柏荷，明義森，劉啟航，黃昌,3

1.陜西省地表系統(tǒng)與環(huán)境承載力重點(diǎn)實驗室，西安 710127

2.西北大學(xué)城市與環(huán)境學(xué)院，西安 710127

3.西北大學(xué)城市與環(huán)境學(xué)院 地表系統(tǒng)與災(zāi)害研究院，西安 710127

引 言

近幾十年來，隨著全球氣候變暖加速水循環(huán)，極端降水、干旱等極端天氣事件頻繁發(fā)生，使洪澇、干旱、崩塌、滑坡、泥石流等災(zāi)害事件發(fā)生次數(shù)隨之增加。極端降水具有突發(fā)性和復(fù)雜的時空分布特征，不僅對人類生命財產(chǎn)安全產(chǎn)生威脅，而且對生態(tài)環(huán)境和社會經(jīng)濟(jì)發(fā)展造成巨大危害，因此極端降水的時空變化規(guī)律等成為各國學(xué)者關(guān)注和研究的重點(diǎn)[1-3]。

中國地處亞歐大陸東部，太平洋西岸，幅員遼闊，地勢西高東低且地形復(fù)雜，氣候類型多樣，大陸性季風(fēng)氣候顯著。中國因其獨(dú)特的氣候特征和復(fù)雜的地形，造成水旱等自然災(zāi)害頻繁發(fā)生[4]。獲取高精度、高時空分辨率且長時間連續(xù)極端降水觀測資料是我們?nèi)嬲J(rèn)知不同氣候區(qū)內(nèi)極端降水變化趨勢的重要手段。傳統(tǒng)的地面直接觀測降水方式主要包括雨量計和雷達(dá)兩種，然而，這類觀測站點(diǎn)數(shù)量有限且空間分布不均，使得高空間分辨率的降水?dāng)?shù)據(jù)資料匱乏，在研究降水方面數(shù)據(jù)受到限制[5]。隨著衛(wèi)星技術(shù)的發(fā)展，遙感反演降水為獲取降水資料提供了一種新途徑。衛(wèi)星遙感數(shù)據(jù)具有不受天氣和復(fù)雜地形影響、陸地海洋全覆蓋、大面積、全天候觀測等特點(diǎn)，因而成為獲取降水時空變化信息的重要方式[6]。本文基于長時間序列全球降雨測量（Global Precipitation Measurement,GPM）研制了2001-2019年中國逐日的空間分辨率為0.1°×0.1°的暴雨數(shù)據(jù)集，來揭示中國暴雨的時空變化特征。本數(shù)據(jù)集使用GPM衛(wèi)星遙感數(shù)據(jù)進(jìn)行研制，克服了傳統(tǒng)降雨觀測站點(diǎn)空間分布不均勻、難以連續(xù)反映降水的空間分布等缺點(diǎn)，具有更廣的覆蓋范圍以及更高的空間分辨率，有利于分析全國范圍內(nèi)暴雨的時空變化特征。

1 數(shù)據(jù)采集和處理方法

1.1 數(shù)據(jù)來源

本文采用的GPM數(shù)據(jù)來源于美國國家航空航天局（NASA）網(wǎng)站（https://www.nasa.gov/），氣象站點(diǎn)觀測數(shù)據(jù)來源于國家氣象信息中心（http://data.cma.cn）。GPM衛(wèi)星計劃是由美國宇航局（NASA）執(zhí)行，日本宇宙航空開發(fā)機(jī)構(gòu)（The Japanese Aerospace Exploration Agency,JAXA）以及歐盟等其他一些國際組織合作建設(shè)的主要用于氣象預(yù)報的衛(wèi)星監(jiān)測系統(tǒng)，目的在于提高測量精度和采樣頻率，實現(xiàn)更準(zhǔn)確的、更早的氣象預(yù)報。GPM 衛(wèi)星數(shù)據(jù)與傳統(tǒng)的熱帶降雨測量任務(wù)（Tropical Rainfall Measuring Mission,TRMM）衛(wèi)星數(shù)據(jù)相比，提高了對弱降水（<0.5 mm/h）和固態(tài)降水的探測能力，更大程度上提高其時空分辨率、觀測精度和準(zhǔn)確性，真正實現(xiàn)了全球降水（含雨雪）產(chǎn)品的功能[5,7]。GPM衛(wèi)星計劃根據(jù)其數(shù)據(jù)反演算法不同提供了4個級別的產(chǎn)品，本數(shù)據(jù)集選取IMERG（Integrated Multi-satellitE Retrievals for GPM）產(chǎn)品的最新版本IMERG V06數(shù)據(jù)。該數(shù)據(jù)于2019年3月發(fā)布，它整合了可用的GPM、TMPA（TRMM Multi-satellite Precipitation Analysis）遙感器獲取的信息，并進(jìn)行互相校準(zhǔn)、合并、插值和融合生成一致的降雨數(shù)據(jù)，實現(xiàn)了2000年6月至今的降雨估測[8]。為了保證研究周期內(nèi)的數(shù)據(jù)完整性，本數(shù)據(jù)集的生產(chǎn)選用空間分辨率為0.1°×0.1° 的逐日GPM IMERG產(chǎn)品（IMERG_final），時間范圍為2001年1月至2019年12月。

