Analysis of the monitoring ability of high-resolution satellites for the "21·7" heavy rain in Henan
-
摘要: 2021年7月20日河南中北部突降暴雨,造成至少302人遇难,这类极端降水事件会对社会经济发展和人类生产、生活造成较大的影响,因此,准确监测这类暴雨事件至关重要。采用定性和定量方法综合评定了主流的10种高分辨率卫星降水产品(CMORPH-Raw、CMORPH-RT、PERSIANN-CCS、GPM IMERG-Early、GPM IMERG-Late、GSMaP-Now、GSMaP-NRT、FY-2F、FY-2G和FY-2H)在本次极端暴雨事件中的适用性,并分析了这10种产品对不同级别降水的监测能力。结果表明,这10种卫星降水产品均可以较为准确地再现出暴雨中心位于河南中北部的空间分布特征,但是所有卫星降水产品均较大程度低估了暴雨中心的降水量。随着降水等级的升高,各类卫星降水产品的命中率下降,TS评分降低,误报率升高。CMORPH-RT 对于暴雨量的捕捉能力强于CMORPH-Raw,且对暴雨过程的捕捉能力也更强;GPM IMERG-Late的准确度较GPM IMERG-Early有较大提高;相比于GSMaP-Now降水产品,GSMaP-NRT的准确度较高;PERSIANN-CCS和FY-2F的效果较差,不能捕捉此次极端暴雨事件。对本次暴雨事件而言,CMORPH-RT的效果最好,可以准确捕捉暴雨中心而且量值也与观测最为接近;融合红外和被动微波信息的卫星降水效果优于仅使用红外信息的降水产品,而且卫星反演算法和融合被动微波数据的多少对卫星降水的准确度有较大影响。Abstract: On 20 July 2021, an abrupt rainstorm occurred in central and northern Henan province, China and killed at least 302 people. Such kind of extreme precipitation events have great impacts on social and economic development and human lives. Therefore, accurate monitoring of such rainstorm events is crucial. Qualitative and quantitative methods are used to comprehensively evaluate 10 high-resolution satellite precipitation products (CMORPH-Raw, CMORPH-RT, PERSIANN-CCS, GPM IMERG-Early, GPM IMERG-Late, GSMaP-Now, GSMaP-NRT, FY-2F, FY-2G and FY-2H) of this extreme rainstorm event, and the ability of these 10 products to represent different levels of precipitation are also analyzed. The results show that these 10 satellite precipitation products can capture spatial distribution characteristics of the rainstorm that is located in central and northern Henan, but all satellite precipitation products underestimate the precipitation value at the rainstorm center. As the precipitation level increases, the hit rate and the TS score decrease, and the false alarm rate increases. CMORPH-RT has a better ability to capture the rainstorm than CMORPH-Raw, and shows the ability to capture rainstorm process. GPM IMERG-Late is more accurate than GPM IMERG-Early. Compared to GSMAP-Now, the performance of GSMAP-NRT enhances. PERSIANN-CCS and FY-2F show a poor performance and cannot capture this extreme rainstorm event. Among them, CMORPH-RT has the best performance, since it accurately captures the rainstorm center and magnitude that are the closest to observations. In general, satellite precipitation products that integrate infrared and passive microwave information are better than the products that only use infrared information. The satellite precipitation retrieval algorithm and the amount of passive microwave data have a great impact on the accuracy of satellite precipitation products.
