img

官方微信

遥感技术与应用, 2019, 34(5): 1121-1132 doi: 10.11873/j.issn.1004-0323.2019.5.1121

降水遥感观测专栏

GSMaP遥感降水产品对典型极端降水事件监测能力评估

高玥,1, 徐慧,1, 刘国2

1. 河海大学 水文水资源学院,江苏 南京 210098

2. 河海大学 地球科学与工程学院,江苏 南京 211100

Evaluation of the GSMaP Estimates on Monitoring Extreme Precipitation Events

Gao Yue,1, Xu Hui,1, Liu Guo2

1. College of Hydrology and Water Resources, Hohai University, Nanjing 210098, China

2. School of Earth Sciences and Engineering, Hohai University, Nanjing 211100, China

通讯作者: 徐慧(1969-),女,江苏大丰人,博士,副教授,主要从事水文水资源以及生态环境方面的研究。E⁃mail: njxh@hhu.edu.cn

收稿日期: 2018-12-19   修回日期: 2019-08-28   网络出版日期: 2019-11-28

基金资助: 国家重点研发计划项目.  2016YFC0401502
江苏水利科技项目.  2017045

Received: 2018-12-19   Revised: 2019-08-28   Online: 2019-11-28

作者简介 About authors

高玥(1994-),女,吉林长春人,硕士研究生,主要从事遥感水文以及水生态领域方面的研究E⁃mail:gaoyue@hhu.edu.cn , E-mail:gaoyue@hhu.edu.cn

摘要

针对2017年6月下旬至7月上旬期间湖南省出现的持续强降水过程,采用遥感降水误差标定体系和遥感降水误差分解模型方法,综合标定了GSMaP_NRT、GSMaP_MVK和GSMaP_Gauge等3套遥感降水产品的数据精度,具体分析了各数据产品总体误差的组成结构及各项独立误差成分(命中误差、漏测误差、误报误差)的变化特征,并重点讨论了3套遥感降水产品针对大雨及以上级别强降水事件的监测能力,结果表明:①3套降水产品都能基本捕捉到此次强降水过程的空间分布特征,也能够较为准确地描绘出不同强弱降水阶段的交替过程;②总体上看,GSMaP_Gauge产品表现最好,3套遥感降水产品在复杂地形地区内精度都相对更差。在误差组成结构中,命中误差占总误差比重最大;③对于大雨及以上级别的强降水事件,GSMaP_Gauge产品表现出最佳监测效果,相比两套未校正数据产品,GSMaP_Gauge产品对于漏测误差的改善效果十分显著,其能更有效地监测到强降水事件。对比IMERG产品,GSMaP产品在强降水事件中的表现整体上都要优于同级别的IMERG产品。本文为验证极端降水事件中遥感降水产品的精度提供了范例,并可以为遥感降水反演算法的进一步改进提供建议。

关键词: 湖南 ; 强降水 ; 误差标定 ; 误差分解 ; GSMaP

Abstract

Heavy rainfall attacked Hunan province during late June to early July in 2017, causing various secondary disasters and severe financial losses. Here, three GSMaP (Global Satellite Mapping of Precipitation) datasets (i.e., GSMaP_NRT, GSMaP_MVK and GSMaP_Gauge) were investigated based on several statistical metrics and the error decomposition model, in an effort to analyze their error structure and variation characteristics, assess the capability of GSMaP products for monitoring heavy rain events. Results show that: (1) All datasets can well capture the spatial distribution and temporal characteristics of the heavy rainfall. (2) Due to the interference of orographic convection, all three datasets show uncertainties over mountainous regions. In the error structure, hit bias contributes most to the total error. (3) GSMaP_Gauge performs best for monitoring extremely heavy rainfall, missed error has a significant decrease after applying the gauge adjustments. Compared to IMERG products, GSMaP products shows much higher accuracy in monitoring heavy rainfall. We expected the results documented here can provide feedback for further improving the GSMaP retrieving algorithm and strengthening data quality during heavy rainfall periods.

Keywords: Hunan ; Heavy rainfall ; Data calibration ; Error decomposition ; GSMaP

PDF (10252KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

高玥, 徐慧, 刘国. GSMaP遥感降水产品对典型极端降水事件监测能力评估. 遥感技术与应用[J], 2019, 34(5): 1121-1132 doi:10.11873/j.issn.1004-0323.2019.5.1121

Gao Yue, Xu Hui, Liu Guo. Evaluation of the GSMaP Estimates on Monitoring Extreme Precipitation Events. Remote Sensing Technology and Application[J], 2019, 34(5): 1121-1132 doi:10.11873/j.issn.1004-0323.2019.5.1121

1 引 言

政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)第5次报告指出近百年来全球整体气温升高了0.85 ℃,在全球变暖的大背景下,干旱、洪涝灾害等极端气候灾害问题也日益严重[1]。不断变化的气候会导致极端天气和气候事件在频率、强度、空间范围、持续时间上的变化,尤其是对于极端降水事件,其变化对社会经济发展、生态系统安全和人类生活生产等都会产生巨大影响[2]。因此,如何准确监测极端降水事件,科学认知极端降水事件的演变特征具有重大的实际意义,也是当前气候变化研究领域内的重要研究内容[3,4]

