高原气象

高原气象 >

2023 , Vol. 42 >Issue 6: 1562 - 1575

DOI: https://doi.org/10.7522/j.issn.1000-0534.2023.00012

论文

ERA5-Land降水再分析资料在中国西南地区的适用性评估

  • 黄晓龙 ,
  • 吴薇 ,
  • 许剑辉 ,
  • 李施颖 ,
  • 蒋雨荷 ,
  • 杜冰 ,
  • 王丽伟
展开
  • 1. 四川省气象探测数据中心，四川 成都 610072
    2. 高原与盆地暴雨旱涝灾害四川省重点实验室，四川 成都 610072
    3. 广东省科学院广州地理研究所，广东 广州 510070
    4. 吉林省气象信息网络中心，吉林 长春 130062

黄晓龙（1981 -）， 男， 四川荣县人， 高级工程师， 主要从事气象资料质量控制、 产品评估与应用研究E-mail：

收稿日期: 2022-07-27

  修回日期: 2023-01-16

  网络出版日期: 2023-11-14

基金资助

四川省科技厅重点研发计划项目(2022YFS0541); 中国气象局创新发展专项(CXFZ2023J067); 高原与盆地暴雨旱涝灾害四川省重点实验室科技发展基金重大专项(SCQXKJZD202102)

收起

The Applicability Performance of the ERA5-Land Precipitation Datasets in Southwest China

  • Xiaolong HUANG ,
  • Wei WU ,
  • Jianhui XU ,
  • Shiying LI ,
  • Yuhe JIANG ,
  • Bin DU ,
  • Liwei WANG
Expand
  • 1. Sichuan Meteorological Observation and Data Centre，Chengdu 610072，Sichuan，China
    2. Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province，Chengdu 610072，Sichuan，China
    3. Guangzhou Institute of Geography，Guangdong Academy of Sciences，Guangzhou 510070，Guangdong，China
    4. Jinlin Meteorological Information Centre，Changchun 130062，Jilin，China

Received date: 2022-07-27

  Revised date: 2023-01-16

  Online published: 2023-11-14

Fold

摘要

为了探究欧洲中期天气预报中心第五代陆面再分析ERA5-Land（ERA5L）降水资料在中国西南的四川、 重庆、 贵州、 云南及西藏5省（区、 市）的适用性。以2018 -2020年中国气象局441个国家级地面站雨量器自动观测数据为参考基准， 使用Pearson相关系数、 平均相对误差、 均方根误差、 命中率、 空报率以及临界成功指数评分， 对ERA5L降水资料在评估时段内各区域和站点的整体精度、 不同海拔、 不同时间尺度（月、 季）， 以及不同量级降水的特征和偏差进行分析。结果表明： （1）ERA5L降水资料能较好反映西南区域的降水变化特征， 但相对站点观测存在不同程度的偏高， 以西藏地区最为明显。（2）在四川盆地， ERA5L降水与站点观测相关性高、 误差较小， 在西藏、 云南、 贵州及四川西部的地形复杂山区， 误差相对较大。（3）ERA5L降水的误差存在明显的月变化特征， 从7月开始到次年的2月， 平均相对误差随降水总量的降低而增加， 命中率减小、 空报率增大， 随后从2 -7月， 平均相对误差又随着降水量的增大而减小， 命中率增加、 空报率减少； 各省（区、 市）在不同季节质量表现不一， 春季和秋季重庆相对表现最优， 夏季贵州最优， 冬季四川最优。（4）相对站点观测， ERA5L降水在小雨量级高估； 在中雨及以上量级低估， 且随着雨强的增大， 低估现象更为严重。综合来看， ERA5L降水再分析资料在西南区域表现出一定的应用潜力， 在不同海拔的质量排序为： 低海拔>中海拔>高海拔； 在西南5省（区、 市）适用性排序为： 重庆>贵州>四川>云南>西藏。

关键词： 降水; ERA5-Land; 再分析资料; 适用性评估

本文引用格式

黄晓龙 , 吴薇 , 许剑辉 , 李施颖 , 蒋雨荷 , 杜冰 , 王丽伟 . ERA5-Land降水再分析资料在中国西南地区的适用性评估[J]. 高原气象, 2023 , 42(6) : 1562 -1575 . DOI: 10.7522/j.issn.1000-0534.2023.00012

Abstract

ERA5L precipitation reanalysis datasets were provided by the European Centre for Medium-Range Weather Forecasts（ECMWF） Fifth Generation Land Surface Reanalysis （ERA5L）. An investigation of the applicability of ERA5L precipitation reanalysis datasets produced for Sichuan， Chongqing， Guizhou， Yunnan and Xizang in Southwest China has been conducted.Statistical metrics， including Pearson correlation coefficients （CCs）， mean relative deviations （MREs）， root mean square errors （RMSEs）， probability of detections （PODs）， false alarm rates （FARs）， and critical success indices （CSIs）， were employed to assess the features and accuracy of ERA5L precipitation data using 441 national ground stations of the China Meteorological Administration between 2018 and 2020.The characteristics and deviations of ERA5L precipitation data were analysed in aspects of different regions， stations， altitudes， and timescales （monthly and seasonal） in our assessment phase.The following insights were revealed： （1） ERA5L better represents precipitation changes in the southwestern region； however， it tends to show higher precipitation levels than the in-situ observations， especially in Xizang.（2） In the Sichuan Basin， high correlation has been found between ERA5L precipitation data and in-situ observations， with a small error.The areas of Xizang， Yunnan， Guizhou and Western Sichuan are characterized by complex terrains and mountainous regions.The ERA5L data here has a relatively higher error.（3） The ERA5L exhibits a clear monthly variation in error， with a decline in overall precipitation leading to higher MRE， lower POD， and increased FAR from July to February.The MRE decreases， the POD increases， and the FAR rate decreases as precipitation increases from February to July.The quality of ERA5L varies between provinces and seasons.There is excellent precipitation quality in Chongqing during spring and autumn， and in Guizhou and Sichuan during summer and winter.（4） ERA5L precipitation is overestimated compared to in-situ observations in light rain magnitude， but underestimated in moderate and above-moderate rain.The underestimate becomes more severe as the rain intensity increases.As a whole， ERA5L has the potential for various applications in Southwest China.The hierarchy of ERA5L precipitation quality from high to low occurs in the following order： low altitude， medium altitude， and high altitude.In the context of five provinces， the order of applicability from high to low is as follows： Chongqing， Guizhou， Sichuan， Yunnan， and Xizang.