-
Keywords:
- Heavy rain /
- CMORPH /
- FY /
- GPM /
- PERSIANN
-
1. 引 言
2021年7月20日河南中北部出现大暴雨,20日16—17时(北京时,下同)郑州市区降水量高达201.9 mm,据河南省防汛救灾新闻发布会第10场报道,截至8月2日12时暴雨已造成302人遇难,50人失踪。同时,政府间气候变化专门委员会第六次报告指出,随着气候变化,未来极端降雨事件将变得更加频繁,强台风将增多,复合极端天气事件将越来越频繁(IPCC,2021),极端降水事件会对社会经济发展和人类生产、生活造成较大的影响,因此,如何准确监测极端降水事件至关重要。
近年来,基于星载红外和被动微波估算降水技术有了较快的发展,其算法也在不断改进(Kidd,et al,2011;Zhao,et al,2018;Tang,et al,2020)。卫星降水产品通过反演微波、红外信息获得全球实时高分辨率降水数据,该数据具有空间连续性能够有效弥补观测数据空间分布不均等问题 (Abdourahamane,2021)。目前,比较流行的卫星数据主要有CMORPH (CPC MORPHing technique) (Joyce,et al,2004)、GPM IMERG (Integrated Multi-satellite Retrievals for Global Precipitation Measurement) (Sorooshian,et al,2011)、PERSIANN (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Cloud Classification System) (Hong,et al,2004)、TMPA (Tropical Rainfall Measurement Mission (TRMM) Multisatellite Precipitation Analysis) (Huffman,et al,2007) 和GSMaP (Global Satellite Mapping of Precipitation) (Okamoto,et al,2005)等。中外学者评估了卫星降水产品在不同区域和不同时间尺度的表现,发现卫星降水产品的精度与地区和时间尺度有关(Zhou,et al,2008;Zeng,et al,2018)。Li等(2012)研究了TRMM、CMORPH和PERSIANN在长江流域的准确度,结果发现在日尺度上CMORPH的效果最好。Wang等(2016)分析了CMORPH、PERSIANN和TRMM在舟曲泥石流事件中的适用性,发现PERSIANN有较大误差。何爽爽等(2018)分析了逐时GPM IMERG、CMORPH和PERSIANN对2017年6月18日门头沟地区强降水事件的捕捉能力,结果发现PERSIANN的效果较差,CMORPH的效果较好。李麒崙等(2018)从日、月尺度上分析了GPM IMERG和TRMM在中国的准确度,结果发现GPM IMERG的效果较好。高玥等(2019)分析了GSMaP_NRT、GSMaP_MVK和GSMaP_Gauge在2017年6月下旬至7月上旬湖南省的持续强降水过程中的适用性,发现GSMaP_Gauge (经过站点校正) 的效果最好。张磊磊等(2021)分析了TMPA、TRMM RT、CMORPH 和PERSIANN在黄河源区的适用性,发现在日尺度上,PERSIANN数据的精度最低、TMPA的精度最高。目前,有一些关于卫星降水产品对降水和极端降水的捕捉能力的研究(Gourley,et al,2011; Huang,et al,2014;Wang,et al,2017;Jiang, et al,2018),但是各种卫星降水产品在暴雨捕捉中均存在不确定性,这种不确定性随着降水等级和区域等因素的改变而改变。此次河南暴雨位于中高纬度且河南的地形较为复杂,同时这次暴雨事件的降水量较大,河南部分地区突破有气象观测记录以来历史极值,各类卫星降水产品对此次河南特大暴雨事件的监测能力还需要进一步研究。因此,本研究以2021年7月20日河南极端暴雨为例,评估了时、空分辨率较高、实时性较好的CMORPH-Raw、CMORPH-RT、PERSIANN-CCS、GPM IMERG-Early、GPM IMERG-Late、GSMaP-Now、GSMaP-NRT、FY-2F、FY-2G和FY-2H十套卫星降水产品在本次事件中的适用性,并简要分析现卫星降水产品对暴雨的捕捉能力。通过分析各卫星降水产品在不同时间尺度中对暴雨捕捉的表现,以期为极端降水监测和卫星降水产品改善提供一定参考。
2. 数据与方法
本研究使用了中国国家级气象站降水和10套卫星降水产品(表1)。国家级气象站降水来自中国气象数据网,空间分布不均匀,站间距约为50 km,时间分辨率为1 h。CMORPH是由美国国家环境预报中心(NCEP)发布的卫星降水数据,它首先利用微波观测数据反演出降水,然后根据红外图像计算降水云系统的运动矢量,并利用运动矢量信息估计微波反演降水运动变化趋势,以填补微波卫星覆盖不到的地区,数据的时间分辨率为30 min,空间分辨率为8 km,本研究使用原始卫星降水产品(CMORPH-Raw)和实时产品(CMORPH-RT),这两套产品的区别是:CMORPH-Raw产品中被动微波降水特征通过红外数据向前传播过程中没有使用变形方法。PERSIANN-CCS(简称:PERSIANN)由加利福尼亚大学尔湾分校的水文气象遥感中心开发,主要是基于红外亮温图像通过对云特征分类来估计降水量,其空间分辨率约为4 km,时间分辨率为1 h。