多源降水融合分析产品在重庆复杂地形下的精度评价*

旷 兰，田茂举**，李 强，李奇临，刘俸霞

多源降水融合分析产品在重庆复杂地形下的精度评价*

旷 兰1，田茂举1**，李 强2，李奇临3，刘俸霞4

(1．重庆市綦江区气象局，綦江 401420；2．重庆市气象台，重庆 401147；3．重庆市气象信息与技术保障中心，重庆 401147；4．重庆市万盛经开区气象局，重庆 400800)

利用2020−2021年两套多源降水融合分析产品FAST和FRT产品、经过质量控制后的重庆地区35个国家气象站逐小时降水量资料，结合各站点地形因子对两套产品进行相关性和误差检验，为复杂地形下的水文气象研究提供数据支撑。结果表明：（1）FAST、FRT产品与观测值的相关性较好，呈正相关，误差较小，产品整体比观测值偏低，两者略有差别。（2）在月、季时间尺度上，春季的精度最好，汛期5−9月的误差和离散程度最大。（3）随着降水等级增大，产品的误差、相关性以及TS等级评分的分布越离散，误差绝对值逐渐增大，TS等级评分逐渐降低，相关性则先降低后增大，其中降水等级0.1～1.9mm、≥20mm的相关性较好。（4）在地形因子上，产品精度略有差别，其中斜坡上产品的精度最优，其余依次为平坡、陡坡以上和缓坡；起伏度大于70m产品的精度最优；随着海拔增加，产品精度先降低，当海拔大于700m时，产品精度提升；坡向为西南、东的产品精度更优，其中西南坡向最优。FAST和FRT降水产品在重庆地区具有较高的精度，可以为自动站点稀少地区的降水数据提供有效补充。

多源降水数据；CMPAS；精度评价；地形因子；最近邻点插值

重庆地形复杂，多山地，自动气象站空间分布不均，存在明显的时空不连续性，因此开发高时空分辨率的多源降水融合分析产品对于天气气候监测、气候变化和灾害性暴雨天气研究以及水文气象预报的研究具有重要意义[1−9]。国内外学者在降水融合分析产品方面开展了大量的科学研究，潘旸等[10]重点介绍了国家信息中心研发的GRIB2格式的降水融合分析产品，该产品是基于中国近4万个考核自动气象站降水观测资料、中国气象局气象探测中心研发的中国雷达定量估测降水产品以及国家卫星气象中心研发的FY2卫星反演降水产品的中国降水融合实况分析产品CMPAS（CMA Multi-source merged Precipitation Analysis System），其中FAST为二源快速融合产品，FRT为三源实时融合产品。此产品利用概率密度函数匹配法[11]订正雷达和卫星降水的系统偏差；再利用贝叶斯模型平均法生成中国区域全覆盖的雷达和卫星联合降水场；最后利用最优插值算法[12]实现5km·h−1时空分辨率的地面−卫星−雷达多源降水融合产品。

近年来，国内外已有学者开展CMPAS产品在不同区域范围的适用性评估。史岚等[13]利用2001−2010年中国自动气象站降水资料，对中国范围内的CMPAS逐日降水资料进行精度评估，表明CMPAS产品与站点观测值有较好的相关性，在年尺度和月尺度上能较好地反映区域降水的特点。许冠宇等[14]挑选了发生在长江流域的2018年8次区域性降水过程，通过对二源和三源降水融合产品进行精度评估，发现降水融合产品估算结果平均比实况偏低；相比二源产品，三源产品对40～49.9mm·h−1强度降水估算的准确率提高较大。目前研究主要针对时空特征进行分析，结合地形要素的分析相对较少。重庆地处青藏高原与长江中下游平原过渡带，有丘陵、低山、高山等复杂地形，本研究基于前人已有研究成果，结合重庆地形因子，对高时空分辨率的国家级降水融合分析产品进行综合检验评价，以期为区域水文气象研究、防灾减灾提供数据支撑。

