胡慶芳,張 野,李伶杰,王銀堂,楊漢波,牛凱杰,李 哲

(1. 南京水利科學(xué)研究院水文水資源與水利工程科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210029；2. 長江保護(hù)與綠色發(fā)展研究院,江蘇 南京 210098；3. 清華大學(xué)水利水電工程系,北京 100084；4. Department of Electrical and Computer Engineering,Colorado State University,Fort Collins,CO 80523,USA)

降水是最基本的水循環(huán)要素之一,長期以來主要依賴地面雨量站網(wǎng)進(jìn)行觀測(cè)。受人力物力和地理環(huán)境等因素限制,雨量站網(wǎng)的分布具有明顯的空間不均勻性,在海洋、大型湖泊、荒漠、高寒山區(qū)等地帶甚至存在缺失。20世紀(jì)90年代以來,對(duì)地空間觀測(cè)技術(shù)的進(jìn)步為獲取大范圍降水空間分布信息提供了途徑。目前,氣象衛(wèi)星是唯一具有全球尺度意義的降水觀測(cè)和反演途徑。與天氣雷達(dá)相比,衛(wèi)星降水?dāng)?shù)據(jù)的時(shí)空分辨率雖然相對(duì)較低,但其覆蓋范圍更廣、開放性更強(qiáng)。

自1997年TRMM(Tropical Rainfall Measuring Mission)衛(wèi)星投入使用以來,國際上先后研制了PERSIANN(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks)[1]、CMORPH(Climate Prediction Center Morphing Technique)[2]、TMPA(TRMM Multi- satellite Precipitation Analysis)[3]等一系列全球性衛(wèi)星降水?dāng)?shù)據(jù)。2014年以來,隨著新的全球降水觀測(cè)衛(wèi)星的發(fā)射,衛(wèi)星降水?dāng)?shù)據(jù)研制由TRMM時(shí)代進(jìn)入GPM時(shí)代(The Global Precipitation Measurement mission)。GPM衛(wèi)星搭載的多頻段微波輻射儀(GPM Microwave Imager,GMI)和雙頻雷達(dá)(Dual- frequency Precipitation Radar,DPR)為多衛(wèi)星聯(lián)合降水反演提供了更加精準(zhǔn)的校準(zhǔn)參考[4]。研制GPM衛(wèi)星降水反演算法,在不同時(shí)空尺度上檢驗(yàn)和解析相應(yīng)降水?dāng)?shù)據(jù)的精度,開展其在暴雨洪水監(jiān)測(cè)預(yù)報(bào)、自然災(zāi)害防治等方面的應(yīng)用是目前國內(nèi)外的研究熱點(diǎn)[5- 9]。