GPM是继TRMM卫星后新一代的卫星降水数据,文中选择的是基于微波、红外的融合多卫星数据的GPM IMERG-Early (简称:IMERG-Early)和GPM IMERG-Late (简称:IMERG-Late)两套产品,这两套产品的主要区别是:IMERG-Early只采用了云移动矢量传播算法中的前向传播算法,而IMERG-Late在此基础上还增加了后向传播算法,这两套数据的空间分辨率均为0.1°×0.1°,时间分辨率均为30 min。GSMaP是日本宇宙航空研究开发机构开发的,使用了低轨卫星的微波数据和地球静止卫星的红外数据,本研究使用了实时(GSMaP-Now)和近实时(GSMaP-NRT)两套产品,近实时产品使用了更多的被动微波数据,这两套数据空间分辨率均为0.1°×0.1°,实时产品时间分辨率为30 min,近实时产品时间分辨率为1 h。FY-2号系列卫星降水产品是根据中国风云卫星的可见光红外自旋扫描辐射仪探测反演的降水,其中FY-2F、FY-2G和FY-2H分别代表了风云二号F星、G星和H星的卫星产品。这10套卫星降水产品使用了不同的红外遥感和微波探测数据,其中,PERSIANN和FY卫星系列产品的制作只使用了红外遥感数据,但是其用的探测卫星不同;GSMaP-Now在本次事件中没有使用实时被动微波数据;CMORPH-Raw、CMORPH-RT、IMERG-Early、IMERG-Late和GSMaP-NRT降水产品均使用了实时被动微波探测数据。
表 1 各种卫星降水产品的时、空分辨率和探测方法Table 1. Spatial and temporal resolutions and measurement methods of 10 satellite precipitation products卫星降水数据名称 时间分辨率 空间分辨率 产品生成方法 主要数据源 CMORPH-Raw 30 min 8 km 微波反演降水,红外获取
云系统的运动矢量TMI、SSM / I、AMSU-B、AMSR-E、
GEO 系列卫星CMORPH-RT 30 min 8 km 微波反演降水,红外获取
云系统的运动矢量TMI、SSM / I、AMSU-B、AMSR-E、
GEO 系列卫星PERSIANN-CCS 1 h 4 km 建立不同种类云的云顶
红外亮温与降水的关系GEO 系列卫星 IMERG-Early 30 min 0.1° 微波反演降水,红外反演
降水及获取运动信息GMI、DPR、SSM / I、SSMIS、AMSR-E、AMSR2、
AMSU-B、MHS、ATMS、GEO 系列卫星IMERG-Late 30 min 0.1° 微波反演降水,红外反演
降水及获取运动信息GMI、DPR、SSM / I、SSMIS、AMSR-E、AMSR2、
AMSU-B、MHS、ATMS、GEO 系列卫星GSMaP-Now 30 min 0.1° 微波反演降水,红外获取
云系统的运动矢量GMI、AMSR2、AMSU、SSMIS
GEO 系列卫星GSMaP-NRT 1 h 0.1° 微波反演降水,红外获取
云系统的运动矢量GMI、AMSR2、AMSU、SSMIS
GEO 系列卫星FY-2F 1 h 5 km 建立红外亮温与降水关系 FY二号F星 FY-2G 1 h 5 km 建立红外亮温与降水关系 FY二号G星 FY-2H 1 h 5 km 建立红外亮温与降水关系 FY二号H星 为了定量评估降水数据使用了相关系数(CC)和相对误差(Bias),公式如下
CC=n∑i=1(xi−¯x)(yi−¯y)√n∑i=1(xi−¯x)2n∑i=1(yi−¯y)2 (1) Bias=n∑i=1yi−n∑i=1xin∑i=1xi×100% (2) 式中,xi代表第i个格点上气象站降水量,yi代表第i个格点上的卫星降水量,
¯x 和¯y 是x和y的平均值,n为样本数。此外,还采用了命中率(Probability of Detection,POD)、空报率(False Alarm Ratio,FAR)、TS评分 (Threat Score) 和准确率 (ACCURACY) 4个指标对降水产品进行评估,公式如下
POD=NANA+NC (3) FAR=NBNA+NB (4) TS=NANA+NB+NC (5) ACCURACY=NA+NDNA+NB+NC+ND (6) 式中,NA为站点显示有雨,卫星数据也显示有雨;NB为站点显示无雨,卫星数据显示有雨;NC为站点显示有雨,卫星数据显示无雨;ND为站点显示无雨,卫星数据也显示无雨。文中根据中国的降水等级划分标准,对不同等级降水进行评估,当该格点上降雨量大于或等于阈值时计入该阈值的评分(24 h内小雨、中雨、大雨、暴雨和特大暴雨的阈值分别为 0.1、10、25、50和 100 mm)。
3. 降水空间分布特征分析
从2021年7月19日08时—21日07时59分48 h累计降水的空间分布(图1)可以看出,本次暴雨中心位于河南中北部,郑州及其周围地区降水量超过500 mm,属于特大暴雨。10套卫星降水产品均在一定程度上再现了本次降水的空间分布,即降水的大值区位于河南省中北部。从图1可以看出,CMORPH-Raw、CMORPH-RT和IMERG-Late可以准确地再现暴雨中心位置;其他降水产品的降水中心略有偏移,其中IMERG-Early、GSMaP-Now、GSMaP-NRT和FY-2H的暴雨中心位于郑州东部,FY-2F的暴雨中心在郑州的东北部,FY-2G的暴雨中心在郑州的东南部;PERSIANN不能再现暴雨中心。各种卫星降水产品在降水量值上存在较大差异,PERSIANN降水量偏小达不到暴雨级别;其他降水产品降水量均达到了暴雨级别,其中CMORPH-RT 和IMERG-Late的降雨量值与实际降水量最为接近。为了定量评估各种卫星降水精度,使用克雷斯曼(Cressman)插值方法将站点降水数据和双线性插值方法将卫星降水产品统一插值到0.04°×0.04°的网格,计算空间相关系数和相对误差。其中,CMORPH-Raw的空间相关系数最高(0.84),CMORPH-RT的空间相关系数为0.78,IMERG-Early和IMERG-Late的空间相关系数均在0.80以上,GSMaP-NRT的空间相关系数(0.75)远高于GSMaP-Now的空间相关系数(0.42),PERSIANN的空间相关系数为0.54,FY-2F的空间相关系数为0.40,FY-2G的空间相关系数最低为0.37,FY-2H的空间相关系数是FY卫星系列中最高的,为0.46。