張春燕,鄭艷萍,王沛東,陳逸智,楊思曉,謝尚佑,向鋼

(1.廣東省氣象數(shù)據(jù)中心，廣州 510080；2.廣東省惠州市氣象局，惠州 516000；3.廣東省汕頭市氣象局，汕頭 515000；4.湖南省邵陽市氣象局，邵陽 422000)

引言

2021 年中國氣象局自主研發(fā)的中國區(qū)域多源融合實況分析1 km網(wǎng)格產(chǎn)品(ART_1 km)投入業(yè)務(wù)應(yīng)用，這標(biāo)志著我國進一步滿足了精細(xì)化天氣預(yù)報服務(wù)對更高分辨率實況產(chǎn)品的需求。ART_1 km產(chǎn)品由國家氣象信息中心牽頭研制，綜合利用了地面自動站、天氣雷達、風(fēng)云衛(wèi)星、數(shù)值模式等多源資料，采用概率密度匹配、貝葉斯模型平均、多重網(wǎng)格變分、最優(yōu)插值等融合分析技術(shù)(潘旸等，2018；師春香等，2019)，產(chǎn)品種類包括中國區(qū)域逐小時降水、2 m氣溫、2 m濕度、10 m風(fēng)等4個要素14種產(chǎn)品，空間分辨率為1 km，對于捕捉以強對流天氣為代表的小尺度災(zāi)害性天氣、為精細(xì)化預(yù)報提供更優(yōu)質(zhì)的數(shù)據(jù)基礎(chǔ)具有重大意義。

其中，ART_1 km產(chǎn)品中的降水(簡稱為ART_1 km降水)產(chǎn)品已被氣象部門應(yīng)用在災(zāi)害性天氣監(jiān)測預(yù)警、智能網(wǎng)格預(yù)報、智慧氣象服務(wù)等方面，為氣象現(xiàn)代化建設(shè)和氣象高質(zhì)量發(fā)展提供了更精細(xì)的數(shù)據(jù)支撐。它是由中國區(qū)域融合降水分析系統(tǒng)生成(師春香等，2019)，在“概率密度函數(shù)+最優(yōu)插值”兩步融合法(Xie et al.，2011)的基礎(chǔ)上，優(yōu)化為“概率密度函數(shù)+貝葉斯模型平均+最優(yōu)插值”三步融合法，并引入地面、氣象衛(wèi)星和雷達定量估測降水，形成的三源融合降水產(chǎn)品(潘旸等，2012，2018)。在制作過程中，ART_1 km降水產(chǎn)品的空間分辨率由10 km 提升至5 km，最后至1 km，產(chǎn)品業(yè)務(wù)生成時效最快達5 min(師春香等，2019)。

潘旸等(2018)曾利用全國的國家級氣象站的觀測資料進行獨立檢驗，表明該產(chǎn)品在強降水監(jiān)測上具有優(yōu)勢，但由于地形地勢、海陸位置、降水和站點多寡的差異，ART_1 km 降水產(chǎn)品在不同地區(qū)的質(zhì)量表現(xiàn)并不一致。廣東省是華南沿海典型的暴雨區(qū)域，暴雨頻繁出現(xiàn)在每年的5—8月，具有強度大、范圍廣、災(zāi)害重的特點(劉雨佳等，2017；張柳紅等，2021a)，因此廣東省在暴雨監(jiān)測和預(yù)警上對降水資料及其準(zhǔn)確性的要求更高。本文選取廣東省2019—2022年5—8月致災(zāi)嚴(yán)重的暴雨過程，利用全省未融合制作ART_1 km降水產(chǎn)品的區(qū)域站和水文站的觀測資料，評估ART_1 km降水產(chǎn)品在廣東暴雨過程中的準(zhǔn)確性。

1 資料與方法

1.1 ART_1 km降水產(chǎn)品及其評估資料

ART_1 km降水產(chǎn)品為地面-衛(wèi)星-雷達三源融合產(chǎn)品(潘旸等，2018)，其中融入制作的地面觀測資料為經(jīng)過質(zhì)量控制的全國近4 萬個氣象站的降水?dāng)?shù)據(jù)(任芝花等，2010)，并采用最優(yōu)插值法插值到0.01°×0.01°網(wǎng)格點上(沈艷等，2010，2012，2013)。衛(wèi)星資料為美國氣候預(yù)測中心研發(fā)的實時衛(wèi)星反演降水系統(tǒng)的降水?dāng)?shù)據(jù)(Joyce et al.，2004)，在處理成逐時降水后再通過重采樣(鄰近插值)方法插值到0.01°×0.01°網(wǎng)格點上(潘旸等，2018)。雷達資料為中國氣象局氣象探測中心研發(fā)的雷達定量降水估測產(chǎn)品，該產(chǎn)品經(jīng)氣象站降水?dāng)?shù)據(jù)校正后(劉曉陽等，2010)，時空分辨率分別為1 h 和0.01°×0.01°。潘旸等(2018)采用概率密度函數(shù)匹配法、貝葉斯模型平均方法、最優(yōu)插值法和空間降尺度方法，最終將這三類資料融合成0.01°(約1 km)高分辨率降水產(chǎn)品，空間范圍覆蓋整個中國區(qū)域。