美國航天局和日本航天局各自主導(dǎo)研制的IMERG(Integrated Multi- Satellite Retrievals for GPM)和GSMaP(Global Satellite Mapping of Precipitation)數(shù)據(jù)是2類代表性的GPM近實(shí)時(shí)衛(wèi)星降水反演數(shù)據(jù)[10],其對(duì)暴雨洪澇事件的監(jiān)測(cè)預(yù)報(bào)能力備受關(guān)注。一些研究發(fā)現(xiàn),由于新的數(shù)據(jù)源加入和降水反演算法的改進(jìn),GPM數(shù)據(jù)在探測(cè)強(qiáng)降水方面已展現(xiàn)出一些積極的跡象。Libertino等[11]采用1 a資料,在全球尺度上評(píng)價(jià)了IMERG數(shù)據(jù)對(duì)強(qiáng)降水事件的探測(cè)能力,發(fā)現(xiàn)其相對(duì)3B42V7數(shù)據(jù)具有明顯提升；Tang等[12]比較了IMERG、GSMaP、3B42RTV7和PERSIANN數(shù)據(jù)對(duì)2016年夏季中國南方暴雨洪水的監(jiān)測(cè)預(yù)警能力,發(fā)現(xiàn)IMERG和GSMaP的綜合精度顯著高于3B42RTV7,兩者在小時(shí)和日尺度上的平均相對(duì)誤差低于或接近10%,而IMERG精度又高于GSMaP；李伶杰等[13]以高密度地表雨量站網(wǎng)觀測(cè)數(shù)據(jù)為基準(zhǔn),綜合分析了IMERG early、IMERG late、GSMaP NRT、GSMaP NRT Gauge和3B42RTV7共5種近實(shí)時(shí)數(shù)據(jù)對(duì)南京及周邊地區(qū)2017年6月10日1次破記錄極端降水過程的監(jiān)測(cè)能力,指出在這些數(shù)據(jù)中GSMaP NRT的綜合精度高于3B42RTV7；章衛(wèi)軍[14]認(rèn)為2018年8月臺(tái)風(fēng)“Pulasan”影響期間,IMERG近實(shí)時(shí)數(shù)據(jù)反映的山東省降水總量、時(shí)程分布特征和空間特征與新聞渠道獲取的信息相似,并以此驅(qū)動(dòng)水庫調(diào)度和河道水力學(xué)模型,復(fù)盤了彌河洪水過程；Qi等[15]剖析了6種最新的GPM降水?dāng)?shù)據(jù)對(duì)2019年8月超強(qiáng)臺(tái)風(fēng)“Lekima”降水時(shí)空結(jié)構(gòu)的表征能力,指出DPR成功捕捉到了強(qiáng)度達(dá)121 mm/h的降水過程峰值。但也有若干文獻(xiàn)指出,GPM對(duì)強(qiáng)降水的探測(cè)能力仍無法令人滿意,甚至還不如TRMM時(shí)代的數(shù)據(jù)。Mekonnen等[16]發(fā)現(xiàn)在埃塞俄比亞的Upper Awash河流域,IMERG- v06B等7種衛(wèi)星降水?dāng)?shù)據(jù)精度均隨降水強(qiáng)度增加而降低,指出衛(wèi)星降水?dāng)?shù)據(jù)仍需在反演算法和后處理方面加以改進(jìn)才能用于洪水預(yù)警預(yù)報(bào)；Hayashi等[17]剖析了日本3場(chǎng)局地性強(qiáng)降水和臺(tái)風(fēng)降水事件,指出當(dāng)降水強(qiáng)度超過70 mm/d時(shí),GSMaP數(shù)據(jù)監(jiān)測(cè)到的降水信息與地基雷達(dá)有明顯差異；Sahlu等[18]發(fā)現(xiàn)IMERG日降水精度僅略優(yōu)于CMORPH,但檢測(cè)大雨的能力反而不及后者；He等[19]指出IMERG提高了捕捉中等強(qiáng)度降水事件的能力,但仍顯著高估了極端降水事件?，F(xiàn)有研究說明GPM數(shù)據(jù)對(duì)強(qiáng)降水的探測(cè)能力仍具有很大不確定性,并且GPM數(shù)據(jù)序列的時(shí)間尚較短。因此,仍需針對(duì)不同氣候地理背景,盡可能采用能夠獲取的實(shí)際降水樣本對(duì)GPM數(shù)據(jù)的性能開展更加廣泛的驗(yàn)證評(píng)估。

2021年7月17日至7月23日,受副熱帶高壓、臺(tái)風(fēng)和冷渦等多種天氣系統(tǒng)以及地形抬升作用等共同影響,河南省遭遇了歷史上罕見的特大暴雨。本次暴雨過程累積雨量大、強(qiáng)降水時(shí)段集中、波及范圍廣,覆蓋鄭州、新鄉(xiāng)、鶴壁、焦作和安陽等城市。作為暴雨中心之一的鄭州市面平均累積雨量高達(dá)501.1 mm，7月20日,鄭州氣象站1 h最大降水量為201.9 mm,突破了中國大陸歷史記錄。以此次極端強(qiáng)降水為主的暴雨過程導(dǎo)致河南省398人遇難,直接經(jīng)濟(jì)損失達(dá)1 200.6億元,造成了重大的社會(huì)影響[20]。河南省“7·20”暴雨作為罕見的極端強(qiáng)降水事件,為開展GPM降水?dāng)?shù)據(jù)性能驗(yàn)證、評(píng)估其在暴雨洪澇災(zāi)害監(jiān)測(cè)預(yù)報(bào)中的應(yīng)用潛力提供了難得的案例。因此,本文基于豐富的地面雨量觀測(cè)資料,從累積降水量、降水過程和降水空間分布等角度綜合解析和比較IMERG及GSMaP近實(shí)時(shí)衛(wèi)星降水?dāng)?shù)據(jù)對(duì)“7·20”暴雨監(jiān)測(cè)的精度,以期為深入認(rèn)識(shí)GPM時(shí)代衛(wèi)星降水?dāng)?shù)據(jù)誤差特征、完善降水反演算法和合理使用相關(guān)數(shù)據(jù)提供科學(xué)依據(jù)。