Key words： precipitation; ERA5-Land; reanalysis data; applicability assessment

1 引言

时空连续、 准确可靠的长时间序列降水资料对天气和气候预测、 生态环境演变、 水资源管理以及旱涝监测等方面的研究和应用起着至关重要的作用（Blacutt et al， 2015； 刘元波等， 2011）。因降水时空变异性大， 给精确获取大范围的降水资料提出了挑战（权晨等， 2022； 曾岁康和雍斌， 2019； 杨大文等， 2018）。以往， 降水数据主要通过地面气象站雨量器（计）、 雷达探测和卫星遥感反演得到。雨量器（计）观测降水精度高， 但观测站点存在空间分布不均， 难以维护等缺点； 雷达探测降水时空分辨率高， 又易受外部环境干扰； 卫星遥感反演降水空间覆盖广， 但反演精度存在诸多不确定性。尤其在中国西部地区， 受复杂地形、 环境等诸多因素影响， 可靠的降水资料极其缺乏（赵平伟等， 2021； Yuan et al， 2017）。
为了克服单一降水资料的缺陷， 利用数值天气预报（Numerical Weather Prediction， NWP）模型中的资料同化技术重建历史降水空间分布状态的再分析资料（Bengtsson and Shukla， 1988； Trenberth and Olson， 1988； 王彩霞等， 2022）， 已在科研、 业务和服务中得以广泛应用（谢潇等， 2011； 赵天保等， 2010）。2016 年11月由欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts， ECMWF）发布第五代再分析ERA5产品（Hersbach et al， 2020； Hoffmann et al， 2019）， 水平分辨率为0.25°×0.25°， 时间分辨率为1 h， 并于 2019年7月发布1981年至今的全球陆面再分析资料ERA5-Land （Muñoz-Sabater et al， 2021） （以下简称： ERA5L）， 较早上一代陆面再分析数据ERA-Interim/Land， 空间分辨率从79 km增强到9 km， 时间分辨率从6 h提升至1 h。2021年9月发布1950 - 1980年的历史数据（Bell et al， 2021）， 使得ERA5L成为不断更新， 覆盖全球高时空分辨率的长时间序列数据集。
近年来， 国内外学者针对ERA5和ERA5L降水资料应用于气象、 水文等方面取得一些有意义的研究成果： 如Wang et al （2019）使用2010 -2016年北极海冰的浮标降水观测数据对ERA5和ERA-Interim降水资料进行对比， 发现ERA5在北极体现出更高的降水量； Tarek et al （2020）使用ERA5降水作为水文模型的输入， 发现与使用站点观测值驱动模型具有相当的精度， 与ERA-Interim相比， ERA5降水数据能有效的降低偏差， 在北美大部分地区能更为准确地进行水文模拟。吕润清和李响（2021）基于江苏省73个国家自动气象观测站和3个高空探测站资料， 对比评估ERA-Interim和ERA5数据在江苏地区的适用性， 结果表明ERA5降水数据的适用性优于ERA-Interim。宋海清等（2021）利用1982 - 2018年内蒙古115个气象站的月降水数据评估4种陆面再分析降水资料在内蒙古地区的可靠性， 发现ERA5降水资料更能表征内蒙古地区的降水量从东北向西部递减和冬季降水少、 夏季降水多的时空变化特征。唐豪等（2022）在天山玛纳斯河流域对ERA5L与实测降水数据进行对比， 结果表明ERA5L与台站观测具有较强相关性和较高的命中率， 在SWAT水文评价模型的月径流模拟中表现出很好的适用性。
综上研究表明ERA5降水精度整体优于上一代ERA-Interim降水产品， 在天气气候研究和应用方面均具有潜在的优势。中国西南地区包括四川、 重庆、 贵州、 云南和西藏五省（区、 市）， 横跨中国第一、二级阶梯， 地形和气候复杂， 降水充沛， 是我国山洪、 泥石流等自然灾害易发区（陈双等， 2022； 江志红等， 2009； 李川等， 2006）。目前， 因ERA5L发布时间较短， 其降水资料的质量评价及适用性相关研究较为缺乏。同时， 前人研究也指出对中国西南地区降水模拟的偏差和不确定性可能是由于模式的分辨率不够高， 难以准确地刻画陡峭地形所导致（黄凌昕等， 2021； Wang et al， 2021）。因此， ERA5L所具有的高时空分辨率， 使得该资料在西南地区具有极大的应用潜力。
基于以上论述， 本文以中国气象局所属的国家级地面2018 -2020年雨量器自动观测降水为参考基准， 采用定量和分类评分指标， 从时段内整体和单站， 逐月、 季节以及在不同降雨强度上， 全面分析ERA5L降水资料在中国西南5省（区、 市）的精度特征及适用性， 以期为其在天气、 气候和水文等研究和应用提供帮助。

