2018, Vol. 37
2. 安徽省气象科学研究所安徽省大气科学与卫星遥感重点实验室, 安徽 合肥 230031
长期以来, 降水监测主要依赖于地面雨量站网, 但雨量站网只能直接观测到若干离散的点状降水信息, 且其监测能力受站网密度及空间分布形态的影响。20世纪90年代末以来, 卫星遥感技术的快速发展为全球及区域性连续降水观测提供了一种新途径, 各种卫星降水反演数据SRE(Satellite Rainfall Estimation)不断涌现。在国际降水工作组IPWG(International Precipitation Work Group)的推动下, 国内外学者针对SRE的精度开展了一系列评估和验证。根据学者们大量研究(Ebert et al, 2007; Hu et al, 2013; Li et al, 2013; Shen et al, 2010; Yong et al, 2015; 李蒙等, 2016;杨星等, 2017)发现, SRE对于区域降水过程已具备了一定的动态监测能力。然而, 由于强降水过程易引发洪水、内涝、滑坡、泥石流等自然灾害, 故相比于常规性降水监测, 在防灾减灾领域更关注卫星对强降水的实时监测能力。因此, 近年国内外开始重点关注近实时SRE(Near Real Time SRE, NRT-SRE)对于强降水过程的监测能力。如Habib et al(2009)发现TRMM 3B42RT V7(Tropical Rainfall Measuring Mission 3B42RT version7)能够追踪美国路易斯安那州强降水的动态变化, 但对累积降水量的估计误差高达±50%。胡庆芳(2013)在网格尺度上评价了3B42RT V7等多种NRT-SRE对赣江流域不同等级日降水事件的反映能力, 结果显示SRE对于大雨和暴雨事件的综合辨识精度有较大不足。Chen et al(2013, 2014)研究表明PERSIANN-CCS(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Cloud Classification System)等多种NRT-SRE对2009年“莫拉克”台风雨和2012年“北京7·21”暴雨的落区、累积降水量等的描述均存在较大偏差。Tang et al(2017)指出3B42RT V7与2016年6月中国南方地区暴雨过程的一致性较高, 但严重高估了日降水量。
总体上, NRT-SRE对强降水过程的监测能力仍有很大不足, 这是影响其实用性的重要问题之一。而要逐步解决这一问题, 还需在不同地理和气候背景区域, 针对NRT-SRE监测强降水过程的性能进行大量的实证研究, 以深化对数据误差特征与成因的认识。为此, 针对2017年6月10日南京及其周边地区发生的一次破历史记录的极端性强降水过程, 从累积降水量及其落区、雨量时序变化等方面综合评估TRMM 3B42RT V7、IMERG Early、IMERG Late、GSMaP NRT和GSMaP NRT Gauge共5种近实时卫星数据的监测效果, 以深化对不同数据误差特征的认识, 并为NRT-SRE质量的改进及应用提供参考。
2 研究对象与资料选取 2.1 研究对象南京位于我国东部, 地处长江中下游。全市总面积约6 597 km2, 属亚热带季风湿润气候区。多年平均降水量为1 058 mm, 汛期(5-9月)降水量约占全年的60%, 强降雨类型主要为梅雨、台风雨以及局地对流性降雨。近年来, 南京市城镇化进程加快, 2016年城镇化率已达82%(南京市人民政府, 2017)。在城镇化推进过程中, 南京城区大雨和暴雨事件的发生有增多迹象(周建康等, 2003)。如“20140706”“20150602”和“20160707”等极端性暴雨事件对全市排水防涝均形成严峻考验, 产生了较大的社会影响。
受到江淮气旋和暖湿气流增强的共同影响, 2017年6月10日南京市发生了一次破历史记录的极端性强降水过程(记为“20170610”极端性强降水过程), 南京站、浦口站24 h累积雨量均超过240 mm, 为南京市有降雨记录以来之最, 重现期在100年一遇以上。全市大范围降水的主要时段为6月10日00:00(北京时, 下同)-18:00, 其中08:00-10:00, 南京主城区、浦口区、江宁区等地3 h累积雨量超过100 mm。强降水导致南京主城区出现了16处较大的积水点, 32座中小型水库紧急开闸放水。全市进入紧急防汛状态, 出动了5 000余人进行应急抢险。针对此次强降水过程, 以南京及周边地区为研究范围[118.3°E-119.3°E, 31.2°N-32.7°N, 图 1(文中所涉及的地图是基于www.gadm.org下载的中国2015年全国县级矢量数据绘制的)], 开展多种NRT-SRE监测能力的分析对比。
|
图 1 南京市及周边自动雨量计分布 Figure 1 Spatial distribution of automatic rainfall gauges over Nanjing City and the surrounding areas |
(1) 地面降水观测数据
