EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 7: 1296 - 1311

DOI: https://doi.org/10.12082/dqxxkx.2021.200348

Research on the Applicability of Remote Sensing Precipitation Products in Different Climatic Regions of China

  • PENG Zhenhua , 1, 2 ,
  • LI Yanzhong , 1, * ,
  • YU Wenjun 1 ,
  • XING Yincong 1 ,
  • FENG Aiqing 3 ,
  • DU Shenwen 1
Expand
  • 1. School of Hydrology and Water Resources, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 2. Hohai university, Nanjing, 210089, China
  • 3. National Climate Center & Laboratory for Climate Studies, China Meteorological Administration, Beijing 100081, China
* LI Yanzhong, E-mail:

Received date: 2020-07-05

  Request revised date: 2020-08-31

  Online published: 2021-09-25

Supported by

Natural Science Foundation of China(41901076)

Natural Science Foundation of China(41701019)

Natural Science Foundation of China(41901016)

Special Climate Change Project of China Meteorological Administration(CCSF202042)

The Startup Foundation for Introducing Talent of NUIST(2017r069)

Key Laboratory of Water Cycle and Related Land Surface Processes, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences(2017A004)

The 2020 "Excellent Undergraduate Thesis (Design) Support Program" project of NUIST

China Scholarship Council Young Teachers' Key Project(201809040009)

Copyright

Copyright reserved © 2021
Fold

Abstract

Compared with the observation data from meteorological stations, remote sensing precipitation products can be used to well present the spatial distribution of precipitation. So it is of great significance to make a comparative study on the differences of remote sensing precipitation products in different climatic regions. This paper selects the typical climatic regions in China for comparison analysis. Based on the corrected observations of 649 meteorological stations, the performance of five typical remote sensing precipitation products (CHIRPS v2.0, CMORPH v1.0, MSWEP v2.0, PERSIANN-CDR, and TRMM 3B42v7) are evaluated in different climatic regions. Results show that: (1) The performance of each product varies in different climatic regions; (2) The MSWEP product shows higher CC, KGE, and RMSE values in each climatic region. Based on BIAS, the MSWEP, CHIRPS, PERSIANN, and TRMM have better performance in arid, humid regions, the Tibetan Plateau, and transition regions, respectively; (3) In terms of POD, CSI, and ACC, the MSWEP has better performance in all climatic regions. In humid region, TRMM and CMORPH have advantages with lower FAR, while MSWEP is better in other climatic regions. Above all, MSWEP, the multi-source precipitation product, has better basic statistical performance and category performance in all climatic regions and can be used as a reliable precipitation data source for various hydrometeorological studies in China, which indicates that multi-source data fusion has a good application prospect in future.

Key words： remote sensing precipitation; precipitation datasets; precipitation bias-correction; applicability evaluation; evaluation metric; MSWEP; climatic regions; China

Cite this article

PENG Zhenhua , LI Yanzhong , YU Wenjun , XING Yincong , FENG Aiqing , DU Shenwen . Research on the Applicability of Remote Sensing Precipitation Products in Different Climatic Regions of China[J]. Journal of Geo-information Science, 2021 , 23(7) : 1296 -1311 . DOI: 10.12082/dqxxkx.2021.200348

