全球降水观测计划多卫星联合反演降水产品的极端降水监测潜力研究

丁明泽，雍斌，杨泽康

1.河海大学水文水资源与水利工程科学国家重点实验室,南京 210098;

2.河海大学水文水资源学院,南京 210098;

3.河海大学地球科学与工程学院,南京 211000

1 引 言

降水作为地球水循环基础组成部分，连接着大气过程与地表过程，具有重要的水文学、气象学、气候学意义（郭瑞芳和刘元波，2015）。在全球变暖的影响下，随着地面蒸散作用的加强，大气中水分含量增加，水循环运动加剧，洪水、暴风雪、台风等极端降水事件的频率和强度显著上升（Meehl 等，2000）。因极端降水引发的洪涝、旱灾、雪灾等极端气候灾害灾害，对社会的经济发展、生态系统和人类活动等方面造成巨大影响。而中国作为世界上极端气候灾害最为严重的国家之一，科学认知极端降水在中国的特征具有重要的意义，并为进一步预测中国未来极端降水变化趋势提供科学依据，以期降低极端降水灾害事件对人类生产生活的影响。

近年来，国内外专家学者利用地面站点数据对极端降水变化特征进行了大量研究。Westra 等（2013）采用全球8000多个观测站的降水资料在全球尺度上的极端降水事件进行监测，研究显示全球年最大日降水量整体存在明显的增加趋势；钱维宏等（2007）利用中国160多个地面降水资料得出，极端强降水事件同样具有增多的趋势；与强降水有关的极端降水指标在中国黄海区域（Wang等，2017）、长江中下游流域（白路遥和荣艳淑，2015）、四川省（王真，2019）等也呈现出上升趋势。然而，由于地面站点降水资料分布不均、易受外部环境影响的特点，难以获取到时空尺度连续的区域性降水资料，对于区域性极端降水的监测仍存在较大困难（Huffman 等，2001）。1997-11，搭载了世界上第一台星载降水雷达的TRMM（Tropical Rainfall Measuring Mission）卫星成功发射，其降水产品弥补了地面观测降水在时空上的局限性，为极端降水监测提供了新的方式（Skofronick-Jackson 等，2017）。Habib 等（2009）利用TRMM 卫星降水产品TMPA（TRMM Merged Precipitation Analysis）对美国路易斯安那州的热带风暴事件进行监测，研究发现卫星降水对于极端降水事件具有一定的监测能力；Chen 等（2013）对TRMM 时代多种降水产品在2009-08 台湾的强台风“莫拉克”事件的表现进行精度评估，但研究显示各卫星产品在强降水事件中均存在低估现象。在TRMM 的基础上，美国NASA（National Aeronautics and Space Administration）与日本JAXA（Japan Aerospace Exploration Agency）联合实施了全球降水测量计划GPM （Global Precipitation Measurement），GPM 下的卫星降水产品具有更广的覆盖范围与更高的时空分辨率（Tang 等，2016），所使用的卫星资料与反演算法较以往产品有所改进，精度也有所提升。Prakash 等（2016）对TRMM 时代的TMPA-3B42 与GPM 时代的IMERG（The Integrated Multi-satellite Retrievals for GPM）在印度暴雨探测方面进行研究，研究发现IMERG 对于季风季节的极端降水反演精度明显优于TMPA-3B42 数据；刘国等（2017）利用GPM 时代多套卫星产品对“威马逊”台风在中国局部地区进行监测评估，发现卫星降水对于高雨强的极端降水事件的监测仍然存在问题，主要体现在卫星降水具有较高的误报率与较低的命中率。

综上所述，目前对于极端降水的研究数据源大多来自长时间序列的地面站点资料与TRMM 时代降水产品，采用GPM 时代卫星降水数据较少；且对极端降水的监测往往只针对于特定的极端降水事件，难以获取到极端降水的整体误差特征。因此，本文以自动站与CMORPH 融合的网格数据集作为地面参考数据，根据极端降水事件的阈值将研究区分为3 个区域，采用GPM 时代下的IMERG 与 GSMaP （Global Satellite Mapping of Precipitation）纯卫星降水产品，从极端降水指标、极端降水事件探测能力、对于不同历时的极端降水事件精度评估3个方面研究其在研究区对极端降水的监测能力。