2 数据来源与方法介绍

2.1　数据来源

ERA5L是在哥白尼气候变化服务（Copernicus Climate Change Service， C3S）的框架内， 以ERA5 模拟的陆地场大气变量作为强迫， 采用修正的陆面模式HTESSEL、 CY45R1模拟得到（岳书平等， 2021）。与以前的大气再分析相比， ERA5降水质量有所提高（Tarek et al， 2020）， 还减少对外部数据的依赖， 增强了数据实时可用性（Muñoz-Sabater et al， 2021）。ERA5L是在单一模拟下产生， 并没有与欧洲中期天气预报中心集成预报系统（IFS）的大气模块或IFS的海浪模式耦合， 运行时也没有数据同化， 但观测数据是通过ERA5的大气强迫间接影响ERA5L的模拟结果（王彩霞等， 2022）。本研究ERA5L降水资料是通过哥白尼气候变化服务中心的数据存储（Climate Data Store， CDS）， 选择覆盖研究区的中国区域范围（0° -60°N， 70°E -140°E）进行下载。该数据的空间分辨率为0.1°×0.1°， 时间分辨率为1 h， 时间序列为2018 -2020年， 共计26304个时次， 无缺测时次。
用作参考基准的中国气象局国家级地面逐小时观测降水数据来源于四川省气象探测数据中心， 该数据通过严格的国家、 省和台站三级质量控制（任芝花等， 2018）。为了保证评估结果的有效性， 使用数据可用率在98%以上的441个观测站点用于评估， 包括四川156个， 重庆35个， 贵州85个， 云南126个， 西藏39个站点。根据中国地貌海拔分级指标（李炳元等， 2008）， 将台站按低海拔（<1000 m）、 中海拔［1000， 2000） m和高海拔（≥2000 m）进行分类（董欣和倪相， 2022）， 如图1所示。地处低海拔的台站主要集中分布于四川盆地、 重庆以及贵州的北部、 东部和南部地区； 中海拔的台站集中分布于云南、 四川的攀西地区以及贵州的西部； 高海拔的台站分布在西藏、 四川的西部和云南的北部。文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载审图号为GS （2020）4619号的中国地图制作， 底图无修改。
图1 中国西南区域5省（区、 市）地形及观测站点分布

Fig.1 The topography and meteorological stations in Southwest China

2.2　评价方法

为了避免评估时段内有部分观测站点会发生站址迁移， 利用各时次台站观测数据的经纬度信息， 提取站点最邻近的ERA5L格点值， 作为ERA5L降水资料在观测台站的降水量， 与台站观测降水值形成对比序列。分别按各观测站点一日内24个时次［00:00 -23:00 （世界时， 下同）］， 无缺测时次， 进行日降水总量统计， 共形成逐日降水对比样本395786个。因台站降水观测精度为0.1 mm， 将ERA5L日降水累计后， 四舍五入保留0.1 mm精度。
通过定量计算对比序列的Pearson相关系数（Correlation Coefficient， CC）、 平均相对误差（Mean Relative Error， MRE）和均方根误差（Root Mean Square Error， RMSE）3种指数评价ERA5L降水的精度。CC反映ERA5L与台站观测的线性相关程度， 最优值为1； MRE可量化相对台站观测偏离程度， 反映相对于台站观测高低估现象， 最优值为0； RMSE反映相对台站观测的偏差离散程度， 最优值为0。当出现MRE和RMSE越接近0， CC越靠近1， 可反映出被检降水的精度越高。这些指数按以下公式定义：
C C = ∑ i = 1 n ( S i - S ¯ ) ( O i - O ¯ ) ∑ i = 1 n ( S i - S ¯ ) 2 ∑ i = 1 n ( O i - O ¯ ) 2
M R E = ∑ i = 1 n ( S i - O i ) ∑ i = 1 n O i × 100 %
R M S E = 1 n ∑ i = 1 n ( S i - O i ) 2
式中： S i为ERA5L数据在观测台站的降水值； O i为台站观测值； S ¯、 O ¯分别为评估时段内ERA5L和台站观测降水序列的均值； n为样本总数。
为了进一步客观评价ERA5L对真实降水事件的辨识和捕捉能力， 采用命中率（Probability of Detection， POD）、 空报率（False Alarm Rate， FAR）和临界成功指数（Critical Success Index， CSI）3种分类检验评分（赵平伟等， 2021； 曾岁康和雍斌， 2019）进行评价。其中， POD表示ERA5L能准确捕捉实际降水事件的能力， 最优值为1； FAR表示对降水事件的误报情况， 最优值为0； CSI综合考虑命中与误报情况， 可以反映ERA5L降水能真实监测实际降水事件的能力， 最优值为1。各检验评分指标计算公式如下：
P O D = ∑ i = 1 n H i ∑ i = 1 n H i + ∑ i = 1 n M i
F A R = ∑ i = 1 n F i ∑ i = 1 n H i + ∑ i = 1 n F i
C S I = ∑ i = 1 n H i ∑ i = 1 n H i + ∑ i = 1 n F i + ∑ i = 1 n M i
式中： 命中（Hi ）为台站降水事件被ERA5L正确捕捉到； 空报（Fi ）为ERA5L观测到降水而实际台站未发生降水； 漏报（Mi ）为ERA5L未观测到降水而台站实际发生降水。

3 结果

3.1　总体精度评价

对2018 -2020年整个时段内西南区域和各省（区、 市）的精度进行检验， 结果如表1所示。西南区域ERA5L平均降水量为4.1 mm·d-1， 台站观测平均降水量为3.1 mm·d-1， 相对于台站观测偏多32.3%； ERA5L降水与台站观测相关系数（CC）为0.594， 均方根误差（RMSE）为7.8 mm·d-1， 命中率（POD）、 空报率（FAR）和临界成功指数（CSI）分别为0.965、 0.43和0.559。在西南各省（区、 市）， ERA5L降水与站点观测相关系数在0.5~0.6， 差异较小； 相对台站观测均不同程度地偏高， 西藏平均相对误差（104.6%）偏高最多， 云南（40.4%）次之， 重庆（17.1%）最小， 四川（27.5%）与贵州（25.3%）较为接近。从ERA5L在各省（区、 市）的分类评分上看， 命中率均在0.95以上； 在重庆空报率（0.352）最低， CSI评分（0.629）最高， 监测能力最强。虽然在西藏ERA5L的RMSE仅为其他省（市）的二分之一， 但空报率（0.561）最高， CSI评分（0.434）最低， 究其原因是因西藏地区降水偏少， 日平均降水量仅为其他省（市）的三分之一所致。结合各省（区、 市）ERA5L和站点观测日降水量的散点图（图2）， 可见随雨强增大， 散点集中于1∶1对角线之下的趋势愈为明显， 说明随着雨强的增大低估愈为严重。不同的海拔评估结果（表2）， 可见地处低海拔台站（<1000 m）最多， 占站点总数的46%， 日平均降水量为3.57 mm·d-1， 相比中海拔（3.13 mm·d-1）和高海拔（1.87 mm·d-1）的降水量大， ERA5L表现与台站观测一致。在低海拔相关系数最高， 平均相对误差最小， 空报率最低和CSI评分最高； 而地处高海拔台站（≥2000 m）降水量最小， 均方根误差最低， 但平均相对误差和空报率最高， CSI评分最低。综合来看， ERA5L在中国西南各省（区、 市）的质量排序为： 重庆>贵州>四川>云南>西藏； 在不同海拔的质量排序为： 低海拔>中海拔>高海拔。
表1 ERA5L降水资料在2018-2020年西南区域的精度

