基于REOF的两种卫星降水产品(IMERG和MSWEP)在金沙江流域降水分区尺度精度评估*

薄会娟,林青霞**,李 璐,魏 冲,龚成麒

(1:三峡大学水利与环境学院,宜昌 443002)(2:三峡库区生态环境教育部工程研究中心,宜昌 443002)

降水是水文循环的驱动力,在大气循环中也起着重要作用[1-2]。精准观测不同量级的降水及其时空分布特征对洪水和干旱预报、土壤水分模拟、植被覆盖研究、灾害预防以及降雨-径流过程对气候变化的响应等有重要意义[3]。但由于降水过程会受到大气运动、地理位置和下垫面等不同因素的综合影响,使降水具有复杂的空间变异性[4]。传统的降水观测方法包括地面雨量站网和雷达等,但在地形和气候复杂的流域,由于雨量计设备维护困难和雷达易被干扰等因素,较难准确地反映降水的时空分布。同时雨量站收集的数据多在行业内部使用,获得高时空精度的气象数据并不容易。

随着遥感技术的发展,卫星降水产品由于其具有时空连续、覆盖面广的优势受到广泛关注,为缺/无资料地区的生态水文模拟带来新的机遇[5-6]。迄今为止,多种高时空分辨率的卫星降水产品已发布并被广泛用于相关研究,例TRMM[7]、CMORPH[8]、PERSIANN[9]、CHIRPS[10]、GPM IMERG[11]以及MSWEP[12]等。不同的降水产品由于反演算法等不确定性因素的影响,其在特定流域或区域的精度和可靠性不同,会给降水时空分布描述、水文过程模拟等带来更大的不确定性,尤其是在气候和地形复杂地区[13]。目前关于降水产品精度评估的空间尺度主要包括两类:一类是格点/栅格尺度比较,即比较实测站点(实测点插值栅格)降水和所在栅格卫星降水[14];另一类是在流域/区域尺度上比较[15]。其中,格点/栅格尺度比较能较好地反映栅格尺度的降水精度,但不能直观表达在流域尺度上的性能;流域尺度比较主要是从流域整体评估降水产品的综合表现,其统计指标值比格点尺度偏高,这可能是部分区域低估和部分区域高估综合作用的结果[16-17],也较难直观地反映降水产品在流域局部的性能。综上所述,可以看出不管是栅格还是流域尺度评估都有自身的不足,需寻找介于二者之间的空间尺度进行评价。

目前部分学者将研究区进行分区后比较降水产品的精度,主要包括气候分区[1,18]、地形分区[19]、子流域分区[20-21]和水资源分区[22]等。其中,彭振华等将我国划分为4个不同的气候区(干旱区、过渡区、湿润区和青藏高原)评估降水产品的精度,发现各产品的性能存在空间差异性[1];曾岁康等按高程将四川划分为3个地形区,评估不同地形区和格点尺度降水产品的精度[19];Yang等将黄河流域按水系划分为24个子流域比较降水产品的可靠性[20];谭丽丽等根据海河流域水利委员会划分的水资源三级分区,将流域分为4个区域尺度评价降水产品精度[22]。以上研究都发现降水产品的性能存在空间差异性,表明分区尺度评估降水精度是必要的也是可行的。以上分区研究是学者在较小空间尺度降水产品精度评估方面进行的探索成果,研究表明分区可以实现高精度和全方位的评估。但上述4种分区方法都考虑了和降水相关的其他因素(地形、下垫面、温度和水资源分布等),其分区是多种影响因素综合作用的结果,在一定程度上不能直观地反映降水本身的空间特性。因此,本研究试图对研究区进行降水分区并比较降水产品的性能。

气象要素空间异质性强,尤其是地形复杂地区,大量研究通过气候分区研究流域降水、气温等要素的时空演变规律[23-24]。目前学者大多采用经验正交函数(empirical orthogonal function,EOF)和旋转经验正交函数(rotating empirical orthogonal function,REOF)开展气候分区研究[23-25]。例如,龚成麒等采用EOF和REOF相结合的方法将雅砻江流域分为6个降水分区,研究不同分区降水特征和趋势[26]。Sharmila等应用REOF对澳大利亚北部雨季降雨量多年变化规律进行分析,并确定降雨变化的主导模式[27]。这些研究表明REOF能够缓解EOF的弊端,其能够解析出主导型空间模态,且分解出的各空间模态高度相关,具有更好的物理意义。