1 引言

降水是地球水循环的基本组成部分[1],其时空变化将直接影响区域乃至全球可用水资源量。因此,准确获取降水数据对预防干旱、暴雨、洪水等气象灾害的发生具有重要意义。目前,测量降水的主要方法包括雨量计、天气雷达、遥感卫星等[2]。地面雨量计测量获得的降水量通常情况下被视为真实值,但不足之处在于受地形等因素的限制,雨量站空间分布不均匀,发达地区分布密集而在部分偏远地区分布稀疏;天气雷达虽然可以在数百公里范围内测得较精确降水,但是也受成本高、电子设备信号不稳定、在复杂地形中的覆盖范围有限等的影响[3];近些年来,随着遥感技术不断发展,因其不受地形因素的限制,可在近似全球范围内提供连续的高分辨率降水估计,基于栅格格式的高时空分辨率卫星遥感降水产品迅速发展[4],并已广泛用于大规模水文研究和应用。目前,全球有几十种基于不同的数据、模型和方法得到的遥感降水产品,它们在幅员辽阔、各气候区降水量差异显著的中国适用性如何?它们在中国不同气候区的性能表现如何?哪种产品更适用于中国的地理环境特点?这些科学问题的揭示,不仅可为不同区域遥感降水产品的选择提供科学参考依据,而且也能为遥感降水反演算法和模型的改进提供重要信息。
目前,国内外诸多学者已对遥感降水产品的性能评估开展了大量的研究工作。Sandra Pombo等[5]选择了4种遥感降水产品,分别为TRMM (Tropical Rainfall Measuring Mission Satellite)、GPCP (Global Precipitation Climatology Project)、PERSIANN (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks)和CMORPH (Climate Prediction Center (CPC) Morphing Technique),对其在安哥拉的年、月降水估计值与地面站点观测数据进行了比较,结果发现各产品均能够较好地反映该地区年降水量和月降水量时空变化的主要特征,但TRMM提供的估计值相对准确。Mohamed Shawky等[6]使用2014年3月—2016年12月的日尺度雨量计数据,使用连续统计指标和分类统计指标评估了GPM (IMERG) V04和GSMaP V06产品在干旱环境（阿曼苏丹国）的可靠性,发现这2个产品均可捕捉到降水的时空格局,但通过与实地测量值比较,发现存在部分区域过高或过低的估计,且GSMaP的总体质量优于IMERG。付杨等[7]比较了7种降水产品在中国10个主要流域上1980—2007年的表现性能,发现这些产品之间存在较为显著的差异。王书霞等[8]基于地面实测降水数据,在格网尺度分别评价了TRMM 3B42V7、CMORPH CRT、TRMM 3B42RT和PERSIANN这4种遥感降水产品在澜沧江流域（青藏高原地区）的性能,结果表明4种遥感降水产品在日尺度上的性能都不理想,但TRMM 3B42V7在月、年尺度下性能表现较好,且其径流模拟适用性最好。Liu等[9]以雨量站观测的日降水量分析（CGDPA）为基准数据,评价了对6种遥感降水产品在渭河流域（过渡区）的性能,结果发现在日尺度上,TRMM 3B42V7、PERSIANN CDR和CMORPH CRT均表现良好,而在月、年尺度上,TRMM 3B42V7最优,并且在捕捉极端降水方面表现出相对较高的精度和较低的空间不确定性。Bai等[10]在青藏高原对CHIRPS (Climate Hazards group Infrared Precipitation with Stations), CMORPH, PERSIANN-CDR, TMPA3B42和MSWEP v2.0 (Multi-Source Weighted-Ensemble Precipitation)这5种降水产品进行了评价,发现这些降水产品空间分布格局相似,但降水估计值却存在显著差异,其中MSWEP与站点实测值的一致性最好,表明基于多源数据融合的MSWEP产品表现优异[11]。综上可知,诸多对遥感降水产品的分析侧重于局部地区或者流域尺度分析,而对于不同气候区的综合分析相对较为薄弱。中国涵盖了不同的气候区,为不同遥感降水产品性能的对比分析提供了良好的条件,综合评价不同遥感降水产品在不同气候区的差异性,不仅可以为遥感降水产品的选择提供理论依据,而且可为降水产品反演算法的改进以及不同产品的数据融合提供科学参考。
本研究选取5种国际常用的降水产品TRMM 3B42v7,CMORPH v1.0,PERSIANN-CDR,MSWEP,CHIRPS v2.0,采用统计评价指标和分类统计评价指标,以经偏差矫正后的全国649个气象站的观测降水数据为基准,从年际降水时空变化格局、站点尺度性能、降水等级预报性能、降水强度的频率分布方面,综合评价5种产品在不同气候区的适用性。

2 研究区概况与数据源

2.1 研究区概况

本研究选择中国大陆为研究区,根据1960—2017年的多年平均降水量的空间分布格局,按照年雨量400 mm和800 mm等值线,把中国大陆划分为干旱区、过渡区和湿润区（图1）;而青藏高原作为独特的高寒地貌（图1和表1）,本研究将单独作为一个区域进行讨论分析,该区域的边界数据来自中国科学院地理资源研究所数据共享中心（ http://www.resdc.cn/）。本研究选择的4个典型气候区的气象要素存在较大差异（表1）,如湿润区多年降水量是干旱区的5.74倍,而干旱区的干燥指数则是湿润区的6.78倍。湿润区的年均气温较高,达到16.78 ºC,而青藏高原由于海拔高,年均气温低至-0.97 ºC。干旱区与青藏高原的潜在蒸散发和干燥指数相对于过渡区和湿润区明显偏大。
图1 中国不同气候区示意

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. 1 Location of different climatic zones in China

表1 不同气候区的水文气象基本特征

Tab. 1 Basic characteristics of hydrometeorology in different climate regions

气候区 P /(mm a-1) Tmean/(°C a-1) PET/(mm a-1) AI
干旱区 (n=122) 207.7 6.62 1097.9 5.29
过渡区 (n=172) 534.8 5.93 828.5 1.55
湿润区 (n=261) 1192.0 16.78 923.8 0.78
青藏高原 (n=94) 436.6 -0.97 1031.3 2.36