1.2 數(shù)據(jù)處理方法

本數(shù)據(jù)集采用的GPM數(shù)據(jù)來源于美國國家航空航天局（NASA）網(wǎng)站，數(shù)據(jù)的下載、格式轉(zhuǎn)換、裁剪等基本處理完成后，運(yùn)用Python開發(fā)的暴雨識別工具[9]，識別每個網(wǎng)格內(nèi)的暴雨。暴雨識別工具可以自動化從網(wǎng)格時間序列的降水?dāng)?shù)據(jù)中識別每個網(wǎng)格內(nèi)發(fā)生的暴雨事件。運(yùn)用暴雨識別工具提取出數(shù)據(jù)庫，用來記錄每個網(wǎng)格所對應(yīng)的降雨量峰值、降雨量峰值時間、降雨量持續(xù)時間和強(qiáng)度。再根據(jù)該數(shù)據(jù)庫進(jìn)行暴雨數(shù)據(jù)集的提取。在本數(shù)據(jù)集中以StormCount、StormDuration、StormLevel、StormPeak、StormTime、StormVolume呈現(xiàn)。

暴雨識別的核心算法是，檢驗覆蓋研究區(qū)域的N（i=1,2,3，…，N）個網(wǎng)格（G）中，每個網(wǎng)格從開始到結(jié)束的時間內(nèi)（t=1,2,3，…，n）是否有暴雨事發(fā)生，時間間隔（TR）根據(jù)輸入降水?dāng)?shù)據(jù)的時間分辨率設(shè)置。暴雨識別算法流程圖如圖1所示，將暴雨事件中，StormDuration（暴雨持續(xù)時間）、StormLevel（暴雨等級）、StormPeak（暴雨峰值雨量）、StormTime（暴雨發(fā)生時間）和StormVolume（暴雨雨量）5個變量的初始值設(shè)為0，其中StormLevel為StormVolume/StormDuration。每一個網(wǎng)格從初始時間到結(jié)束時間的降雨量設(shè)為Git，通過比較i=1,t=1時Git與StormPeak（SPi）的大小來確定暴雨事件是否發(fā)生。當(dāng)Git> SPi時，說明Git為此刻的暴雨峰值雨量，其他四個相關(guān)變量也隨之更新；當(dāng)0< SPi

本數(shù)據(jù)集采用2001-2019年GPM降水?dāng)?shù)據(jù)作為輸入數(shù)據(jù)，設(shè)定時間間隔TR為24h。根據(jù)中國氣象局對暴雨的定義，一般指每小時降雨量16mm以上，或連續(xù)12小時降雨量30mm以上，或連續(xù)24小時降雨量50mm以上的降水為暴雨（http://www.cma.gov.cn/）。因此，我們將Th與暴雨持續(xù)時間SDi以小時為單位設(shè)定，見公式（1）。

2 數(shù)據(jù)樣本描述

本數(shù)據(jù)集為中國0.1°×0.1°分辨率的 24小時暴雨柵格數(shù)據(jù)集。時間范圍為 2001年1月至 2019年12月。數(shù)據(jù)集壓縮后文件共計16.2 MB，按照年份不同分別存儲在19個文件夾中，數(shù)據(jù)存儲格式為GeoTIFF（.tif）柵格數(shù)據(jù)格式。數(shù)據(jù)集文件命名規(guī)則為：StormCount +年份.tif；StormDuration +年份.tif；StormLevel +年份.tif；StormPeak +年份.tif；StormTime +年份.tif；StormVolume +年份.tif。文件名含義見表1。圖2為2019年暴雨數(shù)據(jù)集文件示例。