金沙江流域位于长江上游,气候和地形复杂,降水时空变化显著,且易受气候变化影响。实测降水站点稀疏(尤其是高海拔地区)给降水规律研究、水电开发和气候研究带来挑战。高时空分辨率的遥感降水产品数据可为更好地描述金沙江流域降水时空分布特征提供参考,但降水产品的偏差不容忽视,其可靠性需要经过验证。因此,本研究以中国气象局提供的地面日降水数据作为参考,采用REOF方法对金沙江流域进行降水分区,评估IMERG和MSWEP两种日降水数据在分区尺度和不分区尺度(即流域尺度),降水事件发生概率和极端降水探测能力3个方面的精度。研究结果拓展了卫星降水产品精度评估尺度,对金沙江流域降水时空演变格局研究具有重要意义。

1 材料和方法

1.1 研究区概况

金沙江流域(24°25′～36°05′N, 89°48′～104°16′E,图1)位于长江上游,起源于我国青海省唐古拉山,流经青海省、云南省和四川省和西藏自治区,干流全长3496 km,流域面积47.3万km2。流域高程跨度大,介于272～6575 m之间,地形复杂,西北高,东南低[28]。金沙江流域包括高原山地、干热河谷和亚热带季风等多种气候区,使整个流域气候差异异常显著。1975-2018年流域多年平均降水量为757.9 mm,主要集中在6-9月,多年平均气温为4～12℃。根据金沙江流域相关研究[29],四季分别是春季(3-5月)、夏季(6-8月)、秋季(9-11月)和冬季(12月-次年2月)。

图1 金沙江流域地理位置及实测气象站点空间分布Fig.1 The location of the Jinshajiang River Basin (JSB), and the spatial distribution of meteorological stations

1.2 数据源

1.2.1 卫星降水产品 本研究选取了两种空间分辨率相同的卫星降水产品进行比较,分别是IMERG和MSWEP。两种降水产品在国内其他研究中精度较高[14,20],空间分辨率均为0.1°×0.1°。全球降水观测计划GPM(https://gpm.nasa.gov/data-access/downloads/gpm)是美国NASA和日本JAXA联合提出的新一代全球卫星降水观测计划,该计划是基于微波红外多卫星融合算法IMERG得到的遥感降水数据。该算法能更加准确地捕捉到微量降水和固态降水[30-31]。作为GPM的典型代表产品,3级IMERG终极产品(IMERG V06 Final Run)的算法融合了GPM微波成像仪(GMI)及其他卫星所有被动微波数据(PWM)、地球同步轨道卫星红外数据和地面雨量计月观测资料。本研究选用IMERG V06 Final Run降水数据作为数据来源,该产品的时间分辨率最高为30 min。

多源加权集合降水(MSWEP)集成了站点、卫星观测及再分析降水数据,是Beck等[12]在2016年生成的具有长时间尺度的格网降水产品(http://www.gloh2o.org/)。MSWEP融合了GSMaP-MVK、TRMM 3B42RT、PERSIANN、SM2RAIN-ASCAT等多种降水产品,其中,站点降水数据的权重是基于站点网格密度计算得到的;卫星和再分析数据产品的权重是由该产品在站点处的精度计算得到的;最后采用全球125个通量塔的数据进行校正。MSWEP的时间分辨率是3 h。

1.2.2 实测气象站点降水 本研究的实测气象站点降水数据是从中国气象网(http://data.cma.cn)获得,时间分辨率为日尺度。为了保证数据质量,对气象站点数据完整性和时间尺度进行筛选,最终选择金沙江流域32个实测气象站点的逐日降水数据进行研究,站点分布如图1所示。该数据经过了国家气象信息中心的一系列质量控制,能够通过极值、一致性和非参数检验。在本研究中,选取1975-2018年的长系列年降水数据用于降水分区;2015-2018年的逐日降水数据用于检验IMERG和MSWEP降水产品的精度。

1.3 方法

实测气象站点日降水量的统计是从北京时间前一日20:00-今日20:00(对应世界时前一日12:00-今日12:00 UTC),而降水产品日降水数据是世界时间(UTC)0:00-24:00,本研究将降水产品前一日12:00-24:00 和今日00:00-12:00的数据进行汇总得到新降水产品的数据。再通过求和累积生成日降水数据。为了避免由气象站点插值栅格带来的不确定性,本研究将栅格的格点值作为降水产品的估计值,并与该栅格内的气象站点实测值进行比较。

