文章快速检索     高级检索
  高原气象  2017, Vol. 36 Issue (1): 256-267  DOI: 10.7522/j.issn.1000-0534.2015.00113
0

引用本文 [复制中英文]

蔡研聪, 徐磊磊, 金昌杰, 等. 2017. 气候校正算法对TMPA 3B42 V7产品精度的影响分析[J]. 高原气象, 36(1): 256-267. DOI: 10.7522/j.issn.1000-0534.2015.00113
[复制中文]
CAI Yancong, XU Leilei, JIN Changjie, et al. 2017. Influence of Climatological Calibration Algorithm on Accuracy of TMPA 3B42 V7 Product[J]. Plateau Meteorology, 36(1): 256-267. DOI: 10.7522/j.issn.1000-0534.2015.00113.
[复制英文]

资助项目

国家重点基础研究发展计划项目(2013CB429902);国家自然科学基金项目(41371064,31370614);辽宁省博士启动基金(20141155)

通讯作者

金昌杰.E-mail:cjjin@iae.ac.cn

作者简介

蔡研聪 (1988-), 男, 福建莆田人, 博士研究生, 主要从事生态水文模型、流域水文模型及森林与气候的水文效应研究, E-mail:onion-20062006@163.com

文章历史

收稿日期: 2014-12-13
定稿日期: 2015-12-17
气候校正算法对TMPA 3B42 V7产品精度的影响分析
蔡研聪1,2, 徐磊磊3, 金昌杰1, 王安志1, 关德新1, 吴家兵1, 袁凤辉1, 步长千4     
1. 中国科学院森林生态与管理重点实验室/沈阳应用生态研究所, 沈阳 110016;
2. 中国水产科学研究院南海水产研究所, 广州 510300;
3. 中国热带农业科学院科技信息研究所, 儋州 571737;
4. 费县环境保护局, 临沂 273400
摘要: 遥感降水数据是区域降水研究的重要数据源,尤其在无实测资料区域,可改善对降水格局的认识。然而,广泛使用的TMPA 3B42数据受校正数据空间范围的限制,其最新的气候校正算法在中高纬度地区无法有效实施,造成较大的不确定与误差存在于该区域的TMPA数据中。选取两个气候和地形条件相似的区域,分别位于TRMM卫星观测范围(南北纬38°)内外区域。基于1998-2012年期间多个气象站点的实测降水数据,采用四个统计指标,对比两个区域的数据精度差异与相似性,进而揭示气候校正算法对TMPA降水数据的影响。结果表明年、月、日尺度的TMPA数据在两个地区都高估降水量,尤其对0~10 mm的降水高估较为严重。气候校正算法虽无法消除此高估,但一定程度上削弱了高估程度,辽宁地区的高估程度显著高于山东(2.79%),达到8.87%。从降水变化过程看,TMPA可重现区域的年月降水过程,与实测降水的变化趋势一致。但值得注意的是,冬季期间TMPA数据精度在两个地区都不理想且年变化波动较大。气候校正算法在山东地区的应用,使得该区域两种降水数据集的相关性有所改善,也减弱了TMPA对降水量的高估程度。
关键词: 高估    TMPA 3B42    统计指标    
1 引言

近几十年卫星与遥感技术的发展, 为地球表面空间信息探测提供了良好的手段。在降水观测方面, 它已发挥了举足轻重的作用, 多种全球范围的遥感降水反演产品, 如TMPA 3B42(Tropical Rainfall Measuring Mission (TRMM) Multi-satellite Precipitation Analysis)(Huffman et al, 2007)、PERSIANN (the Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks)(Hsu et al, 1997; Sorooshian et al, 2000)、CMORPH (National Oceanic and Atmospheric Administration (NOAA) Climate Prediction Center (CPC) Morphing technique product)(Joyce et al, 2004), 在水文气象领域有广泛的应用研究。与站点观测降水相比, 遥感降水数据具有较好的降水格局的空间代表性 (高晓荣等, 2013), 能提供较高的时间 (≤3 h) 和空间分辨率 (≤0. 25°) 的区域降水信息, 具有全球覆盖的优势, 使之在大尺度的降水分布格局研究上意义重大。在地面观测资料缺失或不足情况下, 遥感降水产品弥补了这些地区的降水空间信息, 可初步认识降水的时空分布 (骆三等, 2011) 和云结构分析 (叶培龙等, 2014; 陈英英等, 2013; 赵姝慧等, 2014), 对改善区域水文过程模拟和洪水预测有至关重要的作用 (Yong et al, 2014a)。