Table 1 Accuracy evaluation of ERA5L precipitation data in Southwest China during the period 2018-2020

地区 ERA5L日平均降水量/（mm·d-1） 台站日平均降水量/（mm·d-1） CC

MRE

/%

RMSE

/（mm·d-1）

 POD FAR CSI
四川 4.0 3.2 0.623 27.5 8.2 0.959 0.42 0.566
重庆 4.1 3.5 0.597 17.1 7.6 0.955 0.352 0.629
贵州 4.7 3.8 0.564 25.3 8.7 0.965 0.366 0.62
云南 4.2 3.0 0.569 40.4 7.4 0.978 0.482 0.512
西藏 2.5 1.2 0.533 104.6 4.1 0.971 0.561 0.434
西南区域 4.1 3.1 0.594 32.3 7.8 0.965 0.43 0.559
图2 ERA5L与台站观测日降水量（单位： mm）对比散点分布 黑虚线为1∶1线， 红线为一阶拟合线， N代表样本量

Fig.2 Scatter plots of ERA5L precipitation data versus in-situ observations.The black dotted line is 1∶1 line， red line is first-order fitting line， N represents total number of samples

表2 ERA5L降水资料在不同海拔的精度

Table 2 Accuracy evaluation of ERA5L precipitation data at different altitudes

台站海拔分级 站点数 ERA5L日平均降水量/（mm·d-1） 台站日平均降水量/（mm·d-1） CC

MRE

/%

RMSE

/（mm·d-1）

 POD FAR CSI
低海拔 203 4.32 3.57 0.614 21.0 8.7 0.958 0.382 0.602
中海拔 154 4.31 3.13 0.559 37.6 7.8 0.974 0.458 0.534
高海拔 84 3.13 1.87 0.577 67.0 4.9 0.97 0.503 0.49

3.2　误差的空间分布特征

图3为ERA5L在西南各省（区、 市）站点评估结果的空间分布和箱形统计。相关系数［图3（a）］在0.326~0.829， 有92.5%的站点在0.5以上， 86.8%站点集中在0.5~0.7区间内， 说明ERA5L与台站观测具有显著性相关， 高度线性相关（CC≥0.7）的台站主要分布在四川盆地， 而贵州、 云南和重庆均仅有1个站点。相关性最高的郫县站地处四川盆地的成都平原， 海拔低且地势平坦。图3（b）为ERA5L在各台站的相对偏差， 各省（区、 市）以正偏差为主， 四川主要集中在10%~40%， 偏差异常的站点较其他省（区、 市）多， 重庆偏差范围（10%~20%）相对最为集中， 西藏偏差最为分散。仅有占台站总数9.3%的站点MRE为负， 表明ERA5L相对台站观测偏低， 主要分布在四川盆地西南部、 云南东南部、 贵州西南部地区以及西藏中部。最大负偏差（-24.2%）出现在云南屏边站， 该站观测降水量为4.8 mm·d-1， 而ERA5L为3.6 mm·d-1； 最大正偏差（348.4%）则出现在西藏普兰站， 观测降水量仅为0.3 mm·d-1， 而ERA5L为1.4 mm·d-1。西南区域台站的RMSE［图3（c）］在1.4~13.4 mm·d-1， 有89.3%站点在10.0 mm·d-1以下， 误差较大的站点出现在四川盆地与川西高原交界处、 贵州东南部以及云南东南部降水量多的台站， 而四川西部高原和西藏大部分台站因降水量少， RMSE仅在3.0~5.0 mm·d-1。从图3（c）~（d）的POD、 FAR和CSI评分来看， 有99.3%的台站POD在0.9以上， 命中率较高； 在四川南部、 云南大部分地区以及西藏南部站点的FAR在0.5以上， 空报率较高， FAR在0.7以上的台站均出现在西藏； 在四川盆地、 重庆和贵州CSI评分普遍在0.6以上， 云南的东部稍低， 在0.5~0.6， 西藏的台站多在0.5以下， 反映出ERA5L降水在西藏能真实监测实际降水事件的能力相对较差。总体上， ERA5L在四川盆地与站点相关性高、 误差较小， 在西藏、 云南、 贵州、 四川西部地形复杂的山区站点误差相对较大。
图3 ERA5L降水在观测台站评价指数的不同区间偏差（彩色点）分布 箱形图从左到右５条线依次为下边缘、 下四分位数、 中位数、 上四分位数、 上边缘， 上下边缘外的星形点为异常值， 三角形代表均值

Fig.3 The spatial distribution of the ERA5L precipitation data deviation at the gauge observation stations.The five lines in the box chart from left to right are the lower edge， the lower quartile， the median， the upper quartile， and the upper edge.The star point outside the upper and lower edges is the abnormal value， and the triangle represents the mean value