注：气候区名称后的数字代表该气候区内的气象站数量。P代表年降水量,Tmean代表年平均气温,PET表示潜在蒸散发,AI代表干燥指数。

2.2 数据源

2.2.1 观测降水与偏差矫正
准确的降水数据是正确分析降水时空分布的基础,也是其他水文、气象研究的基础,然而由于观测仪器的系统误差和气候条件等影响,导致气象站观测值与实际值存在偏差[12,13],故而对基于站点的降水数据进行偏倚矫正显然非常关键[14]。本研究涉及的气象站数据来自国家气象局信息中心（ http://data.cma.cn/）,研究筛选了1998—2014年日观测气象数据（降水、温度和风速等）完整无缺测的站点,最终通过质量控制,选择了全国具有代表性的649个气象站。其中,逐日降水数据是客观地评估遥感降水产品性能的核心数据,因此,需要对日观测降水进行偏差矫正,否则观测数据中的偏差会给遥感降水产品的适用性评估带来较大的不确定性[15]。
为了对降水数据进行偏差矫正,固体降水测量相互比较组织（World Meteorological Organization,WMO）开发了几种适用于世界各地常用的各种降水测量仪器的偏差矫正技术[12]。在中国,Ye等[13]对降水进行了偏差矫正,发现在大部分地区,降水数据最大的误差为动力损失,其次是湿润损失。动力损失是指测量仪器口上方风场变形,被风吹走未能被测量的降水[16]。湿润损失是指在降水观测中被滞留或附着在测量仪器表面,不能被测量的降水[17]。因此,本研究也主要对这两类测量误差进行矫正,矫正公式如下：
P c = P g + ∆ P w CR
式中： P c 表示基于降水类型（雨、雪和混合降水）的偏差修正降水[13]; P g 是雨量计记录; ∆ P w 是湿润损失,当降水类型为雨、雪和雨夹雪时, ∆ P w 取值分别为0.23、0.30和0.29 mm[13,14,15]。CR是捕获率,是雨量计测量的降水量与真实降水量的比率[12]。CR值越小表示降水偏差越大。CR可以通过10 m高度风速（U10）和空气平均温度（Ta）进行估算,计算公式如下：
C R snow = exp ( - 0.056 × U 10 ) , 0 < U 10 < 6.2
C R rain = exp ( - 0.04 × U 10 ) , 0 < U 10 < 7.3
C R mixed = C R snow - ( C R snow - C R rain ) × ( Td + 2 ) / 4 当 Ta < - 2 时 , Td = - 2 ; 当 Ta > 2 时 , Td = 2 ; 当 - 2 < Ta < 2 时 , Td = Ta ;
式中：CRsnow,CRrain,CRmixed分别表示为降水对应降雪、降雨和雨夹雪类型时的CR值。图2展示了不同气候区的降水原始值与矫正值对比情况,可以看出各气候区的降水量矫正前后均值的相对误差均在10%以上,在干旱区低估平均降水量达到19.5%。由此可见,对降水进行偏差矫正尤为必要。
图2 不同气候区降水的偏差矫正

注：图中的数字代表矫正前后均值的相对偏差百分比。

Fig. 2 Correction of precipitation deviation in different climatic regions

2.2.2 卫星降水产品
本文选取了广泛使用的5种卫星降水产品（CHIRPS v2.0,CMORPH v1.0,MSWEP v2.0,PERSIANN-CDR,TRMM 3B42V7）,空间分辨率均为0.25°×0.25°。需要说明的是,这5种降水产品并非完全独立,不同的产品可能使用相同的传感器作为数据源（表2）。CHIRPS v2.0是一种准全球性的降水产品,它结合了降水气候学、同步热红外观测、大气再分析、降雨场和超过20 000个雨量站的降水测量[18,19],空间跨度范围为50°N~ 50°S,时间为1981—2018,该产品在地区[20]和全球[13]尺度上的评价中表现出较为可靠的性能。CMORPH结合了无源微波传感器和红外传感器的优点,利用红外源运动矢量来传播无源微波源降水估计的时空分辨率[21],该数据的空间范围为60°N~60°S,时间为1981—2019年,研究发现该产品在中国区域优于其他卫星降水产品[22]。PERSIANN-CDR使用Gridded卫星（GridSat-B1）的红外辐射数据作为PERSIANN模型的输入[23],然后,通过GPCP降水产品对模型输出进行校正,减小估计降水的偏差,该数据的空间范围为 60°N~60°S。TRMM的目标是提供近似全球性降水的“最佳”估计,它配备了多个降雨传感器,包括降水雷达、TRMM微波成像仪、可见光和红外辐射计。该产品最初是为热带地区的降雨反演而开发的,现已扩展到近似全球尺度,时间跨度为1998—2018年。TRMM提供了2种形式的降水产品：一种是延迟观测时间数小时的近实时产品,另一种是延迟观测时间2~3个月的经过雨量站数据调整的产品。一般来说,在水文气象业务中,近实时产品适用性更强,而在降水估算中,经过雨量站数据调整的产品更准确,它主要用于科学研究[24],故而本文研究中选择TRMM数据为经过调整后的延迟观测数据。本产品的空间范围为50°N—50°S。MSWEP是一种新开发的全球融合降水产品,它结合了基于测量、卫星和再分析数据的优势,该产品在数据生成过程中融合了5个基于卫星的、3个基于再分析的和2个基于测量的降水产品[25],时间跨度为1979—2014。MSWEP采用了基于Budyko的框架和覆盖全球的径流观测来考虑捕捉不到的雨量和地形对降水估计的影响,较大程度上减小了估算误差,本产品覆盖全球范围,数据来源由地面观测、卫星数据、再分析和分析等多源数据组成。研究发现MSWEP与其他21种全球降水产品相比较,MSWEP表现出较为优越的性能[26]。由遥感降水的数据源可知（表2）,这5种产品均经过了地面数据的矫正,极大程度地减少了不确定性。
表2 遥感降水产品基本信息

Tab. 2 Basic information of remote sensing precipitation products

名称 时段 空间跨度 数据源 数据下载地址
CHIRPS v2.0 1981—2018 50°N—50°S G,S,R,A ftp://ftp.chg.ucsb.edu/pub/org/chg/products/CHIRPS-2.0
CMORPH v1.0 1998—2019 60°N—60°S G,S ftp://ftp.cpc.ncep.noaa.gov/precip/global_CMORPH/daily_025d
PERSIANN-CDR 1983—2018 60°N—60°S G,S http://chrsdata.eng.uci.edu/
TRMM 1998—2018 50°N—50°S G,S https://pmm.nasa.gov/data-access/downloads/trmm
MSWEP v2.0 1979—2014 全球 G,S,R,A http://gloh2o.org/