本研究在多个时空尺度对日IMERG和MSWEP降水产品的精度进行评估,分别是降水分区尺度、站点尺度和流域尺度上进行了不同降水强度和极端降水事件探测能力的评估。其中,采用旋转经验正交函数(REOF)法对降水分区进行识别。

1.3.1 旋转经验正交函数(REOF) 经验正交函数(EOF)和旋转经验正交函数(REOF)是气候学研究采用较广泛的方法之一[24]。主要是将具有时空特征的气象要素场分解为空间模态和时间系数的线性组合。

经验正交函数(EOF)也可称为主成分分析(PCA),用于提取数据序列中的主成分[32]。识别的每个空间模态都有一个相关的时间系数,显示模态的幅度如何随时间变化。方差贡献率最大的称为第一空间模态,方差贡献率第二大的称为第二空间模态,未存储在第一模态中的方差被存储在第二模态中,依此类推,结果解释的方差对于每个后续模态将更小。

一个气象要素场的观测数据矩阵进行正交展开,可以分解为空间函数V和时间函数T两部分:

X=VT

(1)

旋转经验正交函数(REOF)又称为旋转主成分分析,REOF通过对EOF达到一定标准的若干特征向量进行极大方差正交旋转,使分离出的典型空间模态只有在气象要素场变化高度一致的区域具有高值,其余区域接近0,其能简化空间结构并突出局部区域特征,主要原理见文献[33]。结合前人的研究,本文先以85%的累积方差贡献率初步确定初始变量场,结合方差贡献率不小于6%共同确定最终的模态数量[34]。

1.3.2 评价指标 利用统计指标评估实测降水数据和降水产品的精度,分别是相关系数(CC)、纳什效率系数(NSE)、均方根误差(RMSE)和相对偏差(BIAS)。CC显示了降水产品与实测观测值之间的线性拟合关系。NSE常被用于评价模型模拟的精度。RMSE反映平均误差,对异常值非常敏感。BIAS描述了系统性偏差。当CC和NSE越接近1,RMSE和BIAS越接近0,则认为降水估计对于特定地区或时期是越可靠的。KGE(Kling-Gupta efficiency)是综合性评价指标,用于衡量观测值和估计值之间的总体拟合优度,值越大表明性能越优越;当KGE<0表明降水产品性能较差。公式详见附录1。

基于4个统计指标(CC、RMSE、BIAS和NSE)计算综合指标P值来评估降水产品的精度,采用Chen等[35]提出的方法,P值的计算公式如下:

P=ω1X1+ω2X2+ω3X3+ω4X4

(2)

式中,X1～X4分别代表CC、RMSE、BIAS和NSE;ω1～ω4是权重,分别取0.4、0.1、0.3和0.2。P值越高,性能越好。

为了避免量纲不同带来的影响,将4个指标进行归一化,公式如下:

(3)

(4)

式中,Xmax、Xmin、Xi分别是统计指标的最大值、最小值和绝对值。其中,CC和NSE采用公式(3)进行标准化,BIAS和RMSE采用公式(4)进行标准化。

1.3.3 概率密度函数 采用概率密度函数(PDF)评估降水产品在不同降水强度下的性能[36]。PDF表示不同降水区间发生降水的概率,其已被许多研究用于评估降水产品的质量[37]。根据世界气象组织标准,本研究将金沙江流域的日降水量分为8类(mm/d):0～0.1(毛毛雨);0.1～1(低强度小雨);1～2(高强度小雨);2～5(低强度中雨);5～10(高强度中雨);10～25(低强度大雨);25～50(高强度大雨);>50(暴雨)。

1.3.4 极端降水指数 采用气候变化监测和指数专家组开发的7个常用的极端降水指数评价降水产品对极端降水事件发生的探测能力[38],包括PRCPTOT(大于等于1 mm年总降水量,mm)、SDII(年总降水量除以一年中降水日数,mm/d)、Rx1day(年内最大日降水量,mm)和Rx5day(年内最大连续5日降水量,mm)、R10 mm(年内日降水量大于10 mm的天数,d)、CDD(日降水总量<1 mm的最大连续日数,d)和R95pTOT(日降水量超过95%分位值的年总降水量,mm)。

