(a)）， 2种降水产品在东南部的探测率(POD)均优于西北部，GSMaP的POD除西北部大都在0.6~0.9之间，而IMERG在全国大部分区域在0.4~0.8之间。从空报率FAR（图6(d)）来看，该阈值下两种卫星降水产品在中国南部地区表现较好，空报率均小于0.6。相比IMERG，GSMaP在东北部地区表现相对较好。从准确率ACC（图6(g)）来看，2种卫星降水产品在西北部地区高于东南部地区，IMERG在西北部的准确率略优于GSMaP，主要表现在西藏、青海、内蒙古等地区。在10 mm/d阈值下，GSMaP在东部地区的POD优于IMERG(图6(b))，可见IMERG在湿润地区对中雨以上级别的降水探测能力不如GSMaP。对于该阈值下的FAR(图6(e))，IMERG在全国大部分地区高于GSMaP。从ACC来看(图6(h))， 2种降水产品在空间上均表现为西北向东南降低，整体上二者表现较为接近。(IMERG为0.882，GSMaP为0.891)，说明两种降水产品对中雨的把握能力较强，尤其是对于西北部降水较少的地区，准确率更高。在25 mm/d阈值下，POD普遍较低(图6(c))，均在0.6以下。对于FAR(图6(f)， 2种卫星降水产品表现较差(IMERG为0.861，GSMaP为0.836)，且空间分布无明显规律，这可能是由于单日降水达到25 mm的站点数量较少，导致误报率变高。 2种降水产品的ACC(图6(i))由东南向西北递增，表现较好(IMERG为0.952， GSMaP为0.959)。 2种降水产品的探测率在不同阈值下均表现出东南部高于西北部，对小雨和中雨的空报率北部高于南部，西北部的准确率较高。张茹[28]对GSMaP和IMERG在2 mm阈值下的探测精度研究发现，GSMaP在湿润和半湿润区的POD最高，表现最优，这与本文结论类似，可见GSMaP地面站点校正取得良好的效果。
图6 2015—2020年GSMaP和IMERG多年平均探测能力指标空间分布

注:该图基于自然资源部标准地图服务网站审图号为GS(2019)1822号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 6 Spatial distribution of multi-year average detection capability indicators of GSMaP and IMERG from 2015 to 2020

图7 IMERG和GSMaP探测能力指标在各阈值下频率分布

Fig. 7 Probability density distribution of detection capability indicators for IMERG and GSMaP daily precipitation under the threshold of 0.1, 10 and 25 mm/d

从频数分布（图7）来看，2种卫星产品POD所对应频数在0.1 mm/d阈值分类下最高，25 mm/d阈值下最低，探测能力随降水阈值的增加呈递减趋势,说明2种降水产品对弱降水的探测能力优于强降水。GSMaP对于弱降水(0.1 mm/d)的探测能力略优于IMERG(表4)。2种降水产品均表现出随着阈值的增加FAR增大，对强降水(25 mm/d)的空报率较高。对于ACC，GSMaP和IMERG在25 mm/d阈值下最高，在0.1 mm/d阈值下最低。同时在不同流域上对这几种指标进行对比分析时发现，2种降水产品的POD随阈值的增加呈递减趋势，FAR和ACC呈递增趋势。2种降水产品在不同流域也表现出在低阈值下探测率更高，对高阈值的准确率更高。这与GPM卫星搭载了最新的双频雷达系统，改进了微波辐射计的性能，提高了对弱降水和固态降水的探测能力有关，而我国日降水达到25 mm/d的站点相对0.1 mm/d和10 mm/d较少，参与计算的站点较少，探测精度较低。(以地面站数据集2015年6月17日为例，当日降水达到25 mm的站点数量为51个，达到 10 mm的站点数量为109个，达到0.1 mm的站点数量为304个)。
表4 IMERG和GSMaP日降水探测能力指标对比

Tab. 4 Summary of detection capability indicators for IMERG and GSMaP daily precipitation under the threshold of 0.1, 10 and 25 mm/d