注：表中数据源的字母缩写G表示地面观测,S为卫星数据,R为再分析数据,A为分析数据。

3 比较方法

将气象站的站点数据插值到面上存在诸多问题,会造成研究结论的较大不确定性。因此,本研究选择在站点尺度上进行评价以得到较为精确的结果。鉴于异源遥感降水数据,其时间跨度和空间范围均存在差异（表2）,为了保证不同产品对比分析的一致性,本研究时段限定为1998—2014年,研究的空间纬度界定为0°N~50°N。数据提取过程中,利用气象站点的经纬度坐标信息,计算当前气象站所属遥感降水产品的栅格单元,以所在单元的格点值作为当前气象站的遥感估测值;依次类推,提取全国649个气象站对应的5种遥感降水产品的逐日估算值,然后对比分析各种指标性能。
对5种降水产品进行评价时选择了常规统计指标（包括相关系数CC,相对偏差BIAS,均方根误差RMSE和KGE（Kling-Gupta efficiency））和降水等级检测性能指标（包括降水成功检测概率POD,降水错误检测比率FAR,关键成功指数CSI,精度指数ACC,以及降水强度的频率分布）,具体计算公式如表3所示。CC用于评价遥感降水产品估计值与气象站数据之间的线性相关程度,正值表示正相关,负值表示负相关,完全正相关为1,值越大表示相关性越好;BIAS用于描述卫星降水估计值和气象站数据之间的系统偏差,无偏差为0,正值表示估计偏大,负值表示估计偏小;RMSE用于评价误差的总体水平和卫星降水产品的精度,无误差为0,值越大表示观测值与估计值误差越大;KGE为综合性评价指标,衡量了观测值和估计值之间的总体拟合优度,无偏差为1,正值表示估计值优于随机估算值,负值表示估计性能较差,值越大表明性能越优越。
表3 评价不同遥感降水产品所用到的统计指标

Tab. 3 Statistical indexes used to evaluate different remote sensing precipitation products

统计指标 公式 无偏估计值 编号
相关系数 (CC) CC = ∑ i = 1 N y obs , i - y ¯ obs y i - y ¯ ∑ i = 1 N y i - y ¯ 2 ∑ i = 1 N y obs , i - y ¯ obs 2 1 (5)
相对偏差 (BIAS) BIAS = ∑ i = 1 N y obs , i - y sim , i ∑ i = 1 N y obs , i × 100 % 0 (6)
均方根误差 (RMSE) RMSE = ∑ i = 1 N y obs , i - y sim , i 2 N 1 2 0 (7)
Kling-Gupta 效率 (KGE) KGE = 1 - 1 - r 2 + 1 - α 2 + 1 - β 2 , α = σ s σ 0 , α = μ s μ 0 1 (8)
检测概率 (POD) POD = H H + M 1 (9)
虚假警报比率 (FAR) POD = F H + F 0 (10)
关键成功指数 (CSI) POD = H H + M + F 1 (11)
精度 (ACC) POD = H + C H + M + F + C 1 (12)
概率分布函数 (PDF) P ( a &lt; x ≤ b ) = ∫ a b f ( x ) d x ≈ n ( a , b ] N - (13)

注：式中 y sim , i , y obs , i 分别为估计值和观测值;N为样本容量; y 和 y obs 分别为遥感降水估计值和地面观测值;r是观测值与模拟值之间的相关系数; μ s 和 σ s 分别为遥感降水估计值的均值和标准差, μ 0 和 σ 0 分别为地面观测值的均值和标准差;H表示卫星产品探测到并且在雨量计中观察到的降水事件数目;M是未探测到但观察到的降水事件数目;F表示探测到但未观察到的降水事件数目;C表示没有探测到也没有观察到的降水事件数目;n(a,b]表示降水量介于a~b之间的天数。

降水等级检测性能指标中,POD用于描述遥感降水产品探测到降水事件占观测降水事件的比例,全部检测成功为1,值越大表示检测性能越好;FAR表示错误检测（虚假警报）的降水事件占检测的总降水事件总数的比例,全部检测错误为1,值越小表示性能越好;CSI是POD和FAR的函数,表示卫星产品正确检测到的降水事件的总比例,全部正确检测为1,值越大性能越好;ACC表示所有事件中卫星产品正确检测到的降水和不降水事件占到全部事件的比例,全部事件均被正确检测到时,ACC=1,值越大表示性能越优越,区分发生降水和不降水事件的临界阈值设为1 mm/day[3]。
此外,本文选用了概率密度函数（Probability Desinity Function,PDF）作为统计指标,用来表征降水率发生的能力和降水估计值作为降水率函数的敏感性[27,28]。为评估遥感产品对不同降水强度的检测能力,将降水强度划分为8个等级[3]：① 0~0.1 mm（微量降水）;② 0.1~1 mm（微小降水）;③ 1~2 mm（少量降水）;④ 2~5 mm（中小雨）;⑤ 5~10 mm（中强雨）;⑥ 10~20 mm（弱大雨）;⑦ 20~50 mm（大雨）;⑧ >50 mm（暴雨）。

4 结果及分析

4.1 降水年际变化的比较

中国多年平均空间降水分布格局如图3所示,其中图3(a)是对气象站矫正降水数据通过Kriging插值得到[29]。由图可知（图3(a)）,多年平均降水量空间分布特征总体上是由东南向西北递减,而各遥感降水产品的多年降水量空间分布（图3(b)—图3 (f)）与观测降水基本一致,均呈东部多西部少的空间格局,故而各产品均能较好地捕捉多年平均降水量的空间特征。但在不同区域上存在差异,PERSIANN降水产品（图3(e)）在新疆北部和青藏高原与其他产品存在较大差异。
图3 不同遥感降水产品的多年降水量空间分布