2 研究区、数据与方法

2.1 研究区

中国幅员辽阔、地形复杂、气候类型多样，故降水时空分布差异较大，降水量主要由东南沿海向西北内陆方向递减。极端降水事件频次与降水强度也在时空上存在巨大差异。政府间气候变化专门委员会IPCC （The Intergovernmental Panel on Climate Change）将区域降水资料中时间序列的第95 百分位数作为极端降水阈值，大于或等于该阈值的情况称为极端降水事件。鉴此，将地面参考格网数据的时间序列（2015-01—2018-12）的第95百分位数作为该格网的极端降水阈值，图1给出了中国（未包含台湾地区）的极端日降水阈值空间分布，极端日降水阈值空间分布特征与降水时空分布类似。故根据极端降水阈值的空间区域特征，以400 mm、800 mm年降水量为分界线将研究区分为3 个区域（图1）进行分析研究：Ⅰ区受极端降水事件影响最为严重，阈值整体偏高（>10 mm）；Ⅱ区阈值大多高于5 mm；Ⅲ区大部分区域极端降水阈值较低（<1.5 mm），不适于作为极端强降水事件进行评估。为了更加合理的评价极端降水，在研究与极端降水阈值有关的指标（POD、FAR、PRCPTOT）时，仅对Ⅰ、Ⅱ区进行研究。

2.2 地面参考数据

本文选用空间分辨率为0.1°×0.1°，时间分辨率为1 h的自动站与CMORPH 融合的降水量网格数据集研究区内所有网格数据作为地面参考数据（时间跨度2015-01—2018-12），覆盖范围为15°N—60°N、70°E—140°E。该数据集将经过质量控制后的全国3—4 万多个自动气象站观测的地面观测数据与美国气候预测中心研发的全球30 min、8 km分辨率的CMORPH 卫星反演降水产品采用概率密度匹配与最优插值（PDF＋OI）进行融合：（1）地将时间分辨率为30 min 的卫星数据累加为逐时降水值，再插值为0.1°×0.1°的格网资料（Shen 等，2014），使得其时空分辨率与地面数据相同；（2）通过概率密度匹配误差订正法订正卫星数据系统误差；（3）将订正后的数据作为初估场，通过最优插值法融合两种数据（Xie 和Xiong，2011）。由于在融合过程中受到站点密度的影响，该数据集在地面站点分布稀疏的Ⅱ区西南部、Ⅲ区大部分区域以及冬季部分自动站不工作的Ⅱ区东北部地区存在部分缺陷，会给评估带来一定的不确定性（研究区自动站点分布如图1所示，审图号为GS（2020）3184）。但该产品总体误差控制在10%之内，在研究区的表现明显优于国际上其他同类型产品（沈艳等，2013），并广泛应用于各类卫星降水产品在研究区的精度评估（Chen 等，2020；Su等，2018；岁康和雍斌，2019）。

图1 研究区极端日降水阈值空间分布及自动气象站点分布（2015-01—2018-12）Fig.1 Spatial distribution of extreme daily precipitation threshold and distribution of automatic weather stations in study area（2015-01—2018-12）

2.3 卫星降水数据

本文采用GPM 计划的IMERG（IMERG_Early、IMERG_Late）与GSMaP （GSMaP_NRT、GSMaP_MVK）系列纯卫星降水产品。

IMERG 是GPM 计划下多卫星反演降水数据，该产品结合GPM 卫星群提供的红外数据与被动微波数据，借鉴了TRMM 时代成熟的卫星反演算法（de Sousa Neto 和Barbosa，2012）：（1）根据云移动矢量法生成的云移动矢量场通过拉格朗日插值算法对微波数据进行插值；（2）根据微波数据建立微波与降水强度的关系；（3）利用卡尔曼滤波算法对插值后的微波数据与红外数据进行融合处理，生成IMERG-Early 降水数据；（4）加入后向传播数据之后，重复以上步骤生成IMERG-Late 降水数据。由于IMERG 降水数据的时间分辨率为0.5 h，故将数据的时间分辨率重采样处理为与地面参考数据相同（1 h）。