近年来,融合星载被动微波、红外、星载降水雷达等多种传感器数据源的新一代多卫星遥感反演降水技术已经逐渐成为人们快速获取高质量、高时空分辨率、高覆盖范围降水资料的一种可靠手段,特别是对于无缺资料地区降水信息的获取,遥感降水技术的出现有效地弥补了传统地面观测方式中存在的站点分布不均的缺点[5,6]。新一代多卫星遥感反演降水技术的出现和发展为大尺度水文气象研究提供了新的契机,遥感降水数据在极端降水研究领域具备很广泛的应用潜力,国内外学者也对此展开了诸多试验性研究[7,8,9,10,11,12,13,14,15,16,17,18,19]

随着GPM(Global Precipitation Measurement)主卫星的成功发射,多卫星遥感反演降水由TRMM(Tropical Rainfall Measuring Mission)时代正式跨入GPM时代[20,21]。由日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency, JAXA)负责研发的GSMaP(Global Satellite Mapping of Precipitation)是GPM时代下最为主流的算法之一[22,23],由于最新引入了GPM核心观测平台下的GMI(GPM Microwave Imager)和DPR(Dual-frequency Precipitation Radar)传感器数据,JAXA对反演算法进行了进一步的改进和调校,并于2017年1月17日正式发布了最新版本(V7)的数据产品,不过目前还鲜有针对此版本数据质量的验证评估研究,针对其监测极端降水能力方面的研究更是缺乏。因此,标定最新版本GSMaP数据在极端降水事件中的误差成分,综合评估验证GSMaP的数据精度具有一定的实际价值,不仅可以为算法的进一步改进提供建议,也可以为遥感降水数据未来进一步应用到长时间序列的极端气候变化研究提供一定的科学参考和理论支持。

以2017年6月16日00时至7月15日23时间湖南省发生的典型极端降水事件为例,重点评估了最新版本GSMaP的3套不同产品:GSMaP_NRT[24]、GSMaP_MVK[25]、GSMaP_Gauge[26]对极端降水事件的监测能力。

2 研究区概况

湖南省地处中国中南部、长江中游南部,西接重庆、贵州,东临江西,南毗广东、广西,北连湖北[27]。湖南省内地貌类型多样,东、南、西三面环山,中部丘岗起伏,北部湖盆平原展开,呈现出朝东北开口的不对称马蹄形地形。境内地表水资源十分丰富,河网密布,流长5 km以上的河流5 341条,总长度9万km,可划分为湘江流域、沅江流域、资水流域、澧水流域和洞庭湖流域等五大流域[28]图1(b))。

图1

图1   研究区地理概况

Fig.1   Geography survey of the study area


自2017年6月22日以来,湖南省普降大到暴雨,部分地区大暴雨,°′全省平均降雨量达到197.3 mm。2017年6月30日14时,湘江、资水、沅江3条干流及洞庭湖区共计有24个水位站超过了警戒水位,沿岸多处发生了管涌、河岸滑坡险情[29]。至2017年7月2日,全省大部分地区的持续强降雨过程开始逐渐减弱。据湖南省防汛抗旱指挥部统计:暴雨过程造成了湖南省14个市州,117个县、市、区,一共1 196个乡镇的403.07万群众受灾,紧急转移人口31.13万人,农作物受灾面积23.83万hm2,倒塌房屋5 141间,直接经济损失达60.14亿元。

3 数据和方法

3.1 研究数据

3.1.1 GSMaP数据

GSMaP使用低轨卫星观测提供的微波数据集[30,31,32]和地球同步卫星观测提供的可见光/红外数据集作为反演算法输入源,主要采用了云移动矢量法[33]和卡尔曼滤波方法[25,34]对源数据进行处理,生产了3种不同的遥感降水数据产品:GSMaP_NRT、GSMaP_MVK、GSMaP_Gauge,其中近实时数据产品GSMaP_NRT处理过程中采用的是前向云矢量运动方案,而标准产品GSMaP_MVK采用了双向(前向和后向)云矢量运动方案,GSMaP_Gauge则是基于GSMaP_MVK与CPC(Climate Prediction Center)全球地面雨量站观测资料的校正版本。3套产品的时空分辨率均为1 h和0.1°×0.1°。

3.1.2 地面基准数据

采用中国气象局气象数据中心(http://data.cma.cn)提供的中国自动站与CMORPH降水产品融合的逐时降水量网格数据集(CMAGRD)作为地面基准数据,其数据来源于中国大陆范围内的3万多个自动气象站(研究区内站点密度分布如图1(a)的实时观测资料和美国海洋大气局(National Oceanic and Atmospheric Administration, NOAA)研发的全球30 min、8 km分辨率的CMORPH卫星反演降水产品,采用概率密度匹配算法(PDF)和最优插值算法(OI)相结合的两步融合方案,最终生产出覆盖中国大陆的0.1°×0.1°逐时降水网格产品。通常,网格内雨量观测站点数量越多,则网格降水值越准确。经实验验证,数据集的总体误差水平控制在10%以内,数据质量优于国际同类型产品[35,36]。综合考虑在保证地面基准数据误差较小的同时,又确保一定的样本量,只选取至少包含一个观测站点的网格参与误差分区统计计算。