气象部门在南京及周边地区布置了高密度的雨量站网(共325个自动雨量计, 约56 km2就有1个雨量计, 其空间分布如图 1所示), 记录了6月10日00:00-18:00逐小时降水量。雨量数据质量经过了气候学界限值、区域界限值、时间一致性等环节的检查(沈艳等, 2013)。基于雨量计观测数据, 采用两阶段反距离加权法TIDW(Two-stage Inverse Distance Weighting method)(Thornton et al, 1997)进行空间插值, 得到了1 h、0.1°时空分辨率的地面降水场, 以此作为评估NRT-SRE精度的基准数据。
(2) NRT-SRE
收集了与地面降水数据同期的5种NRT-SRE, 分别是TRMM 3B42RT V7(Huffman et al, 2007)、IMERG (Integrated Multi-satellitE Retrievals for Global Precipitation Measurement)Early和IMERG Late(Huffman et al, 2015), GSMaP NRT(GSMaP in Near Real Time)(Kubota et al, 2007)和GSMaP NRT Gauge(GSMaP NRT with Gauge-adjusted)(Ushio et al, 2016), 其基本信息如表 1所示。TRMM、IMERG、GSMaP是目前国际降水定量估计领域主流性的卫星降水数据。其中, TRMM采用被动微波与热红外融合算法TMPA(TRMM Multisatellite Precipitation Analysis)反演降水, 3B42RT V7为TRMM数据集中最新版本的近实时数据。IMERG Early和IMERG Late是建立在TRMM的后续降水观测计划-GPM(Global Precipitation Mission)(Hou et al, 2014)基础上的2种近实时卫星数据, 其主要降水反演算法均为IMERG, 但IMERG Late的延时较长。GSMaP NRT同样以GPM核心平台观测数据及其他卫星遥感信息为输入, 但采用GPM-GSMaP算法反演降水量; GSMaP NRT Gauge则在GPM-GSMaP反演的基础上, 基于GSMaP NRT Gauge与GSMaP NRT历史数据的经验相关系数对雨量进行了修正(Ushio et al, 2016)。总体上, 3B42RT V7是一种由TRMM向GPM的过渡性数据, 而其他4种降水数据反演过程中均采用了GPM卫星观测信息, 可称之为GPM时代的近实时卫星降水数据。
|
表 1 近实时卫星降水数据的基本信息 Table 1 Basic information of NRT-SRE |
针对TRMM 3B42RT V7空间分辨率与其他数据不一致的问题, 采用IDW插值法(胡庆芳, 2013)将其降尺度至0.1°空间分辨率, 同时视该数据3 h时段内降水强度不变, 将其分解为1 h步长的降水序列。对于2种IMERG数据, 则对2个相邻0.5 h时段内的降水强度数据进行均值化处理, 得到1 h的降水强度时间序列。
3 精度评价方法综合采用定量指标和分类指标, 对NRT-SRE监测“20170610”极端性强降雨的累积雨量与降水过程的能力进行评估。其中, 定量指标包括相对误差RB(Relative Bias)、均方根误差RMSE(Root-Mean-Squared Error)和相关系数CC(Correlation Coefficient)。RB与RMSE可评估卫星数据估测降水的定量偏差, CC则反映了卫星降水数据与地面雨量观测数据的时空一致性。若RB与RMSE较小、CC较高, 则NRT-SRE的定量监测精度较高。在分类指标方面, 常用的探测率POD(Probability of Detection)、误报率FAR(False Alarm Ratio)、临界成功指数CSI(Critical Success Index)等指标不能反映不同降水量级的差异性, 对于强降水事件探测能力的表征具有明显缺陷。因此, 采用Aghakouchak et al(2013)提出的体积分类指标, 包括体积探测指数VHI(Volumetric Hit Index)、体积误报率VFAR(Volumetric False Alarm Ratio)和体积临界成功指数VCSI(Volumetric Critical Success Index), 其计算公式如下:
| $ VHI = \frac{{\sum _{i = 1}^N({S_i}|{S_i} > T\mathit{＆ }{G_i} > T)}}{{\sum _{i = 1}^N({S_i}|{S_i} > T\mathit{＆ }{G_i} > T) + \sum _{i = 1}^N({G_i}|{S_i} \le T\mathit{＆ }{G_i} > T)}}, $ | (1) |
