潘旸 谷軍霞 徐賓 沈艷 韓帥 師春香

（國家氣象信息中心，北京 100081）

0　引言

降水的潛熱釋放是大氣最主要的能量來源[1]，降水是氣候系統(tǒng)中水分循環(huán)和能量交換的重要組成部分，是表征氣候變化的重要指標，降水的極端天氣及氣候事件（洪澇、干旱）對人類生產(chǎn)和生活造成重要影響。降水落至陸地，一方面會引起土壤濕度變化，從而引起土壤熱容量、熱傳導和熱擴散變化，這些變量控制著不同土壤層間的熱量傳輸過程，進而影響土壤溫度和近地層的氣溫，最終對陸氣間能量和水的交換產(chǎn)生影響。另一方面，落至陸表的降水會通過蒸發(fā)、下滲和徑流回到水循環(huán)中，對陸表水循環(huán)產(chǎn)生重要影響[2]。另外，在運用數(shù)值模式模擬和預測天氣及氣候系統(tǒng)變化時，亦需要高質(zhì)量的降水觀測產(chǎn)品來做比對和檢驗。因此，降水的時空分布對了解氣候系統(tǒng)和長期的天氣氣候變化，以及陸表、水文過程的模擬和預報都至關重要。

獲取降水觀測信息的途徑主要有三種：地面雨量計、地基雷達和衛(wèi)星遙感探測信息。一方面，地面雨量計和地基雷達的降水資料相對準確，但其空間分布不均勻，適合觀測局地區(qū)域性的降水，很難獲得較準確的大區(qū)域或全球的降水信息。另一方面，衛(wèi)星遙感可進行大范圍空間連續(xù)的探測，對某些特定目標區(qū)的觀測時間分辨率也很高，但是由于衛(wèi)星反演降水的物理原理和算法的局限性，其反演降水的精度相對較低。由于缺乏時空連續(xù)覆蓋廣泛的綜合觀測系統(tǒng)，要得到長期的精準的高分辨率的全球降水分布非常困難，數(shù)值模式輸出的降水產(chǎn)品可以彌補觀測系統(tǒng)時空不連續(xù)造成的問題，但模式降水本身亦存在嚴重的系統(tǒng)偏差。綜上可見，基于單一來源的降水資料都各有利弊，如何有效結(jié)合不同來源降水資料的優(yōu)勢，發(fā)展多源降水融合技術，成為近年來國際上在高質(zhì)量降水產(chǎn)品研發(fā)中的主流趨勢。

本文介紹了國內(nèi)外主流的降水融合技術和產(chǎn)品的發(fā)展與現(xiàn)狀，重點闡述了國家氣象信息中心在降水融合領域的研究進展和成果，并探討了融合降水產(chǎn)品中存在的問題以及未來的工作計劃和展望。

1　降水融合的發(fā)展現(xiàn)狀

1.1　衛(wèi)星反演降水及融合技術的發(fā)展

靜止衛(wèi)星能夠長時間、連續(xù)且高時空分辨率地探測大氣，利用它探測的紅外/可見光（IR/VIS）云頂亮溫與降水概率和降水強度統(tǒng)計關系來反演降水[1,3]，適用于對流性降水為主的區(qū)域，相對精度在30%～300%[4]。而極軌衛(wèi)星探測的是大氣中降水粒子發(fā)射或者散射的微波，由被動微波（PMW）反演降水精度顯著提高[5-6]。但微波降水對海陸下墊面較敏感，且受極軌衛(wèi)星過境次數(shù)和軌道的限制，難以實現(xiàn)時空全覆蓋，因此結(jié)合紅外和微波探測的優(yōu)勢發(fā)展集成衛(wèi)星反演降水是研制全球衛(wèi)星反演降水產(chǎn)品的主流思路。早期研發(fā)的融合產(chǎn)品主要有美國氣候預測中心融合分析降水（CMAP）、全球降水氣候計劃（GPCP）產(chǎn)品等（表1），融合思路是：先用地面觀測對各種紅外、微波降水估計產(chǎn)品進行偏差訂正，再依據(jù)不同資料的誤差采用泊松松弛法[3,7]、誤差反比加權[8]等方法整合在一起。這類降水產(chǎn)品雖然只有逐月（候）/2.5°的分辨率，但資料時間覆蓋從1979年至今，一定程度上滿足了降水季節(jié)性、年際和年代際變化等氣候方面的研究和應用。