3.2 研究方法
3.2.1 遥感降水误差评估体系

利用Yong等[37]提出的多卫星遥感降水误差评估体系定量标定遥感降水产品的精度,其主要包括如下定量指标(表1):相关系数(Correlation Coefficient, CC),它可以表征遥感降水产品与地面观测资料之间的线性相关程度,其值介于-1~1之间;均方根误差(Root Mean Squared Error, RMSE),它可以很好地反映出观测的精密度,其值越小,表示观测精度越高;平均误差ME(Mean Error, ME)和相对偏差(relative bias, BIAS),它们主要描述的是遥感降水产品的整体偏差情况。上述指标反映的都是遥感降水产品与地面观测资料在数量上的一致性。方法中还包括3个分类指标:命中率(Probability Of Detection, POD)、误报率(False Alarm Ratio, FAR)和关键成功指数(Critical Success Index, CSI),可以综合反映遥感降水产品对降水事件发生概率的估测能力。

表1   遥感降水误差标定体系各项评价指标定义

Table 1  List of the statistical metrics used for validating GSMaP products

评价指标计算方法量纲最优值
相关系数(CC)CC=i=1nGi-G¯Si-S¯i=1nGi-G¯2×i=1nSi-S¯21
均方根误差(RMSE)RMSE=1n×i=1nSi-Gi2mm0
平均误差(ME)ME=1ni=1nSi-Gimm0
相对偏差(BIAS)BIAS=i=1nSi-Gii=1nGi×100%%0
命中率(POD)POD=HH+M1
误报率(FAR)FAR=FH+F0
关键成功指数(CSI)CSI=HH+M+F1

注:n:样本数量;Si:遥感降水产品数据记录;Gi:地面观测资料数据记录;S¯:遥感降水产品数据记录平均值;G¯:地面观测资料数据记录平均值;H:命中降水事件次数;M:漏测降水事件次数;F:误报降水事件次数

新窗口打开| 下载CSV


3.2.2 遥感降水误差分解模型

Tian等[38]建立了一种简单有效的误差分解模型用于解析遥感降水产品的误差成分,其将降水事件分为3种类型:命中事件、漏测事件和误报事件。具体来说,若以Si代表遥感降水产品数据记录,Gi代表地面观测资料数据记录,threshold代表判断降水事件是否真实发生的阈值,命中事件指遥感降水产品和地面站点降水资料同时有效记录的降水事件,即Sithreshold,Githreshold;漏测事件指遥感降水产品未有效记录但地面站点降水资料记录到的降水事件,即Si<threshold,Githreshold;误报事件指遥感降水产品中有效记录但未被地面站点降水资料记录的降水事件,即Sithreshold,Gi<threshold。依据降水事件的不同,可以进一步将遥感降水产品总误差(Total)分解为3种独立的误差成分:命中误差(Hit),漏测误差(Miss)和误报误差(False),总误差与各项独立误差成分间的关系可以简单表述为:

Total=Hit-Miss+False

其中:各项误差成分可以通过如下公式进行计算:

Hit=i=1nSi-Gi

其中:n代表样本数量,Si≥threshold,Gi≥threshold。

Miss=i=1nSi-Gi

其中:n代表样本数量,Si≥threshold,Gi≥threshold。

False=i=1nSi-Gi

其中:n代表样本数量,Si≥threshold,Gi≥threshold。

选取Yong等[39]提出的误差相对贡献率指标来综合描述3种不同误差成分对于总体误差的贡献率。

4 结果与讨论

4.1 降水总量

3套GSMaP产品都一定程度捕捉到了此次强降水过程的空间分布特征:在洞庭湖流域、湘江下游流域和资水下游流域内降水总量最大,澧水流域内降水总量最小(图2)。相对于地面观测,两套遥感降水产品在实际降水较少的澧水流域及湘江流域中部都存在明显的高估现象,而对降水密集地区总体又呈现出低估,尤其是在沅江、资水以及湘江上游等流域,地面观测资料记录了超过450 mm的降水量,但GSMaP_NRT及GSMaP_MVK两套产品在该区域内都明显低估,经过地面站点降水资料校正的GSMaP_Gauge产品则较好地捕捉到了该区域的降水特征。

图2

图2   累计降水量空间分布(2017年6月16日至7月15日)

Fig.2   Spatial distributions of rainfall accumulation (from June 16, 2017 to July 15, 2017)


分别统计各流域内平均降水量(图3),可以看出,资水流域平均降水量最高,沅江流域次之,湘江流域与洞庭湖流域的平均降水量比较接近,澧水流域平均降水量最小。在除沅江流域外的其余4个流域,遥感降水产品的统计结果都要高于地面观测,尤其是在总降水量较小的澧水流域,高估达到了近30%。总体上看,GSMaP_MVK和GSMaP_Gauge两套产品在各个流域内高估更为显著,而近实时产品GSMaP_NRT却反而更加接近于地面观测,这是因为在整体统计流域降水量时,流域内部高估地区与低估地区会相互中和。从图2中可以看出,相比于其他两套产品,GSMaP_NRT产品在沅江、资水、湘江上游等降水密集区内低估尤为显著,这在很大程度地拉低了流域整体平均降水量,使其反而更加接近于地面观测资料的统计结果。

图3

图3   各流域平均累计降水量

(2017年6月16日至7月15日)