1 资料与方法

1.1 研究区域

研究区域为重庆地区，地跨东经105°11'− 110°11'、北纬28°10'−32°13'的青藏高原与长江中下游平原的过渡地带，地势由南北向长江河谷逐级降低，域内山高谷深，沟壑纵横，山地面积占76%，丘陵占22%，河谷平坝仅占2%，其中西北部和中部以丘陵、低山为主，东靠大巴山和武陵山两座大山脉，坡地较多。年平均降水量较丰富，降水多集中在汛期5−9月，占全年总降水量的70%左右。

1.2 数据及其来源

（1）多源融合降水数据

包括2020-01-01—2021-12-31重庆区域高时空分辨率多源降水融合逐小时数据，空间分辨率为5km，来自国家气象信息中心网。数据共有两套，一套为FAST产品，来自地面和卫星二源融合的“CMPAS中国5km·h−1降水快速融合实况分析产品”，另一套为FRT产品，是集地面−卫星−雷达三源融合的“CMPAS中国5km·h−1降水实时融合实况分析产品”。利用最近邻点插值法提取气象站点处的栅格数据，与实际观测值对比，进行精度评估。

（2）站点实测降水数据

包括2020-01-01—2021-12-31重庆区域35个国家气象站逐小时降水资料，来自MDOS（Meteorological Data Operational System）气象资料业务质量控制平台。

（3）重庆地区基础地理数据

基于SRTM（Shuttle Radar Topography Mission）的数字高程DEM（Digital Elevation Model）模型，其空间分辨率为12.5m，采用ALBERS等面积圆锥投影和WCG1984大地坐标系，并利用ArcGIS平台提取各站点坡向（北0±22.5°、东北45±22.5°、东90±22.5°、东南135±22.5°、南180±22.5°、西南225±22.5°、西270±22.5°、西北315±22.5°）、坡度（平坡≤5°、缓坡5～15°、斜坡15～25°、陡坡以上>25°）、海拔（≤300m、300～400m、400～500m、500～600m、600～700m、>700m）以及起伏度（≤30m、30～40m、40～50m、50～60m、60～70m、>70m）资料。研究区域的地形及站点分布如图1所示。

图1 重庆地形和气象站点分布

1.3 研究方法

1.3.1 精度评价指标

根据中国气象局预报与网络司发布的标准文件《中国区域降水网格实况产品全流程评估细则（2020版）》，将经过质量控制的站点观测值作为“真值”，降水分析产品按最近距离插值法插值到气象站点，统计比较某段时间内两者的相关性及误差。

（1）不同时间尺度降水数据评估

采用逐月、逐季节的时间尺度，其中月数据是将当月所有1h数据进行精度计算，从而得到1−12月的逐月数据，季数据同理。

相关系数（COR）用于量化降水融合分析产品与站点观测值之间的线性相关程度，其绝对值越接近1，代表相关性越好。计算式为

平均误差(ME, mm)反映的是降水产品与站点观测值的平均差异程度。计算式为

均方根误差(RMSE, mm)用于反映降水产品与站点观测值的离散程度。计算式为

平均绝对误差（MAE, mm）是由于离差被绝对值化，不会出现正负相抵消的情况，但能更好地反映产品值误差的实际情况。计算式为

偏差（BIAS）反映了降水产品与站点观测值之间的偏离程度。计算式为

各式中，Oi为站点观测值，Gi为降水融合分析产品插值到气象站点所得到的值，N为参与检验的总站数。BIAS、ME、MAE、RMSE越接近0，代表降水融合产品的效果越好。

（2）不同强度等级降水数据评估

降水强度分级是利用站点观测值的每小时降水量值进行强度分级，分级标准为0.1～1.9mm、2～4.9mm、5～9.9mm、10～19.9mm以及≥20mm等5个小时降水等级分别进行评估。对于分级降水产品的误差与准确率，则更关注降水区间内降水产品与站点观测值一致的站次数，因此，常采用等级均方根误差（RMSEk）和TS等级评分（TSk）；而分量级检验更能体现误差的来源、分布以及大小。

式中，RMSEk（mm）是等级均方根误差，TSk是TS等级评分，Oi为站点观测值，Gi为降水融合分析产品插值到气象站点所得到的值，N为参与检验的总站数，k代表降水分级检验等级，Uk为第k个降水等级区间的上界，Lk为第k个降水等级区间的下界，式中[ ]代表逻辑转数值的运算符，逻辑值为正时取1，否则取0。