当前, 美国国家航空航天局 (National Aeronautics and Space Administration, NASA) 与日本宇宙航空研究开发机构 (Japan Aerospace Exploration Agency, JAXA) 再次合作, 实施新一期的全球降水观测 (the Global Precipitation Measurement, GPM) 项目 (Kidd and Huffman, 2011), 利用更为精密的传感器, 改善遥感观测数据质量, 反演更高时空分辨率的降水产品。作为GPM的先驱者—TRMM (Tropical Rainfall Measuring Mission)(Yong et al, 2014b), 它在全球降水观测上贡献巨大, 其相关数据产品在降水分析 (Anders et al, 2006; 李典等, 2012; 蒋璐君等, 2014; 傅云飞等, 2003, 2007)、火情监测 (Giglio et al, 2000)、洪水及山体滑坡自然灾害监控与预报 (Hong et al, 2007) 等方面已有卓著的研究结果。然而, 遥感降水数据自身存在误差和不确定性, 其精度评价是应用研究的前提。对GPM而言, 当前TRMM产品的研究经验是GPM新数据产品的理论科学基础, 对于算法改进具有科学借鉴价值和指导意义。

TMPA 3B42(TMPA) 作为TRMM的重要产品, 其通过融合所有与降水相关的可用卫星数据, 其中包括TRMM卫星自身携带的降水侦探传感器 (降水雷达 (Precipitation Radar, PR)、TRMM微波成像仪 (TRMM Microwave Imager, TMI)) 获取的数据、近地轨道卫星的被动微波数据和地球同步卫星的红外数据 (Huffman et al, 2007), 反演长时间序列的高时空分辨率降水数据。近10年, 它经历了多次升级 (V5~V7), 引入了新多源遥感数据, 同时也改善了降水反演算法, 尤其是采用了气候校正算法 (Climatological Calibration Algorithm, CCA)。CCA算法利用气象站点数据信息能有效减少反演结果的系统偏差 (Yong et al, 2014b), 具体原理是:首先将TRMM卫星微波成像仪 (TRMM Microwave Imager, TMI) 和TRMM联合仪器数据 (TRMM Combined Instrument, TCI) 进行直方图匹配, 接着采用TCI数据校正3B43数据产品, 最终将TMI-TCI和TCI-3B43校正公式应用于初始的TMPA 3B42数据, 获取校正后的新3B42数据。但是, TMI数据的空间范围仅限于38°S38°N, 造成CCA无法有效应用于当前的南北纬38°50°区域。Huffman et al (2007)已指出, 此区域的数据校正仅是简单采用相邻纬度区域的校正系数处理这个特殊区域的遥感数据。因此, 这使得此区域的TMPA数据有更大的不确定性和误差。Yong et al (2010)深入分析了CCA算法对TMPA 3B42RT数据精度的影响, 表明CCA算法能显著改善此数据精度。然而, 当前关于CCA算法的引入在多大尺度上改善TMPA 3B42数据质量的研究尚存不足。TMPA 3B42是重要的研究性降水产品, 总体精度优于TMPA 3B42RT, 它对水文气象领域的应用研究尤为重要。因此, 全面系统地分析CCA算法对TMPA数据精度的影响是关键的环节, 有助于进一步认识与理解此数据产品。

本文选用两个分别位于TRMM卫星覆盖区域内 (山东省) 及其覆盖区域之外 (辽宁省) 的代表性地区, 它们有较为相似的气候与地形条件 (图 1图 2表 1), 降水机制也较为接近, 最大程度地消除降水差异对数据精度的影响。以地面气象站实测降水量为参考数据, 采用统计指标评价19982012年两个地区的TMPA 3B42数据精度, 并分析其相似与差异性, 进而定量估算CCA算法对遥感降水数据的影响。

图 1 研究区地理位置和气象站点空间分布 Figure 1 The geographical location of study area and the spatial distribution of meteorological stations
图 2 1990-2012期间降水与温度的年内变化 Figure 2 Inner-annual variation of (a) precipitation and (b) temperature during 1990-2012
表 1 研究区基本信息 Table 1 Basic detail for study area
2 研究区概况

两个研究区在地理空间上是紧邻的 (图 1), 山东省地跨114. 79°N-122. 9°N、34. 38°E-38. 41° E, 属于暖温带半湿润季风气候区, 气候温和, 四季分明, 地形以平原丘陵为主, 高程介于-6~1450 m, 中部为隆起的山地, 东部和南部为丘陵区, 北部和西北部是平坦的黄河冲击平原, 是华北大平原的一部分。辽宁省位于118. 8°E-125. 79°E、38. 7°N-43. 5°N, 在温带大陆性季风气候影响下, 水热同期, 地形自北向南, 自东西两侧向中部倾斜, 山地丘陵分列东西部, 中部则为平原地区。