| $ VFAR = \frac{{\sum _{i = 1}^N({S_i}|{S_i} > T\mathit{＆ }{G_i} > T)}}{{\sum _{i = 1}^N({S_i}|{S_i} > T\mathit{＆ }{G_i} > T) + \sum _{i = 1}^N({G_i}|{S_i} \le T\mathit{＆ }{G_i} > T)}}, $ | (2) |
| $ VCSI = \frac{{\sum _{i = 1}^N({S_i}|{S_i} > T\mathit{＆ }{G_i} > T)}}{{\sum _{i = 1}^N[({S_i}|{S_i} > T\mathit{＆ }{G_i} > T) + {G_i}|{S_i} \le T\mathit{＆ }{G_i} > T + ({S_i}|{S_i} > T\mathit{＆ }{G_i} \le T)]}}, $ | (3) |
式中: N为样本总数; 对于时序精度分析, Si与Gi分别为空间评价单元第i时段对应的NRT-SRE与地面观测的降水强度; 对于空间精度分析, Si与Gi分别指在第i网格对应的NRT-SRE与地面观测的累积雨量或某时段降水强度。T为降水事件的阈值, 取T=0.1 mm·h-1。
VHI与VCSI越大、VFAR越小, 则NRT-SRE对降水事件的探测能力越高。体积分类指标是常规分类指标的扩展, 能更好的反映对强降水事件的分类辨识能力。需要说明的是, 上述指标既可用于时序精度评估, 也可用于空间精度评估(胡庆芳, 2013)。对于累积雨量, 本文在0.1°×0.1°网格尺度上评估NRT-SRE的空间精度; 对于降雨过程, 首先在区域尺度上分析NRT-SRE再现降水过程的时序精度, 然后在0.1°×0.1°网格尺度研究NRT-SRE空间精度的时序变化。
4 结果分析与讨论 4.1 累积雨量通过地面观测和NRT-SRE对应的“20170610”强降水过程累积雨量的空间分布(图 2)可以看出, 地面累积雨量在空间上呈现中部高、南北低的特征, 降雨中心位于江宁区、浦口区和主城区。5种NRT-SRE中, 只有2种GSMaP数据能够大致反映累积降水量的空间分布格局, 但低估了地面观测雨量; 而2种IMERG数据与3B42RT V7的雨量中心不明显, 对累积雨量空间分布格局的辨识能力明显不足。
|
图 2 0.1°×0.1°网格尺度上地面观测与NRT-SRE的“20170610”极端性强降水累积雨量空间分布 Figure 2 Spatial patterns of accumulated rainfall in the extreme heavy rainfall process on 10 June 2017 (abbreviated as 20170610 EHRP) based on ground observations and NRT-SRE at 0.1°×0.1° grid scale |
从0.1°×0.1°网格尺度上NRT-SRE与地面雨量计观测的“20170610”极端性强降水过程累计雨量对比(图 3)可知, GSMaP NRT、GSMaP NRT Gauge和IMERG Early对应的空间相关系数CC超过0.70, 而3B42RT V7、IMERG Late分别仅为0.57和0.59, 这说明前3种数据对地面累积雨量空间变异性的表征能力明显要强于后2种数据。而由RB指标可知, IMERG Early、IMERG Late、GSMaP NRT与GSMaP NRT Gauge总体上明显低估了地面累积雨量, 其中GSMaP NRT相对好于另外3种数据; 3B42RT V7对应的RB接近于零, 但该数据在北部、东部高估而在其他区域低估, 因此其与地面雨量的空间一致性实际上较差。从RMSE来看, GSMaP NRT的定量误差在所有数据中也是最低的, 这可能是因为研制GSMaP NRT时, 在常规微波/红外数据源的基础上加入了JMA(Japan Meteorological Agency)的预报信息辅助降水反演(Maggioni et al, 2016); 而GSMaP NRT Gauge的反演校准过程中采用的是历史地面降水观测数据与GSMaP NRT的相关系数而非实时降水观测数据, 反而增加了新的不确定性(Ushio et al, 2016)。2种IMERG数据的RMSE在5种数据中最高, 表明IMERG反演算法仍有提升空间, 要在短期内替代其他数据还不现实。另外, IMERG Late输出时采用了目标时刻前后的观测数据进行向前和向后推演云移动矢量, 而IMERG Early仅根据目标时刻之前数据向前推演(Huffman et al, 2015), 计算结果上呈现出IMERG Late的RB与RMSE均有所改善。
|
图 3 0.1°×0.1°网格尺度上NRT-SRE与地面雨量计观测的“20170610”极端性强降水过程累积雨量对比 Figure 3 Comparison of the accumulated rainfall in the 20170610 EHRP derived from NRT-SRE and ground gauges at the scale of 0.1°×0.1° |
