GSMaP遥感降水产品对典型极端降水事件监测能力评估
1.
2.
Evaluation of the GSMaP Estimates on Monitoring Extreme Precipitation Events
1.
2.
通讯作者:
收稿日期: 2018-12-19 修回日期: 2019-08-28
基金资助: |
|
Received: 2018-12-19 Revised: 2019-08-28
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:
关键词:
Keywords:
本文引用格式
高玥, 徐慧, 刘国.
Gao Yue, Xu Hui, Liu Guo.
1 引 言
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。
2 研究区概况
图1
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[30-32]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(
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
评价指标 | 计算方法 | 量纲 | 最优值 |
---|---|---|---|
相关系数(CC) | - | 1 | |
均方根误差(RMSE) | mm | 0 | |
平均误差(ME) | mm | 0 | |
相对偏差(BIAS) | % | 0 | |
命中率(POD) | - | 1 | |
误报率(FAR) | - | 0 | |
关键成功指数(CSI) | - | 1 |
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
其中:各项误差成分可以通过如下公式进行计算:
其中:n代表样本数量,Si≥threshold,Gi≥threshold。
其中:n代表样本数量,Si≥threshold,Gi≥threshold。
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
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_NRT | 0.49 | -3.95 | 35.85 | -7.84 | 0.69 | 0.30 | 0.53 |
GSMaP_MVK | 0.58 | -0.29 | 34.63 | -0.57 | 0.75 | 0.26 | 0.59 |
GSMaP_Gauge | 0.60 | -2.49 | 31.08 | -4.83 | 0.85 | 0.24 | 0.67 |
IMERG-Early | 0.47 | 3.85 | 38.42 | 7.80 | 0.76 | 0.31 | 0.56 |
IMERG-Late | 0.53 | 3.88 | 36.44 | 7.62 | 0.79 | 0.27 | 0.61 |
IMERG-Final | 0.59 | 8.54 | 34.21 | 17.69 | 0.85 | 0.31 | 0.61 |
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
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 | -12.59 | 13.32 |
GSMaP_MVK | -0.57 | -2.59 | -8.93 | 10.94 |
GSMaP_Gauge | -4.83 | -10.66 | -3.92 | 9.74 |
IMERG-Early | 7.80 | 1.63 | -9.60 | 15.77 |
IMERG-Late | 7.62 | 2.69 | -7.76 | 12.69 |
IMERG-Final | 17.69 | 6.24 | -4.80 | 16.25 |
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
Contribution of Working Groups I, II and III to The Fifth Assessment Report of the Intergovernmental Panel on Climate Change
[M].
A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change
[M].
Progresses in Observation Studies of Climate Extremes and Changes in Mainland China
[J]. ,
中国极端气候变化观测研究回顾与展望
[J]. ,
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],
Multi-satellite Retrieval of High Resolution Precipitation: An Overview
[J]. ,
多传感器联合反演高分辨率降水方法综述
[J]. ,
Satellite Retrieval of Precipitation: An Overview
[J]. ,
卫星遥感反演降水研究综述
[J]. ,
Evaluation of The Global Precipitation Measurement (GPM) Satellite Rainfall Products over The Lower Colorado River Basin, Texas
[J]. ,
High and Middle Latitude Neutral Mesospheric Density Response to Geomagnetic Storms
[J]. ,
Performance of Near Real-time Global Satellite Mapping of Precipitation Estimates during Heavy Precipitation Events over Northern China
[J]. ,
On the Performance of Satellite Precipitation Products in Riverine Flood Modeling: A Review
[J]. ,
An Overview and Outlook of Global Water Remote Sensing Technology and Applications
[J]. ,
全球水遥感技术及其应用研究的综述与展望
[J]. ,
Evaluation of Extreme Precipitation Derived from Long-term Global Satellite Quantitative Precipitation Estimates (QPEs)
[C]//
Satellite Precipitation Algorithms for Extreme Precipitation Events
[M]∥. Springer Netherlands,
Evaluation of GSMaP Precipitation Estimates over the Contiguous United States
[J]. ,
Evaluation of Version-7 TRMM Multi-satellite Precipitation Analysis Product during the Beijing Extreme Heavy Rainfall Event of 21 July 2012
[J]. ,
Evaluation on the Accuracy and Hydrological Performance of The Latest-generation GPM IMERG Product over South China
[J]. ,
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]. ,
Research on Hydrological Modeling in High Mountain Basins
[D].