本文選取廣東省2019—2022 年5—8 月發(fā)生的雨量較大、災(zāi)情較明顯的20 例暴雨過程(表1)，開展ART_1 km降水產(chǎn)品評估。在這些過程中，評估ART_1 km 降水產(chǎn)品所使用的資料為未上傳融合制作該產(chǎn)品的區(qū)域自動氣象站(以下簡稱“區(qū)域站”)和水文站的逐時降水觀測數(shù)據(jù)。每例暴雨過程中，區(qū)域站和水文站的數(shù)量并不完全一致，但總體而言，前者為2 200個左右，后者為2 000 個左右。由于這兩類站點的觀測降水資料獨立于ART_1 km 降水產(chǎn)品之外，因此統(tǒng)一稱為“獨立站”。

表1 廣東省2019—2020年5—8月的20例致災(zāi)暴雨過程Table 1 Twenty cases of disaster-causing rainstorm processes from May to August during 2019-2022 in Guangdong Province

1.2 評估方法

本文將獨立站的降水觀測資料經(jīng)質(zhì)控后作為評估ART_1 km 降水產(chǎn)品的“真值”，檢驗該產(chǎn)品的準(zhǔn)確性。采用自然鄰近插值方法，選擇ART_1 km 降水產(chǎn)品中距離獨立站最近的格點值插值到站點上，統(tǒng)計比較20 例暴雨過程中ART_1 km 降水和觀測降水的落區(qū)、強度、相關(guān)性及誤差情況。使用的檢驗指標(biāo)有四個，分別是技巧評分(TS，記為TS)、相關(guān)系數(shù)(COR，記為RCO)、均方根誤差(RMSE，記為ERMS)和平均值誤差(ME，記為EM)。四個指標(biāo)的計算公式如下：

式(1)中，NA為命中數(shù)，NB為誤報數(shù)，NC為漏報數(shù)；式(2)—(4)中G為ART_1 km降水產(chǎn)品的站點插值，O為站點觀測結(jié)果，N為樣本總數(shù)。TS和COR的值越接近1，RMSE 和ME 越接近0，則表示ART_1 km 降水產(chǎn)品和觀測越接近，準(zhǔn)確性越高。

此外，本文還針對不同的小時雨量進行分級檢驗。我國國家標(biāo)準(zhǔn)GB/T 28592-2012 將24 h 降雨量<0.1 mm 定義為微量降雨，將12 h 或24 h 降雨量≥0.1 mm 的降雨劃分為小雨、中雨、大雨、暴雨、大暴雨和特大暴雨等6個等級。本文則對小時降水也相應(yīng)地劃分出6個等級，在設(shè)定小時降水分級閾值時，考慮到中國氣象局將12 h 或24 h 雨量達到0.1 mm 定義為小雨，12 h雨量達到5 mm或24 h雨量達到10 mm定義為中雨，24 h雨量達到50 mm定義為暴雨，此外不少文獻將小時雨量達到≥20 mm定義為小時強降水(張小雯和諶蕓，2011；孫喜艷等，2017；伍紅雨等，2017)，當(dāng)小時雨量達到≥50 mm，則普遍認(rèn)為是極端降水(俞小鼎，2013)，因此基于上述0.1、5、10、20、50 mm這幾個閾值，并增加了2 mm 作為閾值之一，本文將小時降水劃分為[0.1,2)、[2,5)、[5,10)、[10,20)、[20,50)和≥50 mm這6個等級，將小時降水＜0.1 mm視為無降水。

2 全省降水準(zhǔn)確性總體評估

為了評估ART_1 km降水產(chǎn)品在廣東省20例暴雨過程中的表現(xiàn)，本節(jié)分別檢驗該產(chǎn)品在暴雨過程中的空間分布及在各降水等級中的頻率分布，同時也分析ART_1 km 降水與觀測降水的相關(guān)性和誤差。其中，通過對比ART_1 km 降水和觀測降水的空間分布，評估該產(chǎn)品反映的降水落區(qū)及強度是否與觀測吻合；通過對比ART_1 km降水和觀測降水在各降水等級中的頻率分布，評估該產(chǎn)品是否準(zhǔn)確呈現(xiàn)不同強度降水的發(fā)生；通過分析ART_1 km 降水和觀測降水的相關(guān)性和誤差，評估該產(chǎn)品與觀測降水的偏差程度。