1.3.2 最近邻点插值法

根据降水特点，采用荷兰气象学家Thiessen A H提出的基于空间自相关性的最近邻点插值法，通过对所有站点创建泰森多边形，当对未知点进行插值时，就会修改这些泰森多边形并对未知点生成一个新的泰森多边形。与待插值点泰森多边形相交的泰森多边形中的样本点被用来参与插值，它们对待插值点的影响权重与它们所处泰森多边形与待插值点新生成的泰森多边形相交的面积成正比，如图2所示。

图2 重庆气象站点的泰森多边形视图

1.4 数据处理

首先利用最近邻点插值法提取气象站点所处的栅格的降水产品数据，并与实际站点观测值进行精度评估。其次，基于ArcGIS平台，运用数字高程DEM模型，提取各气象站点处的地形指标因子，如坡度、坡向、地形起伏度、海拔高度等，根据不同坡向区间（北0±22.5°、东北45±22.5°、东90±22.5°、东南135±22.5°、南180±22.5°、西南225±22.5°、西270±22.5°、西北315±22.5°）、不同坡度区间（平坡≤5°、缓坡5～15°、斜坡15～25°、陡坡以上>25°）、不同海拔区间（≤300m、300～400m、400～500m、500～600m、600～700m、>700m）以及不同起伏度区间（≤30m、30～40m、40～50m、50～60m、60～70m、>70m）分别计算其精度指标。

2 结果与分析

2.1 不同站点多源降水融合数据精度分析

由图3和图4可见，35个站点中，两套逐小时降水数据与站点观测值的相关系数（COR）略有差别，FAST产品的COR在0.87～0.96，COR最低的站点为秀山和丰都；FRT产品的COR在0.85～0.95，COR最低的站点为丰都，但均通过了0.01水平的显著性检验，说明两套数据与实测数据呈极显著正相关关系。FAST产品的TS评分在0.67～0.78，TS评分最低的站点为潼南；FRT产品的TS评分在0.66～0.76，TS评分最低的站点依然为潼南。FAST产品的平均误差ME的绝对值不大于0.03mm·h−1，平均为−0.01mm·h−1，整体以偏低为主；平均绝对误差MAE不大于0.08mm·h−1，平均为0.06mm·h−1；均方根误差RMSE不大于0.64mm·h−1，平均为0.43mm·h−1；偏差BIAS的绝对值不大于0.16mm·h−1，平均为−0.03mm·h−1。可见，FAST和FRT产品的小时精度都比较高，以偏低为主，但略有差别。

2.2 不同时间尺度多源降水融合数据精度分析

分析降水产品与观测值在不同季节的精度指标，由表1可见，从相关系数COR来看，两种产品与观测值的相关性在四个季节均达到了91%以上，FAST产品略优于FRT产品；从平均误差ME来看，两种产品在春季和秋季都较观测值略偏低0.01mm，在夏季和冬季均为0；相较于其他季节，在夏季两种产品的平均绝对误差MAE、均方根误差RMSE最大，这与夏季多强降水天气过程有一定联系；从偏差BIAS来看，两种产品相较于观测值均略显偏低；从TS评分来看，两种产品在春夏秋三个季节的TS评分均达到了0.7以上，且以FAST产品略优于FRT产品。

分析降水产品与观测值精度指标的年内逐月变化趋势，由图5可见，从相关系数COR来看，两种产品与观测值的相关性均达到了89%以上；从平均绝对误差MAE、均方根误差RMSE、偏差BIAS来看，两种产品在汛期5−9月的误差最大，其中最大MAE均达到0.15mm·h−1，最大RMSE达到0.87mm·h−1；从偏差BIAS来看，1−12月，BIAS均小于0，说明两种产品比观测值偏低，其中以冬季偏低较为明显；从TS评分来看，两种产品在1−12月的TS评分均达到0.65以上，其中79.17%的月份达到了0.70及其以上，4月和10月有两个峰值，全年平均为0.71。整体来看，FAST在3−4月、7月以及12月略优于FRT产品，其余时段两者相当。