0.1 mm/d 10 mm/d 25 mm/d
POD FAR ACC POD FAR ACC POD FAR ACC
全国 IMERG 0.429 0.418 0.648 0.224 0.763 0.882 0.129 0.861 0.952
GSMaP 0.496 0.221 0.701 0.288 0.687 0.891 0.186 0.836 0.959
东南诸河片 IMERG 0.540 0.352 0.623 0.276 0.704 0.801 0.125 0.699 0.859
GSMaP 0.571 0.203 0.668 0.330 0.643 0.817 0.207 0.814 0.924
海河流域片 IMERG 0.291 0.492 0.684 0.142 0.843 0.923 0.062 0.835 0.954
GSMaP 0.376 0.345 0.740 0.191 0.782 0.927 0.113 0.902 0.977
淮河流域片 IMERG 0.316 0.439 0.611 0.169 0.811 0.882 0.077 0.815 0.921
GSMaP 0.418 0.311 0.702 0.225 0.741 0.890 0.153 0.855 0.956
黄河流域片 IMERG 0.335 0.479 0.662 0.132 0.863 0.929 0.044 0.852 0.962
GSMaP 0.402 0.293 0.701 0.178 0.812 0.933 0.088 0.930 0.964
内陆河 IMERG 0.206 0.632 0.735 0.045 0.960 0.938 0.037 0.919 0.751
GSMaP 0.298 0.437 0.776 0.079 0.930 0.953 0.056 0.945 0.621
松辽河流域片 IMERG 0.325 0.507 0.643 0.140 0.842 0.913 0.055 0.841 0.947
GSMaP 0.433 0.272 0.718 0.213 0.777 0.924 0.110 0.911 0.975
西南诸河片 IMERG 0.540 0.324 0.713 0.196 0.787 0.893 0.060 0.793 0.909
GSMaP 0.538 0.147 0.721 0.260 0.755 0.909 0.127 0.918 0.948
长江流域片 IMERG 0.494 0.383 0.608 0.213 0.777 0.838 0.090 0.781 0.888
GSMaP 0.541 0.185 0.667 0.276 0.697 0.849 0.161 0.856 0.933
珠江流域片 IMERG 0.545 0.377 0.656 0.310 0.683 0.827 0.161 0.679 0.871
GSMaP 0.562 0.175 0.689 0.366 0.593 0.838 0.232 0.791 0.919

4 结论与讨论

4.1 结论

对IMERG和GSMaP降水产品的CDD、CWD、R10 mm、RX5day、SDII、R95pTOT 5种极端降水指标在中国进行分析得出以下结论：
（1）从极端降水的空间分布及误差指标来看， 2种降水产品在空间分布上对6种极端降水指标均与地面站点有较好的一致性，对持续干燥指数(CDD)、中雨日数(R10 mm)以及5日最大降雨量(RX5day)指标反映较好，GSMaP对持续湿润指数(CWD)高估严重，BIAS为66%。对雨强指数(SDII)有一定的低估， IMERG和GSMaP对该指数的低估值分别为-8.6%和-19.6%。对强降雨总量(R95pTOT)IMERG有一定的高估，体现在海河流域片(BIAS为23.7%)和淮河流域片(BIAS为23.4%)，GSMaP对该指标反映较好，相关系数为0.51。 GSMaP对于这6种极端降水指标的相关系数均高于IMERG，对极端降水把握能力较好。
（2）在不同梯度分析极端降水评价指标发现， 2种产品在第一梯度对极端降水指标的表现普遍较好，GSMaP各梯度极端降水指标的R优于IMERG。2种降水产品对极端降水指标的精度整体上随海拔的升高呈降低趋势。
（3） 2种降水产品在东南诸河片、松辽河流域片、海河流域片等相对较湿润的流域对极端降水指标的表现相对较好，在内陆河流域片表现出较低的相关系数（R低于0.5）。
（4）在不同的降水阈值下， 2种降水产品在西北部的准确率高于东南部，南部的空报率和探测率优于北部。2种卫星降水产品在中国地区及各流域对降水的探测率随着阈值由高到低呈现出逐渐增加的趋势，FAR和ACC呈递增趋势，说明对较低阈值降水的探测率更高，对高阈值降水的准确率更高。