2.1 降水的空間分布

本文評估的20 例暴雨過程的降水不僅有冷暖空氣交綏或低空急流引起的，也有臺風(fēng)登陸導(dǎo)致的；既有局部性暴雨，也有幾乎覆蓋全省的暴雨(伍紅雨等，2019；張柳紅等，2021b；趙嫻婷等，2021；鐘雨珊等，2023)。本節(jié)則分析了與觀測降水的TS評分最高和最低、相關(guān)系數(shù)最大和最小及均方根誤差最小和最大的6例暴雨過程中ART_1 km降水的空間分布。圖1a、b分別是廣東省2019 年8 月24 日20 時—26 日23 時(北京時，下同)的累計觀測降水和ART_1 km降水，為ART_1 km降水的TS 評分最高(約0.88)的暴雨過程。該過程由臺風(fēng)“白鹿”造成，粵東、粵北和珠三角市縣出現(xiàn)了大范圍暴雨到大暴雨、局地特大暴雨。在該過程中，ART_1 km降水產(chǎn)品大致再現(xiàn)了全省降水的落區(qū)和強度，但未能很好地反映粵北韶關(guān)的分散性強降水。此外，ART_1 km降水產(chǎn)品呈現(xiàn)的雷州半島降水范圍也比實際大。圖1c、d分別是廣東省2019年5月19日16時—21 日00 時的累計觀測降水和ART_1 km 降水，為ART_1 km 降水的TS 評分最低(約0.75)的暴雨過程。該過程主要受北方弱冷空氣影響，粵北韶關(guān)南部至清遠(yuǎn)南部出現(xiàn)了中到大雨，局部暴雨或大暴雨，粵東也有較明顯降水，粵西降水最弱，且部分地區(qū)無降水。在該過程中，ART_1 km 降水產(chǎn)品再現(xiàn)了粵北和粵東的降水，但在粵西呈現(xiàn)的降水范圍比實際觀測更大。

圖1 2019年8月24日20時—26日23時廣東省累計觀測降水(a)和ART_1 km降水(b)與2019年5月19日16時—21日00時累計觀測降水(c)和ART_1 km降水(d)的空間分布(單位:mm)Fig.1 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 20∶00 on August 24 to 23∶00 on August 26,2019(Beijing time,the same below),and from(c)observations and(d)ART_1 km products from 16:00 on May 19 to 00∶00 on May 21,2019,in Guangdong Province,respectively(unit:mm)

圖2a、b分別是廣東省2021年5月19日13時—20日19 時的累計觀測降水和ART_1 km 降水，為ART_1 km降水和觀測降水相關(guān)系數(shù)最大(約0.93)的暴雨過程。該過程受低空急流、切變線和冷空氣共同影響，粵北北部出現(xiàn)了暴雨到大暴雨，其余地區(qū)降水較弱或無降水，因此強降水的局地性很強。ART_1 km 降水產(chǎn)品很好地反映了此次粵北北部的強降水，也基本刻畫出了粵東和粵西局部地區(qū)弱/無降水發(fā)生的情況。圖2c、d 分別是廣東省2020 年6 月2 日02 時—3 日08時的累計觀測降水和ART_1 km降水，為ART_1 km降水和觀測降水相關(guān)系數(shù)最小(約0.84)的暴雨過程，該過程中陽江—江門—珠海的沿海一帶出現(xiàn)大到暴雨、局部大暴雨，同時清遠(yuǎn)北部和韶關(guān)北部也出現(xiàn)了較強降水。該過程的ART_1 km降水除了在茂名西部比實際觀測弱外，在廣東省其他地區(qū)的結(jié)果和觀測十分接近。

圖2 2021年5月19日13時—20日19時廣東省累計觀測降水(a)和ART_1 km降水(b)與2020年6月2日02時—3日08時的累計觀測降水(c)和ART_1 km降水(d)的空間分布(單位：mm)Fig.2 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 13∶00 on May 19 to 19∶00 on May 20,2021,and from(c)observations and(d)ART_1 km products from 02∶00 on June 2 to 08∶00 on June 3,2020 in Guangdong Province,respectively(unit:mm)