3 资料与方法 3.1 资料选取

TMPA 3B42 V7(TMPA) 是TRMM项目下的最新遥感降水产品, 空间覆盖范围为50°S50°N、180°W180°E, 时间序列长且时空分辨率较高, 可获取19982014年期间的0. 25°×0. 25°空间分辨率和3 h时间分辨率的数据集。该数据集的生成过程, 主要可分为4个部分: (1) 微波降水估计值的校正与融合, 应用TMI和TCI数据校正所有的被动微波数据, 获得校正后的被动微波降水估计值; (2) 红外降水估计值的校正, 应用 (1) 中校正后的被动微波降水估计值校正红外遥感数据; (3) 校正后的微波降水估计值与红外降水估计值的数据融合; (4) 数据融合结果的偏差校正, 将 (3) 中的融合结果A进行累积, 获得月尺度的融合结果B, 再将月尺度的站点降水实测值与B进行融合, 获得卫星与站点的融合结果C, 再计算C/A的比值, 将此比值用于 (3) 中的3 h融合结果A, 达到偏差校正的目的。Chen et al (2013a)对比分析了3B42 V6和V7数据集, 并详细阐述这两个数据集精度的相似性与差异性, 表明新版本V7数据总体优于V6。与V6版本数据集相比, TMPA V7已有较大改善 (Chen et al, 2013a, 2013b):其一, 采用增强的L2 TRMM PR产品, 数据误差得到中小程度改善 (Kirstetter et al, 2013); 其二, 使用全新改进的气候与扰动分析的全球降水气候中心 (Global Precipitation Climatology Centre, GPCC) 数据, 尤其在复杂地形地区数据精度有所提高; 其三, 融合更多卫星观测数据, 包括卫星专用传感器微波成像仪/探测仪 (Special Sensor Microwave Imager/Sounder, SSMIS) 和格网红外数据 (Gridded Satellite B1, Grisat-B1), 有效改善数据分辨率和空间覆盖范围。为了从多个时间尺度对比分析, 通过累加处理, 由3 h的TMPA数据衍生出对应的日、月和年的TMPA降水时间序列。

实测数据来源于中国气象共享网的气象站日观测数据, 独立于TMPA 3B42生成过程中所采用的站点数据。辽宁和山东省分别有27个和16个气象站均匀分布于研究区上 (图 1), 测站基本信息如表 1所列, 而且数据连续性较好。同样地, 将日数据综合处理获得年月的实测降水数据。

3.2 统计指标

从降水量数值上, 分析实测降水数据与TMPA遥感降水数据的差异, 采用相关系数 (R)、相对偏差 (BIAS)、均方根误差 (RMSE)。R可评价这两个不同降水数据源的线性相关程度; BIAS衡量数据的偏差程度, 其值介于-100%~100%之间, 正值表明高估, 负值则表明低估; RMSE表征TMPA与实测降水数据间误差的大小, 侧重于反映较大误差值。另外, ETS统计指标能纠正降水侦探的随机因素, 正确反映卫星侦探降水事件的能力。采用ETS从降水事件角度评价TMPA识别降水事件的能力, 其值在-1/3~1, 最优值为1, 表明TMPA能够完全正确识别降水事件, 与实测情况达到完全一致。这些统计指标的计算公式可参考Wilks (2006)的文献。

4 结果分析 4.1 多时间尺度降水比较分析

在辽宁和山东地区, 三个时间尺度的TMPA与实测降水量总体都呈现较好的一致性, R > 0. 6(图 3), 尤其在年月尺度上, 两者有较强的相关性。但日降水量 > 100 mm以上, 两个数据在辽宁和山东地区分布都较为分散, 一致性有明显减弱。从图 3ad可看出, BIAS统计值在两个地区均为正值, 这说明TMPA在两个地区都存在轻微的高估降水量的现象, 尤其在处于TRMM卫星观测范围之外的辽宁地区表现更为严重, 高估达到8. 89%。TMPA在两个地区的误差总体接近, RMSE值相差微弱。从ETS值上看, TMPA在山东地区所表现的侦测降水事件的能力略强于辽宁。

图 3 辽宁 (a~c) 和山东 (d~f) TMPA和实测降水量的散点分布 从左到右依次是日、月、年尺度的数据, 虚线是1:1最优拟合线 Figure 3 Scatter plots of precipitation from TMPA and the observed in Liaoning (a~c) and Shandong (d~f). From left to right column, precipitation at daily, monthly and annual scale is arranged in the order. Dash line is the perfect fitting line of 1:1

图 3表明TMPA高估降水量的特征可能是自身普遍存在的, 为了深入分析TMPA降水数据在不同降水强度下的精度, 参考通用的降水强度划分标准 (http: //www.mwr.gov.cn/ztpd/2007ztbd/tfwp/tfzs/200709/t20070920_8816.html), 将日降水量分为6个等级, 并进行频率分析 (图 4)。从图 4可看出, 在0~50 mm的日降水量上, 降水事件被高估, 对于更大的降水事件, 高估程度有所缓和。TMPA对0~10 mm的降水事件有较大的高估, 其中辽宁地区高估约2%, 山东地区仅为0. 8%。

图 4 辽宁 (a) 和山东 (b) 不同降水量强度的频率变化 Figure 4 The frequency analysis of daily precipitation with different intensity in Liaoning (a) and Shandong (b)
4.2 降水过程比较