表1　全球主要的降水融合產(chǎn)品列表Table 1 List of global merged precipitation products

20世紀90年代末，熱帶降雨測量任務（TRMM）衛(wèi)星上搭載了專門監(jiān)測降水的主動式微波傳感器（PR），能夠獲得海洋和陸地上空降水的三維結(jié)構(gòu)，消除了下墊面的影響，其反演精度達到地基雷達的水平，因此TRMM的微波輻射計（TMI）和PR常被用來評價和校正其他衛(wèi)星反演降水數(shù)據(jù)。此時，針對高時空分辨率衛(wèi)星集成產(chǎn)品的研制算法有了進一步發(fā)展，代表性的有兩類：一類是美國國家環(huán)境預報中心（NCEP）采用的TRMM多衛(wèi)星降水分析（TMPA）算法[8]，它先利用TMI降水校正多顆極軌衛(wèi)星的PMW降水，再用訂正后PMW降水與靜止衛(wèi)星IR觀測的匹配樣本建立基于紅外亮溫的降水反演系數(shù)；另一類是美國國家海洋大氣局（NOAA）氣候預測中心（CPC）的Morphing（CMORPH）技術[9]，它利用IR數(shù)據(jù)來計算云的移動矢量，依此對PMW降水進行向前向后的外推插值，得到全球30 min/8 km的CMORPH降水產(chǎn)品（表1）。近年來，鑒于CMORPH在微波降水較少時精度下降的不足，Joyce等[10]研發(fā)了基于卡爾曼濾波（KF）的新一代CMORPH算法，充分發(fā)揮了紅外反演降水的作用。日本氣象廳（JMA）也采用了與新一代CMORPH類似的技術[11]，制作了逐小時/0.1°時空分辨率的全球降水圖（GSMaP）（表1）。這些高分辨率的衛(wèi)星降水資料雖然時序列多從1998年開始，但對全球范圍的強降水天氣監(jiān)測、極端天氣和降水日變化研究提供了數(shù)據(jù)支撐。

單純的衛(wèi)星反演降水資料存在很大的系統(tǒng)性偏差和隨機誤差，經(jīng)過地面觀測資料訂正后，其精度可以大幅提高，從而大大提升衛(wèi)星資料的應用潛力[12]。早期用于訂正衛(wèi)星的地面觀測多采用月值降水數(shù)據(jù)，例如GPCP、CMAP、GPCP-1DD（GPCP 1 degree daily）、TMPA等降水產(chǎn)品均采用德國氣象局全球降水氣候中心（GPCC）研制的地面雨量計月值降水數(shù)據(jù)進行比例偏差訂正（表1）。近年來，NOAA/CPC研制了逐日/0.5°的全球陸地日值降水格點分析場（CPCU），CPC利用此數(shù)據(jù)集采用“概率密度（PDF，Probability Density Function）匹配法+最優(yōu)插值（OI，Optimal Interpolation）”的兩步融合法研制了逐日/0.25°的CMORPH Blended產(chǎn)品，這為高時空分辨率衛(wèi)星資料的偏差訂正和融合開闊了思路。

總的來說，這些衛(wèi)星反演及融合降水產(chǎn)品雖然應用廣泛，但還是存在衛(wèi)星反演降水技術帶來的固有缺陷，如：固態(tài)降水的辨識、復雜地形的影響等，仍需要不斷地完善和改進。近年來，針對TRMM降水雷達時空分辨率不夠、對小雨和強降水觀測不敏感的問題，美國國家航空航天局（NASA）和日本宇宙航空開發(fā)機構(gòu)（JAXA）合作開展了全球降水觀測計劃合作項目（GPM）。2014年2月發(fā)射的GPM衛(wèi)星所搭載的雙頻降雨雷達（DPR）和GPM微波成像儀（GMI））能夠識別固態(tài)降水和微量降水，有望提高全球范圍降水觀測的質(zhì)量。

1.2　雷達QPE產(chǎn)品中的多源數(shù)據(jù)融合

雷達通過接收其發(fā)射電磁波經(jīng)過降水區(qū)降水粒子反射回來的雷達回波信號來進行定量降水估測（QPE）。由于Z-R關系不確定、地形遮擋、距離衰減、探測高度等原因造成雷達估測降水存在明顯的系統(tǒng)性偏差，需要利用地面雨量計資料進行校準。目前，美國NOAA國家強風暴實驗室（NSSL）研發(fā)的Stage IV系統(tǒng)和國家氣象局（NWS）水文發(fā)展辦公室（OHD）研發(fā)的多雷達多遙感（MRMS）分析系統(tǒng)是發(fā)展最為成熟和應用最廣泛的業(yè)務化系統(tǒng)。