NRT-SRE对于强降水过程的动态跟踪能力也是定量降水估计领域关注的重点之一。图 4给出了卫星和地面降水数据对应的南京全市和江宁区(降水中心区之一)降水强度时序变化。对南京全市而言, 5种NRT-SRE不仅峰值存在明显延迟, 且显著低估了地面降水量。对于江宁区, 各NRT-SRE的问题同样如此。总体上, 3B42RT V7和GSMaP NRT与地面雨量观测过程的对应性要更好一些, 而2种IMERG数据最差。
|
图 4 地面雨量计和NRT-SRE估计的南京市与江宁区“20170610”极端性强降水过程 Figure 4 The 20170610 EHRP over Nanjing City and Jiangning district estimated from ground gauges and NRT-SRE |
表 2给出了5种NRT-SRE监测的南京全市和江宁区(江宁区面积约1 577 km2)降水过程的时序精度指标。从RB来看, 各卫星降水数据低估区域平均降水强度15.9%~64.6%, 其中3B42RT V7的误差最小, GSMaP NRT次之, 同时两者的RMSE值也明显小于其他数据; 2种GSMaP和3B42RT V7的时间相关系数均高于2种IMERG数据, 表明前者与地面雨量的时序同步性相对较强。在分类指标方面, 各数据的VHI、VCSI均接近或等于1、VFAR均为0, 反映出NRT-SRE对该次降水过程基本不存在漏报、误报现象, 对降水有无的辨识能力较高。相比南京全市, 各NRT-SRE在江宁区的定量和分类精度均有所降低, 综合精度较高的数据仍为3B42RT V7和GSMaP NRT。
|
|
表 2 NRT-SRE对南京市与江宁区“20170610”极端性强降水过程的监测精度指标 Table 2 Metrics of NRT-SRE for monitoring the "20170610" EHRP over Nanjing City and Jiangning District |
图 5进一步在0.1°×0.1°网格尺度上分析了各卫星数据对应的定量和分类精度指标在时间上的变化。3B42RT V7对应的RB在时间上起伏较大, 正负偏差均比较突出, 而其他数据则几乎全程为负值。各NRT-SRE对应的RMSE时序变化规律大致相同。相关系数的变化则相对复杂, 2种GSMaP数据的相关系数基本一致且均明显大于零, 说明其与地面雨量的空间一致性比较稳定; 而其他数据的CC变幅较大, 3B42RT V7、IMERG Late甚至在降雨初期为负相关。分类指标方面, 3B42RT V7与IMERG Late的VHI在6月10日06:00之前明显高于其他3种数据, 但VHI的改善是以VFAR的增加为代价的, 3B42RT V7的VFAR甚至在较长时段高于其他数据。从VCSI看, 2种GSMaP数据的综合分类精度仍是最高的, 且在时序上比较稳定; IMERG Late与IMERG Early相比, 在降雨初期对探测能力的提升比较明显。
|
图 5 0.1°×0.1°网格尺度上NRT-SRE监测“20170610”极端性强降水过程的精度指标时序变化 Figure 5 Temporal variation of metrics for NRT-SRE monitoring the 20170610 EHRP at the scale of 0.1°×0.1° |
综合5种NRT-SRE的各项精度指标时序变化特征, 可知在0.1°×0.1°网格尺度上GSMaP NRT对“20170610”极端性强降水过程综合监测能力优于其他4种数据。
5 结论与讨论针对南京及其周边地区“20170610”极端性强降水过程, 以高密度的地面雨量站网观测数据为基准, 从区域、网格尺度综合评估了GSMaP NRT等5种主流性NRT-SRE对降水时空变化的监测能力。主要结论如下:
(1) 在累积雨量方面, 2种GSMaP数据大致反映了南京“20170610”降水事件累积降水量中部高、南北低的空间变异特征; 而2种IMERG和3B42RT V7数据基本上未能辨识累积雨量的空间分布格局。同时, 除3B42RT V7外, 其他4种数据则对南京及其周边地区降水量均显著低估。
(2) 在降水强度时序变化方面, 5种NRT-SRE均能正确探测到南京“20170610”降水过程, 但无论在区域尺度上还是网格尺度上, 其监测和跟踪此次极端性强降水过程的定量误差均比较突出, 同时存在雨峰时间滞后、峰值低估的问题。
(3) 对于南京“20170610”极端强降水过程, GSMaP NRT的综合精度在5种数据中相对较高。相比3B42RT V7这种由TRMM向GPM的过渡性数据, GSMaP NRT对雨量时空分布的监测能力具有明显改善, 而2种IMERG数据的表现尚不及3B42RT V7。
总体上, 即使以高密度的地面雨量站网观测数据为基准, 5种主流性NRT-SRE, 特别是GSMaP NRT在对南京“20170610”极端性强降水过程的监测上展现了一定的积极效果, 但NRT-SRE的定量监测精度不够理想。本文虽仅为一次个例研究, 但再次证实了近实时卫星降水数据在中小尺度区域降水时空变化监测上仍有很大改善空间, 这是GPM时代卫星降水数据研制走向实用化过程中需要解决的重要问题之一。