1 數(shù)據(jù)資料

1.1 雨量站網(wǎng)數(shù)據(jù)

河南省范圍內(nèi)有116個(gè)國家級(jí)氣象站,其空間分布見圖1。這些站點(diǎn)記錄了2021年7月17日00∶00至7月23日23∶00(UTC)逐小時(shí)降水量。降水?dāng)?shù)據(jù)質(zhì)量經(jīng)過了氣候?qū)W界限值、區(qū)域界限值、時(shí)間一致性等環(huán)節(jié)的檢查[13]。對(duì)于河南省“7·20”暴雨過程,累積雨量高于600 mm的氣象站點(diǎn)有9個(gè)、高于500 mm的有14個(gè),116個(gè)氣象站點(diǎn)平均累積雨量達(dá)245.2 mm。降水主要集中在7月20—21日,分別占累積雨量的36%和22.2%。基于河南省氣象站點(diǎn)雨量觀測(cè)記錄,采用距離反比平方進(jìn)行空間插值,生成了1套時(shí)間分辨率為1 h、空間分辨率為0.1°×0.1°的柵格降水資料,作為評(píng)價(jià)GPM近實(shí)時(shí)降水?dāng)?shù)據(jù)性能和精度的基準(zhǔn)資料。

圖1 河南省雨量站空間分布Fig.1 Spatial distribution of rainfall gauges in Henan Province

1.2 GPM降水?dāng)?shù)據(jù)

收集了4種GPM近實(shí)時(shí)降水?dāng)?shù)據(jù)，其中包括2種IMERG數(shù)據(jù)和2種GSMaP數(shù)據(jù),分別為IMERG early、IMERG late和GSMaP NOW、GSMaP Gauge NOW。4種數(shù)據(jù)的基本信息見表1。

表1 4種GPM近實(shí)時(shí)衛(wèi)星降水?dāng)?shù)據(jù)基本信息

IMERG數(shù)據(jù)由美國航天局主導(dǎo)研制,在降水反演算法方面充分利用了GPM衛(wèi)星的主被動(dòng)微波傳感器和各類紅外數(shù)據(jù)傳感器的探測(cè)信息,并對(duì)TRMM時(shí)代的各類衛(wèi)星降水反演算法進(jìn)行了有機(jī)融合。IMERG數(shù)據(jù)生成系統(tǒng)運(yùn)行一次后得到early數(shù)據(jù),在early數(shù)據(jù)的基礎(chǔ)上再運(yùn)行一次后得到late數(shù)據(jù)。GSMaP NOW數(shù)據(jù)則由日本航天局研制,采用被動(dòng)微波資料和地球同步衛(wèi)星的云矢量對(duì)降水進(jìn)行外推得到；GSMaP Gauge NOW是GSMaP NOW采用地表日降水資料校準(zhǔn)后的數(shù)據(jù)[21]。

2 研究方法

采用分類指標(biāo)[22]、體積分類指標(biāo)[23]與定量指標(biāo),從累積雨量、降水過程、降水空間格局3個(gè)方面綜合評(píng)估4種GPM數(shù)據(jù)對(duì)“7·20”極端強(qiáng)降水過程的監(jiān)測(cè)能力。相關(guān)指標(biāo)既可用于分析某一具體時(shí)段GPM降水與地表降水的空間一致性,也可用于評(píng)估站點(diǎn)或區(qū)域尺度上GPM降水與地表降水在過程上的同步性過程。

分類指標(biāo)采用探測(cè)率(POD)、誤報(bào)率(FAR)和臨界成功指數(shù)(CSI),用于反映衛(wèi)星降水對(duì)地表降水事件是否發(fā)生的辨識(shí)能力。3項(xiàng)分類指標(biāo)均介于0～1，若POD與CSI越接近于1、FAR越接近0,則表明GPM數(shù)據(jù)對(duì)降水事件的分類辨識(shí)能力越強(qiáng)。體積分類指標(biāo)評(píng)估衛(wèi)星降水精度,采用體積探測(cè)指數(shù)(VHI)、體積誤報(bào)率(VFAR)和體積臨界成功指數(shù)(VCSI)。與分類指標(biāo)相比,體積分類指標(biāo)的作用在于考慮了降水量級(jí)對(duì)降水事件辨識(shí)結(jié)果的權(quán)重,其計(jì)算公式如下：