4.2 讨论

极端降水事件的定量评估和预测仍是值得关注的科学问题。开展卫星降水产品极端降水大范围的监测评估也是未来值得关注的研究方向。已有学者基于降水产品对中国极端降水监测能力开展评估。刘若兰[16]评估IMERG和TPMA产品对极端降水监测能力，发现这2种降水产品在高海拔和干旱地区探测精度较低，这与本文结论相符。刘瑜[21]对TRMM 3B42、TRMM 3B43以及CMORPH开展评估后发现这3种产品对CWD指标表现较好，这与本文得到的结论相悖，可见不同产品对不同极端降水指数表现存在一定差异。IMERG和GSMaP作为GPM时代下2种主流卫星产品，在中国地区对极端降水表现出较好的观测精度，但是这2种降水产品对于极端降水指数在不同的地区以及不同降水阈值下的表现差异较大，因此，将降水产品应用到具体极端降水相关研究中需从时间、范围、强度、气候要素演化特征等多个角度进行描述，并考虑引入地形、气候等影响因素对降水产品进行误差校正。使用降水产品对极端事件进行定量评估有助于大范围获取极端事件的变化情况，但针对特定区域的特定应用，需要逐步建立具有针对性的极端事件指标体系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Hou A Y, Kakar R K, Neeck S, et al. The global precipitation measurement mission[J]. Bulletin of the American Meteorological Society, 2014, 95(5):701-722. DOI:https://doi.org/10.1175/BAMS-D-13-00164.1

DOI

[2]
刘元波, 傅巧妮, 宋平, 等. 卫星遥感反演降水研究综述[J]. 地球科学进展, 2011, 26(11):1162-1172.

[Liu Y B, Fu Q N, Song P, et al. Satellite retrieval of precipitation: An overview[J]. Advances in Earth Science, 2011, 26(11):1162-1172.] DOI:10.11867/j.issn.1001-8166.2011.11.1162

DOI

[3]
Goswami B N, Venugopal V, Sengupta D, et al. Increasing trend of extreme rain events over India in a warming environment[J]. Science, 2006, 314(5804):1442-1445. DOI:10.1126/science.1132027

DOI PMID

[4]
高涛, 谢立安. 近50年来中国极端降水趋势与物理成因研究综述[J]. 地球科学进展, 2014, 29(5): 577-589.

DOI

[Gao T, Xie L A. Study on Progress of the Trends and Physical Causes of Extreme Precipitation in China During the Last 50 Years[J]. Advances in Earth Science. 2014, 29(05): 577-589.] DOI:10.11867/j.issn.1001-8166.2014.05.0577

DOI

[5]
杨金虎, 江志红, 王鹏祥, 等. 中国年极端降水事件的时空分布特征[J]. 气候与环境研究, 2008, 13(1):75-83.

[Yang J H, Jiang Z H, Wang P X, et al. Temporal and spatial characteristic of extreme precipitation event in China[J]. Climatic and Environmental Research, 2008, 13(1):75-83.]

[6]
高玥, 徐慧, 刘国. GSMaP遥感降水产品对典型极端降水事件监测能力评估[J]. 遥感技术与应用, 2019, 34(5):1121-1132.

[Gao Y, Xu H, Liu G. Evaluation of the GSMaP estimates on monitoring extreme precipitation events[J]. Remote Sensing Technology and Application, 2019, 34(5):1121-1132.] DOI:10.11873/j.issn.1004-0323.2019.5.1121

DOI

[7]
任国玉, 封国林, 严中伟. 中国极端气候变化观测研究回顾与展望[J]. 气候与环境研究, 2010, 15(4):337-353.

