FY2G卫星降水产品在云贵高原地区的效用评估

丁蕾锭，卢涵宇*，卢天健，何勤业

(1.贵州大学大数据与信息工程学院， 贵州贵阳550025；2.中南大学资源与安全工程学院， 湖南长沙410083)

0 引言

高质量的降水数据在许多领域都发挥着重要作用。然而传统降水观测方法存在许多不足，地面站观测在空间上具有局限性，易受复杂地形和人为因素的影响。天气雷达观测易受电子信号和地形等因素的干扰。

近年来，遥感卫星技术发展迅速，卫星观测降水具有覆盖范围大，时效性强，分辨率高等优点，越来越受到科研的重视[1-2]。例如用于全球降水测量的综合多卫星检索(integrated multi-satellite retrievals for global precipitation measurement, IMERG)[1]，使用人工神经网络的遥感信息降水估算(precipitation estimation from remotely sensed information using artificial neural networks, PERSIANN)，热带降雨测量(tropical rainfall measurement mission, TRMM)[2-3],多卫星降水分析(TRMM multisatellite precipitation analysis, TMPA)以及中国风云系列气象卫星(FY)降水产品[4-6]。所有的观测方法或算法都有其优缺点，因此评估卫星降水产品在不同时空下的适用性尤为重要。张保林等[7]实现了降水系统对FY-2F降水临近预报可预报性影响分析。王铁岩等[8]实现了FY-2G 卫星资料在白城2016年短时强降水预报中的应用。TANG等[9-10]在中国华南地区对卫星合并产品IMERG，GSMaP NRT和PERSIANN进行了评估，报告称IMERG和GSMaP NRT与地面雨量计数据有更高的相关性。

云贵高原地处中国西南地区，具有独特的喀斯特地貌和复杂的气候。本文旨在评估FY2G降水产品在云贵高原地区的准确性和适用性，为云贵高原地区的气候研究提供帮助。

1 研究区与数据

1.1 研究区概况

云贵高原大致位于东经100°～111°，北纬22°～30°，处在中国南北走向和东北—西南走向两组山脉的交汇处，西邻青藏高原，北接四川盆地，东毗鄂湘两省，南连中南半岛，东西长约1 000 km，南北宽400～800 km，地势西北高，东南低，总面积约5×107hm2，海拔为400～3 500 m。

图1 云贵高原及雨量计站点示意图Fig.1 Yunnan-Kweichow plateau and rain gauge site map

云贵高原属亚热带湿润区，为亚热带季风气候，由于海拔高度、大气环流等条件不同，在云贵高原不同地区气候差别明显。受西南季风的影响，形成了冬干夏湿、干湿季节分明的水资源特征。年降水量一般在600～2 000 mm，降水在时间及空间上分布不平衡，东部、西部及南部降水量大，可达1 500～2 000 mm，中部及北部约为500～600 mm。雨季出现在5～10月，其降水量占全年的80 %左右，易出现山洪泥石流暴等灾害，严重危害了当地人民的生命财产安全，制约了社会经济发展。

1.2 雨量计数据

雨量计数据集来自中国气象局(china meterological administration, CMA)国家气象信息中心。本研究使用323个雨量计的2017年小时降水数据，严格执行气象数据质量控制(quality control,QC)步骤以避免错误减少误差[8-9]。图1展示了本研究中使用的站点位置，可以看出323个站点在整个云贵高原区域的分布相对均匀。在评估FY2G降水产品时，这些雨量计观测结果被用作地面真实值。

1.3 FY2G

风云二号气象卫星(FY-2)是我国自行研制的第一代地球静止轨道气象卫星，与极地轨道气象卫星相辅相成，构成了我国气象卫星应用体系.FY2G卫星是风云二号系列卫星的第八颗卫星，搭载的扫描辐射计共有红外长波2个、红外中波1个、可见光1个及水汽1个共5个通道以获取白天可见光云图、昼夜红外云图和水气分布图，在提高天气预报准确率和气象灾害防御能力方面发挥了不可替代的作用[11]。本研究使用的FY2G 2017年小时降水数据可在中国气象台(http://www.nmc.cn/)下载。

2 研究方法

2.1 定量误差指标

为评估FY2G有关降水量精度[12]，本研究采用了四项指标:相关系数(R2)、偏差(bias)、均方根误差(RMSE)和平均绝对误差(MAE)。其定义如下：

(1)

(2)

(3)

(4)

2.2 降水事件检测指标

为反映FY2G对降雨/无雨事件的区分能力[15-16]，采用了四项指标: 检测概率(probability of detection, POD) 、误报率(false alarm ratio, FAR) 、临界成功指数(critical success index, CSI)、频率偏差指数(FBI)，其定义如下：

(5)

(6)

(7)

(8)

其中，h表示雨量计站点观测到降水且FY2G正确检测到降水的个数，m表示FY2G未检测到降水但站点观测到降水的个数，f表示FY2G预估有降水但站点未观测到降水的个数。POD是正确判断的比率，FAR是模型对降水事件的误判率。最佳可能值POD=1，FAR=0，CSI=1和FBI=1。

3 结果分析

图2 基于FY2G产品2017年降水量空间分布Fig.2 Spatial distribution of precipitation in 2017 based on FY2G products

图2显示了基于FY2G卫星产品在云贵高原2017年度降水量空间分布。年降水量总体呈现由西北向东南增加的趋势，在云贵高原的西北角即四川境内降水量较小(<500 mm)，在云南北部，贵州省，重庆市，年降雨量在1 000 mm左右，在云南南部，湖南西部，广西省年降雨量可达1 500 mm以上。可以看出云贵高原地区的降水量层次分明。

3.1 月数据下的对比分析

图3展现了FY2G在云贵高原每月降水量的空间分布，第一季度作为云贵高原的少雨季节，加上高海拔地区缺少雨量计和依赖于仰角的插值算法的原因，在西北角出现了部分无数据像素点[图3(a)];4月的降雨相对均匀，从5月开始，云贵高原进入雨季，但东西部降雨量差距明显，在6月，广西，贵州，湖南等地降雨充沛[图3(b)];进入第三季度，降雨量由东西差异转变成南北差异，云南南部，广西南部降雨明显多于其他区域[图3(c)];第四季度，云贵高原再次进入旱季，大部分地区的降雨量下降到300 mm以下，伴随大片无数据像素点的出现[图3(d)]。

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

由图4网格化卫星降水产品同雨量计数据散点图表明，不同月份的卫星产品性能不一，总体而言，其散布量接近1∶1。其中1,5,6,7,8,11,12月与雨量计数据之间的偏差在可接受的范围内(-5.346 %～2.548 %)，2,3,9,10月的负偏差较为明显(bias<-15 %)，3月的负偏差最大，达到-26 %,9月紧随其后，达到-24 %。不妨大胆猜测：在雨旱交替季节，FY2G产品表现不稳定。从图4中还能直观地看出降雨量的变化，1月～4月集中在200 mm/月以内，从5月开始，逐步扩散，从9月开始，逐步收缩，12月下降到100 mm/月的水平。

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

由图5可知，除了7月，FY2G产品数据均低于雨量计实测数据。图5中折线图分别反映基于月数据的R2，bias，RMSE和MAE。R2在4月和9月形成谷值，在11月最高，达到0.9，符合上文提出关于雨旱交替季节，FY2G产品表现不稳定的猜想。RMSE和MAE在折线走势上接近，随着降雨量的增加而变大，在6～9月居高不下，从10月开始急速回落。对比bias和RMSE在6,7,8月的图形，不难发现，在高降雨量的情况下，降雨产品出现了近似规模的低估和高估，导致在计算偏差时，正负误差被抵消，使得偏差很小，在计算RMSE时，正负误差不再能被抵消，所以RMSE的值很大。整体而言，FY2G在多降雨季节和雨旱交替季节仍有改善的空间。