(1)

(2)

(3)

式中：n為樣本數(shù)量；Si為GPM降水；Gi為地面降水；T為降水事件閾值,取0.1 mm/h。

采用的定量指標(biāo)包括相關(guān)系數(shù)(CC)、相對(duì)偏差(RB)、相對(duì)均方根誤差(RRMSE)和相對(duì)連通性(RC)。CC越接近于1、RB的絕對(duì)值和RRMSE越接近于0,則說明衛(wèi)星降水精度越高。RC用來描述不同降水閾值下降水場(chǎng)的空間連通相似性,其計(jì)算公式如下：

(4)

(5)

(6)

式中：NP為降水場(chǎng)中超過某一雨量閾值的格網(wǎng)單元數(shù)量；NC為孤立降水群落數(shù)量(降水群落是指在空間上彼此相連的超過某一降水閾值的格網(wǎng)單元組成的區(qū)域)。C介于0～1,C越接近1說明降水越集中,當(dāng)超過降水閾值的格網(wǎng)彼此相連時(shí),C=1。

3 結(jié)果分析與討論

3.1 累積雨量

圖2給出了雨量站點(diǎn)和GPM數(shù)據(jù)對(duì)應(yīng)的“7·20”特大暴雨事件累積雨量(2021年7月17—23日)。根據(jù)圖2(a)和圖2(b)可見,“7·20”降水有2個(gè)雨量中心,分別位于鄭州市和新鄉(xiāng)市。IMERG early與IMERG late數(shù)據(jù)對(duì)應(yīng)的累積雨量空間分布格局與雨量站點(diǎn)及其插值數(shù)據(jù)具有較強(qiáng)的相似性,但明顯低估了累積雨量；而GSMaP NOW和GSMaP Gauge NOW反映的雨量中心位置與地表雨量有較大偏差。

圖3給出了0.1°×0.1°網(wǎng)格尺度上GPM降水與站點(diǎn)距離反比平方(IDW)插值的累積雨量散點(diǎn)圖。從圖3中可知,4種GPM數(shù)據(jù)對(duì)累積雨量的估計(jì)誤差均比較明顯。其中,2種IMERG數(shù)據(jù)主要表現(xiàn)為低估,RB平均在-20%左右,尤其是對(duì)于極端降水事件捕捉能力較差,這與Zhang等[25]的研究結(jié)論相同；2種GSMaP數(shù)據(jù)主要表現(xiàn)為高估,GSMaP NOW和GSMaP Gauge NOW的RB平均分別超過35%和70%。從CC、RB和RRMSE各項(xiàng)指標(biāo)來看,在0.1°×0.1°網(wǎng)格尺度上,IMERG數(shù)據(jù)對(duì)“7·20”降水事件累積雨量的估計(jì)精度總體上高于GSMaP數(shù)據(jù)。2種IMERG數(shù)據(jù)中,IMERG late的精度較高；2種GSMaP數(shù)據(jù)中,GSMaP NOW的精度總體上高于GSMaP Gauge NOW。

圖2 雨量站點(diǎn)和GPM數(shù)據(jù)對(duì)應(yīng)的河南省“7·20”降水事件累積雨量Fig.2 Rainfall gauges and GPM data corresponding to accumulated rainfall of “7·20” precipitation event in Henan Province

圖3 0.1°×0.1°網(wǎng)格尺度上GPM數(shù)據(jù)與雨量站點(diǎn)插值的累積雨量散點(diǎn)圖Fig.3 Scatters of accumulated rainfall between the rainfall gauges interpolation and GPM datasets at the scale of 0.1°×0.1°grids