总的而言,没有使用实时微波数据的降水产品空间再现能力较差。除了IMERG-Late降水产品的相对误差为1.76%外,其他降水产品均存在较大程度的低估。各子图的右上角标出的是在这48 h内,各卫星降水产品使用的实时被动微波遥感数据的覆盖率,从GSMaP-Now和GSMaP-RT的空间分布形式上来看,融合更多实时被动微波数据可以更为准确地再现降水空间分布特征。没有融合被动微波数据的产品PERSIANN和FY卫星系列降水产品效果较差,其他卫星数据产品效果优于这类红外降水产品,说明融合被动遥感卫星数据后卫星降水精度会有较大程度的提高,对于暴雨中心和降水量级的捕捉更加准确,而且CMORPH-RT效果优于CMORPH-Raw、IMERG Late效果优于IMERG Early、GSMaP-RT效果优于GSMaP-Now,说明卫星反演算法和使用微波数据多少对卫星降水产品有较大影响。FY卫星系列中不同卫星的降水产品的准确度也不一样,说明使用的卫星不同其反演的降水产品准确度存在差异。
图 1 2021 年 7 月 19 日 08时—21日07时59分各降水数据资料原始分辨率 48 h 累计降水 (单位:mm;a. 气象站(Obs),b. CMORPH-Raw,c. CMORPH-RT,d. PERSIANN,e. IMERG-Early,f. IMERG-Late,g. GSMaP-Now,h. GSMaP-NRT,i. FY-2F,j. FY-2G,k. FY-2H;其中三角代表郑州,右上角数值表示实时被动微波数据的覆盖率)Figure 1. Accumulated rainfall amounts (unit:mm) with original resolutions of (a) weather station (Obs),(b) CMORPH-Raw,(c) CMORPH-RT,(d) PERSIANN,(e) IMERG-Early,(f) IMERG-Late,(g) GSMaP-Now,(h) GSMaP-NRT,(i) FY-2F,(j) FY-2G,(k) FY-2H from 08:00 BT 19 to 07:59 BT 21 July 2021 (the triangle represents Zhengzhou weather station,the top right values indicate the coverage of the real-time passive microwave data)据中国气象局报道,河南暴雨事件最强降水发生在郑州市的20日16时00—59分。图2是各种降水数据在该时段累计降水的空间分布,各子图的右上角标出了该时刻实时被动微波数据的覆盖率,从图2a中可以看出,郑州小时降水量超过200 mm,郑州以北也存在大范围暴雨区,10套卫星产品均可以再现这一空间分布形式而且其降水大值区也达到了暴雨级别,但是只有CMORPH-Raw和CMORPH-RT可以准确再现暴雨中心的位置,其他降水产品的暴雨中心位于郑州的东北部。所有卫星产品均低估了暴雨中心降水,其中CMORPH-RT在暴雨中心的降水量达40 mm,与实际降水量最为接近,其他卫星产品的降水量存在较大低估。除了河南北部的暴雨区,在河南南部还存在降水次中心,除了GSMaP-Now,其他卫星产品均可以捕捉到这个降水区,但是降水中心位置出现了偏移,其中FY-2F、FY-2G和FY-2H的降水中心位于实际降水的西部,其他降水产品的降水中心位于实际降水的东部。通过分析发现CMORPH-RT的准确度优于CMORPH-Raw,说明卫星数据的处理方法对降水产品有较大的影响;IMERG-Late的准确度优于IMERG-Early,GSMaP-NRT的效果优于GSMaP-Now,而且IMERG-Late和GSMaP-NRT所含实时被动微波数据更多,说明融合更多被动遥感数据可以提高卫星反演降水的准确度。FY-2G和FY-2H的效果明显优于FY-2F,说明使用的卫星不同得到的降水产品之间可能存在较大差异,新的卫星产品总体来说进步比较明显。各种卫星降水产品在20日16时降水量的空间相关系数低于48 h累计降水的空间相关系数,说明卫星降水产品对于暴雨过程的捕捉能力强于对特定时刻暴雨的捕捉能力,其中CMORPH-Raw和CMORPH-RT降水产品的空间相关系数最高(0.53),FY-2F的空间相关系数最低(0.05)。所有的降水产品均存在较大程度的低估(相对偏差为负)。PERSIANN、FY-2F、FY-2G和FY-2H 卫星降水是通过红外传感器获得的,属于间接估算;除了红外遥感数据,CMORPH、GPM IMERG和GSMaP三个系列降水产品还使用了被动微波数据。CMORPH-Raw和CMORPH-RT使用的地球轨道卫星在该时间内覆盖了研究区域,IMERG-Early和IMERG-Late使用的卫星在16时30—59分覆盖了该研究区域,GSMaP-NRT在该时段内也有卫星覆盖,因此这几套数据的效果较好。而GSMaP-Now在该区域最近的微波数据来自于5 h之前,因此精度略有下降;PERSIANN、FY-2F、FY-2G和FY-2H 仅使用了红外遥感数据,因此与其他卫星产品相比效果较差。
图3和4给出了有微波数据和没有微波数据时各卫星降水产品的降水反演能力,各卫星产品与实际降水的空间相关系数和相对误差标注在图中,从图中可以看出,对于融合红外和被动微波数据的卫星降水产品而言,当前时刻有、无被动微波卫星覆盖对产品的效果影响不大。但是,对于不同卫星产品,不管是在有被动微波数据或是没有被动微波数据的情况下,它们之间都存在差异。GSMaP系列卫星降水产品准确度比CMORPH和IMERG系列降水产品的准确度低,说明GSMaP系列卫星降水产品的算法在本次事件中应用效果不好。