利用两个地区上所有气象站的实测降水量及其对应的TRMM网格上TMPA降水数据, 分别算得1998-2012年期间两个地区的实测与卫星估算的区域平均降水量 (图 5)。通常, TMPA能够较好地捕捉区域降水的月变化过程 (图 5ab), 与实测降水量的趋势较为吻合。在夏季的雨季期间, TMPA略微高估降水量。

图 5 1998-2012年期间区域平均降水年, 月变化过程及其误差 (a)、(d) 辽宁, (b)、(e) 山东, (c) 月降水误差, (d) 年降水误差, (a)~(c) 中的阴影部分表示夏季和冬季 Figure 5 Variation of precipitation and error at monthly and annual timescale region averaged during 19982012. (a), (d) for Liaoning, (b), (e) for Shandong, (c) and (d) is error of precipitation at month and annual scale, respectively. The shaded areas in (a)~(c) are indicated summer and winter

从TMPA和实测降水的年变化 (图 5de) 可看出, TMPA能反映区域年降水的变化特征, 其变化趋势与实际较为一致。然而, TMPA的年降水量存在一定的高估, 尤其在辽宁地区, 高估普遍存在于1998-2012年整个时段, 约为8. 87%。而在山东地区, 高估程度有显著的减弱, 实际区域年降水与TMPA总体是吻合的, 高估仅为2.79%, 仅在2000、2001、2005、2006、2009和2010年等有微弱的高估。图 5f所显示的年降水量误差较为明显地说明了此现象。

4.3 精度统计指标分析

利用两个区域上的实测降水量及其对应的TMPA降水数据, 分别算出1998-2012年期间逐年精度统计值, 分析两个区域的TMPA数据精度的数值分布状况。从统计指标频率 (图 6) 可知, 四个精度统计指标在两个地区的数值分布相似, 均为单峰。R主要集中在0. 6~0. 9之间 (图 6a), 因此TMPA与实测降水有中高强度的相关关系, 两者的一致性程度较高。从BIAS的分布 (图 6b) 可看出, 0%~20%的中小高估在两个地区都占据主导, 在辽宁和山东分别占45. 43%和45. 42%, 其中, > 40%的高估或低估量在TMPA数据中得到有效控制, 其比例都低于5%。RMSE的分布同样反映出这种现象, 高于7 mm的大误差有明显的下降趋势, RMSE值总体分布于5~9 mm区间 (图 6c)。因此, TMPA对降水量的估算精度总体良好。

图 6 辽宁和山东降水精度统计指标R (a)、BIAS (b)、RMSE (c)、ETS (d) 的频率变化 Figure 6 The frequency analysis of accuracy statistical indexes for R (a), BIAS (b), RMSE (c) and ETS (d) in Liaoning and Shandong province

从降水事件的侦测能力看, 两个地区的ETS值分布也比较接近, 呈现单峰形, 0. 3~0. 5是ETS值的主要聚集区 (图 6d)。因此, 在两个地区TMPA能较好地侦测降水事件, 都表现出较好的精度。较低的ETS值 ( < 0. 25) 所占比例都低于5%, 在局部地区TMPA对降水事件的识别精度仍有不足。

4.4 降水的季节分析

对TMPA在不同季节的精度差异进行检验, 将日降水时间序列分为春季 (3-5月)、夏季 (6-8月)、秋季 (9-11月)、冬季 (12月至次日2月), 计算15年各季节的统计指标。通常, TMPA在夏季有更好的精度, 有较佳的精度统计值, 而冬季的数据精度普遍不佳, 精度统计指标值最差 (图 7)。

图 7 四季R(a、b)、BIAS(c、d)、RMSE(e、f) 和ETS(g、h) 的精度统计指标变化 Figure 7 The variation of accuracy indexes for R (a, b), BIAS (c, d), RMSE (e, f) and ETS (g, h) in four seasons. Left: Liaoning, right: Shandong

冬季, 在辽宁和山东地区四个指标的年变化都出现较大的波动, 而其他三个季节总体是平稳变化的。在辽宁地区, R在冬季都较低, 最小仅为0. 01(图 7a)。总体上, TMPA与实测降水量在冬季一致性较弱。山东地区的R值稍微有所改善, 平均值达到0. 37, 显著高于辽宁地区R平均值 (0. 29)。其余三个季节的R值在两个地区差异微弱, 且基本都在0. 5以上, 说明两种降水数据在这三个季节存在中等强度相关性。图 7c两个区域的BIAS指标存在明显的季节差异, 冬季BIAS在两个地区都偏大, 显著高于其余三个季节。但是, TMPA在辽宁地区表现出更为严重的高估降水量的行为, 且其年变化较为剧烈, BIAS甚至达到138%。经过严格的气候校正算法处理, 山东地区的TMPA数据高估程度总体偏弱, 仅在1999年达到最大, 约为75%, 其余年份高估程度基本都控制在15%范围内。