3.3　误差的时间变化特征

3.3.1　逐月变化特征分析

从2018 -2020年逐月平均降水量随时间变化的曲线［图4（a）］中可以看出， ERA5L降水在5省（区、 市）均体现出与台站观测呈现峰型变化， 逐月变化趋势基本一致。ERA5L与站点相关系数［图4（b）］与月降水总量呈一定反向变化， 即在降水总量较大月份， 相关系数反而相对低一些。图4（c）为逐月降水的平均相对误差， 可见ERA5L相对站点观测降水以偏多为主， 并在降水总量较大的月份， 相对偏差相对低一些。西藏在历年的10月至次年2月的MRE明显大于其他月份， 其主要原因为当地降水量偏少， ERA5L降水相对台站偏多， 以致MRE偏大。在历年的6、 8和10月， ERA5L降水在重庆和贵州相对于台站观测偏少， 其中重庆在2019年6月ERA5L降水总量为161.7 mm， 而台站观测降水量为184.4 mm， MRE为-12.3%， 是偏低最多的月份。从均方根误差［图4 （d）］变化上看， 在降水量较大月份， RMSE也一般较大。图4（e）~（g）分别为降水的POD、 FAR和CSI评分， 可见在西藏逐月ERA5L降水相对其他省（市）适应性较差外， 在其余省（市）相差不大。总体而言， ERA5L逐月降水与站点观测趋势变化基本一致， 相对台站观测以偏高为主。ERA5L在5省（区、 市）逐月评估指数和评分存在一定的周期性变化， 表现为从7月开始到次年的2月， 相对误差随降水总量的降低而增加， 命中率减小、 空报率增大， CSI评分降低， 随后到7月相对误差又随降水总量的增加而减小， 命中率增加、 空报率减小， CSI评分增加， 这种误差周期性的变化与各区域的降水季节性分布密切相关。
图4 2018 -2020年西南地区逐月平均降水总量（a）及检验误差曲线（b）~（g）

Fig.4 Monthly average total precipitation （a） and the corresponding error curve （b）~（g） from 2018 to 2020 in Southwest China

3.3.2　季节尺度特征分析

将评估时段按春季（3 -5月）、 夏季（6 -8月）、 秋季（9 -11月）、 冬季（12月至次年2月）分季评估。图5显示了各省（区、 市）季节平均降水总量， 可见ERA5L和台站观测均表现为冬季低、 夏季高， 较好地反映出降水季节变化特征。除四川外， 其他省（区、 市）季节的相关系数［图6（a）］均是冬季相关性最高， 夏季最低； 四川在春季最高， 冬季最低， 四季变化相对于其他省（区、 市）小。从平均相对误差［图6（b）］上看， 各省（区、 市）均是夏季偏差最小， 冬季偏差最大， 其中ERA5L在西藏的冬季相对站点偏高最多（289.6%）。从均方根误差［图6（c）］上看， 正好与平均相对误差相反， 误差最大出现夏季， 冬季最小， 与夏季降水频次和总量大于冬季有关。从评分［图6（d）~（e）］来看， 各省（区、 市）各季节的POD均在90%以上， 夏季最高， 冬季最低。贵州和重庆的FAR最低出现在秋季， 而其他省（区）出现在夏季。除贵州的FAR最高出现在夏季外， 其他省（区、 市）均出现在冬季。CSI评分［图6（f）］上， 四川、 西藏、 云南在夏季最高， 在冬季最低； 贵州和重庆在各季节差异不大， 在秋季最高， 除夏季与其他省（区）相差不大外， 其余季节均优于其他省（区）。总体上， ERA5L在春季和秋季重庆相对表现最优， 在夏季贵州最优， 冬季四川最优。西藏由于地形复杂， 除夏季外， 其他季节在5省（区、 市）表现相对最差。
图5 西南地区2018 -2020年季节平均降水总量

Fig.5 Seasonal average total precipitation from 2018 to 2020 in Southwest China

图6 西南地区2018 -2020年季节检验误差曲线

Fig.6 Seasonal error from 2018 to 2020 in Southwest China

4 讨论

由上文对2018 -2020年时段内整体、 逐月和季节不同时间尺度的检验， 我们发现ERA5L与观测站点存在一定的偏差及不同的区域适用性。因降水的局地性较强， 误差的大小与降水的强度显著相关（权晨等， 2022； 温婷婷等， 2022； Amjad et al， 2020； 杨大文等， 2018）。由此， 依据我国气象部门对降水强度的划分标准（赵平伟等， 2021）， 按照日降水量小雨（0.1~9.9 mm·d-1）、 中雨（10.0~24.9 mm·d-1）、 大雨（25.0~49.9 mm·d-1）和暴雨及以上量级（≥50.0 mm·d-1）分为4个等级， 进一步探究ERA5L在各省（区、 市）不同降水强度下的特征和适用性。同时， 探讨由于不同的评估方式导致的评估结果的差异。

4.1　不同级别降水特征分析

图7为ERA5L和站点观测随降水量大小的累计分布函数（cumulative distribution function， CDF）， 可见各省（区、 市） 均是以小雨和中雨为主。四川、 重庆、 贵州、 云南和西藏台站观测降水在小雨量级分别占降水总日数的79.2%、 77.2%、 77.8%、 73.6%和87.3%， 在中雨及以下量级， 分别占降水总日数的93.2%、 92.3%、 91.9%、 91.7%和99.8%。ERA5L和站点观测降水在不同级别降水变化趋势基本一致， 但ERA5L在小雨量级出现概率低于台站观测， 特别是日降水量在<0.5 mm·d-1时， 体现得更为明显； ERA5L随着降水量的增大， 出现概率逐步增加， 并在15.0 mm·d-1时与台站观测降水的CDF曲线趋于一致。
图7 西南各省（区、 市）不同降水级别出现的累计分布

Fig.7 Cumulative distribution of different precipitation levels in southwest provinces

图 8为ERA5L和台站观测在不同分级下的平均降水量， 可以发现在小雨量级， 各省（区、 市）均是ERA5L相对台站观测降水偏高， 而在中雨、 大雨、 暴雨及以上量级均是较台站观测偏低， 且随着降水量级的增加， ERA5L偏低更为严重。
图8 西南各省（区、 市）不同降水级别出现的日均降水量

Fig.8 Daily average precipitation of different precipitation levels in southwest provinces