Agha K A, Mehran A. 2013. Extended contingency table:Performance metrics for satellite observations and climate model simulations[J]. Water Res Res, 49(10): 7144–7149.
DOI:10.1002/wrcr.20498 |
|
Chen S, Hong Y, Cao Q, et al. 2013. Performance evaluation of radar and satellite rainfalls for Typhoon Morakot over Taiwan:Are remote-sensing products ready for gauge denial scenario of extreme events?[J]. J Hydrol, 506(25): 4–13.
DOI:10.1016/j.jhydrol.2012.12.026 |
|
Chen S, Liu H, You Y, et al. 2014. Evaluation of high-resolution precipitation estimates from satellites during July 2012 Beijing flood event using dense rain gauge observations[J]. PloS one, 9(4): e89681.
DOI:10.1371/journal.pone.0089681 |
|
Ebert E E, Janowiak J E, Kidd C. 2007. Comparison of near-real-time precipitation estimates from satellite observations and numerical models[J]. Bull Amer Meteor Soc, 88(1): 47–64.
DOI:10.1175/BAMS-88-1-47 |
|
Habib E, Henschke A, Adler R F. 2009. Evaluation of TMPA satellite-based research and real-time rainfall estimates during six tropical-related heavy rainfall events over Louisiana, USA[J]. Atmos Res, 94(3): 373–388.
DOI:10.1016/j.atmosres.2009.06.015 |
|
Hou A Y, Kakar R K, Neeck S, et al. 2014. The global precipitation measurement mission[J]. Bull Amer Meteor Soc, 95(5): 701–722.
DOI:10.1175/BAMS-D-13-00164.1 |
|
Hu Q F, Yang D W, Wang Y T, et al. 2013. Accuracy and spatio-temporal variation of high resolution satellite rainfall estimate over the Ganjiang River Basin[J]. Sci China Technol Sci, 56(4): 853–865.
DOI:10.1007/s11431-013-5176-7 |
|
Huffman G J, Bolvin D T, Nelkin E J. 2015. Integrated Multi-satellitE Retrievals for GPM (IMERG) technical documentation[J]. NASA/GSFC Code, 612: 47.
|
|
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:10.1007/978-90-481-2915-7_1 |
|
Kubota T, Shige S, Hashizume H, et al. 2007. Global precipitation map using satellite-borne microwave radiometers by the GSMaP project:Production and validation[J]. IEEE Trans Geosci Remote Sens, 45(7): 2259–2275.
DOI:10.1109/TGRS.2007.895337 |
|
Li Z, Yang D, Hong Y. 2013. Multi-scale evaluation of high-resolution multi-sensor blended global precipitation products over the Yangtze River[J]. J Hydrol, 500: 157–169.