需指出的是,雖然對(duì)于河南省“7·20”極端強(qiáng)降水事件,GSMaP數(shù)據(jù)精度總體上不及IMERG數(shù)據(jù),但前者尤其是GSMaP Gauge NOW對(duì)于500 mm以上的累積雨量的估計(jì)能力更強(qiáng)。經(jīng)統(tǒng)計(jì),站點(diǎn)空間插值得到的雨量場(chǎng)中,累積雨量超過500 mm、600 mm的0.1°×0.1°柵格單元分別有140個(gè)和45個(gè)。IMERG early未能探測(cè)到任何累積雨量達(dá)到或超過500 mm的柵格單元，IMERG late正確探測(cè)到了29個(gè)累積雨量達(dá)到或超過500 mm的柵格單元,但未能探測(cè)到累積雨量達(dá)到或超過600 mm的柵格單元；而GSMaP NOW正確探測(cè)到累積雨量在500 mm、600 mm以上的網(wǎng)格單元分別為53個(gè)和2個(gè),GSMaP Gauge NOW則分別有103個(gè)和33個(gè)。表2給出了河南省累積雨量大于600 mm的9個(gè)氣象站以及鄭州市范圍內(nèi)插值的累積雨量和GPM數(shù)據(jù)累積雨量對(duì)比。從表2中可知,GSMaP 數(shù)據(jù)對(duì)9個(gè)站點(diǎn)累積雨量的估計(jì)誤差總體上明顯低于IMERG數(shù)據(jù),其中又以GSMaP Gauge NOW誤差最小。對(duì)于淇縣和輝縣站,GSMaP Gauge NOW對(duì)累積雨量的估計(jì)誤差低于20%,甚至在15%以下,對(duì)于暴雨中心鄭州市面平均累積雨量估計(jì)相對(duì)誤差僅2.2%。當(dāng)然,GSMaP NOW數(shù)據(jù)經(jīng)地面雨量校正后,對(duì)累積雨量在500 mm以上的極端降水事件的估計(jì)能力盡管有所提高，但由圖3(c)和圖3(d)可知,GSMaP Gauge NOW對(duì)累積雨量在500 mm以下的降水事件又明顯產(chǎn)生了更大程度的高估。

表2 雨量站點(diǎn)和GPM數(shù)據(jù)獲取的河南省“7·20”降水事件累積雨量對(duì)比

3.2 降水過程

對(duì)地表降水過程的動(dòng)態(tài)追蹤能力是衡量衛(wèi)星降水?dāng)?shù)據(jù)性能的重要因素之一。圖4給出了小時(shí)時(shí)間尺度上4種GPM數(shù)據(jù)在各自0.1°×0.1°柵格單元的時(shí)序精度指標(biāo)。從圖4可知,在多數(shù)柵格單元,GPM數(shù)據(jù)對(duì)于降水事件是否發(fā)生具有較強(qiáng)的辨識(shí)能力,其探測(cè)率較高、誤報(bào)率較低。如果考慮降水量級(jí)影響,則分類辨識(shí)能力有進(jìn)一步提高,GPM降水?dāng)?shù)據(jù)的分類辨識(shí)能力較低的柵格單元主要分布在河南省南部和西部邊緣,主要屬于山丘區(qū)。

定量指標(biāo)方面,各衛(wèi)星降水?dāng)?shù)據(jù)與地表雨量的相關(guān)系數(shù)(CC)介于-0.2～1.0,在河南省中部區(qū)域高、周邊山丘區(qū)低的特征也比較明顯。RB的分布范圍較大,在空間上呈現(xiàn)東高西低的格局,與累積雨量分布相反,這說明4種GPM近實(shí)時(shí)降水?dāng)?shù)據(jù)對(duì)于較大雨量傾向低估、對(duì)于較小雨量傾向高估。RRMSE的空間分布特征與CC相似。進(jìn)一步分析了4種GPM數(shù)據(jù)對(duì)暴雨中心鄭州站降水過程的表征能力。從圖5可知,衛(wèi)星降水對(duì)站點(diǎn)逐小時(shí)降水過程具有一定表征能力,但均未成功捕捉到雨量峰值,導(dǎo)致其定量誤差較大,這與文獻(xiàn)[13]所得結(jié)論類似。從表3中的各項(xiàng)精度指標(biāo)特別是定量指標(biāo)來看,4種GPM數(shù)據(jù)在小時(shí)尺度上與站點(diǎn)降水過程同步性還有待大力提高。