Fig.3   Mean Rainfall Accumulations for Different Basins

(From June 16, 2017 to July 15, 2017)


4.2 降水过程特征

分析暴雨期间逐日降水变化过程(图4),总体上,此次暴雨事件主要包含了两个强降雨阶段,分别从第7日到第9日(6月22日至24日)和从第14日到第16日(6月29日至7月1日),第一阶段五大流域内平均降水峰值达33.91 mm/d,第二阶段达49.71 mm/d。分流域来看,湘江流域从第5日(6月20日)开始持续保持10 mm/d以上的降水,并呈现逐渐增加的趋势,降水峰值出现在第16日(7月1日),达63.22 mm/d,随后日降水量便锐减至5 mm之内,在第22日至第25日(7月7日至10日)流域内再次出现明显降水过程,持续时间较长,但强度始终维持在10 mm/d以下;资水流域、沅江流域和洞庭湖流域内降水过程较为类似,在第7日至第9日(6月22日至24日)出现了第一次明显强降水过程,日降水峰值分别达到了50.83 mm/d、50.84 mm/d和90.52 mm/d,随后回落,在第14日至第16日(6月29日至7月1日)再次出现明显强降水过程,强度与第一次降水过程相近;澧水流域内并未经历长时间的强降水阶段,只出现了两次历时较短的强降水过程,分别是第8日(6月23日)和第23日(7月8日),日降水量分别为50.96 mm和30.15 mm。

图4

图4   各流域逐日降水量变化折线图

Fig.4   Temporal variations in daily precipitation for different basins


3套遥感降水产品与地面观测资料在降水过程时间序列形态上基本吻合,都能较好地反映暴雨事件期间的不同强弱降水阶段,准确地捕捉降水峰值出现的节点。但总体上,遥感降水产品对强降水过程都表现出一定程度的高估,例如湘江流域、资水流域和洞庭湖流域在第14日到第16日(6月29日至7月1日)出现的强降雨过程及澧水流域在第23日(7月8日)和第29日(7月14日)发生的两次短时强降水过程,GSMaP_NRT和GSMaP_MVK两套产品对此高估显著,而GSMaP_Gauge产品整体表现相对更好,与地面观测结果更加接近,这表明在遥感降水反演算法中引入地面站点降水资料后,一定程度修正了遥感降水产品的整体偏差,有效地改善了数据质量。

4.3 遥感降水产品误差分析

4.3.1 小时尺度

选用CC、ME、BIAS和RMSE等评价指标来综合描述遥感降水产品在原始小时尺度下的误差情况(图5),对于CC指标,GSMaP_Gauge产品的表现最好,在流域内大部分地区都达到了0.6以上,而GSMaP_NRT产品表现最差。从空间分布上,在流域南部南岭山区及西北部武陵山区,3套遥感降水产品与地面观测间的相关性较弱,这是因为遥感降水反演算法易受复杂地形影响,从而导致了产品精度的下降。GSMaP_Gauge产品因为经过了地面站点降水资料的校正,其相关性相比其他两套产品有所提升,但是由于在山区内同样缺乏充足的可靠地面观测资料,所以校正效果也很有限。前人研究结果曾表明:遥感降水反演算法在内陆水体范围内存在异常现象[40,41],从CC的分布可以看出,与周边区域相比,在洞庭湖水域内遥感降水产品与地面观测间的相关性更弱,这与前人的研究结果十分吻合。ME与BIAS指标方面,在地面实际降水总量较小的地区,两种指标都呈现出明显高估,ME达到0.15 mm/h以上,BIAS高达50%以上。此外,RMSE指标在流域中北部出现了1条明显的高值分布带,与图2中累计降水量较大地区的区位基本一致,在该范围内3套遥感降水产品的RMSE都达到了1.8 mm/h以上。在研究区东南部及西北部山区,GSMaP_Gauge产品的均方根误差被有效降低,这也说明GSMaP地面校正算法有效地增强了遥感降水产品在山地地形下的收敛性,减缓了误差的波动。

图5

图5   GSMaP产品各项评价指标(CC、ME、BIAS和RMSE)空间分布

Fig.5   Spatial distributions of statistical indices (CC、ME、BIAS & RMSE) derived from GSMaP products vs. Observations at hourly scale


进一步分解GSMaP产品的误差成分结构(如图6),结果表明,3套遥感降水产品的总误差空间分布与其命中误差分布形态最为类似,这表明命中误差对总误差的贡献最大,3套遥感降水产品的主要误差都是来自于命中降水事件。GSMaP_NRT产品与GSMaP_MVK产品的漏测误差空间分布形态与特征较为相似,而GSMaP_Gauge产品的漏测误差更小,相比两者提升明显。3套遥感降水产品的误报误差分布特征较为接近,但值得注意的是,GSMaP_Gauge产品在累计降水量较大的沅江、资水上游部分地区内的误报误差明显高于其他两套产品,而另一方面,在该地区内GSMaP_Gauge产品的总误差也明显低于其他两套产品,这是因为在该地区内正向的误报误差抵消了大部分负向的命中误差和漏测误差,反而造成了总误差很小的假象,这也侧面反映出使用误差分解方法能够更加准确地剖析出遥感降水产品的误差特征。

图6

图6   GSMaP各产品总误差及各误差成分空间分布

Fig.6   Spatial Distributions of Total Error and Error Components for GSMaP Products


4.3.2 日尺度

根据中国气象局规定:24 h内降雨量超过25.0 mm即称为大雨,接下来重点讨论GSMaP降水产品在日尺度下针对大雨及以上级别强降水事件的监测能力。图7为各套遥感降水产品与地面观测资料的所有有效降水事件(日降水量>1 mm)标准散点,由图可见,GSMaP_Gauge产品与地面观测资料间的相关性最好,收敛度也更高,其散点聚集簇分布形态相比其余两套产品更接近于1∶1对角线,CC达到0.83,而RMSE为13.53 mm。对于ME和BIAS这两个偏差指标,GSMaP_NRT产品的表现最好,而GSMaP_Gauge产品表现反而最差。从散点的分布形态可以看出,GSMaP_NRT产品相比其他两套产品拥有更多位于1∶1对角线以下的散点,即低估降水,且这种低估现象主要集中于0~25 mm范围内的降水事件,这一定程度上拉低了GSMaP_NRT产品的总体偏差。对于POD、FAR、CSI等分类指标,GSMaP_Gauge产品的表现均为最佳,POD达到0.86,CSI达到0.62。GSMaP_MVK产品表现次之,GSMaP_NRT产品表现最差。

图7

图7   GSMaP各产品与地面观测散点图

Fig.7   Scatter plots of GSMaP products vs. observations on daily scale


重点分析在大雨及以上级别强降水事件中3套不同遥感降水产品的表现情况(表2)。总体看来,GSMaP_Gauge产品在几乎所有评价指标上都具有更好的表现,除了两项表示偏差的指标(ME和Bias),GSMaP_MVK产品在偏差方面的表现相对更好,ME为-0.29 mm/d,Bias只有-0.57%,从图7中GSMaP_MVK产品的散点分布形态可以看出,对于日降水量超过25 mm的强降水事件,GSMaP_MVK产品的散点几乎沿着1∶1对角线对称分布,偏差得以正负相消,使其ME和Bias相比另外两套产品更低。此外,3套遥感降水产品对强降水事件的命中能力都较好,POD都达到近70%以上,其中GSMaP_Gauge产品达到了85%。近实时产品GSMaP_NRT在各项评价指标上都相对表现更差,其对大雨及以上级别强降水事件的监测能力有限。

表2   大雨及以上级别强降水事件中GSMaP各套产品评价指标值

Table 2  Statistical Summary of the Comparison between GSMaP Products and Observations in torrential rainfall events

遥感降水产品相关系数

平均误差

/mm

均方根误差

/mm

相对偏差

/%

命中率误报率关键成功指数
GSMaP_NRT0.49-3.9535.85-7.840.690.300.53
GSMaP_MVK0.58-0.2934.63-0.570.750.260.59
GSMaP_Gauge0.60-2.4931.08-4.830.850.240.67
IMERG-Early0.473.8538.427.800.760.310.56
IMERG-Late0.533.8836.447.620.790.270.61
IMERG-Final0.598.5434.2117.690.850.310.61

新窗口打开| 下载CSV


IMERG(Integrated Multi-satellitE Retrievals for GPM)是目前关注度最高的遥感降水产品。根据数据源和处理算法上的差异,IMERG产品可以细分为IMERG-Early、IMERG-Late和IMERG-Final 3种不同的产品,其中IMERG-Early和IMERG-Late为准实时产品,IMERG-Final为经过地面站点降水资料校准的后处理产品[16,42,43]。对比GSMaP产品与IMERG产品在强降水事件中的表现,结果表明GSMaP产品的数据质量整体上要优于同级别的IMERG产品,3套IMERG产品都表现出很明显的高估,尤其是校正版本IMERG-Final。

依据遥感降水误差分解模型理论,进一步解析在大雨及以上级别强降水事件中各套遥感降水产品的误差结构(表3)。在大雨及以上级别强降水事件中,3套GSMaP产品的命中误差均表现为负向,其中GSMaP_Gauge产品命中误差相对贡献率达到-10.66%,GSMaP_MVK产品命中误差相对贡献率为-2.59%。对于未经地面站点校正的两套产品GSMaP_NRT和GSMaP_MVK,漏测误差和误报误差对数据整体偏差的贡献都较高,而漏测误差和误报误差相互抵消,反而一定程度降低了数据产品的整体偏差。GSMaP_Gauge产品中引入地面站点资料校正后有效地降低了数据产品的误报误差和漏测误差,对于漏测误差的改善效果尤为显著,其漏测误差相对贡献率仅为-3.92%,这也反映出了GSMaP_ Gauge产品相比两套未校正产品能够更有效地监测到大雨及以上级别强降水事件。对于3套IMERG产品,误报误差在总体偏差中都占据了很大比重,而同时它们的命中误差均表现为正向,所以导致了IMERG产品对于强降水事件的严重高估。

表3   大雨及以上级别强降水事件中GSMaP各套产品误差成分相对贡献率

Table 3  Relative Bias Ratio for the error components of GSMaP Products in torrential rainfall events

遥感降水产品

相对偏差

/%

偏差相对贡献率/%
命中漏测误报
GSMaP_NRT-7.84-8.57-12.5913.32
GSMaP_MVK-0.57-2.59-8.9310.94
GSMaP_Gauge-4.83-10.66-3.929.74
IMERG-Early7.801.63-9.6015.77
IMERG-Late7.622.69-7.7612.69
IMERG-Final17.696.24-4.8016.25

新窗口打开| 下载CSV


5 结 语

针对2017年6月下旬至7月上旬期间湖南省发生的持续强降水过程,采用遥感降水误差标定体系和遥感降水误差分解模型方法,综合标定了GSMaP_NRT、GSMaP_MVK和GSMaP_Gauge 3套遥感降水产品的数据精度,分析了各套降水产品的误差成分组成结构及其变化特征,并重点讨论了3套GSMaP降水产品针对大雨及以上级别强降水事件的监测能力,主要结论如下:

(1)3套GSMaP降水产品都在一定程度上捕捉到了此次强降水过程的空间分布特征,与地面观测资料相比,遥感降水产品在实际降水较少的地区内存在明显的高估现象,而对于降水密集地区整体又呈现出低估的态势。此外,遥感降水产品能够准确地描述此次持续降水事件中不同强弱降水阶段的变化过程,并且有效地捕捉到每次降水峰值出现的时间节点,但遥感降水产品对于降水峰值总体上都趋向于高估。

(2)总体上,遥感降水产品与地面观测资料间的一致性较高,其中GSMaP_Gauge产品表现最好。由于遥感降水反演算法易受复杂地形的影响,在研究区南部南岭山区及西北部武陵山区内数据产品精度较差,而GSMaP_Gauge产品因为在生产过程中引入了地面站点资料校正,有效地增强了数据产品在复杂地形下的收敛性,减缓了误差的波动。解析遥感降水产品的不同误差成分,结果表明命中误差占总误差比重最大,对于漏测误差,GSMaP_Gauge产品表现最佳。使用误差分解方法能够更加准确地剖析出遥感降水产品的误差特征。

(3)对于大雨及以上级别的强降水事件,GSMaP_Gauge产品表现出了最佳监测效果,在除两个偏差类指标(ME与BIAS)外的所有评价指标上都具有更好的表现。GSMaP_MVK产品的漏测误差和误报误差对数据整体偏差的贡献率较为接近,两者相互抵消,拉低了数据的整体偏差,使得GSMaP_MVK产品在偏差方面的表现反而最好。在大雨及以上级别强降水事件中,相比两套未校正的数据产品,GSMaP_Gauge产品对于漏测误差的改善效果十分显著,其能更有效地监测到大雨及以上级别的强降水事件。GSMaP产品在强降水事件中的表现整体上都要优于同级别的IMERG产品。

参考文献

IPCC.

Climate Change 2014: Synthesis Report

Contribution of Working Groups I, II and III to The Fifth Assessment Report of the Intergovernmental Panel on Climate Change

[M]. GenevaSwitzerland, 2014.

[本文引用: 1]

IPCC.

Managing The Risks of Extreme Events and Disasters to Advance Climate Change Adaptation

A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change

[M]. New York: Cambridge University Press, 2012.

[本文引用: 1]

Ren Guoyu, Feng Guolin, Yan Zhongwei.

Progresses in Observation Studies of Climate Extremes and Changes in Mainland China

[J]. Climatic and Environmental Research, 2010, 15(4):337-353.

任国玉, 封国林, 严中伟

中国极端气候变化观测研究回顾与展望

[J]. 气候与环境研究, 2010, 15(4):337-353.

[本文引用: 1]

Zhai Panmao, Wang Zhiwei, Zou Xukai.

The Change of Extreme Climate Events in the Whole Country and Major River Basin Climate Change and Water Resources

[M]. Beijing: China Meteorological Press, 200791-112.

翟盘茂, 王志伟, 邹旭恺

全国及主要流域极端气候事件变化

气候变化与中国水资源

[M], 北京: 气象出版社, 200791-112.

[本文引用: 1]

Guo Ruifang, Liu Yuanbo.

Multi-satellite Retrieval of High Resolution Precipitation: An Overview

[J]. Advances in Earth Science, 2015, 30(8):891-903.

郭瑞芳, 刘元波

多传感器联合反演高分辨率降水方法综述

[J]. 地球科学进展, 2015, 30(8):891-903.

[本文引用: 1]

Liu Yuanbo, Fu Qiaoni, Song Ping, et al.

Satellite Retrieval of Precipitation: An Overview

[J]. Advance in Earth Science, 2011, 26(11):1162-1172.

刘元波

傅巧妮, 宋平, .

卫星遥感反演降水研究综述

[J]. 地球科学进展, 2011, 26(11):1162-1172.

[本文引用: 1]

Omranian E, Sharif H O.

Evaluation of The Global Precipitation Measurement (GPM) Satellite Rainfall Products over The Lower Colorado River Basin, Texas

[J]. Journal of the American Water Resources Association, 2018, 54(D2):882-998.

[本文引用: 1]

Yi W, Reid I M, Xue X H, et al.

High and Middle Latitude Neutral Mesospheric Density Response to Geomagnetic Storms

[J]. Geophysical Research Letters, 2018, 45(1):436-444.

[本文引用: 1]

Chen S, Hu J J, Zhang A, et al.

Performance of Near Real-time Global Satellite Mapping of Precipitation Estimates during Heavy Precipitation Events over Northern China

[J]. Theoretical & Applied Climatology, 2018, 6:1-15.

[本文引用: 1]

Maggioni V, Massari C.

On the Performance of Satellite Precipitation Products in Riverine Flood Modeling: A Review

[J]. Journal of Hydrology, 2018, 558:214-224.

[本文引用: 1]

Tang Guoqiang, Long Di, Wan Wei, et al.

An Overview and Outlook of Global Water Remote Sensing Technology and Applications

[J]. Scientia Sinica Technologica, 2015, 45(10):1013-1023.

唐国强

龙笛, 万玮, .

全球水遥感技术及其应用研究的综述与展望

[J]. 中国科学:技术科学, 2015, 45(10):1013-1023.

[本文引用: 1]

Prat O, Nelson B.

Evaluation of Extreme Precipitation Derived from Long-term Global Satellite Quantitative Precipitation Estimates (QPEs)

[C]// EGU General Assembly Conference. EGU General Assembly Conference Abstracts, 2017.

[本文引用: 1]

Scofield R A, Kuligowski R J.

Satellite Precipitation Algorithms for Extreme Precipitation Events

[M]∥Measuring Precipitation From Space. Springer Netherlands, 2007:485-495.

[本文引用: 1]

Tian Y D, Peterslidard C D, Adler R F, et al.

Evaluation of GSMaP Precipitation Estimates over the Contiguous United States

[J]. Journal of Hydrometeorology, 2010, 11(2):566-574.

[本文引用: 1]

Huang Y, Chen S, Cao Q, et al.

Evaluation of Version-7 TRMM Multi-satellite Precipitation Analysis Product during the Beijing Extreme Heavy Rainfall Event of 21 July 2012

[J]. Water, 2014, 6(1):32-44.

[本文引用: 1]

Chen Xiaohong, Zhong Ruida, Wang Zhaoli, et al.

Evaluation on the Accuracy and Hydrological Performance of The Latest-generation GPM IMERG Product over South China

[J]. Journal of Hydraulic Engineering, 2017, 48(10):1147-1156.

陈晓宏

钟睿达, 王兆礼, .

新一代GPM IMERG卫星遥感降水数据在中国南方地区的精度及水文效用评估

[J]. 水利学报, 2017, 48(10):1147-1156.

[本文引用: 2]

He Zhihua.

Research on Hydrological Modeling in High Mountain Basins

[D]. Beijing: Tsinghua University, 2015.

贺志华

高山流域降水径流过程机理及模拟研究

[D]. 北京: 清华大学, 2015.

[本文引用: 1]

Li Zhe.

Multi-Source Precipitation Observations and Fusion for Hydrological Applications in the Yangtze River Basin

[D]. Beijing: Tsinghua University, 2015.

李哲

多源降雨观测与融合及其在长江流域的水文应用

[D]. 北京: 清华大学, 2015.

[本文引用: 1]

Jiang Shanhu, Ren Liliang, Yong Bin, et al.

Hydrological Evaluation of the TRMM Multi-satellite Precipitation Estimates over the Mishui Basin

[J]. Advances in Water Science, 2014, 25(5):641-649.

江善虎

任立良, 雍斌, .

TRMM卫星降水数据在洣水流域径流模拟中的应用

[J]. 水科学进展, 2014, 25(5):641-649.

[本文引用: 1]

Tang Guoqiang, Wan Wei, Zeng Ziyue, et al.

An Overview of the Global Precipitation Measurement (GPM) Mission and It’s Latest Development

[J]. Remote Sensing Technology and Application, 2015, 30(4):607-615.

唐国强

万玮, 曾子悦, .

全球降水测量(GPM)计划及其最新进展综述

[J]. 遥感技术与应用, 2015, 30(4):607-615.

[本文引用: 1]

Tang G Q, Zeng Z Y, Long D, et al.

Statistical and Hydrological Comparisons between TRMM and GPM Level-3 Products over A Midlatitude Basin: Is Day-1 IMERG A Good Successor for TMPA 3B42V7?

[J]. Journal of Hydrometeorology, 2015, 17:121-137.

[本文引用: 1]

Okamoto K, Ushio T, Iguchi T, et al.

The Global Satellite Mapping of Precipitation (GSMaP) Project

[C]∥ Geoscience and Remote Sensing Symposium, IEEE International Geoscience and Remote Sensing Symposium Proceedings, 2005:3414-3416.

[本文引用: 1]

Kachi M, Kubota T, Aonashi K, et al.

Recent Improvements in The Global Satellite Mapping of Precipitation (GSMaP)

[C]∥ IEEE Geoscience and Remote Sensing Symposium, 2014:3762-3765.

[本文引用: 1]

Tsujimoto K, Ohta T, Koike T.

Validation of Satellite Precipitation Product GSMaP/NRT with Ground Rain Gauges in Cambodia

[J]. Glycobiology, 2003, 13(10):693-706.

[本文引用: 1]

Ushio T, Kachi M.

Kalman Filtering Applications for Global Satellite Mapping of Precipitation (GSMaP)

[C]∥ Satellite Rainfall Applications for Surface Hydrology. Springer Netherlands, 2010:105-123.

[本文引用: 2]

Mega T, Ushio T, Kubota T, et al.