与其他三个指标相比, RMSE夏季期间降水频繁且雨量较大, 误差显著偏高, 可达到10 mm以上; 而在冬季误差较小且波动微弱, 基本在3 mm之内。这两个区域的降水主要都集中于夏季, 能占全年总降水量的60%以上 (图 2a)。但是夏季强降水事件对卫星观测有较大的挑战。由于当前的降水反演算法仍存在不足, 同时受到卫星有限的观测周期限制, 无法精确捕捉强降水过程, 尤其是历时短且雨强大的地形雨, 易于造成TMPA产生较大的误差, 因此RMSE在夏季偏大。

尽管如此, 两个地区的TMPA在夏季仍有最佳的侦探降水事件能力, 夏季ETS较好, 最大可达到0. 53。而TMPA数据在冬季表现不佳, 两个地区ETS平均值均为0. 15。冬季期间, 两个地区的降水主要以冰雪为主, 地面长期存在的冰雪对微波传感器的散射信号产生强干扰作用 (Scheel et al, 2011), 严重影响微波遥感数据的数据质量。作为TMPA产品主要数据源的微波遥感数据, 其数据误差可直接传到最终的数据产品中, 造成TMPA在冬季期间的数据精度总体不佳。

不同强度的降水事件在四季也存在一定的差异 (图 8)。频率分析结果可知, 在辽宁和山东地区, 0~10 mm的降水事件在四季都占主导位置。在辽宁地区, 除了冬季外, TMPA微弱高估了0~10 mm降水事件, 对微弱降水事件的侦探有较好的精度。但辽宁地区的冬季期间, 以降雪为主的降水事件, 对卫星的侦探能力和降水造成了一定了困难。TMPA在山东地区的降水侦探能力也表现较好, 但在春、夏季, 对0~10 mm降水事件的高估程度稍大于辽宁地区。但对比图 8dh可知, 冬季期间, TMPA 3B42数据在山东的精度显著高于辽宁地区。由于在这个时段内, 辽宁地区受于低温影响, 降雪频繁, 而山东地区温度较高, 以雪和水混合的降水事件为主。先前研究已得出, 路面长期覆盖的冰雪对卫星侦探降水事件信号有较大的干扰, 加之遥感降水反演算法对冰雪的考虑不足, 因而造成冰雪覆盖地区的TMPA降水数据精度降低。

图 8 辽宁 (a~d)、山东 (e~h) 四季不同降水量强度的频率变化 从左到右依次为春、夏、秋、冬季 Figure 8 The frequency variation of daily precipitation with different intensity in Liaoning (a~d) and Shandong (e~h) for four seasons. From left to right column, spring, summer, autumn, winter is arranged in the order
5 讨论

TMPA数据融合多源遥感数据, 主要包括红外和被动微波数据, 并引入站点观测数据, 应用先进的算法对遥感数据进行偏差校正。由于卫星数据来源的多样化和卫星平台的差异, 这将使最终的降水反演产品有较大的误差和不确定性 (Xie and Arkin, 1996; Gebremichael et al, 2005)。因此, 从TMPA V6版本数据开始, TMPA降水反演算法采用气候校正算法, 通过建立TRMM卫星获取的高精度观测数据集与其他平台的低分辨率数据集的关系式, 逐步校正各纬度区参与TMPA降水反演的输入数据源, 得到全球范围的高精度卫星降水产品 (Yong et al, 2013)。受制于高精度数据的空间范围限制, 气候校正算法无法应用于高纬度地区 (南北纬38°以外区域)。本文选取两个代表性区域, 分别是位于38°N纬度以内的山东和38°N之外的辽宁, 对比分析了TMPA在两个区域的精度差异和相似性, 初步分析了气候校正算法对TMPA精度的影响。

年、月、日三个时间尺度的降水对比结果表明, TMPA在山东和辽宁地区都表现为高估降水的特征。已有的研究揭示了TMPA在西北干旱区 (杨艳芬和罗毅, 2013)、内蒙古老哈河流域 (Yong et al, 2010) 等中高纬度地区也存在此问题。一些低纬度地区的研究结果亦是如此 (Almazroui, 2011)。另外, 在辽宁地区高估程度更为严重, 达到8. 87%, 比山东地区高约2倍。初步可知, 尽管气候校正算法对TMPA高估降水量的缺陷仍无法有效消除, 但能一定程度上削弱高估程度。但这个高估在水文领域的应用研究中应当值得注意, 通常降水误差能显著影响水量平衡各分量。Pan et al (2010)应用VIC模型评估多种遥感降水产品质量, 指出在中小流域 (103~105 km2), 空间上高度相关的遥感降水误差, 通过模型将误差传递到模拟结果中, 使得径流误差随流域增大而增加, 严重影响径流模拟结果。此外, 通过模型参数调整, 由遥感降水数据驱动水文模型, 通常能得到较好的径流结果, 但是水量平衡其余分量的精度会显著下降 (Bitew et al, 2011; Bitew and Gebremichael, 2011)。因此在实际应用中, 必须谨慎对待TMPA数据的高估缺陷。