圖6進(jìn)一步給出了0.1°×0.1°柵格單元尺度上GPM小時(shí)雨量誤差隨地面小時(shí)雨量的變化。從圖6可知,即使在0.1°×0.1°的區(qū)域尺度上,4種GPM數(shù)據(jù)均成功探測(cè)到了小時(shí)雨量接近100 mm的極端強(qiáng)降水事件,但數(shù)據(jù)誤差也比較突出。總體上,GPM數(shù)據(jù)相對(duì)地面降水的誤差隨小時(shí)雨量呈現(xiàn)較明顯的負(fù)相關(guān)關(guān)系。在地面降水強(qiáng)度較小時(shí),4種GPM數(shù)據(jù)傾向高估；在地面降水強(qiáng)度較大時(shí),4種GPM數(shù)據(jù)傾向低估。由于對(duì)各等級(jí)的小時(shí)降水事件均存在漏報(bào),故4種GPM數(shù)據(jù)小時(shí)雨量誤差隨地面雨量變化的下包線均接近y=-x。4種GPM數(shù)據(jù)對(duì)小時(shí)雨量低于10 mm的降水事件以高估為主；而對(duì)于小時(shí)雨量超過30 mm的降水事件以低估為主,甚至存在普遍低估。與IMERG數(shù)據(jù)相比,GSMaP數(shù)據(jù)對(duì)小時(shí)雨量低于10 mm的降水事件的高估幅度更大、誤差分散性更強(qiáng),同時(shí)還存在對(duì)小時(shí)雨量超過30 mm的降水事件估計(jì)誤差為正的情況。

圖4 0.1°×0.1°柵格尺度上GPM小時(shí)雨量精度指標(biāo)Fig.4 Hourly GPM precipitation accuracy indices at the 0.1°×0.1°grid scale

圖5 鄭州氣象站的GPM降水與地面站點(diǎn)觀測(cè)小時(shí)降水過程對(duì)比Fig.5 Hourly GPM and ground surface gauge precipitation process at the Zhengzhou meteorological gauge

表3 鄭州氣象站GPM降水精度指標(biāo)

圖6 0.1°×0.1°柵格單元尺度上GPM小時(shí)雨量誤差隨地面小時(shí)雨量的變化Fig.6 Variation of hourly GPM rainfall error with ground surface hourly rainfall at the scale of 0.1°×0.1°grids

圖7給出了GPM和氣象站網(wǎng)降水在鄭州市(面積約1 188 km2)、新鄉(xiāng)市(面積約8 249 km2)、河南省(面積約16.7萬km2)對(duì)應(yīng)的面平均小時(shí)雨量過程對(duì)比。相對(duì)站點(diǎn)尺度,隨著空間尺度的增加,GPM近實(shí)時(shí)衛(wèi)星降水?dāng)?shù)據(jù)對(duì)強(qiáng)降水過程的動(dòng)態(tài)監(jiān)測(cè)能力有所提高,衛(wèi)星降水與地面降水的匹配性明顯提高。對(duì)于鄭州市,4種GPM數(shù)據(jù)的相關(guān)系數(shù)均達(dá)到了0.8以上，VCSI>0.9,RB指標(biāo)最優(yōu)的已接近0(GSMaP Gauge NOW數(shù)據(jù)),同時(shí)對(duì)雨量峰值的捕捉能力明顯增強(qiáng)；而對(duì)于新鄉(xiāng)市,4種GPM數(shù)據(jù)的精度雖然有所降低,但相關(guān)系數(shù)均達(dá)到了0.6以上，VCSI>0.9,RB指標(biāo)最優(yōu)的也接近0(GSMaP NOW數(shù)據(jù)),也能夠捕捉到雨峰。對(duì)于河南省而言,IMERG early與MERG late數(shù)據(jù)與地表雨量過程的吻合性更高,其相關(guān)系數(shù)接近甚至超過了0.9,對(duì)雨峰的捕捉也較為準(zhǔn)確；GSMaP NOW與GSMaP Gauge NOW在峰前與地面雨量站接近,但對(duì)于雨峰仍有大幅度高估(表4)。

圖7 GPM與雨量站網(wǎng)插值的區(qū)域面雨量過程對(duì)比Fig.7 Comparison of areal precipitation process between GPM and rainfall gauges interpolation

表4 GPM降水?dāng)?shù)據(jù)對(duì)鄭州市、新鄉(xiāng)市與河南省面平均雨量過程的精度指標(biāo)

3.3 降水空間格局

圖8 GPM降水?dāng)?shù)據(jù)的空間精度指標(biāo)隨時(shí)間的變化Fig.8 GPM precipitation datasets spatial accuracy indices changes with time