DOI:10.1016/j.jhydrol.2013.07.023 |
|
Maggioni V, Meyers P C, Robinson M D. 2016. A review of merged high-resolution satellite precipitation product accuracy during the Tropical Rainfall Measuring Mission (TRMM) era[J]. J Hydrometeor, 17(4): 1101–1117.
DOI:10.1175/JHM-D-15-0190.1 |
|
Shen Y, Xiong A, Wang Y, et al. 2010. Performance of high-resolution satellite precipitation products over China[J]. J Geophys Res Atmos, 115(D2): 355–365.
DOI:10.1029/2009JD012097 |
|
Tang G, Zeng Z, Ma M, et al. 2017. Can near-real-time satellite precipitation products capture rainstorms and guide flood warning for the 2016 summer in South China?[J]. IEEE Geosci Remote Sens Lett, 14(8): 1208–1212.
DOI:10.1109/LGRS.2017.2702137 |
|
Thornton P E, Running S W, White M A. 1997. Generating surfaces of daily meteorological variables over large regions of complex terrain[J]. J Hydrol, 190(3/4): 214–251.
DOI:10.1016/S0022-1694(96)03128-9 |
|
Ushio T, Mega T, Kubota T, et al, 2016. Near real time product of the gauge adjusted GSMaP (GSMaP_Gauge_NRT)[C]//Geosci Remote Sens Symposium (IGARSS). IEEE, 3919-3922. DOI: 10.1109/IGARSS.2016.7730018.
|
|
Yong B, Liu D, Gourley J J, et al. 2015. Global view of real-time TRMM multisatellite precipitation analysis:implications for its successor global precipitation measurement mission[J]. Bull Amer Meteor Soc, 96(2): 283–296.
DOI:10.1175/BAMS-D-14-00017.1 |
|
胡庆芳, 2013. 基于多源信息的降水空间估计及其水文应用研究[D]. 北京: 清华大学.
Hu Q F, 2013. Rainfall spatial estimation using muti-source information and its hydrological application[D]. Beijng: Tsinghua University.
|
|
李蒙, 秦天玲, 刘少华, 等. 2017. 怒江上游TRMM 3B42V7降水产品资料时空验证及降水特征分析[J]. 高原气象, 36(4): 950–959.
Li M, Qin T L, Liu S H, et al. 2017. Spatial-temporal validation of TRMM 3B42V7 precipitation products and analysis of precipitation characteristics in the upper reaches of Nujiang River[J]. Plateau Meteor, 36(4): 950–959.
DOI:10.7522/j.issn.1000-0534.2016.00071 |
|
南京市人民政府, 2017. 南京市2016年国民经济和社会发展统计公报[Z]. 南京: 南京市人民政府.
Nanjing Municipal People's Government, 2017. Statistical communique of national economic and social development of Nanjing in 2016[Z]. Nanjing: Nanjing Municipal People's Government.
|
|
沈艳, 潘旸, 宇婧婧, 等. 2013. 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, 36(1): 37–46.
Shen Y, Pan Y, Yu J J, et al. 2013. Quality assessment of hourly merged precipitation product over China[J]. Trans Atmos Sci, 36(1): 37–46.
DOI:10.3969/j.issn.1674-7097.2013.01.005 |
|
杨星, 王永前, 刘志红. 2016. 四川省2013年夏季卫星降雨数据的对比研究[J]. 高原气象, 35(4): 1039–1049.
Yang X, Wang Y Q, Liu Z H. 2016. Comparison of two different satellite precipitation data in Sichuan from May to August in 2013[J]. Plateau Meteor, 35(4): 1039–1049.
DOI:10.7522/j.issn.1000-0534.2015.00060 |
|
周建康, 唐运忆, 徐志侠. 2003. 南京站降水量的统计分析[J]. 水文, 23(6): 35–38.
Zhou J K, Tang Y Y, Xu Z X. 2003. Statistical analysis of precipitation of Nanjing rain gauging station[J]. J Hydrol, 23(6): 35–38.
DOI:10.3969/j.issn.1000-0852.2003.06.009 |
2. Anhui Key Lab of Atmospheric Science and Satellite Remote Sensing, Anhui Institute of Meteorological Sciences, Hefei 230031, Anhui, China