其中，Stage IV基于混合體掃的雷達估測基數(shù)據(jù)，采用業(yè)務員選擇的Z-R關系（包括對流、熱帶氣旋、夏季層云降水、美國大陸東部冬季層云降水和西部冷季降水五種可選類型）[13]生成1 h/4 km高分辨率的數(shù)字化降水陣列（DPA，Digital Precipitation Array）數(shù)據(jù)，結(jié)合地球靜止業(yè)務環(huán)境衛(wèi)星（GOES）紅外降水估計數(shù)據(jù)，和來自NWS的水文氣象自動數(shù)據(jù)系統(tǒng)（HADS）和NOAA的氣象同化數(shù)據(jù)獲取系統(tǒng)（MADIS）系統(tǒng)的雨量計觀測數(shù)據(jù)，再經(jīng)過一系列多遙感降水估計（MPE）技術應用套件，生成相應的MPE降水產(chǎn)品[14]（圖1）。其中的衛(wèi)星多傳感融合產(chǎn)品還涉及了衛(wèi)星、雷達、地面三源降水的融合技術的應用[15]。而MRMS系統(tǒng)的特色是高分辨率、高時效，其實時發(fā)布的雷達QPE產(chǎn)品的空間分辨率為1 km，能達到每2 min更新，包括瞬時降水率、小時累積降水量以及誤差等，該系統(tǒng)的輸入數(shù)據(jù)源除了雷達基數(shù)據(jù)和用于對雷達反演降水進行局地偏差訂正的約10000個HADS雨量計小時降水數(shù)據(jù)外，還用到了NOAA/NCEP的快速更新模式（RAP）輸出的地表溫度、3D溫度、濕球溫度、結(jié)冰層高度等環(huán)境變量進行降水類型的判斷，還采用了山地制圖（Mountain Mapper）技術，利用基于坡面回歸模型（PRISM）的降水氣候月值產(chǎn)品進行山區(qū)降水產(chǎn)品的制作等[16-17]。這兩套系統(tǒng)中所應用的地面、雷達觀測資料的質(zhì)量控制以及多源降水融合等技術，對于我國高時空分辨率融合降水產(chǎn)品的研制具有重要借鑒意義。

1.3　多源降水產(chǎn)品及融合在陸面模擬中的應用

圖1　Stage IV系統(tǒng)流程圖Fig. 1 Flow chart of Stage IV system

全球長期的降水數(shù)據(jù)對研究陸表水和能量收支非常重要，陸面模擬的空間性差異非常大，日尺度以下的降水頻率變化對陸表的蒸發(fā)和徑流都產(chǎn)生影響[18-19]，因此陸面模擬和再分析對降水驅(qū)動的時空分辨率要求較高。再分析（模式）降水產(chǎn)品的優(yōu)勢是資料時空連續(xù)、一致性好、分辨率相對較高，缺點是誤差大，單以此作為陸面過程的驅(qū)動會逐步影響蒸發(fā)、徑流和土壤濕度，形成“氣候漂移”[20-21]，融合觀測降水信息進行訂正是消除“氣候偏移”的有效途徑。如美國NASA的新一代研究與應用回溯分析系統(tǒng)（MERRA）和歐洲中期天氣預報中心（ECMWF）的中期再分析系統(tǒng)（ERA-Interim）等陸面再分析（MERRA/Land、ERA-Interim/Land）的降水驅(qū)動，多采用了GPCP、CMAP等侯值/月值衛(wèi)星降水產(chǎn)品對模式降水進行偏差訂正的思路。隨著較高分辨率的地面觀測降水產(chǎn)品（如CPCU）的出現(xiàn)，美國NCEP的氣候預測系統(tǒng)再分析（CFSR）的陸面再分析（CFSR/Land）的降水驅(qū)動設計了動力降尺度和線性加權融合相結(jié)合的方法[22]：先采用高分辨率的全球數(shù)據(jù)同化系統(tǒng)（GDAS）模式降水對質(zhì)量較好但分辨率較低的CMAP、CPCU資料進行時空分解，再采用與緯度分布有關的線性加權平均的方法融合CMAP、CPCU和GDAS降水，充分發(fā)揮衛(wèi)星、雨量計和模式降水分別在赤道、中緯度、高緯度等陸地區(qū)域的優(yōu)勢，尤其是在美國本土、歐洲、澳大利亞等雨量計密集地區(qū)給予了雨量計分析場最大的權重，使得降水驅(qū)動的精度明顯提高。近期，MERRA第二代（MERRA2）的觀測訂正降水也采用了與CFSR/Land降水驅(qū)動類似的思路，明顯改進了水循環(huán)的模擬[23]。另外，歐盟聯(lián)合研究中心（EU/JRC）研制了一套1979—2015年逐3 h/0.25°分辨率的多源集合權重降水（MSWEP）產(chǎn)品，不僅考慮了氣候上地形和風效應的低估，還融合了CMORPH、TRMA 3B42、GsMAP-MVK、ERA-Interim、日本氣象廳55年再分析（JRA-55）、CPCU、GPCC等更多源、多尺度的降水數(shù)據(jù)，有效提高了水文模擬的精度[24]。