2 结果与分析

2.1 基于REOF的降水分区结果分析

首先将金沙江流域32个实测气象站点的1975-2018年共44年的降水量进行EOF分解,选取累积方差贡献率大于85%的前10主成分作为初始变量场,并对其进行方差最大旋转得出REOF的方差贡献率(表1)。从表1可以看出,旋转后(REOF)的空间特征向量每个主成分的方差贡献率均匀分布,其中特征向量1的方差贡献率最大,解释了总方差的13.58%,特征向量2的方差贡献率最大,解释了总方差的12.27%,后续特征向量的方差贡献率依次减小。从第9个特征向量开始方差贡献率小于6%,故不考虑分区。前8个特征向量的累积方差贡献率大于70%,表明8个特征向量能较好地表征降水的空间分布特征,故将金沙江流域划分为8个降水分区。

表1 REOF分解的方差贡献率及累计方差贡献率Tab.1 Contribution and cumulative contribution of the REOF decomposition

采用ArcGIS工具箱中的反距离插值法(IDW)绘制出8个特征向量模态的空间分布图,并使用Jenks Natural breaks进行空间数据分类,分为3个区段,最后根据各自区段的上下限选择合适的数值使8个模态具有统一的范围,最终3个区段的结果如图2所示。其中白色是空间模态高值区域,表明该区域应单独作为一个分区。金沙江流域降水分区结果如图3所示(阿拉伯数字代表降水分区的区号),可以看出1区主要位于流域中部,对应的气象站点个数为7个;2区主要位于流域最南部,对应的气象站点个数为4个;3区主要位于流域中下游,对应的气象站点个数为4个;4区主要位于流域最上游,对应的气象站点个数为4个;5区主要位于流域出口附近,对应的气象站点个数为3个;6区主要位于流域中下游中部,对应的气象站点个数为6个;7区主要位于流域中下游西南部,对应的气象站点个数为2个;8区主要位于流域中游东部,对应的气象站点个数为2个。8个降水分区中的实测气象站点之间无重叠。

图2 金沙江流域降水REOF模态分布Fig.2 REOF modal distribution of precipitation in the JSB

图3 金沙江流域降水分区图Fig.3 Diagram of precipitation distinction in the JSB

2.2 金沙江流域降水空间分布特征

将实测气象站点降水(2015-2018年)进行空间插值得到和卫星降水相同分辨率的栅格降水数据,结果表明,不管是多年平均日降水(图4a)还是夏季平均日降水(图4d),金沙江流域降水呈现出从上游到下游逐渐增加的趋势,降水主要集中在流域下游。

图4 金沙江流域2015-2018年多年(a～c)和夏季(d～f)平均日降水空间分布Fig.4 Spatial distribution of mean annual (a-c) and June-August (d-f) daily precipitation during the period 2015-2018 in the JSB: (a) and (d) Gauge observations, (b) and (e) IMERG, (c) and (f) MSWEP

图4b～c给出了IMERG和MSWEP多年平均日降水量的空间分布。通过分析可以看出,两种产品均可以很好地体现降水的空间变化特征,即降水从上游到下游逐渐增加。IMERG较MSWEP表现更好,降水的空间分布更加接近站点插值降水。但MSWEP产品在存在明显高估,尤其在流域中上游(图4c)。

图4e～f给出了IMERG和MSWEP夏季平均日降水量的空间分布。可以看出,两种降水产品均能很好地体现夏季降水的空间变化特征,且都比多年平均情况下精度更高,尤其是MSWEP产品。其结果和站点插值降水的分布基本一致。两种降水产品比实测降水插值的空间分布更加精细,尤其是流域上游,原因可能是由于实测降水站点在流域上游较少,插值结果不太理想。

2.3 日降水统计性能评估

日尺度下IMERG和MSWEP与实测站点降水在不同降水分区和全流域的对比散点密度图和评价指标值如图5所示。由图5可知,在全流域(JSB)尺度上IMERG和MSWEP降水均存在不同程度的高估(BIAS>0),且MSWEP高估的多,表明IMERG更加接近真实降水。但MSWEP的评价指标CC、NSE和RMSE均优于IMERG(IMERG的CC、NSE和RMSE分别是0.34、-0.36和7.72 mm/d,MSWEP的CC、NSE和RMSE分别是0.44、0.12和5.82 mm/d)。