注：图中AZ表示干旱区;TZ表示过渡区;HZ表示湿润区;TP表示青藏高原地区;CMA表示来自中国气象局的地面观测降水数据。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 precipitation of different remote sensing precipitation product

为了比较不同遥感产品在不同气候区的差别,本文分析了1998—2014年5种遥感降水及其与站点观测降水在4个气候区的年际波动情况,如图4所示。对比发现各产品间的主要差异体现在： ① TRMM、MSWEP在各气候区上相关系数都较高。TRMM在湿润区与年尺度的气象站数据相关性较强,CC值为0.96;MSWEP在干旱区的CC值为0.97。在过渡区,各产品与观测值相关性都较强,CC值均在0.95以上;在青藏高原,各产品与观测值的相关性较弱。这表明经过地面矫正后的遥感降水能够捕获观测值在干旱区、过渡区和湿润区的年际波动,但是对地形复杂的青藏高原地区性能欠佳。② 在干旱区,除了MSWEP高估之外,其余产品均表现为低估;在湿润区,各遥感产品则主要表现为高估。③ PERSIANN在干旱区的偏差程度最小,BIAS值为-4.39,表明其年际降水估计值和观测值吻合得较好;CMORPH在湿润区的偏差程度最小,BIAS值为3.05,意味着其年际降水估计值和气象站数据吻合得较好。④ 在干旱区和青藏高原,CHIRPS与观测值波动最接近;在过渡区和湿润区,则分别是TRMM和MSWEP与观测值波动最接近。
图4 遥感降水产品与地面观测降水的年际波动

注：CMA代表中国气象站点的观测数据,其余5种代表不同的遥感降水产品。

Fig. 4 Interannual variation of remote sensing precipitation products compared with the ground observation precipitation

泰勒图可直观展示不同变量之间的标准差和相关系数等统计变量间的差异[30],为了更形象而直观地展示不同遥感降水产品在不同气候区的性能,本文绘制了5种遥感降水产品以及地面观测降水的泰勒图（图5）。各遥感产品与观测值间的距离越小,表明该产品的性能较好。由图可知,在干旱区MSWEP的性能相对较好（图5(a)）,在湿润区中TRMM的性能相对较好（图5(c)）,在青藏高原中CHIRPS的性能较好（图5(d)）,而在过渡区中,各产品性能之间的差异较小,PERSIANN表现稍优越些（图5(b)）。
图5 不同遥感降水产品性能的泰勒图

Fig. 5 Taylor diagram of the performance of different remote sensing precipitation products

4.2 站点尺度的性能比较

图6和图7分别展示了站点尺度各卫星降水产品在不同气候区性能的空间分布图和箱型图。对相关系数CC而言,MSWEP明显优于其他产品（图6）;CC均值在干旱区、过渡区、湿润区和青藏高原分别为0.56、0.59、0.59和0.51（图7）,而其他遥感降水产品的CC均值在4个气候区的取值范围分别是0.20~0.24、0.30~0.37、0.36~0.42、0.25~0.30（图6,图7）。KGE均值也明显优其他4种产品,并且除了新疆和青藏高原偏远地区的少数站点外,KGE在绝大部分站点达到了0.5以上（图6）;而其他遥感降水产品的KGE均值,在4个气候区的范围分别是-1.32~0.14、0.21~0.31、0.28~0.36、-0.15~0.18（图7）。MSWEP的RMSE相对其他产品较小（图6）,在干旱区、过渡区、湿润区和青藏高原均值分别约为2.44、5.83、10.03和3.59（图7）。对空间分布而言,除CMORPH之外,其余4种遥感降水产品均展示出类似的空间特征,由南到北逐渐减少,但CMORPH在中国新疆北部出现了较大的偏差。在BIAS方面,CHIRPS在湿润区和青藏高原表现较好,其BIAS均值为-3.55%和0.11%（图7）,而PERSIANN在青藏高原的偏差极大（图6）;在过渡区,PERSIANN和TRMM偏差较小,均值分别为 -5.42%和-5.53%;综上所述,MSWEP的站点尺度性能明显优于其他卫星产品。
图6 不同遥感降水产品在不同气候区的日尺度性能指标空间分布

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. 6 Spatial distribution of daily scale performance indexes of different remote sensing precipitation products in different climatic regions

图7 不同遥感降水产品在不同气候区的日尺度性能统计分析

Fig. 7 Statistical analysis of daily scale performance of different remote sensing precipitation products in different climatic regions

4.3 降水等级区分能力

图8和图9显示了各气候区上各卫星降水产品对于气象站观测值的POD, FAR, CSI, ACC的空间分布图和箱型图。空间上,各卫星产品的FAR都呈现出总体从东南到西北递增的特征（图8）,在干旱区、过渡区、青藏高原上,MSWEP的FAR最小,尤其在干旱区其他产品与之差距较大（图9）,证明干旱区的稀少降水较难被检测到,而MSWEP探测干旱区少量降水的能力较为突出,同时TRMM和CMORPH在湿润区的误报率上显示出了一定优势。空间上各卫星产品的POD,CSI均总体呈现由东南到西北递减的趋势,而ACC总体呈现从东南到西北递增的趋势,PERSIANN在各气候区的精度均欠佳,ACC指数逊于其他产品。从箱型图可以看出,相比其他4种产品,MSWEP在各气候区上的POD,CSI,ACC值都明显更加接近于最优值1（图9）,说明它精度更高,尤其检测概率和关键成功指数远高于其他产品。综合来说MSWEP的降水等级区分性能明显优越于其他4种产品。
图8 不同遥感降水产品在不同气候区的等级性能空间分布