为了定量比较卫星降水的表现,将所有降水数据统一插值到0.04°×0.04°的网格上,并采用命中率、空报率、TS评分和准确率等指标进行客观的分析和比较。图5给出了卫星降水产品在20日16时不同等级降水的命中率、空报率、TS评分和准确率。从图中可以看出,命中率和TS评分随着降雨等级的上升而降低,空报率随着降雨等级的上升而增大,说明随着降雨等级的上升卫星降水产品的准确度下降。从命中率上来看,IMERG-Early降水产品的命中率最高,PERSIANN的命中率最低;从空报率上来看,GSMaP-Now的空报率最高,这主要与GSMaP-Now在暴雨区的东部有大范围降水有关,CMORPH-Raw的空报率最低;对于TS评分而言,PERSIANN、GSMaP-Now、FY-2F、FY-2G和FY-2H的结果较差,其他降水产品的效果相似且随着降水等级升高而下降;从准确率上来看,GSMaP-Now的效果较差。总的来说,CMORPH-Raw、CMORPH-RT、IMERG-Early、IMERG-Late和GSMaP-NRT的精度相似且比PERSIANN、GSMaP-NRT、FY-2F、FY-2G和FY-2H的准确度高。
图 5 各个降水产品不同降雨等级下的 (a) 命中率 (POD)、(b) 空报率 (FAR)、(c) TS评分和 (d) 准确率 (ACCURACY) 比较 (所有数据统一插值到 0.04°×0.04°网格)Figure 5. (a) POD (probability of detection),(b) FAR (false alarm ratio),(c) TS (threat score) and (d) ACCURACY for different precipitation levels and various rainfall products (all data are interpolated to 0.04°×0.04° grid)4. 降水的时间序列分析
选用相关系数和相对误差来综合描述各卫星降水小时尺度误差情况。CMORPH-Raw、CMORPH-RT、IMERG-Early和IMERG-Late在河南的中部和东部时间相关系数较高,可以较好地再现这次暴雨事件的时间演变情况;GSMaP-Now、GSMaP-NRT、FY-2G和FY-2H在河南东部和北部的相关较好;PERSIANN和FY-2F在暴雨区的相关较弱,不能再现暴雨区降雨的变化过程。在暴雨区卫星降水产品均呈现较大的负偏差,其中CMORPH-RT和IMERG-Late的负偏差较小;除了PERSIANN和FY-2F,其他卫星降水在河南东部均呈现较大的正偏差(图略)。图6a是10种降水数据在2021年7月19日08时—21日07时59分图1所示区域内的逐时平均降水量的时间序列。从图中可以看出自19日08时起降水呈增加趋势,在20日17时略有下降随后上升,除了PERSIANN的变化幅度较小,其他降水产品均可以再现这一变化特征。所有卫星降水均低估了降水量,其中PERSIANN和FY-2F的降水量较小,不能捕捉这次暴雨事件。从郑州站降水的时间序列(图6b)可以看出,CMORPH-Raw和CMORPH-RT可以较为准确地再现降水的时间演变过程,其他降水产品无法准确再现降水时间演变过程,所有卫星产品均低估了20日16时的特大暴雨。总体而言,CMORPH-Raw、CMORPH-RT、IMERG-Early、IMERG-Late、GSMaP-Now、GSMaP-NRT、FY-2G和FY-2H均在一定程度上再现了大雨区降水的时间演变过程,其中,CMORPH-RT的效果最好。
5. 结论和讨论
针对2021年7月19—20日河南特大暴雨事件,通过定性(降水空间分布、降水时间序列)和定量(降水评价指标)等方法分析了CMORPH-Raw、CMORPH-RT、PERSIANN、IMERG-Early、IMERG-Late、GSMaP-Now、GSMaP-NRT、FY-2F、FY-2G和FY-2H十套卫星降水产品监测极端暴雨的能力,主要结论如下:
(1)本研究较为详细地比较了10种主流卫星降水产品在“21·7”河南极端暴雨事件中的监测能力。研究发现,CMORPH-Raw、CMORPH-RT、PERSIANN、IMERG-Early、IMERG-Late、GSMaP-Now、GSMaP-NRT、FY-2F、FY-2G和FY-2H十套卫星降水产品均在一定程度上再现了本次暴雨事件的空间分布特征,且对累计降水的捕捉能力强于对特定时刻极端暴雨的捕捉能力;只有CMORPH-Raw和CMORPH-RT可以准确地再现20日16时极端暴雨的中心位置;与观测降水相比,10套卫星降水产品均较大程度低估了暴雨中心的降水量,其中CMORPH-RT的降水量与观测降水最为接近。总的来说,CMORPH-RT卫星降水产品在本次事件中表现较好,PERSIANN和FY-2F的效果较差。
(2)这10套卫星降水产品使用了不同的红外遥感和微波探测数据。通过比较发现,仅使用红外遥感数据的PERSIANN和FY卫星系列降水产品不能准确捕捉本次极端暴雨事件,融合红外遥感数据和微波数据的卫星降水产品在捕捉“21·7”河南极端暴雨事件效果优于仅使用红外遥感的卫星产品。红外遥感降水是根据红外和可见光探测到的云顶信息来间接估计地表降水的,具体而言就是建立云顶亮温和降水强度的关系,不能反映云中和云底部的云粒子信息,因此基于红外仪器探测反演的降水数据准确率较低。与红外探测相比,被动微波可以穿过云雨大气探测云中的云粒子和雨粒子,其反演的物理基础好,因此数据的准确率会高于红外反演数据,但是由于陆面辐射背景复杂,因此其反演降水仍存在一定程度的误差。
(3)总的来说,卫星反演算法和融合微波卫星数据的多少均会影响卫星降水产品的精度,且仅增加被动遥感数据卫星降水产品的精度不一定得到改善。使用的卫星不同得到的降水产品精度也存在较大差异。研究发现,主流的融合主动、被动遥感信息的卫星产品对郑州北部的暴雨区的位置和量值捕捉能力较好,说明其对暴雨有一定的监测能力,但是对极端特大暴雨中心如20日16时郑州极端暴雨的监测能力还有待提高。目前高分辨率卫星降水较大程度地低估了本次大暴雨的量值,可以通过增加被动微波数据的时空覆盖、增加卫星扫描半径、改善卫星数据算法和融合不同卫星观测数据等进一步改进卫星降水产品的精度。