4.2　不同级别降水精度分析

图9（a）为ERA5L在不同降水分级的RMSE和MRE精度评价结果， 可以发现各省（区、 市）均随着降水强度的增大， RMSE增大。在小雨级别， ERA5L均是相对台站观测偏高， 而在中雨、 大雨、 暴雨及以上量级正好相反， 均是偏低， 并随着降水量级的增加， 偏低更多， 这与赵平伟等（2021）在云南对ERA5降水评价的结果一致。从各省（区、 市） 的CC、 POD、 FAR和CSI指标［图9（b）］上， 可见四川在暴雨及以上量级， 相关性最高， 在中雨和大雨量级相关性较低； 重庆、 贵州、 云南均是随着雨强的增大， 相关性逐步降低； 西藏的相关性与重庆、 贵州和云南变化类似， 仅在大雨量级上高于中雨。四川、 重庆、 贵州和云南均是随着雨强的增加， 命中率由高逐渐降低， 仅西藏在大雨相比暴雨以上量级命中率低， 这与区域内暴雨及以上量级出现频次较少有关。各省（区、 市）均在小雨量级有最低的空报率， CSI与POD变化基本一致， 随着雨强的增加， CSI一般由高逐渐降低。由于小雨日数在总雨日的主导地位决定了ERA5L降水数据在西南地区呈现降水整体高估的现象， 掩盖了中雨以上级别降水事件低估的事实。
图9 西南各省（区、 市）不同降水级别MRE和RMSE变化（a）与CC， POD、 FAR和CSI评分检验结果（b）

Fig.9 Changes in precision MRE and RMSE of different precipitation levels in Southwest Provinces （a） and results of CC， POD， FAR， and CSI （b）

4.3　区域与站点评估方式结果对比

为了探究ERA5L降水资料在空间区域内（面）与本文利用离散分布观测台站（点）评估结果之间的差异， 即ERA5L（面）与ERA5L（点）评估结果的一致性。以2018 -2020年评估时段内的年平均降水量为例， 采用广泛使用的泰森多边形法（徐晶和姚学祥， 2007）， 对观测台站所控制的空间区域进行划分， ERA5L（面）年平均降水总量采用算术平均法， 即将站点泰森多边形区域内各格点年平均降水量相加后除以总格点数， 而ERA5L（点）年平均降雨量用台站最邻近的ERA5L格点值代替。图10（a）给出了各省（区、 市）观测台站、 ERA5L （点）与ERA5L （面）年平均降水总量的直方图。从图10（a）中可以看出ERA5L（面）和ERA5L（点）降水均较站点观测偏多。图10（b）给出了ERA5L（面）和ERA5L（点）与站点观测的MRE的对比发现， 在四川、 贵州和云南ERA5L（面）相比ERA5L（点）的MRE有所降低， 其中贵州地区从40.1%降低至29.6%， 为偏差降低最多的地区； 西藏MRE增加较多， 从104.5%增加至167.8%， 重庆地区略微有所增加。总之， 虽然ERA5L（面）评估与本文所采用的ERA5L（点）在各省（区、 市）年平均降水量有一定的差异， 但未改变ERA5L相对于台站观测偏大的事实， 且与本文ERA5L在各省（区、 市）适用性评估结论的排序一致。
图10 西南地区ERA5L点与面评估结果对比

Fig.10 Comparison between point and area evaluation results in southwest provinces

从以上分析表明 ERA5L降水在中国西南各省（区、 市）的精度在时间存在一定相似性， 在空间区域和不同级别降水上表现出不同的适用应性。在小雨量级， ERA5L均是相对台站观测偏高， 而在中雨及以上量级正好相反， 并随着降水量级的增加， 偏低更多， 这一现象与以往对于再分析降水数据的研究结果（温婷婷等， 2022； 赵平伟等， 2021； Amjad et al， 2020）类似。ERA5L降水资料在各省（区、 市）的精度存在差异的原因有很多， 首先ERA5L是使用多种资料观测数据通过同化或模拟而来的再分析资料， 其精度必然受原始输入数据的质量和模拟算法的影响（高珩洲和李国平， 2020； 韦芬芬等， 2015）， 西南地区的站点观测数据稀疏， 卫星和雷达等观测数据存在较大不确定性的影响； 其次， ERA5L为规则的格点数据， 反映的0.1°×0.1°格网内区域降水的平均状态， 且西南地区由于复杂的地形环境， 降水局地性更强， 空间变异性更大， 而台站观测数据的区域代表性更低， 导致再分析降水和站点观测存在一定的偏差。虽然ERA5L降水资料在空间分辨力有极大的提升， 可以改进极端降水的发生频率和空间捕捉能力， 但不能完全消除偏差（Li et al， 2015）， 而这种改进主要是来源于对山地极端降水的模拟， 而平坦地区（如四川盆地）的模拟偏差， 仅靠提高数据的分辨率还不能有效改善（黄子立等， 2021）。此外， 本研究所用的中国气象局西南区域国家级地面站观测资料， 对广大的中国西南区域的空间覆盖能力存在不足， 尤其在西藏仅有39个站点， 因而评估的可信度可能受到一定的影响。另外， 评估结果还受格点和站点空间匹配方法、 数据统计方法等方面的影响， 可能也会导致与他人研究结果不完全一致的情况。