图5 气象站点与IMERG和MSWEP降水在不同降水分区和全流域的对比散点密度图Fig.5 Scatter density plots of daily precipitation for IMERG and MSWEP against meteorological stations

在降水分区尺度上,IMERG降水产品在1～8区的CC、BIAS、NSE和RMSE的范围分别是0.26～0.46 mm、-1.36%～11.13%、-0.93～-0.18 mm和3.74～9.38 mm,其中最优值分别出现在7、4、7和4区;最差值分别出现在5、7、4和5区。MSWEP降水产品在1～8区的CC、BIAS、NSE和RMSE的范围分别是0.36～0.51 mm、0.96%～22.51%、-0.02～0.18 mm和2.62～8.05 mm,其中最优值分别出现在1、6、1和4区;最差值分别出现在5、4、5和2区。综合分析表明两种降水产品在第5区均表现较差,且IMERG在2和4区表现为低估,能够更加细致的刻画降水产品在亚流域尺度的表现。

在同一降水分区上,MSWEP的评价指标CC、NSE和RMSE在8个降水分区中均优于IMERG,但BIAS指标却比IMERG大的多,表明MSWEP对所有分区的降水都存在不同程度的高估,且比IMERG高估的多。

为精确评估两种卫星降水产品(IMERG和MSWEP)在8个降水分区及流域尺度的综合性能,将统计指标(CC)视为第一组样本,包括两个降水数据在9个区域(8个降水分区和JSB),然后使用公式(3)对其进行归一化。其他3个统计指标(RMSE、BIAS和NSE)也进行类似处理。通过公式(2)获得了8个降水分区和JSB流域尺度的P值(图5)。根据P值计算结果,将具有高P值的降水数据推荐为该区域的最佳降水产品。通过图5可以看出,MSWEP被推荐在降水分区1、3、6、7和8和JSB流域使用,其中1、3、6、7和8位于流域的中游。其他降水分区2、4和5推荐使用IMERG,主要集中在流域的上游和下游。由于第5分区的P值较低(P_IMERG=0.18,P_MSWEP=0.08),因此不建议在该降水分区使用这两种卫星降水产品进行降水的相关研究。

2.4 降水事件发生概率评估

采用PDF分析IMERG和MSWEP日降水在不同降水强度下的表现,结果如图6所示。可以看出,在8个降水分区和全流域(JSB),0.1～1 mm/d的降水发生概率最高,其次是2～5 mm/d;降水发生概率最低的是大于50 mm/d的降水,其次是20～50 mm/d。

图6 不同强度等级日降水事件的概率密度函数Fig.6 The probability density function of daily precipitation events with different intensities for IMERG, MSWEP and meteorological stations

IMERG在所有分区和JSB低估了大于1 mm/d的所有降水事件的概率,MSWEP在所有分区和JSB都低估了大于5 mm/d所有降水事件的概率。

IMERG在所有分区和JSB都高估了0～0.1 mm/d的降水事件的概率,而MSWEP只在1和4降水分区表现为高估。MSWEP在所有分区和JSB都高估了0.1～1 mm/d的降水事件的概率,且MSWEP比IMERG要高估很多,而IMERG在5区低估该区间降水。在1～2 mm/d的降水区间中,MSWEP只在4区表现为低估,其他分区和JSB都表现为高估。在2～5 mm/d的降水事件中,MSWEP在1、3、4区和JSB表现为低估,在其他降水分区表现为高估。

总体而言,MSWEP能较好地再现不同等级降水强度的概率密度分布,表明其具有较好地捕捉不同降水概率的能力。而IMERG过高地估计小于0.1 mm/d降水事件的概率,表明IMERG中的算法改进对于提高正确捕获小降水事件的性能并没有实质上的帮助。

2.5 极端降水事件探测能力分析

表2给出了IMERG和MSWEP两种降水产品对极端降水事件的探测能力。可以看出,在流域尺度(JSB),IMERG的极端降水指数除Rx1day外,其他指数的KGE指标值都大于0.5;MSWEP的极端降水指数除SDII和CDD外,其他指数的KGE指标值也都大于0.5。表明IMERG和MSWEP在整个研究区尺度上再现日降水极值有一定的能力。

表2 8个降水分区和金沙江流域IMERG和MSWEP极端降水指数的KGE指标值Tab.2 Kling-Gupta indicators of IMERG and MSWEP in reproducing the extreme precipitation indexes in eight precipitation distinctions and the JSB