(4)目前,主流的卫星降水产品还不能准确捕捉“21·7”河南暴雨事件,现主流的卫星降水产品和算法主要是由国外机构研发的,中国也有很多气象卫星,但是各卫星降水产品之间存在较大差异,虽能看到新的卫星产品有较明显的进步,但可以考虑针对中国卫星数据和中国实际情况发展融合出一套适用于本国的降水产品。
-
图 5 各个降水产品不同降雨等级下的 (a) 命中率 (POD)、(b) 空报率 (FAR)、(c) TS评分和 (d) 准确率 (ACCURACY) 比较 (所有数据统一插值到 0.04°×0.04°网格)
Figure 5. (a) POD (probability of detection),(b) FAR (false alarm ratio),(c) TS (threat score) and (d) ACCURACY for different precipitation levels and various rainfall products (all data are interpolated to 0.04°×0.04° grid)
图 1 2021 年 7 月 19 日 08时—21日07时59分各降水数据资料原始分辨率 48 h 累计降水 (单位:mm;a. 气象站(Obs),b. CMORPH-Raw,c. CMORPH-RT,d. PERSIANN,e. IMERG-Early,f. IMERG-Late,g. GSMaP-Now,h. GSMaP-NRT,i. FY-2F,j. FY-2G,k. FY-2H;其中三角代表郑州,右上角数值表示实时被动微波数据的覆盖率)
Figure 1. Accumulated rainfall amounts (unit:mm) with original resolutions of (a) weather station (Obs),(b) CMORPH-Raw,(c) CMORPH-RT,(d) PERSIANN,(e) IMERG-Early,(f) IMERG-Late,(g) GSMaP-Now,(h) GSMaP-NRT,(i) FY-2F,(j) FY-2G,(k) FY-2H from 08:00 BT 19 to 07:59 BT 21 July 2021 (the triangle represents Zhengzhou weather station,the top right values indicate the coverage of the real-time passive microwave data)
表 1 各种卫星降水产品的时、空分辨率和探测方法
Table 1 Spatial and temporal resolutions and measurement methods of 10 satellite precipitation products
卫星降水数据名称 时间分辨率 空间分辨率 产品生成方法 主要数据源 CMORPH-Raw 30 min 8 km 微波反演降水,红外获取
云系统的运动矢量TMI、SSM / I、AMSU-B、AMSR-E、
GEO 系列卫星CMORPH-RT 30 min 8 km 微波反演降水,红外获取
云系统的运动矢量TMI、SSM / I、AMSU-B、AMSR-E、
GEO 系列卫星PERSIANN-CCS 1 h 4 km 建立不同种类云的云顶
红外亮温与降水的关系GEO 系列卫星 IMERG-Early 30 min 0.1° 微波反演降水,红外反演
降水及获取运动信息GMI、DPR、SSM / I、SSMIS、AMSR-E、AMSR2、
AMSU-B、MHS、ATMS、GEO 系列卫星IMERG-Late 30 min 0.1° 微波反演降水,红外反演
降水及获取运动信息GMI、DPR、SSM / I、SSMIS、AMSR-E、AMSR2、
AMSU-B、MHS、ATMS、GEO 系列卫星GSMaP-Now 30 min 0.1° 微波反演降水,红外获取
云系统的运动矢量GMI、AMSR2、AMSU、SSMIS
GEO 系列卫星GSMaP-NRT 1 h 0.1° 微波反演降水,红外获取
云系统的运动矢量GMI、AMSR2、AMSU、SSMIS
GEO 系列卫星FY-2F 1 h 5 km 建立红外亮温与降水关系 FY二号F星 FY-2G 1 h 5 km 建立红外亮温与降水关系 FY二号G星 FY-2H 1 h 5 km 建立红外亮温与降水关系 FY二号H星 -
高玥,徐慧,刘国. 2019. 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,34(5):1121-1132 Gao Y,Xu H,Liu G. 2019. Evaluation of the GSMaP estimates on monitoring extreme precipitation events. Remote Sens Technol Appl,34(5):1121-1132 (in Chinese)
何爽爽,汪君,王会军. 2018. 基于卫星降水和WRF预报降水的“6.18”门头沟泥石流事件的回报检验研究. 大气科学,42(3):590-606 He S S,Wang J,Wang H J. 2018. Hindcast study of "6.18" Mentougou debris-flow event based on satellite rainfall and WRF forecasted rainfall. Chinese J Atmos Sci,42(3):590-606 (in Chinese)