5 结论

以中国气象局441个国家级地面自动气象站观测降水资料为参考基准， 对2018 -2020年 ERA5L降水产品在中国西南区域的四川、 重庆、 贵州、 云南及西藏5省（区、 市）的整体精度、 不同海拔、 不同时间尺度（月、 季）， 误差的空间分布以及不同量级降水的特征和偏差进行适用性评估， 得到以下主要结论：
（1） ERA5L降水与台站观测变化一致， 能够表征中国西南5省（区、 市）的地面降水总体特征， 但较台站观测偏多32.3%。ERA5L与台站观测降水在各省（区、 市）相关性差异不大， 相对台站均存在不同程度的偏高， 其中西藏偏高最多； 各省（区、 市）的命中率均较高， 重庆的空报率最低， 偏差最小， 而西藏空报率最高， 偏差最大。在低海拔降水量多， 相对误差小， 空报率低， 相关系数和CSI评分高； 在高海拔降水量少， 相对误差大， 空报率高， 相关系数和CSI评分低。综合来看， ERA5L在西南区域具有一定的可信度和适用性， 质量排序为： 重庆>贵州>四川>云南>西藏； 在不同海拔的质量排序为： 低海拔>中海拔>高海拔。
（2） 有90.7%的站点以正偏差为主， 重庆相对偏差范围在10%~20%最为集中， 西藏最为分散。在四川盆地西南部、 云南东南部、 贵州西南部地区以及西藏中部分布有低估的站点。有超过99.3%的台站命中率在均0.9以上， 对降水事件有很好的捕获能力。空报较高的站点出现四川西部高原、 云南东北部和西藏。四川盆地、 重庆和贵州CSI评分普遍在0.6以上， 云南东部的站点在0.5~0.6， 而西藏多在0.5以下， 部分站点甚至低于0.3。总体上， ERA5L在四川盆地与台点观测相关性高、 误差较小， 在西藏、 云南、 贵州、 四川西部的地形复杂的山区站点误差相对较大。
（3） 从时间检验统计指标上看， 西南各省（区、 市） ERA5L逐月降水量与台站观测变化趋势基本一致， 相关系数与平均降水量呈现反向变化， 较台站观测降水以偏多为主， 在降水总量较大的月份， 均方根误差相对较大， 相对误差低。从7月开始到次年的2月， 相对误差随降水总量的降低而增加， 命中率减小、 空报率增大， 随后从2 -7月， 相对误差又随着降水量的增大而减小， 命中率增加、 空报率减少。春季和秋季重庆相对表现最优， 夏季贵州最优， 冬季四川最优， 西藏各季节表现均相对较差。
（4） 对不同量级的降水级别， ERA5L在西南各省（区、 市）均存在小雨量级， ERA5L相对站点观测高估， 而在中雨及以上量级雨日雨量低估的现象， 且随着雨强的增大， 低估现象愈发严重。四川、 重庆、 贵州和云南均是随着雨强的增加， 命中率由高逐渐降低， 而西藏则在大雨量级命中率最低。各省（区、 市）在小雨量级有最低的空报率， CSI评分随着雨强的增加， 由高逐渐降低， 与命中率变化基本一致。从空间区域内（面）与离散分布观测台站（点）的两种统计方法得出的结果有一定的差异， 但未改变ERA5L降水相对于台站观测均偏大的事实， 在各省（区、 市）适用性评估结论的排序一致。
综上， ERA5L降水再分析资料在中国西部5省（区、 市）的精度虽存在一定偏差， 但均表现出一定的区域适用潜力， 可为地区暴雨洪涝等强天气过程的预报和成因分析提供数据支撑。本研究评估时间尺度相对较短， 难以评价产品整个历史序列的精度及适用性。如何实现ERA5L降水产品的改进和偏差订正， 将其应用于干旱、 洪涝等方面的科研与业务当中， 值得进一步研究。