2　國家氣象信息中心降水融合技術和產(chǎn)品的發(fā)展

2.1　降水二源融合到三源融合的發(fā)展

國內(nèi)降水融合的產(chǎn)品多集中在滿足氣象業(yè)務對區(qū)域高分辨率降水產(chǎn)品的需求上，且多是模式預報或衛(wèi)星與地面自動站觀測的融合。早期產(chǎn)品分辨率多在逐小時/5～10 km，例如：國家衛(wèi)星氣象中心研制的風云（FY）系列衛(wèi)星降水產(chǎn)品[25]、氣象中的降水實況分析產(chǎn)品、信息中心的地面與FY（或CMORPH）二元融合產(chǎn)品等。近年來，隨著氣象預報和服務業(yè)務對降水實況產(chǎn)品分辨率需求和精度的提高，氣象公共服務中心采用信任傳播模型算法制作了10 min葵花8衛(wèi)星和地面融合的快速降水格點實況產(chǎn)品，國家氣象信息中心則引入氣象探測中心的1 km雷達降水研制了質(zhì)量較高的地面-雷達-衛(wèi)星三源融合降水產(chǎn)品。

國家氣象信息中心在降水融合方面的研究起步相對較早，2010年引進美國CPC研制的“PDF+OI”兩步融合法[26]研制了中國區(qū)域逐小時、0.1°的地面和衛(wèi)星二源融合降水產(chǎn)品[27-29]。其融合思路是：先采用PDF匹配法訂正衛(wèi)星降水的非獨立性系統(tǒng)誤差，再采用OI技術融入地面觀測信息。對原來適用于逐日、0.25°的方案做了兩點改進：其一，根據(jù)逐小時降水誤差存在日變化和零值樣本偏多的概率分布特征，調(diào)整了PDF的時空樣本匹配窗口和選取策略，有效降低了由PDF曲線不穩(wěn)定造成“過度訂正”的大值出現(xiàn)的概率[30]。其二，在逐小時、0.1°上進行樣本統(tǒng)計，擬合誤差及誤差空間相關的變化曲線（圖2），誤差估計更加準確[30]。新方案有效提高了融合降水的量值，特別是對強降水的把握能力。

圖2　不同時空分辨率上背景場誤差的統(tǒng)計關系：（a）均方誤差與累積降水量值；（b）網(wǎng)格上任意兩點的誤差相關系數(shù)與距離Fig. 2 The statistic relation of first guess error at different temporal-spatial resolution: (a) Error2 vs. accumulated rainfall;(b) correlation coefficient vs. distance

2014年，為了進一步提高產(chǎn)品空間分辨率而不降低精度，國家氣象信息中心在二源融合技術的基礎上，引入雷達降水高分辨的空間結(jié)構(gòu)信息，發(fā)展了三源融合的思路：先采用PDF技術訂正雷達和衛(wèi)星降水的系統(tǒng)誤差，再采用BMA方法融合雷達和衛(wèi)星降水形成最優(yōu)初始場，最后采用OI融入地面觀測。在PDF匹配訂正時，根據(jù)0.05°雷達降水偏差局地性強的特征對樣本時空匹配窗口做了適當調(diào)整[30]。在聯(lián)合雷達和衛(wèi)星降水時，采用了貝葉斯模式平均（BMA，Bayesian Model Averaging）方法，其特點是：各種資料的誤差是根據(jù)不同時空窗口的樣本動態(tài)計算的，不同時刻不同區(qū)域內(nèi)資料分配的權重是不同的，使得權重的分配在局地范圍內(nèi)更準確。在應用OI方法融合地面觀測時，背景場由單一來源的衛(wèi)星降水替換成了雷達衛(wèi)星聯(lián)合降水，并在0.05°分辨率上重新定義了地面觀測和背景場的誤差。最終的三源融合降水在中國區(qū)域覆蓋完整，保留了雷達高分辨率的降水特征，量值與地面觀測降水接近（圖3），經(jīng)過2380個國家級自動站的獨立樣本檢驗（表2），結(jié)果表明：三源融合降水的精度優(yōu)于任何單一來源的降水產(chǎn)品，同時也要優(yōu)于原來的二源融合降水產(chǎn)品。

圖3　2014年6月21日01時（UTC）5 km分辨率上不同降水產(chǎn)品的降水空間分布（mm/h）：（a）Gauge，地面觀測；（b）MQPE，探測中心雷達QPE產(chǎn)品；（c）CMORPH，CMORPH衛(wèi)星降水產(chǎn)品；（d）Merge_OI，三源融合降水Fig. 3 Precipitation distribution of different products on 5km resolusion at 01UTC 21 Jun, 2014: (a) Gauge, from gauge; (b)MQPE, Radar QPE; (c) CMORPH, satellite retrieved products; (d) Merge_OI, gauge-radar-satellite merged precipitation

表2　不同類型降水產(chǎn)品的誤差（2015年5—10月2380站獨立樣本檢驗）Table 2 The statistical errors of different precipitation products (Based on independent validation samples for May-October in 2015)