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. 8 Spatial distribution of category performance of remote sensing precipitation products in four climatic regions

图9 不同遥感降水产品在不同气候区的等级指标统计分析

Fig. 9 Statistical result of category indexes for different remote sensing precipitation products

4.4 降水强度频率分布的比较

对不同等级降水的频率进行统计分析,可较清晰地明晰不同遥感降水产品对不同等级降水的预估性能,进而为不同降水强度的应用需求提供最佳的产品选择。图10展示了5种遥感降水产品的降水强度频率分布。① 在4个气候区内,微量降水(<0.1 mm)的强度整体表现为被低估,在干旱区和青藏高原地区尤为显著（图10）,而其他强度降水等级则以被高估为主。② 在干旱区中,各遥感降水产品日降水强度分布表现出相似的结构特征。而在其他气候区,各产品之间PDF结构特征差异较大。③ 在所有气候区中,PERSIANN和MSWEP对微量降水估算明显偏低,但在1~20 mm降水区间呈现高估的特征（内嵌图所示）,MSWEP在PDF表现欠佳有待提高。④ 干旱区与青藏高原中CHIRPS和TRMM、过渡区中TRMM、湿润区中CMORPH估计的降水强度分布与实际拟合得较好。
图10 遥感降水产品在不同气候区的降水强度分布

注：图中的小图为大于1 mm降水强度的频率分布的局部放大。

Fig. 10 Precipitation intensity distribution of remote sensing precipitation products in different climatic regions.

5 讨论

5.1 与其他研究对比分析

对于不同遥感降水产品的性能分析,已经有较多的研究分析。Bai等[10]以流域尺度分析了5种遥感降水产品在黄河和长江源头的性能,发现MSWEP降水产品的性能明显优于其他4种产品,但本研究在其基础上,把研究区拓展到了整个青藏高原地区,发现MSWEP降水产品的相关系数（CC=0.51）要高于两河流源区（CC=0.32）,KGE的性能（0.29）也要高于河源区（0.26）,这说明MSWEP产品不仅可以作为长江和黄河源区较为理想的降水产品,而且对于青藏高原其他偏远的无测站区域降水估算,也具有较好的代表性。除了基本统计性能外,本文还对5种产品的等级性能和概率分布进行了综合阐述,发现尽管MSWEP的基本性能和等级性能较为优越,但是其对降水强度的频率估算明显存在偏差,也就是说MSWEP为了最大程度地获得最佳统计性能,过度矫正了不同降水强度的分布,特别是对小雨估算的算法有待改进。
Gao等[31]评估了在中国7个气候区的PERSIANN-CDR的性能,发现在东部湿润区的CC和BIAS的性能均优于西部或青藏高原地区,本研究也发现该产品的在湿润区CC较高,而在青藏高原地区空间变异较大（图7）,在青藏高原和干旱区的BIAS明显高于湿润区（图6）,两者结论较为一致。Beck等[11]分析了多种降水产品在美国大陆的性能,发现本文涉及的5种降水产中MSWEP的KGE性能明显优越于其他4种产品,而且在东部湿润区的性能较好,这与本文我国大陆性能空间分布格局较为一致;虽然Beck[26]从全球尺度分析了MSWEP的性能,但是对中国区域数据严重缺乏,分析严重不足,特别是不同气候区的等级性能和降水强度的分布评估有待加强,本文弥补了以往研究的不足,为我国不同气候区遥感降水产品的选择提供了参考依据。

5.2 不确定性分析

本研究尽管采取了一系列的质量控制,以期获得客观、合理的评估结论,但依然不可避免地存在一些不确定性。首先,由于不少遥感降水产品使用地面资料作为输入数据来源之一,但青藏高原地区气象站分布较为稀疏[32],参与卫星降水产品校准过程的气象站更少,因此研究年际变化时各产品与气象站观测资料的相关性在此地区较低。与此同时,气象站点空间分布的不均匀性、观测仪器类型及安装方法、降水量观测方法的差异性均会带来一些难以消除的不确定性[33]。采用气象站点-像元格网对比分析,由于格网范围较大,气象站点代表性欠佳。虽然有这些不确定性存在,但本文经过严格的质量控制,将对遥感降水产品性能的区域差异性影响降到最低。