TMPA的精度也存在明显的季节差异性, 表现为夏季的精度通常最优, 而冬季最差。先前关于TMPA精度评价的研究在其他地区也得到类似的结论 (Yong et al, 2013; 蔡研聪等, 2014; Peng et al, 2014)。冬季, 在以降雪为主的中高纬地区, 冰雪长期覆盖于地面上。而微波遥感数据利用散射信号反演降水, 冰雪地面能产生强烈的非降水散射信号, 而干扰了有效的降水散射信号 (Scheel et al, 2011)。另外, 冷气团和积雪也严重影响红外遥感数据的降水反演精度。这两类数据都是TMPA反演所需的主要输入源, 由此导致冬季期间的TMPA数据精度普遍较差。但从辽宁和山东地区的统计指标对比结果可看出, 气候校正算法对冬季的TMPA数据精度有一定的改善。TMPA与实测降水量的相关性有所提高, 山东地区的R平均值达到0. 37, 显著高于辽宁地区 (0. 29)。另外, 冬季TMPA的高估程度也得到了有效控制, 山东地区的BIAS通常都处于15%以内, 而辽宁地区最大高估程度甚至达到138%。

6 结论

(1) TMPA在TRMM卫星观测范围内外区域均高估降水量, 但气候校正算法 (CCA) 的应用有效减弱了数据校正区域 (山东) 的TMPA的高估程度, 削减幅度可达2倍。

(2) 从降水强度分布看, TMPA的高估主要表现在0~10 mm降水事件, 而且在校正算法可应用区域之外的辽宁地区, 高估仍然更为严重, 约为2%, 山东地区仅为0. 8%。由于在南北纬40°区域内, 高质量的卫星数据数量多且覆盖率高, 经过CCA处理后, TMPA数据质量会显著高于高纬度地区, 有效控制误差, 提高数据精度。

(3) 气候校正算法对冬季时期的TMPA数据质量改善明显, 提高了相关系数R值 (由辽宁地区0. 29升高至山东地区的0. 37), 并降低了BIAS

(4) 虽然TMPA的高估一定程度上影响其应用, 但对辽宁与山东地区的年月降水过程分析说明, 总体上TMPA能够较好捕捉年月降水的变化过程, 可反映其多年的趋势, 这对无实测资料区域的降水和水文研究有重要的参考和指导意义, 可初步了解区域的降水年际变化特征。