GSMaP 是GPM 计划下另一套由日本宇航局负责研发的高分辨率全球降水产品。GSMaP_NRT 采用基于标准算法的简化算法，为保证降水数据的可操作性和降低数据延迟，在操作过程中进行一定程度的简化：（1）选择日本气象局的预测数据作为大气信息；（2）选择多源卫星和站点数据融合的全球日海面温度数据作为海洋表面信息；（3）微波红外融合模块只使用滞时前向云移动。GSMaP_MVK 算法基于由连续的红外图像生成全球的大气传播运动矢量场，利用卡尔曼滤波模型改进近实时降水数据（Ushio等，2009）。

2.4 精度评估方法

本文为定量研究卫星降水在极端降水中的表现采用了5种评价指标，其中包括：（1）相关系数CC（Correlation Coefficient）用于量化卫星降水数据与实测数据之间的线性相关程度，最优值为1；（2）均方根误差RMSE（Root Mean Square Error）用于量化卫星降水数据与实测数据之间的离散程度，最优值为0；（3）相对偏差BIAS（Relative Bias）用于反映卫星降水数据与实测数据之间的偏差程度，最优值为0；（4）命中率POD（Probability of detection）用于反映卫星对极端降水事件的捕捉能力；（5）误报率FAR（False Alarm Ratio）用于反映卫星降水对极端降水事件的错误估计的概率，极端降水阈值取该格网时间序列中的第95 百分位数。各指标计算方式如表1。

表1 评估指标计算公式Table 1 Evaluation index calculation method

采用世界气象组织WMO（World Meteorological Organization）在世界气候研究计划WCRP（World Climate Research Programma）项目中定制的极端降水指标RX1day 来代表每月中对社会影响较大的极端降水事件，以及选择R95pTOT 定量分析极端降水事件中可被评估的降水总量（表2）。

表2 降水类极端气候指数定义Table 2 Definition of precipitation extreme climate index

3 结果分析与讨论

3.1 极端降水指标精度分析

图2结果表明IMERG、GSMaP 卫星产品RX1day 指标在研究区具有相似的空间分布。各卫星数据均在Ⅱ区东北部表现较好，具有较高的相关系数，普遍在0.6 以上，在其余地区相关系数较低。在Ⅰ区、Ⅲ区青藏高原地区呈现低估状态，而在Ⅱ区青藏高原东部、Ⅲ区天山山脉及内蒙古高原北部存在明显高估现象。由此可见，IMERG、GSMaP 数据对于RX1day 在高雨强地区（Ⅰ区）与复杂地形区域（Ⅲ区）均存在低估现象（相对偏差BIAS<-20%）；在受季风气候影响的复杂地形区域（青藏高原东部受印度洋季风影响；天山山脉区域受大西洋季风影响；内蒙古北部受西伯利亚季风影响）则存在明显的高估现象（BIAS>100%）。另一方面，IMERG 纯卫星降水产品的表现明显优于GSMaP 的纯卫星降水产品，其在Ⅲ区青藏高原东部以及西北部地区的高估现象相比GSMaP 有明显的改善以及在Ⅰ区的低估现象明显提高，均方根误差RMSE 较小，其中IMERG_Late降水数据表现最佳。

图3给出了研究区极端降水事件频率较高的分区（Ⅰ区、Ⅱ区）R95pTOT 指数的空间分布。结果表明，研究区东部的R95pTOT 指数空间分布与该区域的降水空间分布特征相似，极端降水量主要集中在Ⅰ区，并由东南沿海（R95pTOT>3500 mm）至西北内陆（R95pTOT<750 mm）方向递减。IMERG、GSMaP 卫星降水数据的空间分布均与地面参考数据相似，但Ⅰ区、Ⅱ区都存在不同程度的低估现象。IMERG_Late 与GSMaP_MVK分别比IMERG_Early 和GSMaP_NRT 在I 区华南地区的低估有所改善。总体上，IMERG 的两套产品表现优于GSMaP。

图3 IMERG 与GSMaP卫星降水数据R95pTOT极端降水指标空间分布Fig.3 Spatial distribution of extreme precipitation index R95pTOT from IMERG and GSMaP satellite precipitation data