(a) 相关系数

(b) 偏差

(c) 均方根误差

(d) 平均绝对误差

图5 FY2G卫星产品各指标及降水量
Fig.5 FY2G satellite products indicators and precipitation

3.2 日数据下的空间分布

图6显示了基于FY2G产品日降水量数据在各季度的R2，bias，RMSE和MAE的空间分布。

整体而言，R2和bias没有随季度的变化出现大范围变动，基本保持了R2在云贵高原东部高于西部，bias在云贵高原的东北部高于其他地区的特点。其中，R2在第一四季度高于第二三季度，可以从图6(c)中看出在第三季度多处地区达到最低，其相关性在0.5以下。

基于FY2G产品同数据各季度bias见图7。bias在第一季度相对高于其他季度，仅在云贵高原东北部的bias会随季度变化出现调整，其他地区几乎没有变化。在几乎都是低估降雨量的情况下，出现高估的地区并不固定，可见对部分地区的估算既存在低估也存在高估。

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

图6 基于日数据各季度相关系数
Fig.6 Quarterly correlation coefficient based on daily data

(a) 第一季度

(b) 第二季度

(c) 第三季度

图7 基于日数据各季度偏差
Fig.7 Quarterly bias based on daily data

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

图8 基于日数据各季度RMSE
Fig.8 QuarterlyRMSEbased on daily data

(a) 第一季度

(b) 第二季度

(c) 第三季度

图9 基于日数据各季度MAE
Fig.9 QuarterlyMAEbased on daily data

图7和图8直观反映了在不同季度的RMSE和MAE的空间分布，因为 RMSE和MAE更易受到降雨量大小的影响，所以在第一四季度和第二三季度有明显的差异。可由第二三季度的RMSE[图8(c)]看出，云贵高原的东部远远高于西部，同样的结论也适用于第二季度的MAE[图9(b)]。

纵观各季度的各项指标，在云贵高原的西南角，海拔在1 500 m左右的地区，虽然其相关性较低，但是其偏差和各项误差也都处在相对较低的水平。在云贵高原的东部，海拔多在500 m左右的地区，虽然相关系数不低，偏差较小，但是其RMSE,MAE处在明显较高的水平，说明了在云贵高原的东部不仅存在低估，同样存在大量的高估降水量。

3.3 降水事件检测

图10(a)是基于日数据下的检测结果，其POD的中值在0.9以上，表明了在时间跨度上FY2G能够较好地检测出日降水事件。其FAR的中值在0.2左右，CSI在0.7至0.8之间。图10(b)是基于小时数据下的检测结果，其POD达到0.8，但是其FAR的中值高达0.4，以致CSI的中值也不高。说明了在小时规模下出现了较多的误判，虽然检测概率与日规模下的指标差距不大，但是过多的误报，使得临界成功指数仅在0.5左右。在判断是否发生降水事件的能力上FY2G仍有提高的空间。

(a) 日尺度

(b) 小时尺度

图10 基于日数据和小时数据的统计结果
Fig.10 Statistical results based on daily data and hourly data

4 结论

降水信息在气候研究，灾害预警等方面发挥着不可替代的作用，得到精确有效的高质量降水数据对相关研究尤为重要。本研究基于FY2G卫星产品2017年小时降水数据，对其在云贵高原地区进行了评估，主要以小时数据合成的月数据集和日数据集，同地面雨量计数据集在不同的时空模式下对比分析，主要结论可归纳如下：

① FY2G在云贵高原地区适用性较好，其相关系数整体较高；

② 基于日数据的降水事件检测能力较高，POD>0.9；

③ FY2G存在低估降水量的情况，在多雨季节表现的尤为明显；

④ 在少雨季节，FY2G的各项指标都表现更好，在雨旱交替季节表现不稳定。

笔者仍需要更多精准的观测方法，优质的预估算法，以满足当下对高质量降水产品的需求，为使FY2G降水产品在云贵高原地区发挥最大效用，还需进一步探索挖掘。