圖3 則是廣東省ART_1 km 降水和觀測降水均方根誤差最小和最大的兩次暴雨過程。均方根誤差最小(0.6 mm)的過程發(fā)生在2019 年5 月4 日08 時—9 日08時(圖3a、b)，受低層較強偏南風(fēng)、切變線和冷空氣共同影響，全省降水明顯，粵北和粵東出現(xiàn)了大雨到暴雨、局部大暴雨，降水范圍廣。ART_1 km降水產(chǎn)品很好地反映了本次過程降水的范圍和強度。均方根誤差最大(1.8 mm)的過程發(fā)生在2020 年5 月20 日11 時—22 日13 時(圖3c、d)，珠三角、粵北和粵東沿海出現(xiàn)了暴雨到大暴雨，其中廣州為此次過程的降水中心，粵東的梅州也出現(xiàn)了明顯降水，粵西降水最弱，雷州半島基本無降水發(fā)生。該過程中，ART_1 km 降水產(chǎn)品也基本呈現(xiàn)了全省強降水的落區(qū)，同時反映了粵西弱降水和無降水的情形，但對于粵北和珠三角周邊地區(qū)的分散性局地強降水并未刻畫出來。

圖3 2019年5月4日08時—9日08時廣東省累計觀測降水(a)和ART_1 km降水(b)與2020年5月20日11時—22日13時的累計觀測降水(c)和ART_1 km降水(d)的空間分布(單位:mm)Fig.3 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 08∶00 on May 4 to 08∶00 on May 9,2019,and from(c)observations and(d)ART_1 km products from 11∶00 on May 20 to 13∶00 on May 22,2020 in Guangdong Province,respectively(unit:mm)

綜上，無論指標(biāo)最高還是最低，ART_1 km降水產(chǎn)品都能夠較好地反映廣東省致災(zāi)性暴雨過程中降水的落區(qū)和強度，并能夠成功再現(xiàn)累計降水量超過100 mm的強降水落區(qū)。對于粵西、尤其是雷州半島，ART_1 km降水產(chǎn)品呈現(xiàn)的降水范圍和強度相比觀測略大，這可能是因為雷州半島的觀測站點稀疏，無法反映出部分地區(qū)是否發(fā)生降水，而ART_1 km 降水產(chǎn)品還融合了衛(wèi)星、雷達的結(jié)果，同時也因為鄰近站點插值的影響，所以使得雷州半島的ART_1 km降水比觀測大。因此本文還使用了雷達組合反射率評估ART_1 km 降水產(chǎn)品在無站點觀測區(qū)的表現(xiàn)(圖略)，發(fā)現(xiàn)雷達回波反映出的無站點觀測區(qū)存在強降水時，ART_1 km 降水產(chǎn)品也能夠有效反映出強降水的發(fā)生，并且ART_1 km降水產(chǎn)品對站點觀測的異常數(shù)據(jù)也有替代修正作用。另外，注意到圖1—3 呈現(xiàn)的站點觀測降水局地性更強，空間分布相對離散，而ART_1 km降水產(chǎn)品在站點插值后呈現(xiàn)的降水分布更為連續(xù)，塊狀分布明顯，表明該產(chǎn)品在反映大范圍的降水分布上具有很大優(yōu)勢，但在刻畫小范圍局地分散性降水上仍存在一定不足。

2.2 各等級降水的頻率分布

廣東省兩類獨立站的觀測降水和ART_1 km降水在不同小時降水等級中的出現(xiàn)頻率如圖4所示。從圖中來看，ART_1 km 降水產(chǎn)品出現(xiàn)無降水(<0.1 mm)的頻率略低于觀測，其中區(qū)域站和水文站的頻率分別約低了3%和10%。但ART_1 km 降水產(chǎn)品的小時降水量在[0.1,2)mm 范圍內(nèi)出現(xiàn)的頻率則略高于觀測，其中區(qū)域站和水文站的頻率分別約高了1.5%和10%。因此，獨立站觀測無降水時，ART_1 km降水產(chǎn)品仍可能表現(xiàn)出弱降水，但這種情況出現(xiàn)的概率很低。小時降水量在2～10 mm時，區(qū)域站的ART_1 km降水出現(xiàn)頻率比實際觀測略高了1%，水文站的二者頻率幾乎相等。小時降水量>10 mm時，兩類獨立站的出現(xiàn)頻率顯著下降，都低于0.02，此時ART_1 km降水頻率和實際觀測的幾乎相等。

圖4 2019—2022年5—8月廣東20例暴雨過程中區(qū)域站(a)和水文站(b)的觀測降水與ART_1 km降水在不同小時降水等級中的出現(xiàn)頻率Fig.4 Occurrence frequency of different hourly precipitation classifications for observations and ART_1 km products at(a)non-uploaded regional stations and(b)hydrometric stations during twenty disastrous rainstorm cases from May to August during 2019-2022 in Guangdong Province.