图4给出了GSMaP 与IMERG 纯卫星降水产品R95pTOT 散点图以及相关量化指标，可以看出与上述分析基本一致。由于各精度指标对卫星异常高估与低估降水值十分敏感，累计极端降水量会减少异常偏差造成的严重影响，故4种卫星降水产品对于R95pTOT 指数在Ⅰ区、Ⅱ区的各评估指标表现较好。各卫星产品相较于实际极端降水量均处于低估状态，但具有较高的相关性（CC>0.8）。IMERG 数据对于R95pTOT 指标的表现总体上优于GSMaP 数据，其中IMERG_Late 数据表现最好（CC=0.91，RMSE=16.638 mm/h，BIAS=-2.32%）。GSMAP_NRT和GSMaP_MVK虽然相对偏差BIAS较小分别为-2.67%和-2.56%，但与IMERG 相比，存在更严重的均方根误差RMSE，造成这一现象主要是由于其在极端降水量区间（1500—3000 mm）存在的异常高估值较多，与研究区整体的低估现象相互抵消。

图4 IMERG 与GSMaP卫星降水数据与地面降水之间R95pTOT指标对比散点图及各精度指标Fig.4 Scatter plot of R95pTOT index comparison between satellite precipitation data and reference precipitation and each precision index

3.2 极端降水事件的探测能力分析

图5给出了4 套卫星降水产品对于极端日降水事件命中率与误报率的空间分布，结果表明：在对极端降水探测能力方面，4 套卫星数据的整体空间分布特征相似，但区域性空间特征存在差别。各产品对于极端降水事件命中率在东北地区（POD>80%）表现明显优于西南地区（POD<50%），大致为由东北地区向西南方向递减。IMERG 在Ⅰ区具有较高的极端降水事件命中率POD 与误报率FAR，GSMaP 在I区虽命中率略低于IMERG，但对于极端降水事件误报率显著下降；IMERG、GSMaP 数据均在Ⅱ区西南部分区域表现较差，具有较低的命中率POD 与较高的误报率FAR，由于GSMaP 产品在Ⅱ区西南部分区域存在高估现象，导致其低命中率区域较IMERG 有明显改善。且GSMaP 在Ⅱ区东北部极端降水的监测表现也优于IMERG，主要表现在降低了误报率FAR。

图5 IMERG 与GSMaP卫星降水数据的POD、FAR指标空间分布Fig.5 Spatial distribution of POD and FAR indices of IMERG and GSMaP precipitation data

综上所述，从极端降水命中率的空间分布来看，4 种卫星降水数据仅在Ⅱ区东北区域命中率较高，造成其余地区命中率偏低的原因可能为：I 区华南地区的极端降水阈值较高（>10 mm），而卫星降水数据对于高雨强的极端降水事件的捕捉监测能力存在极大的缺陷（任英杰等，2019）；Ⅱ区西部地形复杂，精确反演这类地形的降水数据仍然是目前各类卫星传感器面临的一个挑战，地面降水数据在此区域也具有较大的不确定性。

为更加深入地了解各卫星降水产品的极端降水探测能力季节性变化情况，选取了时间序列中的降水数据将其分为逐年季节进行计算POD、FAR（图6）。结果表明：POD 指标在时间上具有较强的季节特性，4 种降水数据均在夏秋两季具有较高的命中率，POD 普遍高于60%，而在秋冬两季的表现相对较差（POD<50%）。这4 种纯卫星降水产品中，GSMaP_MVK 在夏秋两季的命中率与整体的误报率优于其余卫星降水产品，可能由于GSMaP 数据在夏秋季的高估状态（Tian 等，2010）与在高雨强的整体低估状态相互抵消。GSMaP 数据在GSMaP_NRT 基础上融合红外传感器数据进行卡尔曼滤波后命中率有明显的提升，而IMERG_Late加入后向传播数据对极端降水命中并无明显改进。

图6 IMERG 与GSMaP 卫星降水产品的POD、FAR指标时间序列（2015-01—2018-12）Fig.6 Time series of POD and FAR indices of IMERG and GSMaP precipitation products（2015-01—2018-12）