6 结论与展望

本研究以经过降水矫正后的649个气象站点数据作为参考,对5种国际主流遥感降水产品TRMM 3B42v7,CMORHP v1.0,PERSIANN-CDR,MSWEP v2.0,CHIRPS v2.0进行了1998—2014年的降水综合性评价,得到的结论如下：
（1）年尺度上,各产品都能良好地捕捉年平均降水量的空间特征,但在性能上存在空间差异性。在干旱区和青藏高原,CHIRPS 与实际年降水量的变化趋势最接近;在过渡区和湿润区,分别是TRMM和MSWEP与实际年降水量变化趋势最接近。综合相关系数、均方根误差的泰勒图（图5）可知,在干旱区、过渡区、湿润区和青藏高原表现相对较优越的产品分别对应MSWEP、PERSIANN、TRMM和CHIRPS。
（2）由日尺度、站点尺度上的常规性能统计指标分析可知,MSWEP产品的性能明显优于其他卫星产品,CC均值在干旱区、过渡区、湿润区和青藏高原分别为0.56、0.59、0.59和0.51（图7）,而其他遥感降水产品的CC均值在4个气候区大都在 0.2~0.4。MSWEP的KGE均值上也更加接近于最优值1,在绝大部分站点达到了0.5以上（图6）。MSWEP的RMSE均值更接近最优值0,在4个气候区分别为2.44、5.83、10.03和3.59,与其他产品相比,均为最低均方根误差。BIAS方面,在湿润区和青藏高原,CHIRPS表现最好,分别为-3.55%和0.11%;在过渡区,PERSIANN和TRMM偏差较小,均值为-5.42%和-5.53%;在干旱区,MSWEP的 BIAS指标较为优秀,均值为5.99%,且其箱型图对称性较好（图7）。
（3）由等级指标分析可知,MSWEP的降水等级性能明显比其他卫星产品优秀。相比其他4种产品,MSWEP产品的POD,CSI,ACC均值在各气候区都明显更加接近于最优值1（图9）,说明它精度更高,尤其检测概率和关键成功指数远高于其他产品。FAR方面,在干旱区、过渡区、青藏高原上,MSWEP的误报率最小,均值分别为0.53、0.47和0.45,尤其在干旱区其他产品与之差距较大（均值在0.68~0.74）,证明 MSWEP探测干旱区少量降水的能力非常突出,同时TRMM和CMORPH在湿润区的误报率上显示出了一定优势,均值分别为0.42和0.41,MSWEP在湿润区的误报率均值为0.43。
（4）通过通过各降水等级的频率分布图探究降水强度的频率分布特征（图10）可知,干旱区与青藏高原中CHIRPS和TRMM、过渡区中TRMM、湿润区中CMORPH估计的降水强度分布与实际拟合得较好。
综上所述,在常规统计指标以及降水等级指标方面,基于遥感数据的多源集成产品MSWEP在大部分气候区均表现出较好的性能,所以在降水观测资料稀少无资料地区,建议选择MSWEP作为降水的参考值。但是,对降水等级的PDF分析发现,MSWEP在捕捉8个降水等级方面,效果欠佳,说明MSWEP在对降水不同等级的概率预报方面存在缺陷,需要进一步加强算法的改进。
本研究发现基于多源数据融合的MSWEP降水产品,在不同气候区均表现出较好的性能。由此可见,将多源数据进行融合,可以消除单个产品估算的缺陷,有利于提高降水产品估计的准确度。基于此,笔者后续的研究工作将尝试使用多种遥感降水数据融合的方法[33,34,35],如贝叶斯（Bayesian）或模型输出统计集合（EMOS）等,综合对比分析不同融合方法在4个气候区对改善遥感降水估算性能的影响。此外,仅通过常规性能统计指标、分类统计指标等来对卫星降水产品进行适用性评估,不足够显现产品在应用方面的差异。因此,对降水产品的有效水文评估将集中在水文性能验证上,如径流模拟和其他水文变量（如蒸发和土壤湿度）的模拟上[8,10]。笔者在后续工作中,将评估不同产品在4个气候区的水文模拟性能,以更全面地评估卫星降水产品在不同气候区的差异性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
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 Sciences, 2011, 26(11):1162-1172. ]

[2]
Taplador F J, Turk F J, Petersen W, et al. Global precipitation measurement: methods, datasets and applications[J]. Atmospheric Research, 2012,104-105:70-97.

[3]
Xu F L, Guo B, Ye B, et al. Systematical evaluation of GPM IMERG and TRMM 3B42V7 precipitation products in the Huang-Huai-Hai Plain, China[J]. Remote Sensing, 2019, 11(6):97.

DOI

[4]
徐淑琴, 丁星臣, 王斌. 多卫星遥感降水产品寒区误差时空特征分析[J]. 东北农业大学学报, 2017, 48(11):63-73.

[ Xu S Q, Ding X C, Wang B. Alternative observation of ground stations by multiple satellite remote sensing precipitation in alpine region[J]. Journal of Northeast Agricultural University, 2017, 48(11):63-73. ]

[5]
Sandra P, Rodrigo P O, Andre M. Validation of remote-sensing precipitation products for Angola[J]. Meteorological Applications, 2015, 22(3):395-409.

[6]
Mohamed S, Adel M, Quzai K H, et al. Performance assessment of sub-daily and daily precipitation estimates derived from GPM and GSMaP products over an arid environment[J]. Remote Sensing, 2019, 11:2840.

DOI

[7]
Fu Y, Xia J Z, Yuan W P, et al. Assessment of multiple precipitation products over major river basins of China[J]. Theoretical and Applied Climatology, 2016, 123(1/2):11-22.

DOI

[8]
王书霞, 张利平, 喻笑勇, 等. 遥感降水产品在澜沧江流域径流模拟中的适用性研究[J]. 长江流域资源与环境, 2019, 28(6):1365-1374.

[ Wang S X, Zhang L P, Yu X Y, et al. Application of remote sensing precipitation products in runoff simulation over the lancang river basin[J]. Resources and Environment in the Yangtze Basin, 2019, 28(6):1365-1374. ]

[9]
Liu J, Xia J, She D X, et al. Evaluation of six satellite-based precipitation products and their ability for capturing characteristics of extreme precipitation events over a climate transition area in China[J]. Remote Sensing, 2019, 11:1477.