参考文献
Almazroui M. 2011. Calibration of TRMM rainfall climatology over Saudi Arabia during 1998-2009[J]. J Atmos Res, 99(3): 400–414.
Anders A M, Roe G H, Hallet B, et al. 2006. Spatial patterns of precipitation and topography in the Himalaya[J]. Geol Soc Spec Pap, 398: 39–53.
Bitew M M, Gebremichael M, Ghebremichael L T, et al. 2011. Evaluation of high-resolution satellite rainfall products through streamflow simulation in a hydrological modeling of a small mountainous watershed in Ethiopia[J]. J Hydrometeor, 13(1): 338–350.
Bitew M M, Gebremichael M. 2011. Evaluation of satellite rainfall products through hydrologic simulation in a fully distributed hydrologic model[J]. Water Resour Res, 47(6): W06526.
Chen S, Hong Y, Cao Q, et al. 2013a. Similarity and difference of the two successive V6 and V7 TRMM multisatellite precipitation analysis performance over China[J]. J Geophys Res:Atmos, 118(23): 2013JD019964.
Chen S, Hong Y, Gourley J J, et al. 2013b. Evaluation of the successive V6 and V7 TRMM multisatellite precipitation analysis over the Continental United States[J]. Water Resour Res, 49(12): 8174–8186. DOI:10.1002/wrcr.v49.12
Gebremichael M, Krajewski W F, Morrissey M L, et al. 2005. A detailed evaluation of GPCP 1° daily rainfall estimates over the Mississippi river basin[J]. J Appl Meteor, 44(5): 665–681. DOI:10.1175/JAM2233.1
Giglio L, Kendall J D, Tucker C J. 2000. Remote sensing of fires with the TRMM VIRS[J]. Int J Remote Sens, 21(1): 203–207. DOI:10.1080/014311600211109
Hong Y, Adler R, Negri A, et al. 2007. Flood and landslide applications of near real-time satellite rainfall products[J]. Nat Hazards, 43(2): 285–294. DOI:10.1007/s11069-006-9106-x
Hsu K L, Gao X G, Sorooshian S, et al. 1997. Precipitation estimation from remotely sensed information using artificial neural networks[J]. J Appl Meteor, 36(9): 1176–1190. DOI:10.1175/1520-0450(1997)036<1176:PEFRSI>2.0.CO;2
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]. J Hydrometeor, 8(1): 38–55. DOI:10.1175/JHM560.1
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]. J Hydrometeor, 5(3): 487–503. DOI:10.1175/1525-7541(2004)005<0487:CAMTPG>2.0.CO;2
Kidd C, Huffman G. 2011. Global precipitation measurement[J]. Meteor Appl, 18(3): 334–353. DOI:10.1002/met.v18.3
Kirstetter P-E, Hong Y, Gourley J J, et al. 2013. Comparison ofTRMM 2A25 products, version 6 and version 7, with NOAA/NSSL ground radar-based national mosaic QPE[J]. J Hydrometeor, 14(2): 661–669. DOI:10.1175/JHM-D-12-030.1
Pan M, Li H, Wood E. 2010. Assessing the skill of satellite-based precipitation estimates in hydrologic applications[J]. Water Resour Res, 46(9): W09535.
Peng B, Shi J, Ni-Meister W, et al. 2014. Evaluation of TRMM multisatellite precipitation analysis (TMPA) products and their potential hydrological application at an arid and semiarid basin in China[J]. IEEE J Sel Topics Appl Earth Observ Remote Sens, 7(9): 3915–3930. DOI:10.1109/JSTARS.2014.2320756
Scheel M, Rohrer M, Huggel C, et al. 2011. Evaluation of TRMM multi-satellite precipitation analysis (TMPA) performance in the central Andes region and its dependency on spatial and temporal resolution[J]. Hydrol Earth Syst Sci, 15(8): 2649–2663. DOI:10.5194/hess-15-2649-2011
Sorooshian S, Hsu K-L, Gao X, et al. 2000. Evaluation of persiann system satellite-based estimates of tropical rainfall[J]. Bull Amer Meteor Soc, 81(9): 2035–2046. DOI:10.1175/1520-0477(2000)081<2035:EOPSSE>2.3.CO;2
Wilks D S.2006.Statistical methods in the atmospheric sciences[M].San Diego, California:Academic Press.
Xie P, Arkin P A. 1996. Analyses of global monthly precipitation using gauge observations, satellite estimates, and numerical model predictions[J]. J Climate, 9(4): 840–858. DOI:10.1175/1520-0442(1996)009<0840:AOGMPU>2.0.CO;2
Yong B, Chen B, Gourley J J, et al. 2014a. Intercomparison of the version-6 and version-7 TMPA precipitation products over high and low latitudes basins with independent gauge networks:Is the newer version better in both real-time and post-real-time analysis for water resources and hydrologic extremes?[J]. J Hydrol, 508(1): 77–87.
Yong B, Liu D, Gourley J J, et al. 2014b. Global view of real-timeTRMM multi-satellite precipitation analysis:Implication to its successor global precipitation measurement mission[J]. Bull Amer Meteor Soc: 283–296.
Yong B, Ren L, Hong Y, et al. 2013. First evaluation of the climatological calibration algorithm in the real-timeTMPA precipitation estimates over two basins at high and low latitudes[J]. Water Resour Res, 49(5): 2461–2472. DOI:10.1002/wrcr.20246
Yong B, Re nL, Hong Y, et al. 2010. 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 Resour Res, 46(7): W07542.
蔡研聪, 金昌杰, 王安志, 等. 2014. 中高纬度地区TRMM卫星降雨数据的精度评价[J]. 应用生态学报, 25(11): 3296–3306. Cai Yancong, Jin Changjie, Wang Anzhi, et al. 2014. Accuracy evaluation of the TRMM satellite-based precipitation data over the mid-high latitudes[J]. Chinese J Appl Ecol, 25(11): 3296–3306.
陈英英, 唐仁茂, 李德俊, 等. 2013. 利用雷达和卫星资料对一次强对流天气过程的云结构特征分析[J]. 高原气象, 32(4): 1148–1156. Chen Yingying, Tang Renmao, Li Dejun, et al. 2013. Analysis on cloud structure of a severe convective storm using radar and satellite data[J]. Plateau Meteor, 32(4): 1148–1156.