李麒崙,张万昌,易路等. 2018. GPM与TRMM降水数据在中国大陆的精度评估与对比. 水科学进展,29(3):303-313 DOI: 10.14042/j.cnki.32.1309.2018.03.001 Li Q L,Zhang W C,Yi L,et al. 2018. Accuracy evaluation and comparison of GPM and TRMM precipitation product over Mainland China. Adv Water Sci,29(3):303-313 (in Chinese) DOI: 10.14042/j.cnki.32.1309.2018.03.001
张磊磊,康颖,岳青华等. 2021. 四种卫星降水数据在黄河源区的适用性分析. 人民黄河,43(3):29-33 DOI: 10.3969/j.issn.1000-1379.2021.03.006 Zhang L L,Kang Y,Yue Q H,et al. 2021. Analysis of the applicability of various satellite-based precipitation in the source region of Yellow River. Yellow River,43(3):29-33 (in Chinese) DOI: 10.3969/j.issn.1000-1379.2021.03.006
Abdourahamane Z S. 2021. Evaluation of fine resolution gridded rainfall datasets over a dense network of rain gauges in Niger. Atmos Res,252:105459 DOI: 10.1016/j.atmosres.2021.105459
Gourley J J,Hong Y,Flamig Z L,et al. 2011. Hydrologic evaluation of rainfall estimates from radar,satellite,gauge,and combinations on Ft. Cobb Basin,Oklahoma. J Hydrometeor,12(5):973-988 DOI: 10.1175/2011JHM1287.1
Hong Y,Hsu K L,Sorooshian S,et al. 2004. Precipitation estimation from remotely sensed imagery using an artificial neural network cloud classification system. J Appl Meteor,43(12):1834-1853 DOI: 10.1175/JAM2173.1
Huang Y,Chen S,Cao Q,et al. 2014. Evaluation of version-7 TRMM multi-satellite precipitation analysis product during the Beijing extreme heavy rainfall event of 21 July 2012. Water,6(1):32-44
Huffman G J,Bolvin D T,Nelkin E J,et al. 2007. The TRMM multisatellite precipitation analysis (TMPA):Quasi-global,multiyear,combined-sensor precipitation estimates at fine scales. J Hydrometeor,8(1):38-55 DOI: 10.1175/JHM560.1
IPCC. 2021. Climate Change 2021:The physical science basis∥Lee J Y,Marotzke J,Bala G,et al. Future Global Climate:Scenario-Based Projections and Near-Term Information. Cambridge:Cambridge University Press,1-195
Jiang S H,Liu S Y,Ren L L,et al. 2018. Hydrologic evaluation of six high resolution satellite precipitation products in capturing extreme precipitation and streamflow over a medium-sized basin in China. Water,10(1):25
Joyce R J,Janowiak J E,Arkin P A,et al. 2004. CMORPH:A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. J Hydrometeor,5(3):487-503 DOI: 10.1175/1525-7541(2004)005<0487:CAMTPG>2.0.CO;2
Kidd C,Levizzani V. 2011. Status of satellite precipitation retrievals. Hydrol Earth Syst Sci,15(4):1109-1116 DOI: 10.5194/hess-15-1109-2011
Li Z,Yang D,Hong Y. 2012. The opportunities and challenges:Statistical and hydrological evaluation of high-resolution multisensor blended global precipitation products over the Yangtze River Basin,China∥American Geophysical Union,Fall Meeting 2012. Washington DC,USA:Wiley,H33C-1328