Gauge Adjusted Global Satellite Mapping of Precipitation (GSMaP_Gauge)

[C]∥ IEEE General Assembly and Scientific Symposium, 2014:1-4.

[本文引用: 1]

Zhou Wenbin.

Moderately Unbalanced Development - Exploration of Regional Economic Layout in Hunan

[J]. Journal of Changsha University of Science and Technology (Social Science), 1990(1):187-189.

周文斌

适度非均衡发展——湖南区域经济布局探索

[J]. 长沙理工大学学报(社会科学版), 1990(1):187-189.

[本文引用: 1]

Liu Dongrun, Liu Shenbai, Zhang Zaifeng.

Analysis on The Current Situation and Sustainable Utilization of Water Resources in Hunan

[C]// China Society for Hydropower Engineering, Hydrologic and Sediment Committee. 2003.

[本文引用: 1]

刘东润, 刘慎柏, 张在峰.

湖南省水资源现状与可持续利用对策分析(会议)// 中国水力发电工程学会水文泥沙专业委员会学术讨论会

2003.

[本文引用: 1]

Shi Sha, Yang Jin, Hu Jun.

The Flood Fighting! The Central Enterprises Are Coming

[J]. China State-Owned Enterprise Management, 2017(15):67-67.

史莎, 杨进, 胡俊

抗洪! 央企来了

[J]. 国企管理, 2017(15):67-67.

[本文引用: 1]

Kida S, Shige S, Kubota T, et al.

Improvement of Rain/No-Rain Classification Methods for Microwave Radiometer Observations over the Ocean Using a 37 GHz Emission Signature

[J]. Journal of The Meteorological Society of Japan, 2009, 87:165-181.

[本文引用: 1]

Yamamoto M K, Shige S.

Implementation of An Orographic/Nonorographic Rainfall Classification Scheme in The GSMaP Algorithm for Microwave Radiometers

[J]. Atmospheric Research, 2015, 163:36-47.

[本文引用: 1]

Takahashi N, Awaka J.

Introduction of A Melting Layer Model to A Rain Retrieval Algorithm for Microwave Radiometers

[C]// IEEE International Geoscience and Remote Sensing Symposium, 2005:3404-3409.

[本文引用: 1]

Ushio T.

On the Use of Split Window Data in Deriving the Cloud Motion Vector for Filling the Gap of Passive Microwave Rainfall Estimation

[J]. Sola, 2007, 3(623):1-4.

[本文引用: 1]

Ushio T, Sasashige K, Kubota T, et al.

A Kalman Filter Approach to the Global Satellite Mapping of Precipitation (GSMaP) from Combined Passive Microwave and Infrared Radiometric Data

[J]. Journal of The Meteorological Society of Japan, 2009, 87A(3):137-151.

[本文引用: 1]

Shen Y, Zhao P, Pan Y, et al.

A High Spatio-temporal Gauge-satellite Merged Precipitation Analysis over China

[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(6):3063-3075.

[本文引用: 1]

Shen Yan, Pan Yang, Yu Jingjing, et al.

Quality Assessment of Hourly Merged Precipitation Product over China

[J]. Transactions of Atmospheric Sciences, 2013, 36(1):37-46.

沈艳

潘旸, 宇婧婧, .

中国区域小时降水量融合产品的质量评估

[J]. 大气科学学报, 2013, 36(1):37-46.

[本文引用: 1]

Yong B, Ren L L, Hong Y, et al.

Hydrologic Evaluation of Multisatellite Precipitation Analysis Standard Precipitation Products in Basins beyond Its Inclined Latitude Band: A Case Study in Laohahe Basin, China

[J]. Water Resources Research, 2010, 46(7):759-768.

[本文引用: 1]

Tian Y D, Peters-Lidard C D, Eylander J B, et al.

Component Analysis of Errors in Satellite-basd Precipitation Estimates

[J]. Journal of Geophysical Research: Atmospheres, 2009, 114(D24).doi:10.1029/2009JD011949.

[本文引用: 1]

Yong B, Chen B, Tian Y D, et al.

Error-component Analysis of TRMM-based Multi-satellite Precipitation Estimates over Mainland China

[J]. Remote Sensing, 2016, 8(5):440.doi:10.3390/rs8050440.

[本文引用: 1]

Tian Y D, Peters-lidard C D.

Systematic Anomalies over Inland Water Bodies in Satellite-based Precipitation Estimates

[J]. Geophysical Research Letters, 2007, 34(14): L14403.

[本文引用: 1]

Tang G Q, Long D, Hong Y.

Systematic Anomalies over Inland Water Bodies of High Mountain Asia in TRMM Precipitation Estimates: No Longer A Problem for the GPM Era?

[C]// Agu Fall Meeting. AGU Fall Meeting Abstracts, 2016.

[本文引用: 1]

Huffman G J, Bolvin D T, Nelkin E J.

Integrated Multi-Satellite Retrievals for GPM (IMERG) Technical Documentation

[EB/OL]. , 2018.

URL     [本文引用: 1]

Huffman G J, Bolvin D T, Braithwaite D, et al.

NASA Global Precipitation Measurement Integrated Multi-satellite Retrievals for GPM (IMERG)

,Algorithm Theoretical Basis Doc,Version5.

2

[EB/OL]. , 2018.

URL     [本文引用: 1]

/