表1 文件名含義Table 1 Meaning of file names

3 數(shù)據(jù)質(zhì)量控制和評估

3.1 質(zhì)量控制

為了保證暴雨數(shù)據(jù)集的精度并且能夠進(jìn)一步實現(xiàn)數(shù)據(jù)集的有效共享，本文采用GPM衛(wèi)星降水?dāng)?shù)據(jù)產(chǎn)品進(jìn)行暴雨數(shù)據(jù)集的研制。近年來，國內(nèi)外眾多學(xué)者對衛(wèi)星降水產(chǎn)品的精度進(jìn)行了評估，并且已經(jīng)有研究主要針對 GPM 衛(wèi)星降水?dāng)?shù)據(jù)產(chǎn)品在中國區(qū)域內(nèi)的適用性進(jìn)行了精度驗證并給予了積極肯定的態(tài)度。如張茹等[10]采用6種評價衛(wèi)星降水?dāng)?shù)據(jù)的統(tǒng)計指標(biāo)，結(jié)合誤差分解的方法評估了GPM衛(wèi)星降水產(chǎn)品在大陸地區(qū)的降水反演精度，證明GPM衛(wèi)星降水產(chǎn)品能夠較好地反映中國大陸地區(qū)的降水情況；Chen等[11]收集了2015年到2018年間包括GPM在內(nèi)的三種高分辨率衛(wèi)星降水產(chǎn)品，并用雨量計觀測數(shù)據(jù)分析和評估衛(wèi)星降水產(chǎn)品在中國區(qū)域內(nèi)的時空精度特征等，得到高分辨的衛(wèi)星降水產(chǎn)品能夠更精確地表達(dá)降水的空間特征，并且GPM能夠更好地表達(dá)暴雨事件。IMERG是通過GPM衛(wèi)星群獲取微波、紅外和雷達(dá)數(shù)據(jù)大量遙感信息，反演生成的降水衛(wèi)星數(shù)據(jù)集，能夠?qū)崿F(xiàn)多源傳感器之間優(yōu)勢互補(bǔ)[12,13]。IMERG作為GPM的代表產(chǎn)品，具有空間分辨率0.1°x0.1°、時間分辨率0.5h并且覆蓋區(qū)域達(dá)到了60°N～60°S的特點(diǎn)。IMERG根據(jù)源數(shù)據(jù)處理過程不同，向用戶提供了包括近實時Early-Run(Early)、Late-Run(Late)和滯時Final-Run(Final) 3種產(chǎn)品。其中IMERG_Final 產(chǎn)品包括純衛(wèi)星融合數(shù)據(jù)集（IMERG_Uncal）和通過全球降水氣候中心（The Global Precipitation Climatology Centre,GPCC）站點(diǎn)資料進(jìn)行校正后的數(shù)據(jù)集（IMERG_Cal）[12,14]，近年來，眾多國內(nèi)外相關(guān)學(xué)者研究表明IMERG_final產(chǎn)品精度有顯著的提升，其精度最接近實際降水?dāng)?shù)據(jù)，在水文模擬和氣候變化等研究方面具有重要意義[13,15-17]。

3.2 質(zhì)量評估

為了驗證利用GPM衛(wèi)星降水?dāng)?shù)據(jù)產(chǎn)品生產(chǎn)的暴雨數(shù)據(jù)集的可靠性，我們利用本數(shù)據(jù)集中的暴雨雨量峰值提取等值線，發(fā)現(xiàn)其等值線分布與《中國暴雨統(tǒng)計參數(shù)圖集》[18]中的年最大24h點(diǎn)雨量均值等值線圖具有類似的空間分布。同時，利用本數(shù)據(jù)集中的暴雨量值通過暴雨發(fā)生時間，分別提取春、夏、秋、冬、四個季節(jié)的暴雨量信息，發(fā)現(xiàn)與Zhai等人[19]利用1951-2000年期間740個降雨觀測站點(diǎn)生成的的日觀測降水?dāng)?shù)據(jù)集，描述整個中國極端降水事件的變化特征，得到“中國極端降水事件整體上趨勢變化不大，但是具有明顯的區(qū)域性和季節(jié)性變化特征”的結(jié)論基本保持一致；在空間上分布上也與葉夢茜等[20]利用高密度降雨觀測站點(diǎn)數(shù)據(jù)對比兩種監(jiān)測方法探討極端降水事件特征的研究中，發(fā)現(xiàn)“極端降水事件發(fā)生最頻繁的地區(qū)位于長江流域和華南地區(qū)”的結(jié)論相似。