图3 两套多源融合逐小时降水量数据(FAST和FRT)各项精度评价指标的空间分布

注：FAST产品由地面和卫星二源融合，FRT产品由地面−卫星−雷达三源融合，数据时间范围为2020-01-01—2021-12-31。COR为降水融合数据插值到气象站点所得到的值与各站点观测值之间的相关系数，RMSE为均方根误差，BIAS为偏差，TSk为分级降水产品的准确率。下同。

Note: FAST products are fused by two sources of ground and satellite, and FRT products are fused by three sources of ground satellite radar. The data time range is from January 1, 2020 to December 31, 2021. COR is the correlation coefficient between the value obtained by interpolation of precipitation fusion data to meteorological stations and the observed values of each station, RMSE is the root mean square error, BIAS is the deviation, and TSkis the accuracy of classified precipitation products. The same as below.

图4 重庆35个站点FAST和FRT产品数据各评价指标Violin plot分布汇总

注：---为中位数，···分别为上四分位点、下四分位点，外部形状为核密度估计。下同。

Note: --- line in the middle is the median, and ··· lines at both ends are the upper quartile and the lower quartile respectively. The external shape is nuclear density estimation. The same as below.

对比分析平均误差ME和平均绝对误差MAE的Violin Plot分布，由图6可见，整体上看，FRT产品相较于FAST产品其平均误差ME和平均绝对误差MAE的分布都相对比较集中；从产品误差分布的离散程度来看，夏季最为分散，其余依次为秋季、春季和冬季，其中7月最为分散，其余依次为8、5、9、6、10、3、4、11、2、1和12月；从平均误差ME来看，FRT和FAST的平均误差中位数均低于0，FRT的平均误差的中位数绝对值在春夏秋三季略低于FAST，在冬季基本持平，从年内统计来看，5−7月和9−10月FRT的平均误差的中位数绝对值略低于FAST产品，其他月份基本持平；从平均绝对误差MAE来看，FRT的平均绝对误差的中位数在春夏秋三季略高于FAST，在冬季基本持平，从年内统计来看，2−5月、7−10月FRT的平均绝对误差的中位数略高于FAST，其他月份基本持平。

表1 FAST和FRT产品不同季节逐小时数据平均值的精度评价指标

图5 不同月份FAST和FRT产品逐小时数据平均值的精度评价指标

综上所述，相较于观测值，FRT和FAST产品都存在低估，且从平均误差ME、平均绝对误差MAE来看，FRT的误差分布比FAST相对集中；从产品的误差离散程度来看，夏季最为分散且误差绝对值最大，其次是春秋季，最后是冬季，其中又以汛期（5−9月）相对更加分散且误差相对更大。两种产品与观测值的相关系数均达到了90%以上，且FAST产品略优于FRT；从平均误差ME、平均绝对误差MAE、均方根误差RMSE来看，两种产品在汛期的误差最大，这与夏季多强降水天气有一定联系；两种产品的偏差BIAS均小于0，说明产品存在低估；两种产品的TS评分均达到了0.65以上，且FAST产品略优于FRT。

图6 平均误差ME和平均绝对误差MAE的Violin plot分布

2.3 不同强度多源降水融合数据精度分析

根据降水量大小，将小时降水量分为5个等级，即0.1～1.9mm、2～4.9mm、5～9.9mm、10～19.9mm、≥20mm。分析各降水等级下产品的精度指标，由表2可见，随着降水等级的增加，FAST和FRT产品的平均误差ME、平均绝对误差MAE、等级均方根误差RMSEk、偏差BIAS的绝对值也逐渐增大，又以FAST产品的误差略低于FRT产品；从平均误差ME和偏差BIAS的正负号来看，产品值在降水等级的2～5级均存在低估的情况，且随降水等级增大而低估的更多；从TS等级评分TSk来看，随着降水等级的增大，降水区间内正确的次数反而降低，而在降水等级1级区间的TS1更大，且FAST产品的TSk等级评分略高于FRT产品；从相关系数COR来看，随着降水等级的增大，产品与观测值的相关性逐渐降低然后再逐渐增大，而在降水等级1级和5级的相关性更好，且FAST产品的相关性略优于FRT产品。