在降水分区尺度上,两种降水产品的极端降水指数KGE指标值都存在小于0的情况,其中,IMERG产品 Rx1day的KGE指标值在3和4降水分区是负值,Rx5day和CDD在7区为负值,表明IMERG在这3个降水分区的性能较差。MSWEP产品的7个极端降水指数的KGE指标只在2和5区没有负值,在其他降水分区都存在1～4个指数的KGE指标是负值,尤其是在6区。在6区中,PRCPTOT、SDII、Rx5day和R10指数的KGE指标值都小于0,表明MSWEP不能准确地再现日降水极值。

整体而言,除日最大降水指数Rx1day外,IMERG的所有极端降水指数的KGE值都优于MSWEP产品,表明IMERG比MSWEP有更强的极端降水事件探测能力。但两种降水产品在日最大降水(Rx1day)和持续干期(CDD)的探测能力都表现不佳,尤其是在6区。

3 讨论

3.1 分区尺度的设置特点

降水产品的精度受到检索算法、传感器、流域气候、地形等因素的综合影响,在不同地区、流域呈现不同的精度。到目前为止,已有相关研究提出在亚流域尺度进行比较。亚流域尺度主要包括气候分区,子流域、地形分区等,目的都是为了在较小的尺度更加精细地评估降水产品。已有研究证明更小的尺度比较更具优势,例如:彭振华等将我国分为干旱区、过渡区、湿润区和青藏高原区4个分区比较5种降水产品的精度,得出不同的气候区卫星降水表现不同[1]。同时也有研究证明REOF分区是理解变量空间变化特征的重要途径。如魏冲等基于REOF将淮河流域分为10个区分析降雨侵蚀力的时空变化特征,并为不同的分区提供合理的措施防治水土流失[39]。

本研究提出REOF降水分区尺度比较卫星降水产品的精度,结果发现,不同的分区IMERG和MSWEP两种降水产品的统计性能不同,统计指标变化明显,结合P值,MSWEP被推荐5次,IMERG被推荐3次,而流域尺度只能看出MSWEP比IMERG精度高,不能在精细尺度得出IMERG在某些区域比MSWEP好。极端降水事件探测能力方面,IMERG 和MSWEP的比较在降水分区更加细致。因此,本研究在一定程度上可以证明降水分区尺度比较具有比流域尺度比较更加明显的优势。

3.2 相关研究的对比讨论

到目前为止,已经有大量的研究评估不同卫星降水的性能[38,40-42]。研究发现,卫星降水产品在青藏高原日尺度精度普遍偏低,主要是由于青藏高原地形和气候复杂,受印度和东亚季风的影响,地形雨和极端降水易形成。金沙江流域位于青藏高原东侧,本研究得出的相关系数指标普遍也偏低,和其他人的研究一致[43]。

基于之前的研究发现MSWEP在不同时空尺度都是性能最优的产品,尤其是在干旱地区[38]。本研究也得出相同的结论。同时本研究发现MSWEP具有高的相关系数,这可能与其算法有关,该算法在融合方案中依据CC值的大小赋予融合数据权重的高低[44]。但MSWEP相对偏差BIAS也较高(图5),不管是分区降水还是整个JSB都表现为高估。MSWEP在部分分区上精度低于IMERG,可能的原因一方面是由于MSWEP在融合过程中集合了单一产品降水估算的缺点,另一方面是IMERG融合了地面雨量计月观测资料[45]。

通过降水事件发生概率分析看出,IMERG降水产品在降水分区4和5低估了0.1～1 mm/d降水事件(图6d～e),其他分区和全区都高估了微小降水事件,而MSWEP降水产品全部高估了微小降水事件,且比IMERG要高估的多,原因可能是MSWEP降水产品融合了较多的卫星、再分析和雷达图像,可能增加了将可降水云识别为降水事件的可能性[46]。在0～0.1 mm/d降水区间,IMERG和MSWEP都表现为高估,且IMERG要高估的多,原因可能是IMERG错误将将一些非降雨事件识别为微量降水事件。Lei等也有类似发现,IMERG降水产品高估了我国0.1～10 mm/d强度的降水事件,并且这种高估值随着降水强度的增加而降低[40]。