DOI

[10]
Bai P, Liu X M. Evaluation of five satellite-based precipitation products in two gauge-scarce basins on the Tibetan Plateau[J]. Remote Sensing, 2018, 10(8):1316.

DOI

[11]
Beck H E, Pan M, Roy T, et al. Daily evaluation of 26 precipitation datasets using stage-IV gauge-radar data for the CONUS[J]. Hydrology and Earth System Sciences, 2019, 23(1):207-224.

DOI

[12]
Goodison B, Sevruk B, Klemm S. WMO solid precipitation measurement inter-comparison: Objectives, methodology, analysis[J]. Atmospheric Deposition, 1989, 179:57-64.

[13]
Ye B S, Yang D Q, Ding Y J, et al. A bias-corrected precipitation climatology for China[J]. Journal of Hydrometeorology, 2004, 5(6):1147-1160.

DOI

[14]
Li Y Z, Feng A Q, Liu W B, et al. Variation of aridity index and the role of climate variables in the Southwest China[J]. Water, 2017, 9(10):743.

DOI

[15]
Liu X M, Yang T T, Hsu K L, et al. Evaluating the streamflow simulation capability of PESIANN-CDR daily rainfall products in two river basins on the Tibetan Plateau[J]. Hydrology and Earth System Sciences, 2017, 21(1):169.

DOI

[16]
Sevruk B, Hamon W. International comparison of national precipitation gauges with a reference pit gauge[J]. Instruments and Observing Methods Report, 1984: 17.

[17]
Li Y Z, Liu C M, Yu W J, et al. Response of streamflow to environmental changes: A Budyko-type analysis based on 144 river basins over China[J]. Science of the Total Environment, 2019, 664:824-833.

DOI

[18]
Funk C, Peterson P, Landsfeld M, et al. The climate hazards infrared precipitation with stations: A new environmental record for monitoring extremes[J]. Sentific Data, 2015, 2:150066.

[19]
Toteé C, Patricio D, Boogaard H, et al. Evaluation of satellite rainfall estimates for drought and flood monitoring in mozambique[J]. Remote Sensing, 2015, 7:1758.

DOI

[20]
Pomeon T, Jacksch D, Diekkruger B. Evaluating the performance of remotely sensed and reanalysed precipitation data over West Africa using HBV light[J]. Journal of Hydrology, 2017, 547:222-235.

DOI

[21]
Joyce R J, Janowiak J E, Arkin P A, et al. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution[J]. Journal of Hydrometeorology, 2004, 5:487-503.

DOI

[22]
Shen Y, Xiong A Y, Wang Y, et al. Performance of high-resolution satellite precipitation products over China[J]. Journal of Geophysical Research, 2010: 115.

[23]
Miao C Y, Ashouri H, Hsu K L, et al. Evaluation of the PERSIANN-CDR daily rainfall estimates in capturing the behavior of extreme precipitation events over China[J]. Journal of Hydrometeorology, 2015, 16:1387-1396.

DOI

[24]
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, 17:121-137.

DOI

[25]
Beck H E, Van DijkA I J M, Levizzani V, et al. MSWEP: 3-hourly 0.25° global gridded precipitation (1979-2015) by merging gauge, satellite, and reanalysis data[J]. Hydrology and Earth System Sciences, 2017, 21:589-615.

DOI

[26]
Beck H E, Vergopolan N, Pan M, et al. Global-scale evaluation of 22 precipitation datasets using gauge observations and hydrological modeling[J]. Hydrology and Earth System Sciences, 2017, 21:6201-6217.

DOI

[27]
Chen S, Hong Y, Gourley J J, et al. Evaluation of the successive V6 and V7 TRMM multisatellite precipitation analysis over the Continental United States[J]. Water Resources Research, 2013, 49(12):8174-8186.

DOI

[28]
Tang G Q, Ma Y Z, Long D, et al. Evaluation of GPM Day-1 IMERG and TMPA Version7 legacy products over Mainland China at multiple spatiotemporal scales[J]. Journal of Hydrology, 2016, 533:152-167.

DOI

[29]
Cressie N. The origins of kriging[J]. Mathematical Geosciences, 1990, 22:239-252.

[30]
Taylor K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research, 2001, 106:7183-7192.

DOI

[31]
Guo, H, Bao A, Liu T, et al. Evaluation of PERSIANN-CDR for meteorological drought monitoring over China[J]. Remote Sensing, 2016, 8(379):1-17.

DOI

[32]
Li Y Z, YU W J, Wang K W, et al. Comparison of the aridity index and its drivers in eight climatic regions in China in recent years and in future projections[J]. International Journal of Climatology, 2019, 39(14):5256-5272.

DOI

[33]
Scheuerer M, Hamill T M. Statistical postprocessing of ensemble precipitation forecasts by fitting censored, shifted gamma distributions[J]. Monthly Weather Review, 2015, 143(11):4578-4596.

DOI

[34]
Li W, Duan Q, Miao C, et al. A review on statistical postprocessing methods for hydrometeorological ensemble forecasting[J]. Wiley Interdisciplinary Reviews: Water, 2017, 4(6):e1246.

[35]
Ma Y, Hong Y, Chen Y, et al. Performance of optimally merged multisatellite precipitation products using the dynamic bayesian model averaging scheme over the Tibetan Plateau[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(2):814-834.

Options
Outlines

/

〈 〉