圖8進(jìn)一步給出了7月20—21日各時(shí)次GPM降水?dāng)?shù)據(jù)空間體積分類指標(biāo)和定量指標(biāo)。表5給出了7月20—21日的2個(gè)雨量峰值時(shí)刻對(duì)不同等級(jí)降水的探測(cè)情況。表6給出了7月20—21日的2個(gè)雨量峰值時(shí)刻的各項(xiàng)精度指標(biāo)。其中，7月20日雨峰在當(dāng)日9∶00,記作T1,小時(shí)面平均降水24.2 mm,5 h(當(dāng)前時(shí)段與前后各2 h時(shí)段)降水量占當(dāng)日累積降水量的27.5%,降水中心在鄭州市；7月21日雨峰在當(dāng)日8∶00,記作T2,小時(shí)面平均降水15.0 mm,5 h降水量占當(dāng)日累積降水量的25.5%,降水中心在新鄉(xiāng)市。

表5 GPM降水?dāng)?shù)據(jù)在雨峰所在時(shí)段探測(cè)到的高于不同雨量閾值的柵格單元數(shù)量

由圖8可知,4種GPM數(shù)據(jù)的逐小時(shí)空間分類指標(biāo)和定量指標(biāo)均表現(xiàn)出明顯的時(shí)間波動(dòng)性,這說明在小時(shí)時(shí)間尺度上這些數(shù)據(jù)的空間監(jiān)測(cè)能力受降水強(qiáng)度及雨量場(chǎng)空間結(jié)構(gòu)特征影響。4種降水?dāng)?shù)據(jù)的空間體積分類指標(biāo)的波動(dòng)特征雖不完全相同,但在T1和T22個(gè)時(shí)段其分類辨識(shí)能力均具有明顯下降,具體而言,VHI降低、VFAR上升和VCSI降低。CC在時(shí)程上表現(xiàn)出與體積分類指標(biāo)類似的波動(dòng)特征,在2個(gè)降水峰值時(shí)段明顯低于其他時(shí)段。

RB的時(shí)程變化規(guī)律與CC不同。由圖8(e)可知,在2個(gè)降水峰值時(shí)段,GSMaP 數(shù)據(jù)的RB優(yōu)于其他時(shí)段。GSMaP NOW與GSMaP Gauge NOW在T1時(shí)段的RB分別為-18.0%與9.4%,在T2時(shí)段分別為-18.0%與6.3%。而IMERG數(shù)據(jù)的RB在時(shí)程上較為穩(wěn)定,基本在-50%～-30%波動(dòng)。綜合CC和RB2項(xiàng)指標(biāo)與表5可知,GSMaP數(shù)據(jù)更易于探測(cè)到雨量場(chǎng)中的高量級(jí)降水,但其空間位置和范圍會(huì)產(chǎn)生明顯偏差,這與圖2所反映的情況是一致的；而IMERG數(shù)據(jù)與地面雨量的空間相關(guān)性較強(qiáng),但對(duì)高量級(jí)降水存在較大低估,導(dǎo)致其在降水峰值附近的相對(duì)偏差較為突出。

4種GPM降水?dāng)?shù)據(jù)的RC基本在零以下波動(dòng)(表6),這說明GPM小時(shí)雨量場(chǎng)在空間上的集中程度一般要低于地表雨量場(chǎng)。GSMaP數(shù)據(jù)的RC值高于IMERG數(shù)據(jù),這說明GSMaP 數(shù)據(jù)反映的雨量在空間上集中性程度要高于IMERG數(shù)據(jù)。

總的來說,從降水空間格局來看,相對(duì)于GSMaP數(shù)據(jù),IMERG late數(shù)據(jù)在雨區(qū)分布上更接近地面降水,但會(huì)漏掉大量強(qiáng)降水事件,而GSMaP Gauge NOW數(shù)據(jù)能夠探測(cè)到更多的強(qiáng)降水事件,但會(huì)產(chǎn)生明顯的位置偏差,這與圖6所得結(jié)論也是吻合的。

表6 GPM降水?dāng)?shù)據(jù)在降水峰值時(shí)間的空間精度指標(biāo)

4 結(jié) 論

針對(duì)河南省“7·20”極端降水事件,從累積雨量、降水過程和降水空間格局3個(gè)方面,開展了IMERG early、IMERG late、GSMaP NOW和GSMaP Gauge NOW共4種GPM近實(shí)時(shí)衛(wèi)星降水?dāng)?shù)據(jù)性能的綜合解析和比較,主要研究結(jié)論如下：