2.3 相關(guān)性和誤差分析

圖5統(tǒng)計了20例暴雨過程中獨立站的ART_1 km降水在不分級和分級情形下的TS 評分及其與觀測降水的相關(guān)性、均方根誤差和平均值誤差。圖5a 表明，ART_1 km降水的TS評分在降水不分級時為0.6～0.7，在降水分級時為0.5 以下，當(dāng)小時降水≥50 mm時，TS評分最低，約為0.2。但并非降水越強、ART_1 km 降水的TS 評分越低，例如小時降水量為[20,50) mm 時，ART_1 km降水的TS評分均比前后降水等級高。圖5b表明，ART_1 km 降水和觀測降水的相關(guān)系數(shù)在降水不分級時約為0.82，在降水分級后相關(guān)性顯著降低，基本為0.2～0.4。這說明在降水不分級時，ART_1 km降水和觀測降水的高相關(guān)很大程度上是由暴雨過程中無降水的站點或時次貢獻的。因此統(tǒng)計無降水情形下獨立站的ART_1 km 降水的準(zhǔn)確率，發(fā)現(xiàn)區(qū)域站為89%，水文站為85%，說明ART_1 km 降水產(chǎn)品能夠較好地反映無降水的情形。

圖5 2019—2022年5—8月廣東省20例暴雨過程中區(qū)域站和水文站的ART_1 km降水的TS評分(a)及在不同降水等級中與觀測降水的相關(guān)系數(shù)(b)、均方根誤差(c)和平均值誤差(d)Fig.5 (a)TS,(b)correlation coefficient,(c)root mean square error,and(d)mean error between ART_1 km products and observations in different precipitation classifications at non-uploaded regional stations and hydrometric stations from the 20 cases in this study

區(qū)域站和水文站的ART_1 km降水和觀測降水的均方根誤差(RMSE)隨著降水增強而增大(圖5c)，在降水不分級時，RMSE 約為2.0 mm；小時降水≥50 mm時，RMSE 最大，接近31.0 mm。平均值誤差(ME)可反映ART_1 km 降水的高估或低估，圖5d 表明在降水不分級時，兩類獨立站的ME 幾乎為0；但在降水較弱時(小時降水<5 mm)，ME 略大于0，說明ART_1 km 降水略有高估；在小時降水≥5 mm 時，ME 小于0；當(dāng)小時降水量≥50 mm時，ME在-26～-24 mm之間，表明隨著降水越強，獨立站的ART_1 km降水的低估越明顯。

圖6對20例暴雨過程中區(qū)域站和水文站的ART_1 km降水與觀測降水的相關(guān)系數(shù)、均方根誤差和平均值誤差進行空間分布特征分析。全省大部分獨立站的ART_1 km 降水和觀測降水的相關(guān)系數(shù)為0.5～0.9(圖6a、b)，其中珠三角、粵東東部和粵北北部的大部分站點的降水相關(guān)系數(shù)達到0.8、甚至0.9以上；而粵東西部、粵北南部和粵西大部分站點的降水相關(guān)性降低，為0.5～0.8，個別站點的相關(guān)系數(shù)小于0.5。大部分獨立站的均方根誤差為0.1～1.0 mm(圖6c、d)，其中珠三角、粵東東部、粵北北部和粵西的茂名、湛江這些地區(qū)，大部分站點的均方根誤差最小(為0.1～0.5 mm)；但在珠三角以西的江門—陽江沿海和以東的惠州及粵北南部，部分站點的均方根誤差增大至1.0～5.0 mm。此外，全省大部分獨立站的平均值誤差在±0.1 mm 內(nèi)(圖6e、f)，但雷州半島較多站點的平均值誤差為0.1～0.5 mm，表明ART_1 km 降水在該站點稀疏區(qū)域存在高估。

圖6 2019—2022年5—8月廣東省20例暴雨過程中區(qū)域站(a，c，e)和水文站(b，d，f)的ART_1 km降水和觀測降水的相關(guān)系數(shù)(a，b)、均方根誤差(c，d)和平均值誤差(e，f)的空間分布Fig.6 Spatial distribution of(a,b)correlation coefficient,(c,d)root mean square error,and(e,f)mean error between ART_1 km precipitation products and observational precipitation at non-uploaded regional stations(a,c,e)and hydrometric stations(b,d,f)from the 20 cases in this study

將廣東省劃分為0.25°×0.25°網(wǎng)格，統(tǒng)計每個網(wǎng)格內(nèi)上傳制作ART_1 km 降水產(chǎn)品的非獨立站點數(shù)，網(wǎng)格內(nèi)站點數(shù)從1～29個不等，網(wǎng)格內(nèi)有20個及以上站作為高密度網(wǎng)格，10～20 個站作為中密度網(wǎng)格，10 個以下作為低密度網(wǎng)格。其中，高密度區(qū)往往也是強降水易發(fā)區(qū)，以珠三角為代表；中密度區(qū)主要在珠三角部分區(qū)域及粵東東部。從不同站點密度區(qū)的降水評估結(jié)果來看（圖略），各項檢驗指標(biāo)表現(xiàn)為：高密度區(qū)>中密度區(qū)>低密度區(qū)，其中高密度區(qū)的ART_1 km降水的TS 評分大于0.64，和觀測降水的相關(guān)系數(shù)大于0.8。這表明，區(qū)域的站點越密集，則上傳制作ART_1 km 降水產(chǎn)品的站點觀測越多，該區(qū)域的ART_1 km降水產(chǎn)品的質(zhì)量也越高。

表2—4列出了20例暴雨過程中區(qū)域站和水文站等兩類獨立站的ART_1 km降水和觀測降水的相關(guān)系數(shù)、均方根誤差和平均值誤差的不同范圍在各等級降水中的站點占比。表2表明，在降水不分級時，60%～63%的獨立站的降水相關(guān)系數(shù)≥0.8，約98%的獨立站相關(guān)系數(shù)≥0.5。降水分級后，在相關(guān)系數(shù)≥0.5、≥0.8、≥0.9 和≥0.99 這些范圍內(nèi)，可以看到隨著降水增大，站點占比總體增大，說明ART_1 km 降水和觀測降水的相關(guān)性隨著降水增大而增大。當(dāng)小時降水<20 mm，大部分獨立站的相關(guān)系數(shù)<0.5；當(dāng)小時降水≥20 mm，42%～56%的站點的降水相關(guān)系數(shù)≥0.5，且30%～32%的站點相關(guān)性≥0.99，表明在強降水情形下ART_1 km降水和觀測降水的相關(guān)性增大。

表2 廣東ART_1 km降水與觀測降水的不同小時降水等級的相關(guān)系數(shù)(COR)在≥0.99、≥0.9、≥0.8、≥0.5和<0.5范圍下的站點占比(PCOR)Table 2 Station ratios of different precipitation classifications in different correlation efficient ranges of ≥0.99,≥0.9,≥0.8,≥0.5,and<0.5 between ART_1 km products and observations

表3 表明，降水不分級時，超出90%的獨立站的ART_1 km降水和觀測降水的均方根誤差為[1.0,5.0)mm。降水分級后，當(dāng)小時降水<10 mm，66%～96%的站點的均方根誤差為[1.0,5.0)mm；當(dāng)小時降水為[10,20)mm，77%～82%的站點的均方根誤差為[5.0,10.0) mm；當(dāng)小時降水≥20 mm，75%～86%的站點的均方根誤差≥10.0 mm。此外，從均方根誤差≥10.0 mm的站點占比來看，區(qū)域站和水文站的站點占比隨降水增強而增大，尤其當(dāng)小時降水≥20 mm，兩類獨立站的站點占比都超出75%，說明隨著降水增強，獨立站的ART_1 km降水和觀測降水的均方根誤差增大。

表3 廣東ART_1 km降水與觀測降水的不同小時降水等級的均方根誤差(RMSE)在≤1.0、[1.0,5.0)、[5.0,10.0)和≥10.0 mm范圍下的站點占比(PRMSE)Table 3 Station ratios of different precipitation classifications in different root mean square error ranges of ≤1.0,[1.0,5.0),[5.0,10.0)and ≥10.0 mm between ART_1 km products and observations

表4 表明，降水不分級時，約65%的區(qū)域站和約70%的水文站的ART_1 km降水和觀測降水的平均值誤差在±0.1 mm 內(nèi)。降水分級后，當(dāng)小時降水<5 mm，68%～83%的站點的平均值誤差在±0.5 mm 內(nèi)，且70%～99%的站點的平均值誤差≥0 mm，即大部分站點的平均值誤差在[0.0,0.5]mm范圍內(nèi)；當(dāng)小時降水≥20 mm，94%以上的站點的平均值誤差<0 mm；當(dāng)小時降水≥50 mm，接近81%的站點的平均值誤差在-10 mm以下，即此時ART_1 km降水總體弱于實際觀測10 mm以上。實際上，從平均值誤差≥0、<0的站點占比來看，當(dāng)小時降水≥5 mm時，73%以上的站點的平均值誤差小于0，說明ART_1 km降水低估較明顯。

3 極值站點降水準(zhǔn)確性評估

表5 和表6 分別統(tǒng)計了每例暴雨過程中ART_1 km 降水與觀測降水偏差最大的區(qū)域站和水文站。兩類獨立站在每例暴雨過程中降水偏差最大的站點并不相同，每個站的偏差值大小也不同，這可能是由于每例過程的降水強度和落區(qū)不同導(dǎo)致的，也說明ART_1 km降水的表現(xiàn)存在站點差異。

表5 廣東省20例暴雨過程中ART_1 km降水與觀測降水偏差最大的區(qū)域站及其降水信息Table 5 Non-uploaded regional meteorological stations with the maximum deviation between ART_1 km products and observations in each rainstorm case

表6 廣東省20例暴雨過程中ART_1 km降水與觀測降水偏差最大的水文站及其降水信息Table 6 Hydrometric stations with the maximum deviation between ART_1 km products and observations in each rainstorm case

區(qū)域站(表5)的最大降水偏差達到106.7 mm，發(fā)生在2020 年5 月22 日03 時的G1970 站點，此時該站觀測降水為0 mm，ART_1 km 降水在該站該時次的表現(xiàn)存在嚴(yán)重高估。但從20例暴雨過程的統(tǒng)計來看，15例的區(qū)域站存在低估，其中最大低估值為101.9 mm，發(fā)生在2019 年5 月27 日05 時的G2187 站點，此時該站觀測降水為141.6 mm，ART_1 km降水為39.7 mm。水文站(表6)的最大降水偏差達到108.9 mm，發(fā)生在2022年5月11日03時的站點81701270，此時該站觀測降水為128.5 mm，ART_1 km 降水為19.6 mm，后者明顯低估。此外，表6呈現(xiàn)出14例的水文站存在低估。

然而，表5 和表6 的統(tǒng)計是針對每例暴雨過程中降水偏差最大的時刻，對于整個暴雨過程中是否存在較多的低估時次不確定。為了進一步檢驗ART_1 km降水產(chǎn)品在整個暴雨過程中的表現(xiàn)，圖7a 給出了表5中低估最明顯的區(qū)域站G2187 在2019 年5 月23 日08時—30 日22 時暴雨過程的觀測降水和ART_1 km 降水及二者偏差的時間演變，發(fā)現(xiàn)該站ART_1 km 降水在該過程的顯著降水時期(如5月26日05時—27日05時和29 日04 時—16 時)表現(xiàn)為明顯低估。但總體來看，G2187 的ART_1 km 降水仍然成功再現(xiàn)了降水的發(fā)生發(fā)展過程和強弱演變趨勢。圖7b 則給出了表6中低估最明顯的水文站81701270在2022年5月10日06 時—14 日08 時暴雨過程的降水演變，發(fā)現(xiàn)該站的ART_1 km降水峰值的發(fā)生時間比觀測降水峰值的發(fā)生時間滯后了1 h，從而導(dǎo)致了ART_1 km降水的嚴(yán)重低估，但在后續(xù)過程中，ART_1 km降水產(chǎn)品仍較好地再現(xiàn)了降水的強弱變化。圖7c、d則分別是20例暴雨過程中小時觀測降水最大的區(qū)域站和水文站的降水演變，其中區(qū)域站的最大小時降水為167.8 mm，發(fā)生在2020 年5 月22 日03 時的G9502 站，水文站的最大小時降水為149.0 mm，發(fā)生在2022 年5 月11 月06 時的81720610 站。從圖7c、d 可見，在小時降水最大的過程中，ART_1 km降水低估仍然明顯，但也再現(xiàn)了觀測降水的發(fā)展趨勢。

圖7 區(qū)域站G2187在2019年5月23日08時—30日22時(a)、水文站81701270在2022年5月10日06時—14日08時(b)、區(qū)域站G9502在2020年5月20日11時—22日13時(c)、和水文站81720610在2022年5月10日06時—14日08時(d)的觀測降水、ART_1 km降水及二者偏差的時間演變Fig.7 Temporal variations of observed precipitation(O,black solid lines),ART_1 km precipitation(G,gray solid lines),and their deviation(G-O,dashed lines)(a)at the non-uploaded regional station G2187 from 08∶00 BT May 23 to 22∶00 BT May 30,2019,(b)at the hydrometric station 81701270 from 06∶00 BT May 10 to 08∶00 BT May 14,2022,(c)at the non-uploaded regional station G9502 from 11∶00 BT May 20 to 13∶00 BT May 22,2020,and(d)at the hydrometric station 81720610 from 06∶00 BT 10 May to 08∶00 BT May 14,2022,respectively