2016年，為滿足氣象服務對降水產(chǎn)品更高分辨率的需求，國家氣象信息中心在5 km三源融合技術的基礎上又發(fā)展了“PDF+BMA+DS+OI”1 km三源融合技術方案：利用雷達1 km的空間結(jié)構(gòu)信息，對5 km上經(jīng)過PDF系統(tǒng)偏差訂正和BMA融合的雷達-衛(wèi)星聯(lián)合降水進行空間降尺度（DS，Downscaling），得到一個既含有1 km高分辨的信息又保證5 km上無偏的背景場，然后采用OI融入觀測信息。該方法在滿足業(yè)務產(chǎn)品時效的基礎上來優(yōu)化背景場，最終達到了1 km三源融合產(chǎn)品的精度優(yōu)于單一來源降水產(chǎn)品的融合效果（圖4和圖5），并且在強降水的監(jiān)測上1 km要優(yōu)于5 km的三源融合產(chǎn)品（圖6），更加適用于強天氣的監(jiān)測和模式預報檢驗。

圖4　2016年7月19日22時（UTC）1 km分辨率上降水量（mm/h）的空間分布：（a）Gauge，地面觀測；（b）；CMORPH，衛(wèi)星反演降水（c）Radar QPE，雷達估測降水；（d）Merge，三源融合降水Fig. 4 Precipitation distribution of different products on 1 km resolusion at 22UTC 19 July 2016: (a) Gauge, from gauge;MQPE, (b) CMORPH, satellite retrieved products; (c) Radar QPE; (d) Merge, gauge-radar-satellite merged precipitation.

2.2　多源降水融合系統(tǒng)建設

為了滿足多種氣象預報、監(jiān)測及公眾服務等實時業(yè)務的需求，國家氣象信息中心非常注重及時將融合技術的研究成果轉(zhuǎn)向業(yè)務應用。2011 年11 月基于改進的“PDF+OI”技術研制的中國區(qū)域地面自動站與衛(wèi)星反演降水產(chǎn)品融合系統(tǒng)1.0版本（CMPA_Hourly V1.0）投入業(yè)務試運行，實時發(fā)布1 h、10 km分辨率的地面、衛(wèi)星二源降水融合產(chǎn)品。2015年7月，基于“PDF+BMA+OI”方法研制的中國區(qū)域地面自動站、衛(wèi)星、雷達三源降水融合系統(tǒng)（CMPA_Hourly V2.0）投入實時運行，通過中國氣象數(shù)據(jù)網(wǎng)、國家氣象數(shù)據(jù)內(nèi)網(wǎng)和中國氣象局衛(wèi)星廣播系統(tǒng)（CMACast）實時發(fā)布1 h、5 km分辨率且質(zhì)量更高的地面、衛(wèi)星、雷達三源降水融合產(chǎn)品。2016年12月，CMPA-Hourly V2.0升級成中國多源降水融合系統(tǒng)2.1版本（CMPAS-Hourly V2.1），進入業(yè)務試運行，產(chǎn)品分辨率由5 km提高到1 km。

圖5　2016年7月19日22時（UTC）華北區(qū)域（110.5°—120.5°E，33.5°—41.5°N）內(nèi)檢驗站降水量（mm/h）的散點分布：Gauge，地面觀測；（a）CPA，地面插值降水產(chǎn)品；（b）Radar QPE，雷達估測降水；（c）CMORPH，衛(wèi)星反演降水；（d）Merge，1 km三源融合降水Fig. 5 The scatter chart of different precipitation products vs. Gauged precipitation at 22UTC 19 July 2016 over area of 110.5°-120.5°E, 33.5°-41.5°N : (a) CPA, grid analysis from gauge; MQPE, (b) Radar QPE; (c) CMORPH, satellite retrieved products; (d) Merge, gauge-radar-satellite merged precipitation at 1 km grids.

圖6　不同降水強度下1 km（Meg_0.01 deg）和5 km（Meg_0.05 deg）融合產(chǎn)品的（a）均方根誤差、（b）相對偏差和（c）TS評分（2016年6—8月獨立樣本統(tǒng)計）Fig. 6 (a) RMSE, (b) relative Bias, and (c) TS scores of merged products with intensity of rainfall at 1 km (Meg_0.01 deg)and 5 km (Meg_0.05 deg) grids (Based on independent validation samples for Jun-Aug in 2016)

CMPAS-Hourly V2.1系統(tǒng)包括數(shù)據(jù)獲取、數(shù)據(jù)預處理、融合、產(chǎn)品生成、產(chǎn)品評估、產(chǎn)品分發(fā)、系統(tǒng)監(jiān)視、數(shù)據(jù)管理、運行調(diào)度9個部分（圖7），可以按照產(chǎn)品生成時效需求依次推出5 km和1 km的多種降水融合的數(shù)據(jù)和圖形產(chǎn)品，以及實時的質(zhì)量評估結(jié)果，各種降水產(chǎn)品的整體質(zhì)量隨滯后時間而逐步提高，最快速的地面和雷達二源融合產(chǎn)品時效是整點滯后12 min，而質(zhì)量較高5 km三源融合產(chǎn)品滯后45 min，1 km的三源融合產(chǎn)品則滯后55 min。目前，CMPAS系統(tǒng)的三源融合降水產(chǎn)品在智能網(wǎng)格預報、氣象災害預警業(yè)務監(jiān)測及產(chǎn)品檢驗、GPAPES檢驗評估等業(yè)務中發(fā)揮積極作用。