(1) IMERG early、IMERG late數(shù)據(jù)對(duì)河南省“7·20”降水事件累積雨量的平均低估程度在20%左右,GSMaP NOW和GSMaP Gauge NOW的平均高估程度分別達(dá)到了約35%和70%。IMERG early和IMERG late數(shù)據(jù)對(duì)應(yīng)的累積雨量中心位置與地面觀測(cè)具有較強(qiáng)的一致性,但難以探測(cè)到500 mm以上的累積雨量；而GSMaP NOW和GSMaP Gauge NOW反映的累積雨量中心位置和范圍有較大偏差,但更易探測(cè)到500 mm以上的累積雨量。

(2) 在0.1°×0.1°柵格單元尺度上,4種GPM降水?dāng)?shù)據(jù)對(duì)小時(shí)降水過程均具有較強(qiáng)的分類辨識(shí)能力,均成功探測(cè)到了小時(shí)雨量接近100 mm的極端強(qiáng)降水事件,但定量估計(jì)誤差較突出,且未能捕捉到主要雨峰過程。GPM數(shù)據(jù)相對(duì)地面降水的誤差隨小時(shí)雨量呈現(xiàn)較明顯的負(fù)相關(guān)關(guān)系。對(duì)小時(shí)雨量低于10 mm的降水事件,GPM降水以高估為主；而對(duì)于小時(shí)雨量超過30 mm的降水事件以低估為主,甚至存在普遍低估。

(3) 對(duì)于“7·20”暴雨事件,GPM小時(shí)降水的空間精度指標(biāo)均具有較強(qiáng)的時(shí)間波動(dòng)性。相對(duì)于GSMaP數(shù)據(jù),IMERG數(shù)據(jù)在雨區(qū)分布上更接近地面降水,但呈現(xiàn)較穩(wěn)定的低估、會(huì)漏掉大量強(qiáng)降水事件,而GSMaP Gauge NOW數(shù)據(jù)能夠探測(cè)到更多的強(qiáng)降水事件,在降水峰值附近的偏差較小。同時(shí),GPM小時(shí)雨量場(chǎng)在空間上的集中程度一般要低于地表雨量場(chǎng),但GSMaP 雨量場(chǎng)在空間上集中性程度要高于IMERG。

(4) 2種IMERG 數(shù)據(jù)中,IMERG late相對(duì)IMERG early的精度具有較明顯的改善；而2種GSMaP數(shù)據(jù)中,GSMaP Gauge NOW相對(duì)GSMaP NOW提高了對(duì)較高量級(jí)降水的估計(jì)能力,但也明顯增大了較低量級(jí)降水的估計(jì)誤差。

總的來說,由于受到衛(wèi)星重訪周期、反演數(shù)據(jù)源、反演算法和地形特征等一系列因素的復(fù)雜影響,GPM近實(shí)時(shí)降水?dāng)?shù)據(jù)對(duì)河南省“7·20”極端降水事件的監(jiān)測(cè)雖展現(xiàn)出一定的積極信息,但定量精度尚有很大改進(jìn)空間。然而也應(yīng)當(dāng)考慮到GPM降水?dāng)?shù)據(jù)研制和研究對(duì)象的客觀情況，目前GPM近實(shí)時(shí)降水?dāng)?shù)據(jù)序列還不夠長，GSMaP的第1個(gè)實(shí)時(shí)版本GSMaP Now于2017年3月29日發(fā)布,其時(shí)間序列更短。因此,用于率定和校驗(yàn)降水算法的降水樣本還不夠豐富、代表性存在不足。而本文研究“7·20”極端降水事件屬于破記錄的歷史大暴雨,即使在全球范圍內(nèi)也屬罕見。不論如何,本文研究深化了對(duì)GPM數(shù)據(jù)性能的認(rèn)識(shí),為完善降水反演算法、提升強(qiáng)降水監(jiān)測(cè)能力提供了重要反饋信息。

此外,本文研究發(fā)現(xiàn)IMERG數(shù)據(jù)和GSMaP數(shù)據(jù)作為代表性的GPM近實(shí)時(shí)衛(wèi)星降水?dāng)?shù)據(jù),兩者的相對(duì)優(yōu)劣關(guān)系也較為復(fù)雜，IMERG與地面雨量降水的時(shí)空同步性相對(duì)較強(qiáng),但GSMaP更易探測(cè)到強(qiáng)降水事件。鑒于2類衛(wèi)星降水?dāng)?shù)據(jù)的性能具有一定的互補(bǔ)性,因此今后可進(jìn)一步開展兩者的集成與融合研究。