總體對比了每例暴雨過程中降水低估顯著的獨立站的觀測降水和ART_1 km 降水的演變，發(fā)現(xiàn)不少獨立站的ART_1 km降水峰值的發(fā)生相比觀測降水峰值的發(fā)生提前或滯后1～2 h，但也存在不少獨立站的ART_1 km 降水峰值并未發(fā)生提前或滯后的情形，其ART_1 km降水仍弱于觀測降水。

4 結(jié)論與討論

本文選取廣東省2019—2022年5—8月的20例致災(zāi)暴雨過程，以未上傳融合制作ART_1 km 降水產(chǎn)品的區(qū)域站和水文站等兩類獨立站的觀測降水資料作為“真值”，對ART_1 km 降水產(chǎn)品在暴雨過程中的準(zhǔn)確性進行量化評估。主要結(jié)論如下：

(1)ART_1 km降水產(chǎn)品較好地再現(xiàn)了廣東省暴雨過程的降水落區(qū)、強度和變化趨勢，在反映大范圍的降水分布上具有很大優(yōu)勢，但對于站點較稀疏的地區(qū)如雷州半島，ART_1 km 降水產(chǎn)品呈現(xiàn)的降水范圍和強度相比實測略大，在反映小范圍局地分散性降水上仍存在不足。此外，ART_1 km 降水產(chǎn)品也能夠較好地反映無降水的情形。

(2)ART_1 km 降水和觀測降水在珠三角、粵東東部和粵北北部的相關(guān)系數(shù)最大(≥0.8)、均方根誤差最小(0.1～0.5 mm)；而粵東西部、粵北南部和粵西的降水相關(guān)性降低，均方根誤差增大。全省大部分獨立站的ART_1 km 降水和觀測降水的平均值誤差在±0.1 mm內(nèi)，但雷州半島總體表現(xiàn)為降水略有高估。

(3)降水越強，獨立站的ART_1 km 降水和觀測降水的相關(guān)性越高，但均方根誤差和平均值誤差也越大。降水不分級時，全省約60%的獨立站的ART_1 km降水和觀測降水的相關(guān)系數(shù)≥0.8，超90%的獨立站的均方根誤差在[1.0,5.0)mm范圍內(nèi)，超60%的獨立站的平均值誤差在±0.1 mm 內(nèi)。降水分級后，當(dāng)小時降水較弱時(<5 mm)，全省大部分獨立站的相關(guān)系數(shù)<0.5、均方根誤差在[1.0,5.0) mm 范圍內(nèi)、平均值誤差在[0.0,0.5]mm范圍內(nèi)；當(dāng)小時降水很強時(≥20 mm)，全省42%～56%的獨立站的相關(guān)系數(shù)≥0.5，大部分獨立站的均方根誤差≥10 mm、平均值誤差<0 mm，且當(dāng)小時降水≥50 mm，平均值誤差<-10 mm。

(4)隨著降水增強，ART_1 km 降水產(chǎn)品總體表現(xiàn)為低估。20 例暴雨過程中，區(qū)域站的ART_1 km 降水最大低估值達101.9 mm，水文站達108.9 mm。分析低估最明顯及降水最強的站點在相應(yīng)暴雨過程中的降水演變發(fā)現(xiàn)，ART_1 km 降水在強降水發(fā)生時存在明顯低估，甚至其峰值降水的時間相比觀測提前或滯后1～2 h，但仍較好地反映了整個過程降水的發(fā)生消亡和強弱演變趨勢。

獨立站ART_1 km降水與觀測降水的偏差與這些站點的觀測資料未融合制作降水產(chǎn)品密切相關(guān)。由于ART_1 km降水產(chǎn)品是由每個格點附近的站點觀測資料融合分析得到，因此ART_1 km 降水低估情況的出現(xiàn)可能與獨立站周圍的降水分布不均勻性有關(guān)。站點分布也存在不均勻性，站點越密集的區(qū)域，融合制作ART_1 km 降水產(chǎn)品的觀測資料就越多，產(chǎn)品的準(zhǔn)確性越高。但如果獨立站周圍參與融合制作的實況站點太少，則可能導(dǎo)致ART_1 km 降水的低估。因此，若有更多的獨立站觀測融入制作ART_1 km 降水產(chǎn)品，有助于進一步提升該產(chǎn)品的準(zhǔn)確性。