圖7　CMPAS-Hourly V2.1業(yè)務系統(tǒng)架構(gòu)Fig. 7 Flow chart of CMPAS-Hourly V2.1 system

2.3　其他融合降水產(chǎn)品的研制與應用

基于地面自動站、CMORPH衛(wèi)星、雷達QPE等數(shù)據(jù)生成的二源、三源融合產(chǎn)品雖然一定程度上滿足了用戶對產(chǎn)品質(zhì)量、時效和高分辨率的需求，但是仍然存在需要解決的問題和未能滿足的需求：

第一，CMORPH沒有用到FY3的微波降水資料，限制了衛(wèi)星集成降水產(chǎn)品在中國地區(qū)質(zhì)量的提高。國家氣象信息中心采用基于紅外冷云移動矢量的微波降水時空內(nèi)插技術，實現(xiàn)了以時間位移長度為權重系數(shù)的多衛(wèi)星集成，研制了東亞多衛(wèi)星集成降水（EMSIP）產(chǎn)品[31-32]。與類似的CMORPH、GsMAP產(chǎn)品相比，EMSIP有效改進了中國地區(qū)降水日變化的特征（圖8），還能防止CMORPH“斷供”，為二源和三源融合產(chǎn)品提供較高質(zhì)量的衛(wèi)星輸入源。

圖8　2012年6月—2013年8月EMSIP、GSMAP、CMORPH與地面觀測降水的（a）降水量日變化，以及三個衛(wèi)星產(chǎn)品的（b）偏差 和（c）命中率的日變化Fig. 8 The diurnal cycles of three satellite retrieved products, EMSIP, GSMaP, CMORPH, and observations: (a) for precipitation, (b) for bias, (c) for detected probability (Based on the samples for July 2012 - August 2013)

第二，雷達QPE產(chǎn)品還存在雷達放射狀波束結(jié)構(gòu)，以及不同部雷達的系統(tǒng)偏差拼接后造成降水空間結(jié)構(gòu)的不連續(xù)等質(zhì)量問題，會帶入三源融合降水產(chǎn)品中。若以此作為驅(qū)動數(shù)據(jù)，這種偏差會在土壤濕度中隨時間不斷累積放大。因此國家氣象信息中心專門針對1 km陸面數(shù)據(jù)同化分析系統(tǒng)（HRCLDASv1.0），采用多重網(wǎng)格三維變分（STMAS）方法[33-34]研制了一套1 km分辨率的EMSIP衛(wèi)星和地面二源融合降水驅(qū)動數(shù)據(jù)，詳細內(nèi)容可參考“CMA高分辨率陸面數(shù)據(jù)同化系統(tǒng)（HRCLDAS-V1.0）研發(fā)及進展”一文[35]。

第三，國內(nèi)發(fā)展的適用于陸面氣候模擬的融合降水產(chǎn)品較少，例如：國家氣象信息中心采用“PDF+OI”技術研制的1998年以來逐日/0.25°中國區(qū)域衛(wèi)星、地面融合降水產(chǎn)品[36]，國家氣候中心采用HL-OI方法研制的2003年以來逐日/1°中國和全球區(qū)域模式、衛(wèi)星和地面三源融合降水數(shù)據(jù)[37-38]等，但無論是資料時空覆蓋范圍還是時空分辨率都有待提高。2015年，“氣象資料質(zhì)量控制及多源數(shù)據(jù)融合與再分析”創(chuàng)新攻關任務要求研制1979年以來逐3 h、25 km分辨率的全球融合降水產(chǎn)品，以滿足中國氣象局再分析（CRA-40/Land）降水驅(qū)動的需要。信息中心在引進美國CFSR/Land降水驅(qū)動融合技術的基礎上，采用GPCPv2.2月值降水進行氣候態(tài)的偏差訂正，并融合中國區(qū)域高質(zhì)量的地面觀測格點分析資料，以改進全球降水在中國地區(qū)的質(zhì)量。目前，已完成了全球降水融合原型系統(tǒng)和1979—2016年的試驗產(chǎn)品（CMPAS-global）制作。初步評估表明，與CFSR/Land融合降水驅(qū)動數(shù)據(jù)相比，CMPAS-global產(chǎn)品與GPCPv2.3的氣候態(tài)偏差明顯減?。▓D9），在中國地區(qū)的質(zhì)量也明顯提高，整體質(zhì)量更優(yōu)。