Okamoto K I,Ushio T,Iguchi T,et al. 2005. The Global Satellite Mapping of Precipitation (GSMaP) Project∥Proceedings of 2005 IEEE International Geoscience and Remote Sensing Symposium. Seoul,Korea:IEEE,3414-3416
Sorooshian S,AghaKouchak A,Arkin P,et al. 2011. Advanced concepts on remote sensing of precipitation at multiple scales. Bull Amer Meteor Soc,92(10):1353-1357 DOI: 10.1175/2011BAMS3158.1
Tang G Q,Clark M P,Papalexiou S M,et al. 2020. Have satellite precipitation products improved over last two decades? A comprehensive comparison of GPM IMERG with nine satellite and reanalysis datasets. Remote Sens Environ,240:111697 DOI: 10.1016/j.rse.2020.111697
Wang J,Wang H J,Hong Y. 2016. Comparison of satellite-estimated and model-forecasted rainfall data during a deadly debris-flow event in Zhouqu,Northwest China. Atmos Oceanic Sci Lett,9(2):139-145 DOI: 10.1080/16742834.2016.1142825
Wang R,Chen J Y,Wang X W. 2017. Comparison of IMERG level-3 and TMPA 3B42V7 in estimating typhoon-related heavy rain. Water,9(4):276 DOI: 10.3390/w9040276
Zeng Q L,Wang Y Q,Chen L F,et al. 2018. Inter-comparison and evaluation of remote sensing precipitation products over China from 2005 to 2013. Remote Sens,10(2):168
Zhao H G,Yang S T,You S C,et al. 2018. Comprehensive evaluation of two successive V3 and V4 IMERG final run precipitation products over mainland China. Remote Sens,10(1):34
Zhou T J,Yu R C,Chen H M,et al. 2008. Summer precipitation frequency,intensity,and diurnal cycle over China:A comparison of satellite data with rain gauge observations. J Climate,21(16):3997-4010 DOI: 10.1175/2008JCLI2028.1
-
期刊类型引用(9)
1. 徐同,王琴,漆梁波,黄伟. CMA-MESO和CMA-SH9模式对中国东部地区降水预报的性能检验. 气象. 2025(02): 167-181 . 百度学术
2. 廖丞蕊,陈樱之,龚原,车路鹏. 基于极端降水指数的广汉地区水稻灾害研究. 农业灾害研究. 2024(03): 103-105 . 百度学术
3. 李世禧,廖玮杰,尚明,郭建超,施晨晓,杨岳,白磊. 多套降水产品在海南岛的适用性评估. 热带地理. 2024(09): 1588-1601 . 百度学术
4. 游诗芹,李莹,杨传国,孙爱立. 台风“杜苏芮”期间六种卫星降水产品的监测能力评估. 水电能源科学. 2024(12): 19-23 . 百度学术
5. 邓国卫,孙俊,郭海燕. CMPAS降水融合产品在四川区域性暴雨过程监测中的质量评估. 高原山地气象研究. 2024(04): 119-127 . 百度学术
6. Qinghong ZHANG,Rumeng LI,Juanzhen SUN,Feng LU,Jun XU,Fan ZHANG. A Review of Research on the Record-Breaking Precipitation Event in Henan Province, China, July 2021. Advances in Atmospheric Sciences. 2023(08): 1485-1500 . 必应学术
7. 杨轩,曾燕,邱新法,朱晓晨. 基于机器学习算法的多源月尺度融合降水产品在中国区域的检验评估. 暴雨灾害. 2023(05): 595-605 . 百度学术
8. 李易芝,罗伯良,彭莉莉,张超,彭晶晶. 湖南6月区域持续性暴雨概率预报模型及应用. 气象. 2023(11): 1384-1395 . 百度学术
9. 姚秀萍,李若莹. 河南“21.7”极端暴雨的研究进展. 气象学报. 2023(06): 853-865 . 本站查看
其他类型引用(2)