Huang等[9]使用暴雨識別算法，通過TRMM衛(wèi)星降水?dāng)?shù)據(jù)和降雨觀測站點(diǎn)數(shù)據(jù)進(jìn)行暴雨識別算法的評估。將TRMM數(shù)據(jù)與降雨量觀測站點(diǎn)識別到的暴雨事件相比較，發(fā)現(xiàn)在大多數(shù)降雨觀測站點(diǎn)中TRMM數(shù)據(jù)高估了暴雨事件的發(fā)生。這是由于兩種數(shù)據(jù)源具有不確定性，對暴雨事件的識別產(chǎn)生影響，但是相比較降雨觀測站點(diǎn)數(shù)據(jù)獲取極端降水信息，使用暴雨識別算法提取衛(wèi)星降水?dāng)?shù)據(jù)產(chǎn)品可以獲取整個研究區(qū)域的極端降水?dāng)?shù)據(jù)，這對于降雨觀測站點(diǎn)分布稀疏、不均勻的國家和地區(qū)通過衛(wèi)星降水?dāng)?shù)據(jù)產(chǎn)品研究極端降水提供了幫助。

此外，利用中國區(qū)域內(nèi)降雨觀測站點(diǎn)2001年1月至2019年12月的日降水量觀測數(shù)據(jù)作為參考對其進(jìn)行進(jìn)一步驗證。使用暴雨量閾值對GPM衛(wèi)星降水產(chǎn)品和氣象站點(diǎn)觀測數(shù)據(jù)進(jìn)行暴雨的提取，將兩種數(shù)據(jù)提取的到的暴雨信息進(jìn)行比較，本文中利用GPM與站點(diǎn)觀測數(shù)據(jù)提取到的暴雨次數(shù)差值以及暴雨量差值進(jìn)行本數(shù)據(jù)集的質(zhì)量評估。在2001年1月至2019年12月之間，如圖3中的（a）和（b）所示，從整體上來看GPM高估了中國區(qū)域內(nèi)暴雨發(fā)生的次數(shù)和暴雨量，在中國東南部地區(qū)較為顯著。從圖3（a）中可以看出，在2001年至2019年間，GPM提取的暴雨次數(shù)比氣象觀測站點(diǎn)數(shù)據(jù)提取的暴雨次數(shù)差值最多的為幾十次，但是在中國西部以及北部地區(qū)GPM數(shù)據(jù)表現(xiàn)良好，在中國西部地區(qū)尤為明顯。在圖3（b）中，GPM提取到的暴雨量普遍比氣象站點(diǎn)觀測數(shù)據(jù)提取的暴雨量高，在中國新疆和西藏地區(qū)GPM暴雨量值表現(xiàn)良好。從整體看，GPM數(shù)據(jù)總體普遍高估了暴雨量，其高估區(qū)域無明顯空間模式。

4 數(shù)據(jù)價值

中國是暴雨事件發(fā)生比較頻繁的國家之一，近年來極端降水事件頻發(fā)，嚴(yán)重威脅人類的人身和財產(chǎn)安全以及危害生態(tài)環(huán)境。本數(shù)據(jù)集具有高空間分辨率、精度高、時間序列長，能提供整個研究區(qū)域的暴雨信息等特點(diǎn)，一定程度上彌補(bǔ)了傳統(tǒng)氣象觀測雨量站觀測站點(diǎn)空間分布不均勻造成的降雨數(shù)據(jù)缺失，能夠幫助我們了解全國范圍內(nèi)暴雨的時空變化動態(tài)特征，并且為研究全國近十幾年來的暴雨提供有價值的數(shù)據(jù)源。該數(shù)據(jù)集可用于暴雨時空特征的預(yù)測防災(zāi)減災(zāi)，為社會經(jīng)濟(jì)以及生態(tài)環(huán)境的發(fā)展提供助力，具有重要的理論與實際應(yīng)用價值。

數(shù)據(jù)作者分工職責(zé)

柏荷（1996—），女，黑龍江省哈爾濱人，碩士研究生，研究方向為遙感和GIS應(yīng)用，主要承擔(dān)工作：研究思路與方案設(shè)計、數(shù)據(jù)集研制、精度驗證、共享服務(wù)、論文撰寫。

明義森（1997—），男，湖北省十堰人，碩士研究生，研究方向為遙感和GIS應(yīng)用，主要承擔(dān)工作：數(shù)據(jù)可視化、算法修改。

劉啟航（1997—），男，陜西西安人，博士研究生，研究方向為遙感和GIS應(yīng)用，主要承擔(dān)工作：算法修改。

黃昌（1986—），男，江西宜春人，博士，副教授，研究方向為遙感和GIS應(yīng)用，主要承擔(dān)工作：算法研究，數(shù)據(jù)集產(chǎn)品評估。