[Ren G Y, Feng G L, Yan Z W. Progresses in observation studies of climate extremes and changes in China's mainland[J]. Climatic and Environmental Research, 2010, 15(4):337-353.]

[8]
郭瑞芳, 刘元波. 多传感器联合反演高分辨率降水方法综述[J]. 地球科学进展, 2015, 30(8):891-903.

DOI

[Guo R F, Liu Y B. Multi-satellite retrieval of high resolution precipitation: An overview[J]. Advances in Earth Science, 2015, 30(8):891-903.] DOI:10.11867/j.issn.1001-8166.2015.08.0891

DOI

[9]
唐国强, 李哲, 薛显武, 等. 赣江流域TRMM遥感降水对地面站点观测的可替代性[J]. 水科学进展, 2015, 26(3):340-346.

[Tang G Q, Li Z, Xue X W, et al. A study of substitutability of TRMM remote sensing precipitation for gauge-based observation in Ganjiang River Basin[J]. Advances in Water Science, 2015, 26(3):340-346.] DOI:10.14042/j.cnki.32.1309.2015.03.005

DOI

[10]
Tang G Q, Zeng Z Y, Long D, et al. Statistical and hydrological comparisons between TRMM and GPM level-3 products over a midlatitude basin: Is day-1 IMERG a good successor for TMPA 3B42V7?[J]. Journal of Hydrometeorology, 2016, 17(1):121-137. DOI: https://doi.org/10.1175/JHM-D-15-0059.1

DOI

[11]
Duan Z, Liu J Z, Tuo Y, et al. Evaluation of eight high spatial resolution gridded precipitation products in Adige Basin (Italy) at multiple temporal and spatial scales[J]. Science of the Total Environment, 2016, 573:1536-1553. DOI: https://doi.org/10.1016/j.scitotenv.2016.08.213

DOI

[12]
Huffman G, Bolvin D, Braithwaite D. Developing the integrated multi-satellite retrievals for GPM (IMERG)[C], 2012:6921.

[13]
曾岁康, 雍斌. 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, 2019, 74(7):1305-1318.

DOI

[Zen S K, Yong B. Evaluation of the GPM-based IMERG and GSMaP precipitation estimates over the Sichuan region[J]. Acta Geographica Sinica, 2019, 74(7):1305-1318.]

DOI

[14]
Tang G Q, Ma Y Z, Long D, et al. Evaluation of GPM Day-1 IMERG and TMPA Version-7 legacy products over Mainland China at multiple spatiotemporal scales[J]. Journal of Hydrology, 2016, 533:152-167.

DOI

[15]
李彦妮, 黄昌, 庞国伟. 全球降雨计划GSMaP与IMERG卫星降雨产品在陕西地区的精度评估[J]. 干旱区地理, 2022, 45(1):80-90.

[Li Y N, Huang C, Pang G W. Accuracy assessment of GSMaP and IMERG satellite precipitation products in Shaanxi Province[J]. Arid Land Geography, 2022, 45(1):80-90.] DOI:10.12118/j.issn.1000-6060.2021.027

DOI

[16]
刘若兰, 江善虎, 任立良, 等. 全球降水观测计划IMERG降水产品对中国大陆极端降雨监测能力评估[J]. 中国农村水利水电, 2021(4):57-63.

[Liu R L, Jiang S H, Ren L L, et al. Evaluation of GPM IMERG precipitation product in capturing extreme precipitation events over China's mainland[J]. China Rural Water and Hydropower, 2021(4):57-63.]

[17]
李媛媛, 宁少尉, 丁伟, 等. 最新GPM降水数据在黄河流域的精度评估[J]. 国土资源遥感, 2019, 31(1):164-170.

[Li Y Y, Ning S W, Ding W, et al. The evaluation of latest GPM-Era precipitation data in Yellow River Basin[J]. Remote Sensing for Land and Resources, 2019, 31(1):164 -170.] DOI:10.6046/gtzyyg.2019.01.22

DOI

[18]
陈汉清, 鹿德凯, 周泽慧, 等. GPM降水产品评估研究综述[J]. 水资源保护, 2019, 35(1):27-34.