傅云飞, 李宏图, 自勇. 2007. TRMM卫星探测青藏高原谷地的降水云结构个例分析[J]. 高原气象, 26(1): 98–106. Fu Yunfei, Li Hongtu, Zi Yong. 2007. Case study of precipitation cloud structure viewed by TRMM satellite in a valley of the Tibetan Plateau[J]. Plateau Meteor, 26(1): 98–106.
傅云飞, 宇如聪, 徐幼平, 等. 2003. Trmm测雨雷达和微波成像仪对两个中尺度特大暴雨降水结构的观测分析研究[J]. 气象学报, 61(4): 421–431. Fu Yunfei, Yu Rucong, Xu Yongping, et al. 2003. Analysis on precipitation structure of two heavy rain cases by using TRMM PR and IMI[J]. Acta Meteor Sinica, 61(4): 421–431.
高晓荣, 梁建茵, 李春晖, 等. 2013. 多平台 (雷达、卫星、雨量计) 降水信息的融合技术初探[J]. 高原气象, 32(2): 549–555. Gao Xiaorong, Liang Jianyin, Li Chunhui, et al. 2013. Preliminary studies on merged techniques based on precipitation information from multiplatform (radar, satellite and rain gauge)[J]. Plateau Meteor, 32(2): 549–555.
蒋璐君, 李国平, 母灵, 等. 2014. 基于TRMM资料的西南涡强降水结构分析[J]. 高原气象, 33(3): 607–614. DOI:10.7522/j.issn.1000-0534.2013.00094 Jiang Lujun, Li Guoping, Mu Ling, et al. 2014. Structure analysis of heavy precipitation caused by southwest vortex based on TRMM data[J]. Plateau Meteor, 33(3): 607–614. DOI:10.7522/j.issn.1000-0534.2013.00094
李典, 白爱娟, 黄盛军. 2012. 利用TRMM卫星资料对青藏高原地区强对流天气特征分析[J]. 高原气象, 31(2): 304–311. Li Dian, Bai Aijuan, Huang Shengjun. 2012. Characteristic analysis of a severe convective weather over tibetan plateau based on TRMM data[J]. Plateau Meteor, 31(2): 304–311.
骆三, 苗峻峰, 牛涛, 等. 2011. TRMM测雨产品3B42与台站资料在中国区域的对比分析[J]. 气象, 37(9): 1081–1090. Luo San, Miao Junfeng, Niu Tao, et al. 2011. A comparison of TRMM 3B42 products with rain gauge observations in China[J]. Meteor Mon, 37(9): 1081–1090.
杨艳芬, 罗毅. 2013. 中国西北干旱区TRMM遥感降水探测能力初步评价[J]. 干旱区地理, 36(3): 371–382. Yang Yanfen, Luo Yi. 2013. Evaluation on detective ability of TRMM remote sensing precipitation in arid region of northwest China[J]. Arid Land Geogr, 36(3): 371–382.
叶培龙, 王天河, 尚可政, 等. 2014. 基于卫星资料的中国西部地区云垂直结构分析[J]. 高原气象, 33(4): 977–987. DOI:10.7522/j.issn.1000-0534.2013.00158 Ye Peilong, Wang Tianhe, Shang Kezheng, et al. 2014. Analysis of cloud vertical structure over western China based on active satellite data[J]. Plateau Meteor, 33(4): 977–987. DOI:10.7522/j.issn.1000-0534.2013.00158
赵姝慧, 班显秀, 袁健, 等. 2014. 8、9月沈阳地区卫星观测云垂直结构的气候特征分析[J]. 高原气象, 33(6): 1640–1647. DOI:10.7522/j.issn.1000-0534.2013.00113 Zhao Shuhui, Ban Xianxiu, Yuan Jian, et al. 2014. Statistical analysis on climate characteristics of the cloud vertical structure using satellite in Shenyang region during august and september[J]. Plateau Meteor, 33(6): 1640–1647. DOI:10.7522/j.issn.1000-0534.2013.00113
Influence of Climatological Calibration Algorithm on Accuracy of TMPA 3B42 V7 Product
CAI Yancong1,2 , XU Leilei3 , JIN Changjie1 , WANG Anzhi1 , GUAN Dexin1 , WU Jiabing1 , YUAN Fenghui1 , BU Changqian4     
1. Chinese Academy of Sciences Key Laboratory of Forest Ecology and Management, Institute of Applied Ecology, Shenyang 110016, China;
2. South China Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences, Guangzhou 510300, China;
3. Institute of Scientific and Technical Information, CATAS, Danzhou 571737, China;
4. Feixian County Bureau of Environmental Protection, Linyi 273400, China
Abstract: The satellite-based precipitation is a key data source for investigating regional precipitation, especially over ungauged area, which can improve the knowledge of understanding pattern of precipitation.However, due to the limited spatial coverage of calibration data, for the widely used Tropical Rainfall Measuring Mission (TRMM) Multi-satellite Precipitation Analysis (TMPA) 3B42 data, the new Climatological Calibration Algorithm (CCA) fails to effectively implement in the mid-high latitude regions, which leads to much more uncertainties and errors exist in TMPA.Two representative regions with similar climate and topography are selected, which located inside and outside the coverage of TRMM satellites (38°N, 38°S), respectively.The similarity and difference in data accuracy between two regions are analyzed by four statistical indexes to reveal the effect of CCA on TMPA, based on observation data from weather stations during 1998-2012.The results indicate that there is a general overestimation of precipitation at daily, monthly and annual scale in both regions.Particularly, precipitation event ranging from 0 and 10 mm is severely overestimated.Though CCA can not get rid of this overestimation, the degree of overestimation is alleviated to some degree.It is clear that the degree of overestimation is higher in Liaoning with 8.87% than that in Shandong with 2.79%.In terms of variation of precipitation, the monthly and annual precipitation can be regenerated by TMPA.TMPA follow the similar trends to the observed.It is noted that, an unsatisfactory accuracy is shown for two regions with large fluctuations in annual variation during winter.But the application of CCA in TMPA in Shandong, makes an improvement in correlation between two precipitation datasets and weaken the degree of overestimation of precipitation by TMPA.
Key Words: Overestimation    TMPA 3B42    Statistical index