根据FAST和FRT等级均方根误差和TS等级评分的分布，由图7可知，随着降水等级的增大，等级均方根误差和TS等级评分的离散值也越离散，其中以前4个降水等级区间的分布相对集中，又以0.1～1.9mm·h−1区间的降水等级最为集中，其等级均方根误差最小，FRT和FAST均为0.32；TS等级评分为FRT≥0.71，FAST≥0.76，≥20mm·h−1区间的降水等级分布很不均匀，存在较明显的离散值。

对比分析FRT和FAST产品，对于等级均方根误差，当降水强度≤9.9mm·h−1时，FRT产品的误差与FAST基本持平；当降水强度≥10.0mm·h−1时，FRT产品的误差高于FAST产品；当降水强度≥20.0mm·h−1时二者的误差相差最大。对于TS等级评分，当降水强度≤19.9mm·h−1时，FRT产品的评分略低于FAST产品或基本持平；当降水强度≥20.0mm·h−1时，FRT产品的评分高于FAST产品。统计分析发现（图略），≥10.0mm·h−1的降水强度多发生在强对流天气过程中，≥20.0mm·h−1的降水强度多发生在极端性强降水天气过程中，且此强度已达到短时强降水标准；所以当降水强度≥20.0mm·h−1时，FRT产品的TS等级评分明显高于FAST，FRT产品在极端强降水天气过程中的命中优势就明显体现出来了。

表2 不同强度多源降水融合数据的精度评价指标

图7 TSk等级评分和RMSEk等级均方根误差Violin plot分布

2.4 不同地形条件多源降水融合数据精度分析

有研究认为由于地形的云物理作用和地形的动力抬升作用，气流常常顺着斜坡爬升，水汽向上不断凝结而形成降水，山地地形中的降水一般是随着海拔的增加而增大。实际上，不同的地形结构往往会产生不同的降水量，为深入探讨多源降水融合分析产品在不同地形结构上的表现能力，需要从坡向、坡度、起伏度和高程4个方面分别进行精度评价。其中，坡向是指坡度所面对的方向，以度（°）为单位，按顺时针方向旋转测量，角度范围为0～360°，0±22.5°为北向、45±22.5°为东北向，90±22.5°为东向、135±22.5°为东南向、180±22.5°为南向、225±22.5°为西南向、270±22.5°为西向、315±22.5°为西北向；坡度是指地表单元陡缓的程度，即坡面的垂直高度与水平距离的比值，平坡为坡度≤5°，缓坡为5°～15°，斜坡为15°～25°，陡坡以上为>25°。海拔是指地面某点高出海平面的垂直距离，根据重庆气象站点的海拔分布，将海拔划分为6个区间，即海拔≤300m、300～400m、400～500m、500～600m、600～700m、≥700m。地形起伏度是指在特定区域内，最高点与最低点的海拔高度差值，常作为描述特定区域地形特征的一个宏观性指标，根据站点实际情况，将起伏度分为6个区间，即起伏度>30m、30～40m、40～50m、50～60m、60～70m、>70m。

将相关系数COR、平均误差ME、平均绝对误差MAE、均方根误差RMSE、偏差BIAS、TS评分6个指标作为因变量，坡度、坡向、起伏度、高程分别作为自变量，进行回归分析。结果表明，91.43%的国家级气象观测站集中在平坡和缓坡，斜坡及以上主要是城口、巫溪和奉节站；80%的站点集中在起伏度70m以下，起伏度在70m以上的主要是巫山、万州、巫溪和奉节站；91.43%的站点集中在海拔700m以下，海拔700m以上的站点主要是黔江、城口和酉阳站。从图8可以发现，斜坡上产品的相关性和TS评分最好且误差最小，其次是平坡和陡坡以上，缓坡最差；当起伏度大于30m时，TS评分随着起伏度增大而逐渐提高，起伏度大于70m的产品的相关性和TS评分相对更好且误差相对更小；随着海拔的增加TS评分逐渐下降同时误差也逐渐增大，当海拔大于700m时相关性和TS评分又再次提高且误差也减小；坡向为西南、东的相关性和TS评分相对更好且误差相对更小，其中西南坡向在相关性和TS评分上均达到了最好且误差最小。