[Chen H Q, Lu D K, Zhou Z H, et al. An overview of assessments on global precipitation measurement (GPM) precipitation products[J]. Water Resources Protection, 2019, 35(1):27-34.] DOI:10.3880/j.issn.1004-6933.2019.01.006

DOI

[19]
《第三次气候变化国家评估报告》 编写委员会. 第三次气候变化国家评估报告[M]. 2版. 北京: 科学出版社, 2015.

[20]
Zhang X B, Alexander L, Hegerl G C, et al. Indices for monitoring changes in extremes based on daily temperature and precipitation data[J]. Wiley Interdisciplinary Reviews: Climate Change, 2011, 2(6):851-870. DOI:https://doi.org/10.1002/wcc.147

DOI

[21]
刘瑜, 吴裕珍, 冯志州, 等. 多种卫星降水产品对中国极端降雨反演效果评估[J]. 热带地理, 2017, 37(3):417-433.

DOI

[Liu Y, Wu Y Z, Feng Z Z, et al. Evaluation of a variety of satellite retrieved precipitation products based on extreme rainfall in China[J]. Tropical Geography, 2017, 37(3):417-433.] DOI:10.13284/j.cnki.rddl.002949

DOI

[22]
刘培, 吴凯, 许怡, 等. 中国大陆TRMM降水多尺度精度评价[J]. 水利水电科技进展, 2018, 38(3):42-47.

[Liu P, Wu K, Xu Y, et al. Multi-scale accuracy evaluation of TRMM precipitation data in China's mainland[J]. Advances in Science and Technology of Water Resources, 2018, 38(3):42-47.] DOI:10.3880/j.issn.1006-7647.2018.03.008

DOI

[23]
Rahman M M, Singh Arya D, Goel N K, et al. Rainfall statistics evaluation of ECMWF model and TRMM data over Bangladesh for flood related studies[J]. Meteorological Applications, 2012, 19(4):501-512. DOI:https://doi.org/10.1002/met.293

DOI

[24]
刘海文, 丁一汇. 华北汛期日降水特性的变化分析[J]. 大气科学, 2010, 34(1):12-22.

[Liu H W, Ding Y H. Analysis of daily precipitation characteristics over North China during rainy seasons[J]. Chinese Journal of Atmospheric Sciences, 2010, 34(1):12-22.]

[25]
李乃强, 徐贵阳. 基于自然间断点分级法的土地利用数据网格化分析[J]. 测绘通报, 2020(4):106-110,156.

DOI

[Li N Q, Xu G Y. Grid analysis of land use based on natural breaks (jenks) classification[J]. Bulletin of Surveying and Mapping, 2020(4):106-110,156.] DOI:10.13474/j.cnki.11-2246.2020.0121

DOI

[26]
王戈飞. 多种降水产品在秦巴山区的精度评估[D]. 西安: 西北大学, 2018.

[Wang G F. Evaluation of multiple precipitation products in the Qinling-Daba Mountains[D]. Xi'an: Northwest University, 2018.]

[27]
李麒崙, 张万昌, 易路, 等. GPM与TRMM降水数据在中国大陆的精度评估与对比[J]. 水科学进展, 2018, 29(3):303-313.

[Li Q L, Zhang W C, Yi L, et al. Accuracy evaluation and comparison of GPM and TRMM precipitation product over China's mainland[J]. Advances in Water Science, 2018, 29(3):303-313.] DOI:10.14042/j.cnki.32.1309.2018.03.001

DOI

[28]
张茹, 雍斌, 曾岁康. GPM卫星降水产品在中国大陆的精度评估[J]. 人民长江, 2021, 52(5):50-59.

[Zhang R, Yong B, Zeng S K. Evaluation of GPM satellite precipitation products over China's mainland[J]. Yangtze River, 2021, 52(5):50-59.] DOI:10.16232/j.cnki.1001-4179.2021.05.009

DOI

Options
文章导航

/

〈 〉