在极端降水事件探测能力分析方面,MSWEP在捕获极端降水指数CDD和SDII有很大的偏差(表2),这与Zhang等的研究一致[41],表明该降水产品在使用前仍要进行偏差校正。本研究发现如果只考虑整个研究区的极端降水指数,可以发现两种降水产品都具有较好地探测能力,尤其是IMERG降水,极端降水指数(除Rx1day外)的KGE指标大于0.5(表2)。但其在降水分区尺度下出现负值,如IMERG的日最大降水指数Rx1day的KGE指标值在3和4降水分区是负值,Rx5day和CDD在7分区为负值。且MSWEP的负值更多,表明降水分区尺度的精度评估是必需的,能够更加精确更加精细地评价降水产品。

3.3 本研究的影响因素分析

在本研究中,影响评估准确性和结果的因素较多,这里讨论主要的3个影响因素。首先,实测站点数量和分布对分区结果有一定的影响,我们选择金沙江流域32个站点长系列的降水数据进行降水分区,可以保证32个站点分区的准确性,但由于32个站点主要位于流域中下游,上游站点较少,对分区结果会有一定的影响,后期可以基于融合高精度的卫星降水数据进行分区。其次,原始数据的准确性是最重要的因素之一,卫星降水是基于多个数据源的反演数据,如微波成像仪、降水雷达、可见光和红外辐射计等[47],也可能受到大气、纬度和下垫面的高度影响,因此,卫星降水和地面实际降水之间存在一些差异[48]。第三个影响因素是本研究只收集到了2018年12月31日之前的实则站点数据,评估时间长度相对较短,但也可以在一定程度上说明IMERG和MSWEP两种降水产品的性能。

本研究的结果虽然受到较多因素的影响,但本文在现有降水数据的基础上进行了详细的数据分析和严格的质量控制,尽可能地降低了不确定性。未来收集到长系列的站点降水数据将对本文的研究结果进行进一步研究。

4 结论

本研究采用2015年1月1日-2018年12月31日金沙江流域32个实测气象站点实测数据对IMERG和MSWEP两种降水产品进行了全面评估,主要从日尺度、降水发生概率和极端降水探测能力3个方面对降水产品在分区尺度和不分区尺度的性能进行评估。采用4个连续统计指标(CC、BIAS、NSE和RMSE)计算的P值定量分析日降水产品的准确性并为每个降水分区推荐降水产品;然后采用概率密度函数分析降水发生的概率,进一步评估两种降水产品的性能;最后选取极端降水指数判断两种产品在极端降水探测方面的能力。主要结论如下:

1)不分区尺度情况下,MSWEP日降水的统计性能强于IMERG(MSWEP的P值是0.55;IMERG 的P值是0.45)。降水事件发生概率方面:MSWEP能再现不同等级降水强度的概率密度分布,而IMERG不能很好地拟合小于0.1 mm/d降水事件的概率。极端降水探测能力方面:IMERG和MSWEP再现日降水极值有一定的能力,且IMERG比MSWEP表现更好。

2)降水分区尺度情况下,8个降水分区中MSWEP的评价指标CC、NSE和RMSE在均优于IMERG,但BIAS却比IMERG大的多,表明MSWEP对所有分区的降水都存在不同程度的高估,且比IMERG高估的多。通过P值统计,本研究为来8个分区推荐最佳降水数据,MSWEP被推荐5次,分别是1、3、6、7和8区,集中在流域的中游。IMERG被推荐3次,集中在流域的上游和下游。

3)降水分区尺度情况下,降水事件发生概率的评估更加复杂,降水产品在不同的分区表现不同,有的表现为高估,有的则表现为低估。对小于1 mm/d的降水事件,IMERG在大部分分区表现为高估,而MSWEP高估0.1～1 mm/d区间降水事件发生的概率,低估0～0.1 mm/d降水事件发生的概率。

4)降水分区尺度情况下,两种产品极端降水指数的KGE值在2和5区都是正值,其他分区都有负值,表明两种降水产品都不能准确地探测出其他6个降水分区的极端降水事件,尤其是MSWEP降水产品。

综上所述,分区尺度精度评估是可行且必须的,同时分区的精度也可以通过更多的站点降水得到提高。MSWEP在日尺度和降水发生概率方面表现优秀,但在探测极端降水方面,效果欠佳,说明MSWEP在探测极端降水能力方面存在缺陷,算法需要进一步改进。

5 附录

附表Ⅰ见电子版(DOI: 10.18307/2024.0244)。