3 结论与讨论

3.1 结论

（1）FAST、FRT产品与观测值的相关性较好，呈正相关，误差较小，产品整体比观测值偏低，两者略有差别。

（2）在月、季时间尺度上，春季的精度最好，汛期5−9月（特别是夏季）的误差和离散程度最大。

（3）随着降水等级增大，产品的误差、相关性以及TS等级评分的分布越离散，误差绝对值逐渐增大，TS等级评分逐渐降低，相关性则先降低后增大，其中降水等级0.1～1.9mm、≥20mm的相关性更好。

（4）在地形因子上，产品精度略有差别，其中斜坡上产品的精度最优，其次依次是平坡、陡坡以上、缓坡；起伏度大于70m产品的精度最优；随着海拔增加，产品精度先降低，当海拔大于700m时，产品精度提升；坡向为西南、东的产品精度更优，其中西南坡向最优。

图8 不同地形逐小时数据平均值的精度评价指标

注：坡向中，N代表北坡，N-E代表东北坡，E代表东坡，S-E代表东南坡，S代表南坡，S-W代表西南坡，W代表西坡，N-W代表西北坡。坡度中，F-S代表平坡（≤5°），G-S代表缓坡（5～15°），S-H代表斜坡（15～25°），S-S代表陡坡以上（>25°）。

Note: In slope aspect，N represents the north slope, N-E represents the northeast slope, E represents the east slope, S-E represents the southeast slope, S represents the south slope, S-W represents the southwest slope, W represents the west slope, N-W represents the northwest slope. In slope gradient, F-S stands for flat slope(≤5°), G-S for gentle slope(5−15°), S-H for Steephill(15−25°), S-S for above steep slope(>25°).

3.2 讨论

基于国家高时空分辨率的多源降水融合分析产品与站点观测值具有较好的相关性，能较好地反映降水的时空分布，可以为自动站点稀少地区的降水数据提供有效补充，这与史岚等[13]对CMPAS产品的精度评价结果基本一致。本研究在对两种产品数据进行精度评价时发现，降水等级和地形因子对产品精度有一定影响，特别是降水等级较大时，CMPAS存在降水低估现象；在不同的地形因子区间，产品精度略有差别。而本研究仅选取2020−2021年重庆区域35个国家气象站逐小时降水资料开展精度评价，站点观测密度不够、时间序列也较短，由于影响降水的因素复杂，特别是降水量受地形因子影响较大，需要进一步验证重庆不同地形条件下高密度区域站的降水对产品精度的影响。

[1] 窦世卿,张寒博,徐勇,等.TRMM降水数据在长江流域的降尺度分析与校正[J].中国农业气象,2021,42(5):377-389.

Dou S Q,Zhang H B,Xu Y,et al.Research on downscaling and correction of TRMM data in the Yangtze River Basin[J]. Chinese Journal of Agrometeorology,2021,42(5): 377-389.( in Chinese)

[2] 玉院和,王金亮.TRMM3B43降水数据在云南地区的降尺度适用性评价[J].中国农业气象,2020,41(9):575-586.

Yu Y H,Wang J L.Applicability evaluation of TRMM 3B43 precipitation data for downscaling in Yunnan Province[J]. Chinese Journal of Agrometeorology,2020, 41(9):575- 586.( in Chinese)

[3] 李豪,雷苑.复杂地形下TRMM降水数据的降尺度研究:以四川省为例[J].中国农业气象,2019,40(10):607-619.

Li H,Lei Y.Spatial downscaling of TRMM precipitation data in areas of complex terrain:a case study in Sichuan Province[J].Chinese Journal of Agrometeorology,2019,40 (10):607-619.( in Chinese)

[4] 刘少华,严登华,王浩,等.中国大陆流域分区TRMM降水质量评价[J].水科学进展,2016,27(5):639-651.

Liu S H,Yan D H,Wang H,et al.Evaluation of TRMM 3B42V7 at the basin scale over mainland China[J]. Advances in Water Science,2016,27(5):639-651.(in Chinese)

[5] 李威,蒋平,赵卫权,等.TRMM卫星降水数据在喀斯特山区.的适用性分析:以贵州省为例[J].水土保持研究,2016, 23(1):97-102.