3.3 极端降水事件精度评估

对极端降水的研究应该涵盖极端日降水和极端降水过程两个方面，研究任一方面都有其局限性（邹用昌等，2009）。所以本文选择地面参考格网数据在时间序列（2015-01—2018-12）中降水量最大的一天作为极端日降水，选择连续降水量最大的5 d 作为极端降水过程，来代表对社会带来重大影响的不同历时的极端降水事件。图7、图8给出了4 套IMERG、GSMaP 卫星降水产品在极端日降水与极端降水过程中降水强度的空间分布，4种卫星降水数据在极端日降水与极端降水过程中表现出的降水强度空间分布与地面参考数据相似，如图7（a）所示，在Ⅰ区极端日降水事件降水强度较大（>75 mm/d）；Ⅱ区极端日降水事件降水强度大多位于50—-75 mm/d；Ⅲ区极端日降水事件降水强度较小，大多小于50 mm/d，降水强度从东南向西北方向递减。极端降水过程的空间分布特征与极端日降水的空间分布相似，不过降水强度相对较小。总体上，4种卫星降水数据在大部分区域呈低估状态，明显的低估区域主要集中在Ⅰ区大部分区域、Ⅱ区的沿海部分区域、Ⅲ区中的青藏高原地区。IMERG 相较于GSMaP 在Ⅰ区的低估现象以及Ⅱ区的部分山区的高估现象有显著改善，与地面参考数据更为接近。

图7 IMERG 与GSMaP卫星降水数据极端日降水降水强度空间分布Fig.7 Spatial distribution of extreme daily precipitation intensity based on satellite precipitation data

图8 IMERG 与GSMaP卫星降水数据极端降水过程降水强度空间分布Fig.8 Spatial distribution of precipitation intensity in extreme precipitation process

结合卫星降水数据在不同分区上的误差统计指标（表3），分析发现各卫星降水产品在不同分区的相对偏差BIAS皆小于0，说明4种卫星降水数据相对于实际降水处于低估状态，低估现象在Ⅰ区相较于其他地区最为严重。极端日降水中，各卫星数据在Ⅲ区的表现优于其他地区，与卫星降水在复杂地形反演精度较低相矛盾，其原因可能为在其他区域的降水强度相对较高，卫星降水产品在高雨强区域下的误差显著性十分明显，远远高于复杂地形对卫星降水反演精度的影响。而在极端降水过程中，卫星降水在Ⅰ区的相关系数最高，但由于该区域降水强度较大，导致其RMSE整体高于其余地区。

表3 卫星降水产品在不同区域上误差评估指数统计Table 3 Error evaluation index statistics of satellite precipitation products in different regions of study area

为了更加直观地对比各卫星降水产品监测极端降水事件的精度与误差，展示了卫星数据与地面参考数据之间降水强度在研究区的散点图（图9、图10），散点对比情况解释了表2中相对偏差BIAS与其余精度指标中存在的矛盾，即IMERG 数据低估状态相较于GSMaP 数据更加明显，但在CC、RMSE指数的表现皆优于GSMaP。而导致这一矛盾主要是由于GSMaP 数据在部分降水强度区间（极端日降水位于100—200 mm/d、极端降水过程位于30—50 mm/d）出现大量异常高估的降水值，与整体上的低估降水值产生正负抵消的现象。从研究区的整体精度指标来看，IMERG 卫星数据在极端降水事件上的表现优于GSMaP；IMERG_Late降水数据与GSMaP_MVK 降水数据分别在IMERG_Early、GSMaP_NRT 基础上有所改善；其中IMERG_Late 数据表现最好，但在极端降水事件上的低估现象并未有效解决，还需进一步完善。

图9 IMERG与GSMaP卫星降水数据与地面降水之间极端日降水对比散点图及各精度指标Fig.9 Scatter chart of extreme daily precipitation comparison between satellite precipitation data and reference precipitation and its accuracy indexes

图10 IMERG 与GSMaP卫星降水数据与地面降水之间极端降水过程对比散点图及各精度指标Fig.10 Scatter chart of extreme precipitation process comparison between satellite precipitation data and reference precipitation and its accuracy indexes

3.4 讨论

研究结果显示，IMERG、GSMaP 各卫星降水产品受地形、降水强度、反演算法等因素的影响，表现出相似的误差特征与明显的精度差异。对于相似误差特性的订正将是未来极端降水反演工作的重点与方向，对精度差异的讨论可为降水卫星反演算法的改进提供参考。