圖9　不同降水產(chǎn)品與GPCPv2.3的北半球夏季（JJA）氣候態(tài)（1980—2010年）的差異：（a）CFSR融合降水驅(qū)動數(shù)據(jù)（MCFSR）；（b）CMPAS-global產(chǎn)品（CMPAS）Fig. 9 Climatological difference between GPCPv2.3 and (a) CFSR/Land Merged precipitation forcing(MCFSR), (b)CMPAS-global(CMPAS) for Northern Hemispehric summer (JJA)

3　總結(jié)與展望

中國的多源降水融合產(chǎn)品的研發(fā)始終緊密面向氣象業(yè)務發(fā)展的需求，從引進國際先進融合技術到吸收創(chuàng)新，產(chǎn)品分辨率和精度不斷提高，范圍從中國逐步拓展到全球，時間序列也從實時逐漸向歷史延伸，為智能網(wǎng)格預報業(yè)務提供了高質(zhì)量的降水實況分析產(chǎn)品，滿足了陸面模擬、干旱監(jiān)測和氣候分析的需求。但仍有一些尚未解決的問題，需要在今后的工作中考慮：加強融合方法在站點稀疏地區(qū)和青藏高原的優(yōu)化；加強模式降水的評估與應用，改進冬季北方地面自動站停測和衛(wèi)星固態(tài)降水反演能力不足的缺陷；改進雷達偏差訂正方法，解決雷達空間結(jié)構(gòu)不連續(xù)問題。同時，未來現(xiàn)代化氣象業(yè)務的需求對降水產(chǎn)品的時效和分辨率要求越來越高，除了常規(guī)地面觀測降水資料，還需要高效融合更多分鐘級的雷達多層次探測資料，多通道衛(wèi)星遙感以及閃電定位資料、三維云、模式分析資料等，同時給出降水相態(tài)信息，針對海量觀測數(shù)據(jù)，傳統(tǒng)的融合方法可能并不適用，可以嘗試開展神經(jīng)網(wǎng)絡等機器學習方法的研究與應用。

[1]Arkin P, Meisner B. The relationship between large-scale convective rainfall and cold cloud over the western hemisphere during 1982-84.Monthly Weather Review, 1987, 115: 51–74.

[2]Syed T H, Lakshmi V, Paleologos E, et al. Analysis of process controls in land surface hydrological cycle over the continental United States, J Geophys Res, 2004, 109, D22105.

[3]Xie P, Arkin P A. Global precipitation: A 17-year monthly analysis based on gauge observations, satellite estimates, and numerical model outputs. Bull Amer Meteor Soc, 1997, 78(11): 2539-2558.

[4]Ebert E E, Manton M J. Performance of satellite rainfall estimation algorithms during TOGA COARE. Journal of the Atmospheric Sciences, 1998, 55(9): 1537-1557.

[5]Berg W, Chase R. Determination of mean rainfall from the Special Sensor Microwave/Imager (SSM/I) using a mixed lognormal distribution. Journal of Atmospheric and Oceanic, 1992, 9: 129–141.

[6]Ferraro R R, Marks G F. The development of SSM/I rain-rate retrieval algorithms using ground-based radar measurements. Journal of Atmospheric and Oceanic Technology, 1995, 12(4): 755–770.

[7]Reynolds R W. A real-time global sea surface temperature analysis. J Clim, 1988, 1: 75-86

[8]Huffman G J, R F Adler, P Arkin, et al. The Global Precipitation Climatology Project (GPCP) combined precipitation dataset. Bull Amer Meteor Soc, 1997, 78: 5-20.

[9]Joyce R J, Xie P. Kalman filter–based CMORPH. J of Hydro , 2011,12(6): 1547–1563.

[10]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 of Hydro , 2004, 5: 487-503.

[11]Okamoto K, Iguchi T, Takahashi N, et al. The global satellite mapping of precipitation (GSMaP) project. Geoscience and Remote Sensing Symposium, IGARSS Proceedings, 2005 IEEE International.

[12]Michaelides S, Levizzani V, Anagnostou E, et al.: Precipitation:Measurement, remote sensing, climatology and modeling.Atmospheric Research, 2009, 94(4): 512-533.

[13]Fulton R, Breidenbach J, Seo D J, et al. The WSR-88D rainfall algorithm. Wea Forecasting, 1998, 13: 377–395.

[14]Kitzmiller D, Miller D, Fulton R, et al. Radar and multisensor precipitation estimation techniques in national weather service hydrologic operations. J Hydrol Eng, 2013, 18(2): 133-142.

[15]Kondragunta C R, Kitzmiller D, Seo D J, et al. Objective integration of satellite, rain gauge, and radar precipitation estimates in the multisensor precipitation estimator algorithm. Proc, 19th Hydrology Conf, American Meteorological Society, Boston, 2005.

[16]Zhang J, Howard K, Langston C, et al. National mosaic and multisensor QOE(NMQ) system. Bull Amer Meteor Soc, 2011, DOI:1 0.1175/2011BAMS-D-11-00047.1.