Li W,Jiang P,Zhao W Q,et al.Analysis on applicability of TRMM precipitation data in Karst areas:a case study in Guizhou Province[J].Research of Soiland Water Conservation, 2016,23(1): 97-102.( in Chinese)

[6] 郑杰,闾利,冯文兰,等.基于TRMM3B43数据的川西高原月降水量空间降尺度模拟[J].中国农业气象,2016,37(2): 245-254.

Zheng J,Lv L,Feng W L,et al.Spatial down scaling simulation of monthly precipitation based on TRMM 3B43 data in the Western Sichuan Plateau[J].Chinese Journal ofAgrometeorology,2016,37(2):245-254.( in Chinese)

[7] 江志红,卢尧,丁裕国.基于时空结构指标的中国融合降水资料质量评估[J].气象学报,2013,71(5):891-900.

Jiang Z H,Lu Y,Ding Y G.Analysis of the high-resolution merged precipitation products over China based on the temporal and spatial structure score indices[J].Acta Meteorologica Sinica,2013,71(5):891-900.( in Chinese)

[8] 张蒙蒙,江志红.我国高分辨率降水融合资料的适用性评估[J].气候与环境研究,2013,18(4):461-471.

Zhang M M,Jiang Z H.Analyses of high-resolution merged precipitation products over China[J].Climatic and Envirorrnental Research,2013,18(4): 461-471.(in Chinese)

[9] 季漩,罗毅.TRMM降水数据在中天山区域的精度评估分析[J].干旱区地理,2013,36(2):253-262.

Ji X,Luo Y.Qualily assxessnenl of the TRMM precipitation data in mid‘Tianshan mounlains[J].Arid Land Geography, 2013,36( 2):253-262.( in Chinese)

[10] 潘旸,谷军霞,宇婧婧,等.中国区域高分辨率多源降水观测产品的融合方法试验[J].气象学报,2018,76(5):755-766.

Pan Y,Gu J X,Yu J J,et al.Test of merging methods for multi source observed precipitation products al high resolution over China[J].Acta Meteorologica Sinica,2018, 76(5):755-766.( in Chinese)

[11] 宇婧婧,沈艳,潘旸,等.中国区域逐日融合降水数据集与国际降水产品的对比评估[J].气象学报,2015,73(2): 394-410.

Yu J J,Shen Y,Pan Y,et al.Comparative assessment between the daily merged precipitation dataset over China and the worlds popular counterparts[J].Acta Meteorologica Sinica, 2015,73(2):394-410.( in Chinese)

[12] 潘旸,沈艳,宇婧婧,等.基于贝叶斯融合方法的高分辨率地面-卫星-雷达三源降水融合试验[J].气象学报, 2015,73(1):177-186.

Pan Y,Shen Y,Yu J J,et al.An experiment of high resolution gange radar satellite combined precipitation retrieval based on the Bayesian merging method[J].Acta Meteorologica Sinica,2015,73(1):177-186.( in Chinese)

[13] 史岚,万逸波,张狄,等.CMPA降水资料在中国地区不同地形下的精度评价研究[J].气象科学,2018,38(5):616-624.

Si L,Wan Y B,Zhang D,et al.Precision evaluation of CMPA remote sensing precipitation data in different terrains of China[J].Journal of the Meteorological Sciences,2018, 38(5):616-624.( in Chinese)

[14] 许冠宇,李琳琳,田刚,等.国家级降水融合产品在长江流域的适用性评估[J].暴雨灾害,2020,39(4):400-408.

Xu G Y,Li L L,Tian G,et al.Assessing the applicability of national precipitation merged products in the Yangtze River Basin[[J].Torrential Rain and Disasters,2020,39(4):400- 408.( in Chinese)

[15] 巩杰,高秉丽,李焱,等.1960-2020年黄河流域气候干湿状况时空分异及变化趋势[J].中国农业气象,2022,43(3): 165-176.