各卫星共同的误差特性主要表现为：高雨强地区显著的低估现象（图2：BIAS<-20%）与复杂地形区域的高估现象（图2：BIAS>100%）。造成这一误差特性的原因可能为目前微波红外卫星降水遥感反演原理的局限性。降水卫星在被动微波遥感中，通过云顶微波亮度与降水强度之间的定量关系推测降水量（Wilheit 等，2003），云顶微波亮温随着降水强度增加而增加，并逐渐趋于稳定，导致在极端降水中无法建立微波亮度与降水强度间的关系（Wilheit 等，1994），并且地面的微波发射率随地表复杂度变化波动范围较大，加大了陆地降水的反演难度。降水卫星红外传感器利用该波段获取到的云顶温度数据，根据云顶温度与降水强度负相关性，建立云顶红外亮温与降水强度之间的关系（Prigent，2010）。而台风雨与地形雨的降水特性并不符合该降水反演方法的基本假设条件（Kidd，2010），故遥感卫星对于台风雨带来的强降水与复杂地形区域的地形雨估算精度要低得多。未来降水反演工作可以从锋面雨、地形雨等降水特性出发，针对不同降水类型建立亮度与降水强度之间的关系。

4 种卫星产品在Ⅰ区南部的精度差异，可能是由其红外与微波数据融合算法上的差别造成的。GSMaP 反演算法利用红外数据对微波推算出的降水数据进行适当性的卡尔曼滤波校正，而IMERG数据则首先通过根据红外数据的位移矢量判断其微波数据是否需要利用红外数据进行卡尔曼滤波校正（Huffman 等，2014）。故GSMaP 相较于IMERG数据在该区域的极端降水量进行更多的平滑运算，导致其在Ⅰ区南部低估现象更为严重（表3：GSMaP_MVK 的BIAS 为-3.59%；IMERG_Late 的BIAS 为-3.22%），但也具有更小的极端降水误报率（图5：GSMaP 的FAR 为30%—65%；IMERG 的FAR 为50%—80%）。在没有微波覆盖的区域（>50°N/S）都统一使用红外数据推算出的降水强度替代微波数据，这也解释了4种卫星各误差指标在Ⅱ区北部区域（>50°N）具有十分相似的空间分布。

4 结 论

基于自动站与CMORPH 融合降水数据集，采用多种评价指标综合评估IMERG 和GSMaP 纯卫星降水产品，在降水指标、极端降水事件探测能力、对于不同历时的极端降水事件精度评估3个方面在研究区对极端降水监测能力进行研究，结论为：

（1）通过RX1 与R95pTOT 极端降水指标验证了卫星降水数据在高雨强降水呈现出低估状态，而在受季风影响的复杂地形区域呈现出严重的高估状态。在极端降水指标中，IMERG 的表现优于GSMaP 数据，实际应用中建议优先使用IMERG_Late数据。

（2）本文发现GSMaP 对于极端降水事件具有更好的探测能力（略高的POD 和较低的FAR），但由于该产品存在较多的异常高估值，故对极端降水事件反演精度较低。卫星降水在东北区域对于极端降水事件具有较好的探测能力；卫星降水对于极端降水事件命中率具有明显的季节特性，在夏秋的表现优于冬春两季。故对于极端降水事件，建议GSMaP_MVK 与IMERG_Late 数据协同使用，利用IMERG_Late 数据监测由GSMaP_MVK 数据探测到的极端降水事件。

（3）本文发现卫星降水产品对于历时较长的极端降水事件中有着更高的精度。其中，IMERG_Late 数据在极端降水事件反演中表现出一定的应用潜力，在研究区各个区域都表现出较高的适用性，IMERG_Late 数据相较于地面参考数据具有更小的时间分辨率（0.5 h），可在时间上更为准确地对极端降水事件进行监测。

（4）IMERG 和GSMaP 纯卫星降水产品均能捕捉到研究区极端降水的空间分布，IMERG 在研究区的极端降水反演精度优于GSMaP 数据，GSMaP_MVK 数据在融合红外数据进行卡尔曼滤波处理之后，精度较GSMaP_NRT 提升较大，然而IMERG_Late 数据仅加入后向数据进行处理，较IMERG_Early数据没有明显提升。

IMERG、GSMaP 卫星降水产品对于极端降水反演误差在研究区具有明显的区域特征，高雨强低估的误差特性表现显著，因此卫星降水产品在研究区不同区域对于雨强的误差订正将是未来极端降水反演工作的重点与难点之一。