[17]Zhang J, Howard K, Langston C, et al. Multi-Radar Multi-Sensor(MRMS) quantitative precipitation estimation: Initial operating capabilities. Bull Amer Meteor Soc, 2016, DOI:10.1175/BAMS-D-14-00174.1621-637.

[18]Sheffield J, Ziegler A D, Wood E F, et al. Correction of the highlatitude rain day anomaly in the NCEP-NCAR reanalysis for land surface hydrological modeling. J Clim, 2004, 17: 3814-3828.

[19]Qian T, Dai A, Trenberth K E, et al. Simulation of global land surface conditions from 1948-2004. Part I. Forcing data and evaluation. J Hydrometeorology, 2006, 7: 953-975.

[20]Lenters J D, Coe M T, Foley J A. Surface water balance of continental United States, 1963-1995: Regional evaluation of a terrestrial biosphere model and the NCEP/NCAR reanalysis. J Geophys Res, 2000, 105(D17): 22393-22425.

[21] Maurer E P, O’Donnell G M, Lettenmair D P, et al. Evaluation of the land surface water budget in NCEP/NCAR and NCEP/DOE Reanalyses using an off-line hydrological model. J Geophys Res,2001, 106(D16): 17841-17862.

[22]Meng J, Yang R, Wei H, et al. The land surface analysis in the NCEP climate forecast system reanalysis. J of Hydro, 2012, 13:1621-1630.

[23]Reichle H R, Liu Q, Randal D K, et al. Land surface precpitation in MERRA-2. J Clim, 2017, 30: 1643-1664.

[24]Beck H E, Albert I J M, Levizzani V, et al. MSWEP: 3-hourly 0.25°global gridded precipitation (1979-2015) by merging gauge,satellite, and reanalysis data. Hydrol Earth Syst Sci, 2017, 21: 589-615.

[25]Lu N, You R, Zhang W. A fusing technique with satellite precipitation estimate and rain gauge data. Acta Meteor Sinica,2004, 18(2): 141-146.

[26]Xie P, Xiong A. A conceptual model for constructing highresolution gauge - satellite merged precipitation analyses. J Geophys Res, 2011, 116: D21106.

[27] 潘旸, 沈艷, 宇婧婧, 等. 基于最優(yōu)插值方法分析的中國區(qū)域地面觀測與衛(wèi)星反演逐時降水融合試驗. 氣象學報, 2012, 70(6): 1381-1389.

[28] 宇婧婧, 沈艷, 潘旸, 等. 基于地面觀測降水訂正衛(wèi)星反演降水系統(tǒng)誤差(PDF）方法在中國地區(qū)的應用. 應用氣象學報, 2013,24(5): 544-553.

[29]Shen, Y, Zhao P, Pan Y, et al. A high spatiotemporal gauge-satellite merged precipitation analysis over China. J Geophys Res, 2014,119: 3063-3075

[30] 潘旸, 沈艷, 宇婧婧, 等. 基于貝葉斯融合方法的高分辨率地面—衛(wèi)星—雷達三源降水融合試驗. 氣象學報, 2015, 73(1): 177-186.

[31]Xu B, Xie P, Xu M, et al. A validation of passive microwave rainrate retrievals from the Chinese FengYun-3B satellite. Journal of Hydrometeorology, 2015, 16: 1886-1905.

[32]徐賓, 師春香, 姜立鵬, 等. 東亞多衛(wèi)星集成降水業(yè)務系統(tǒng). 氣象科技, 2015, 43(6): 1007-1014.

[33]Xie Y, Koch S, McGinley J, et al. A space–time multiscale analysis system: A sequential variational analysis approach. Mon Weather Rev, 2011, 139: 1224–1240.

[34]張濤, 苗春生, 王新. LAPS與STMAS地面氣溫融合效果對比試驗. 高原氣象, 2014, 33(3): 743-752.

[35]韓帥, 師春香, 姜志偉, 等. CMA高分辨率陸面數(shù)據(jù)同化系統(tǒng)（HRCLDAS-V1.0）研發(fā)及進展. 氣象科技進展, 2018, 8(1):102-108, 116.

[36] 宇婧婧, 沈艷, 潘旸, 等. 中國區(qū)域逐日融合降水數(shù)據(jù)集與國際降水產(chǎn)品的對比評估. 氣象學報, 2015, 73(2): 394-410.

[37]Nie S, Luo Y, Wu T, et al. A merging scheme for constructing daily precipitation analyses based on objective bias-correction and error estimation techniques. J Geophys Res: Atmos, 2015, 120,doi:10.1002/2015JD023347.

[38]Nie S, Wu T, Luo Y, et al. A strategy for merging objective estimates of global daily precipitation from gauge observations,satellites estimates, and numerical predictions. Adv Atmos Sci,2016, 33: 889-904.