Gong J,Gao B L,Li Y,et al.Spatiotemporal variation of climate dry-wet condition and its potential trend in the Yellow River basin from 1960 to 2020[J].Chinese Journal of Agrometeorology,2022,43(3):165-176.( in Chinese)

[16] 王卓颖,刘杨晓月,杨骥,等.风云卫星系列及CLDAS土壤水分产品多尺度精度验证与评价:以青藏高原那曲地区为例[J].中国农业气象,2021,42(9):788-804.

Wang Z Y,Liu Y X Y,Yang J,et al.Multi-scale evaluation and validation of soil moisture products of FY-3B/3C and CLDAS:a case study in Naqu Region of the Qinghai-Tibet Plateau[J].Chinese Journal of Agrometeorology,2021,42 (9):788-804.( in Chinese)

[17] 王智慧,师春香,沈润平,等.CLDAS驱动陆面模式模拟中国区域潜热通量的精度评价[J].中国农业气象,2020,41 (12):761-773.

Wang Z H,Shi C X,Shen R P,et al.CLDAS drive land surface model to simulate latent heat flux in China[J]. Chinese Journal of Agrometeorology,2020,41 (12):761- 773.( in Chinese)

[18] 姜少杰,宋海清,李云鹏,等.内蒙古地区FY-3B/3C微波遥感土壤水分数据产品的融合与评估[J].中国农业气象, 2020,41(8):529-538.

Jiang S J,Song H Q,Li Y P,et al.Data fusion and evaluation of soil moisture products from FY-3B/3C microwave remote sensing in Inner Mongolia[J].Chinese Journal of Agrometeorology,2020,41(8):529-538.( in Chinese)

Study on Accuracy Evaluation of Multi-Source Precipitation Fusion Analysis Products under Complex Terrain in Chongqing

KUANG Lan1, TIAN Mao-ju1, LI Qiang2, LI Qi-lin3, LIU Feng-xia4

(1. Chongqing Qijiang District Meteorological Bureau, Qijiang 401420, China; 2. Chongqing Meteorological Observatory, Chongqing 401147; 3. Chongqing Meteorological Information and Technology Support Center, Chongqing 401147; 4. Chongqing Wansheng Economic Development Zone Meteorological Bureau, Chongqing 400800)

Two sets of multi-source precipitation fusion analysis products FAST and FRT products from 2020 to 2021, and the hourly precipitation data of 35 national meteorological stations in Chongqing after quality control were used to test the correlation and error of the two sets of products in combination with the topographic factors of each station, so as to provide data support for hydrometeorological research under complex terrain. Some results in this study showed that: (1) FAST and FRT products had good correlation with the observed value, positive correlation and small error. The overall product was lower than the observed value, and there was a slight difference between them. (2) On monthly and seasonal time scales, the accuracy of spring was the best, and the error and dispersion degree of flood season from May to September were the largest. (3) With the increase of precipitation grade, the distribution of product error, correlation and TS grade score became more discrete, the absolute value of error gradually increased, the TS grade score gradually decreased, and the correlation first decreased and then increased, among which the correlation of precipitation grade 0.1-1.9mm and ≥ 20mm was better. (4) In terms of terrain factors, the accuracy of products was slightly different, among which the accuracy of products on the slope was the best, followed by the flat slope, above the steep slope and gentle slope. The accuracy of products with undulation greater than 70m was the best; With the increase of altitude, the product accuracy decreased first. When the altitude was greater than 700m, the product accuracy increased. The accuracy of products with the Southwest and East slope directions was better, and the Southwest slope direction was the best. FAST and FRT precipitation products had high accuracy in Chongqing, which could effectively supplement the precipitation data in areas with few automatic stations.

Multi-source precipitation data; CMPAS; Accuracy evaluation; Terrain factor; Nearest neighbor interpolation

10.3969/j.issn.1000-6362.2023.01.007

旷兰,田茂举,李强,等.多源降水融合分析产品在重庆复杂地形下的精度评价[J].中国农业气象,2023,44(1):71-81

2022−02−21

重庆市自然基金面上项目（cstc2021jcyj-msxmX0057）；重庆市气象部门业务技术攻关项目（YWJSGG−202128）

田茂举，高级工程师，主要从事GIS和天气预报研究，E-mail:147758044@qq.com

旷兰，E-mail:616032331@qq.com