高山流域降水径流过程机理及模拟研究
[D].
Multi-Source Precipitation Observations and Fusion for Hydrological Applications in the Yangtze River Basin
[D].
多源降雨观测与融合及其在长江流域的水文应用
[D].
Hydrological Evaluation of the TRMM Multi-satellite Precipitation Estimates over the Mishui Basin
[J]. ,
TRMM卫星降水数据在洣水流域径流模拟中的应用
[J]. ,
An Overview of the Global Precipitation Measurement (GPM) Mission and It’s Latest Development
[J]. ,
全球降水测量(GPM)计划及其最新进展综述
[J]. ,
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]. ,
The Global Satellite Mapping of Precipitation (GSMaP) Project
[C]∥
Recent Improvements in The Global Satellite Mapping of Precipitation (GSMaP)
[C]∥
Validation of Satellite Precipitation Product GSMaP/NRT with Ground Rain Gauges in Cambodia
[J]. ,
Kalman Filtering Applications for Global Satellite Mapping of Precipitation (GSMaP)
[C]∥
Gauge Adjusted Global Satellite Mapping of Precipitation (GSMaP_Gauge)
[C]∥
Moderately Unbalanced Development - Exploration of Regional Economic Layout in Hunan
[J]. ,
适度非均衡发展——湖南区域经济布局探索
[J]. ,
Analysis on The Current Situation and Sustainable Utilization of Water Resources in Hunan
[C]//
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
The Flood Fighting! The Central Enterprises Are Coming
[J]. ,
抗洪! 央企来了
[J]. ,
Improvement of Rain/No-Rain Classification Methods for Microwave Radiometer Observations over the Ocean Using a 37 GHz Emission Signature
[J]. ,
Implementation of An Orographic/Nonorographic Rainfall Classification Scheme in The GSMaP Algorithm for Microwave Radiometers
[J]. ,
Introduction of A Melting Layer Model to A Rain Retrieval Algorithm for Microwave Radiometers
[C]//
On the Use of Split Window Data in Deriving the Cloud Motion Vector for Filling the Gap of Passive Microwave Rainfall Estimation
[J]. ,
A Kalman Filter Approach to the Global Satellite Mapping of Precipitation (GSMaP) from Combined Passive Microwave and Infrared Radiometric Data
[J]. ,
A High Spatio-temporal Gauge-satellite Merged Precipitation Analysis over China
[J]. ,
Quality Assessment of Hourly Merged Precipitation Product over China
[J]. ,
中国区域小时降水量融合产品的质量评估
[J]. ,
Hydrologic Evaluation of Multisatellite Precipitation Analysis Standard Precipitation Products in Basins beyond Its Inclined Latitude Band: A Case Study in Laohahe Basin, China
[J]. ,
Component Analysis of Errors in Satellite-basd Precipitation Estimates
[J]. ,
Error-component Analysis of TRMM-based Multi-satellite Precipitation Estimates over Mainland China
[J]. ,
Systematic Anomalies over Inland Water Bodies in Satellite-based Precipitation Estimates
[J]. ,
Systematic Anomalies over Inland Water Bodies of High Mountain Asia in TRMM Precipitation Estimates: No Longer A Problem for the GPM Era?
[C]//
Integrated Multi-Satellite Retrievals for GPM (IMERG) Technical Documentation
[EB/OL]. ,
/
〈 | 〉 |