参考文献

null
Amjad M， Yilmaz M T， Yucel I， et al， 2020.Performance evaluation of satellite-and model-based precipitation products over varying climate and complex topography［J］.Journal of Hydrology， 584： 124707.DOI： 10.1016/j.jhydrol.2020.124707 .
null
Blacutt L A， Herdies D L， de Gon?alves L G G， et al， 2015.Precipitation comparison for the CFSR， MERRA， TRMM3B42 and combined scheme datasets in Bolivia［J］.Atmospheric Research， 163： 117-131.DOI： 10.1016/j.atmosres.2015.02.002 .
null
Bell B， Hersbach H， Simmons A， et al， 2021.The ERA5 global reanalysis： preliminary extension to 1950［J］.Quarterly Journal of the Royal Meteorological Society， 147（741）： 4186-4227.DOI： 10.1002/qj.4174 .
null
Bengtsson L， Shukla J， 1988.Integration of space and in situ observations to study global climate change［J］.Bulletin of the American Meteorological Society， 69（10）： 1130-1143.DOI： 10.1175/1520-0477（1988）069<1130： IOSAIS>2.0.CO； 2 .
null
Hersbach H， Bell B， Berrisford P， et al， 2020.The ERA5 global reanalysis［J］.Quarterly Journal of the Royal Meteorological Society， 146（730）： 1999-2049.DOI： 10.1002/qj.3803 .
null
Hoffmann L， Günther G， Li D， et al， 2019.From ERA-Interim to ERA5： the considerable impact of ECMWF's next-generation reanalysis on Lagrangian transport simulations［J］.Atmospheric Chemistry and Physics， 19（5）： 3097-3124.DOI： 10.5194/acp-19-3097-2019 .
null
Li J， Yu R C， Yuan W H， et al， 2015.Precipitation over East Asia simulated by NCAR CAM5 at different horizontal resolutions［J］.Journal of Advances in Modeling Earth Systems， 7（2）： 774-790.DOI： 10.1002/2014MS000414 .
null
Mu?oz-Sabater J， Dutra E， Agustí-Panareda A， et al， 2021.ERA5-Land： a state-of-the-art global reanalysis dataset for land applications［J］.Earth System Science Data， 13（9）： 4349-4383.DOI： 10.5194/essd-13-4349-2021 .
null
Tarek M， Brissette F P， Arsenault R， 2020.Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America［J］.Hydrology and Earth System Sciences， 24（5）： 2527-2544.DOI： 10.5194/hess-24-2527-2020 .
null
Trenberth K E， Olson J G， 1988.An evaluation and intercomparison of global analyses from national meteorological center and the European centre for medium range weather forecasts［J］.Bulletin of the American Meteorological Society， 69（9）： 1047-1057.DOI： 10.1175/1520-0477（1988）069<1047： AEAIOG>2.0.CO； 2 .
null
Wang C X， Graham R M， Wang K G， et al， 2019.Comparison of ERA5 and ERA-Interim near-surface air temperature， snowfall and precipitation over Arctic sea ice： effects on sea ice thermodynamics and evolution［J］.The Cryosphere， 13（6）： 1661-1679.DOI： 10.5194/tc-13-1661-2019 .
null
Wang Z Z， Zhan C S， Ning L， et al， 2021.Evaluation of global terrestrial evapotranspiration in CMIP6 models［J］.Theoretical and Applied Climatology， 143（1）： 521-531.DOI： 10.1007/s00704-020-03437-4 .
null
Yuan F， Zhang L M， Win K W W， et al， 2017.Assessment of GPM and TRMM multi-satellite precipitation products in streamflow simulations in a data-sparse mountainous watershed in Myanmar［J］.Remote Sensing， 9（3）： 302.DOI： 10.3390/rs9030302 .
null
陈双， 孙继松， 何立富， 2022.四川盆地不同落区的三次强降水过程多尺度特征分析［J］.高原气象， 41（5）： 1190-1208.DOI： 10.7522/j.issn.1000-0534.2021.00060 .
null
董欣， 倪相， 2022.西南地区不同海拔极端降水时空变化特征［J］.西南大学学报（自然科学版）， 44（9）： 110-121.DOI： 10. 13718/j.cnki.xdzk.2022.09.012 .
null
高珩洲， 李国平， 2020.黔东南地形影响局地突发性暴雨的中尺度天气分析与数值试验［J］.高原气象， 39（2）： 301-310.DOI： 10.7522/j.issn.1000-0534.2019.00079 .
null
黄子立， 吴小飞， 毛江玉， 2021.CMIP6模式水平分辨率对模拟我国西南地区夏季极端降水的影响评估［J］.高原气象， 40（6）： 1470-1483.DOI： 10.7522/j.issn.1000-0534.2021.zk010 .
null
黄凌昕， 张帅， 陈婕， 等， 2021.中全新世青藏高原西南部异常高降水机制探讨［J］.高原气象， 40（6）： 1407-1418.DOI： 10.7522/j.issn.1000-0534.2021.zk022 .
null
江志红， 陈威霖， 宋洁， 等， 2009.7个IPCC AR4模式对中国地区极端降水指数模拟能力的评估及其未来情景预估［J］.大气科学， 33（1）： 109-120.
null
李川， 陈静， 何光碧， 2006.青藏高原东侧陡峭地形对一次强降水天气过程的影响［J］.高原气象， 25（3）： 442-450.
null
李炳元， 潘保田， 韩嘉福， 2008.中国陆地基本地貌类型及其划分指标探讨［J］.第四纪研究， 28（4）： 535-543.
null
吕润清， 李响， 2021.ERA-Interim和ERA5再分析数据在江苏区域的适用性对比研究［J］.海洋预报， 38（4）： 27-37.DOI： 10. 11737/j.issn.1003-0239.2021.04.004 .
null
刘元波， 傅巧妮， 宋平， 等， 2011.卫星遥感反演降水研究综述［J］.地球科学进展， 26（11）： 1162-1172.
null
权晨， 周秉荣， 沈晓燕， 等， 2022.IMERG和GSMaP卫星降水产品在三江源区的适用性评估［J］.高原山地气象研究， 42（1）： 102-108.DOI： 10.3969/j.issn.1674-2184.2022.01.015 .
null
任芝花， 张强， 高峰， 等， 2018.CMA气象数据质量控制体系［J］.气象科技进展， 8（1）： 54-55.
null
宋海清， 朱仲元， 李云鹏， 2021.陆面同化及再分析降水资料在内蒙古地区的适用性［J］.干旱区研究， 38（6）： 1624-1636.DOI： 10.13866/j.azr.2021.06.14 .
null
唐豪， 王晓云， 陈伏龙， 等， 2022.基于ERA5-Land数据集的玛纳斯河径流模拟研究［J］.地学前缘， 29（3）： 271-283.DOI： 10. 13745/j.esf.sf.2022.1.50 .
null
温婷婷， 郭英香， 董少睿， 等， 2022.1979-2017年CRU、 ERA5、 CMFD格点降水数据在青藏高原适用性评估［J］.干旱区研究， 39（3）： 684-697.DOI： 10.13866/j.azr.2022.03.03 .
null
韦芬芬， 汤剑平， 王淑瑜， 2015.中国区域夏季再分析资料高空变量可信度的检验［J］.地球物理学报， 58（2）： 383-397.DOI： 10.6038/cjg20150204 .
null
王彩霞， 黄安宁， 郑鹏， 等， 2022.中国第一代全球陆面再分析（CRA40/Land）气温和降水产品在中国大陆的适用性评估［J］.高原气象， 41（5）： 1325-1334.DOI： 10.7522/j.issn.1000-0534.2021.00056 .
null
谢潇， 何金海， 祁莉， 2011.4种再分析资料在中国区域的适用性研究进展［J］.气象与环境学报， 27（5）： 58-65.
null
杨大文， 徐宗学， 李哲， 等， 2018.水文学研究进展与展望［J］.地理科学进展， 37（1）： 36-45.DOI： 10.18306/dlkxjz.2018.01.005 .
null
徐晶， 姚学祥， 2007.流域面雨量估算技术综述［J］.气象， 33（7）： 15-21.
null
岳书平， 闫业超， 张树文， 等， 2021.基于ERA5-LAND的中国东北地区近地表土壤冻融状态时空变化特征［J］.地理学报， 76（11）： 2765-2779.DOI： 10.11821/dlxb202111012 .
null
赵天保， 符淙斌， 柯宗建， 等， 2010.全球大气再分析资料的研究现状与进展［J］.地球科学进展， 25（3）： 242-254.
null
赵平伟， 李斌， 王佳妮， 等， 2021.GPM IMERG和ERA5降水数据精度在云南复杂地形区域的评估检验［J］.气象科技， 49（1）： 114-123.DOI： 10.19517/j.1671-6345.20190514 .
null
曾岁康， 雍斌， 2019.全球降水计划IMERG和GSMaP反演降水在四川地区的精度评估［J］.地理学报， 74（7）： 1305-1318.DOI： 10.11821/dlxb201907003 .
Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn