2019, Vol. 38
2. 广州市气象台, 广东 广州 511430;
3. 广东省气候变化与自然灾害研究重点实验室, 广东 广州 510275
降水在天气预报、气候变化、全球水文和能量循环及生态学研究中都有广泛应用, 由于其显著的时空分布不均匀性, 使得发展高时空分辨率的降水探测尤为必要(Chen et al, 2013a)。目前要获得准确可靠的降水信息, 还存在诸多困难和挑战。探测降水的方式包括地面雨量站、雨滴谱仪的直接观测和地基天气雷达、卫星的间接估测。通常认为, 雨量站观测最准确, 但空间上不连续、分布不均匀, 缺乏空间代表性(Guo et al, 2015a; 王磊等, 2017)。地基天气雷达高时空分辨率高, 但观测范围有限, 容易受到山地和高楼的遮挡。在降水信息尤为重要的恶劣天气中, 以上观测仪器都可能受风雨严重影响而损坏(Guo et al, 2016)。卫星从地球外部实施探测, 不受恶劣天气和复杂地形影响, 并且具有陆地海洋全覆盖、全天候观测的优势, 近年来卫星观测的时空分辨率大幅提升, 引起了广泛关注(Guo et al, 2015b)。
1997年热带降水测量计划(Tropical Rainfall Measuring Mission, TRMM)卫星成功发射, 卫星定量估测降水算法随之发展, 涌现了丰富的高分辨率业务定量降水估测产品。目前主流的卫星定量降水估测算法包括PERSIANN(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks)(Sorooshian et al, 2000), PERSIANN-CSS(PERSIANN-Cloud Classification System)(Hong et al, 2004), CMOPRH(the Climate Prediction Center morphing method)(Joyce et al, 2004), GSMaP(Global Satellite Mapping of Precipitation)(Takuji et al, 2007), TMPA(TRMM Multi-satellite Precipitation Analysis)(Huffman et al, 2007)等。这些定量降水产品在气候变化、水文模型以及灾害性天气监测等领域得到广泛应用。
2015年8月15日TRMM正式退役, 接棒的全球降水测量计划(Global Precipitation Measurement mission, GPM)继承了TRMM的优势, 并加强台风实时监测及估测累积降水的能力, 将覆盖范围扩大到高纬度地区(Hou et al, 2014)。GPM的核心观测平台GPMCO(GPM Core Observatory)搭载了全球首个双频降水雷达和多波段微波成像仪, 有效提高了对弱降水(小于0.5 mm·h-1)、固态降水及降水粒子微物理过程的捕捉能力(Huffman et al, 2014; 唐国强等, 2015; 金晓龙等, 2016)。GPM有望提供覆盖全球的准确率更高, 降水动力过程更为细致的全球降水估测产品。集PERSIANN-CSS、CMOPRH和TMPA优势于一身的新一代卫星降水算法IMERG(Integrated Multi-satellite Retrievals for GPM)也随之而生。Chen et al(2016)、Guo et al(2016)、Ma et al(2016)、Tang et al(2015)、Li et al(2017)和金晓龙等(2016)分别评估了IMERG在我国大陆地区、青藏高原、赣江流域、天山地区等不同地区的表现, 结果显示, 相比于TMPA, IMERG取得更显著的进步, 低纬度的准确率更高, Prakash et al(2016)对比了两者在印度季风区的表现, 也得到相似的结论。
以上研究集中反映了IMERG估测年际降水量的能力显著提高, 在极端降水过程中检验较少。极端性降水可能引起洪涝灾害, 对人民生命安全造成极大威胁, 准确可靠的卫星降水估计对于改善极端降水事件预报, 尤其台风强降水有重要作用。Habib et al(2009)和Chen et al(2013a)分别检验了TMPA和PERSIANN-CSS在台风强降水事件中的估测能力, Huang et al(2014)和Chen et al(2014)评估了TMPA、CMORPH和PERSIANN-CSS对北京“721”极端降水的估测能力, 结果显示各种主流的卫星反演降水产品对极端降水事件的监测能力有限。2015年以来, 新一代GPM卫星观测的硬件水平大幅提升, 极端天气下的卫星反演降水能力是否也同步提升？广州(Zhang et al, 2018)和南京(李伶杰等, 2018)的极端强降水个例监测表明GPM时代准实时降水产品的精度仍显不足, 针对不同天气系统和地理气候背景下的强降水过程进行实例评估很必要, 有助于深入客观认识系统性误差特征, 改进卫星降水产品的质量和推广应用。
2017年“天鸽”、“帕卡”和“玛娃”三个台风接连登陆广东, 在人口和财富集聚的珠三角大城市中心及附近造成了强降水, 本文综合评估IMERG准实时降水产品对三个台风强降水事件的估测能力, 助力于改进卫星降水估测算法和推进数值模式同化应用。
2 数据来源、研究区域及方法 2.1 研究数据 2.1.1 IMERG定量降水数据IMERG降水估测产品基于GPM卫星群的微波(PMW)、红外(IR)以及其他高时空分辨率的降水观测相互校准反演而得。极轨卫星上的PMW传感器直接探测水汽, 反演的降水较为精确, 但观测范围有限, 时间分辨率较低。地球同步卫星的IR传感器通过测量云顶温度间接反演降水, 时间精度高, 但具有较大的误差。IMERG可提供Early Run(ER), Late Run(LR)和Final Run(FR)三种产品, 空间分辨率均为0.1°×0.1°, 覆盖范围为南北纬度60°N—60°S。ER和LR为准实时标定降水估测产品, 分别约延时4 h和12 h发布。ER仅采用前向推演技术, 主要用于灾害分析和其他临近预报业务应用。LR增加了后向推演, 使用的数据更加丰富, 应用于逐日或者更长时间的分析。FR约延时2.5个月之后发布, 利用逐月的地面观测站的降水分析加以校正, 主要应用于科学研究(Huffman et al, 2017)。考虑到天气预报的实时分析需要, 选用IMERG_ER(为叙述方便, 统称IMERG)进行研究。
2.1.2 地面雨量站数据使用了广东区域范围内将近2400个地面气象自动观测站的雨量数据(图 1), 时间范围从2017年8月22日至9月5日, 期间包含了3次台风降水事件。这些雨量站数据可在MICAPS调用, 在各级气象部门的实时预报业务中得到广泛应用, 其观测平均误差约为6.52%(任芝花等, 2003), 文中把地面观测视同实况。
|
图 1 研究区域、雨量站分布及台风“天鸽”、“帕卡”、“玛娃”的移动路径 Fig. 1 Topographic features and gauge distribution in study area along with tracks of typhoon Hato, Pakhar and Mawar |
由于IMERG为格点数据, 半小时反演一次时雨量, 地面雨量站为站点数据, 两者数据类型、时间和空间尺度不同, 因此需对两种数据进行预处理。为统一时间尺度, 小时降水量由IMERG在半点和整点估测的时雨量做均值化处理所得。为统一空间尺度, 自动雨量站点数据由IDL8.0自带的反距离插值法插值为0.1°×0.1°的格点数据(李庆祥, 2011; 李蒙等, 2017; 王磊等, 2017)。插值方法本身也会带来一定误差, 但是本文尚不考虑这种差异。
文中对一天的定义为天气预报业务中标准, 即20:00(北京时, 下同)至次日20:00。过程时段是指广东区域开始受到台风影响的当天到影响结束的当天。
2.2 研究区域和对象研究区域为广东省行政区, 具有北高南低的地势特征, 地形复杂[图 1, 文中所涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1549号的中国地图制作, 底图无修改]。南岭山脉横亘在其北面, 东北接武夷山, 西临云开大山, 南部直接面向南海、太平洋, 地形高度在海岸线的0 m至最高山脉的1848 m之间变化, 具有沿海各省市区中最长的海岸线, 是我国台风登陆最为频繁的省份之一(林良勋等, 2009)。
2017年8月底至9月初, 短短12天内, 广东省沿海遭遇了1713号超强台风“天鸽”(HATO)、1714号台风“帕卡”(PAKHAR)和1716号强热带风暴“玛娃”(MAWAR)的三连击, 台风密集登陆程度历史罕见。台风中心停留在广东境内的时间分别为8, 6和11 h。
“天鸽”于8月20日生成, 23日12:50在珠海市金湾区沿海地区登陆, 登陆时中心附近最大风力14级(45 m·s-1), 途经广东、广西后在云南境内减弱消失。“天鸽”是2017年登陆我国最强的台风, 与9111号台风“费雷德”并列为1949年以来8月登陆广东最强的台风。它具有在鼎盛时期登陆、正面袭击珠江口, 强风和风暴潮破坏力大的特点。受其影响, 广东省西南部出现暴雨到大暴雨降水, 累积降雨量达100~250 mm, 局地达到300~400 mm。本文研究的“天鸽”过程时段记为2017年8月22日21:00至24日20:00, 共2天。
“帕卡”的移动路径与“天鸽”相似, 8月27日09:00在台山市东南部沿海登陆, 登陆时中心附近最大风力为12级(33 m·s-1), 登陆后继续向西偏北方向移动, 在广西贵港市减弱为热带低压。受“帕卡”环流及西南季风共同影响, 广东省出现暴雨到大暴雨降水, 深圳、惠州、河源局地录得280~350 mm降水。本文研究的“帕卡”过程时段记为2017年8月26日21:00至29日20:00, 共3天。
“玛娃”具有近海生成, 移动缓慢的特点, 9月1日凌晨在南海东北部海面生成, 3日21:30以热带风暴级别(中心最大风力为8级, 20 m·s-1)在汕尾陆丰沿海登陆, 4日02:00在汕尾市减弱为热带低压, 10:00停止编号。受“玛娃”影响, 广东中东部沿海有中到大雨, 其中珠海、惠州、中山等地局部有暴雨, 珠海市区1 h最大雨量近100 mm, 过程累计降水达到225 mm, 造成严重内涝。本文研究的“玛娃”过程时段记为2017年9月3日21:00至4日20:00, 共1天。
以上3个台风短时间内接连登陆广东, 反复给人口密集、经济发达的珠三角地区带来严重风雨影响, 部分地区承载体脆弱, 重复受灾, 损失叠加(王皘等, 2018)。
2.3 方法介绍利用相对偏差(Relative Bias, RB)、均方根误差(Root-Mean-Squared Error, RMSE)、相关系数(Correlation Coefficient, CC)等指标定量评估卫星降水的精度, 相对偏差RB用以评价IMERG与地面雨量站总体偏差趋向, 能够消除局地个别降水效率的影响, 取值范围是[-1, 1], 越接近于0, 则越精确。均方根误差RMSE可定量反映偏差的总体水平, 其数值越小, 估测准确度越高。相关系数CC可衡量卫星降水产品与雨量站观测的一致性, 其取值范围[-1, 1], 绝对值越大则估测效果越佳(黄嘉佑等, 2014)。当卫星估测降水具有较低的RB、RMSE值和较高的CC值时, 反演效果较好。各个统计指标的公式如下(Chen et al, 2013b):
| $ R B=\frac{\sum(\text { IMERG - gauge })}{\sum \text { gauge }}, $ | (1) |
| $ R M S E=\sqrt{\frac{\sum(\text { IMERG - gauge })^{2}}{N}}, $ | (2) |
| $ C C=\frac{Cov(\text { IMERG, gauge })}{\sigma_{\text {IMERG }} \sigma_{\text {gauge }}}, $ | (3) |
式中: IMERG为卫星估测降水; gauge为地面雨量站降水插值到格点的值; N为格点总数; Cov()为协方差; σ为标准差。
为了比较IMERG在不同降水阈值下的表现, 采用探测率(Probability of Detection, POD)、误报率(False Alarm Ratio, FAR)和临界成功指数(Critical Success Index, CSI)等分类指标来评价在小雨(0.1 mm≤R < 10 mm)、中雨(10 mm≤R < 25 mm)、大雨(25 mm≤R < 50 mm)、暴雨(50 mm≤R < 100 mm)和大暴雨(R≥100 mm)等五个降水量级(中华人民共和国标准, 2012)下IMERG的降水估测能力。A代表卫星产品准确估测的降水事件数, B代表错误估计的降水事件数, C代表漏估的降水事件数, D代表准确估测0降水事件数, 其关系如表 1所示。
|
表 1 雨量站格点化降水与IMERG估测产品列联表 Table 1 Contingency table comparing gauge precipitation and IMERG estimates |
POD表示卫星降水产品正确估测降水事件的概率, FAR表示降水事件被错误估测的概率, CSI为卫星降水产品准确估测的技巧评分, 三者均介于0~1之间, POD越大, FAR越小, CSI越大, IMERG对降水的估测能力越高。其计算公式如下(Chen et al, 2013b):
| $ POD= \frac{{A}}{{A+C}}, $ | (4) |
| $ FAR= \frac{{B}}{{A+B}}, $ | (5) |
| $ CSI= \frac{{A}}{{A+B+C}} . $ | (6) |
台风“天鸽”的降水落区集中在广东中西部地区, 即江门、阳江、云浮一带, 降水中心值约为200 mm·(2d)-1, 受山地抬升作用, 强降水峰值分布在丘陵地带[图 2(a)]。IMERG的总体分布与实况相似[图 2(d)], 但强降水中心[超过100 mm·(2d)-1]范围偏大, 峰值分布在沿海区域, 局地的强降水特征与实况存在空间偏差, 且未能反映粤东的强降水分布。
|
图 2 台风“天鸽”、“帕卡”、“玛娃”的雨量站和IMERG过程降水总量分布(单位: mm) 黑色框区域为雨区 Fig. 2 Distributions of gauge and IMERG accumulated precipitation caused by typhoon Hato, Pakhar and Mawar. Unit: mm. Black frames indicate the rainfall center |
台风“帕卡”的降水集中在珠三角地区, 峰值超过200 mm·(3d)-1, 出现在珠三角东侧的深圳、惠州一带[图 2(b)], IMERG强降水和峰值范围显著偏小, 量值估测偏弱, 但是峰值中心位置与实况一致[图 2(e)]。
台风“玛娃”的降水大值区对称分布在珠江口两侧, 峰值约在100 mm·d-1[图 2(c)]。IMERG的强降水落区分布在珠三角西侧, 峰值强度较实况偏强, 落区明显偏西[图 2(f)]。
定量检验IMERG对广东省过程累积降水的估测能力[图 3(a)~(c)], 研究区域的格点数为1784, “天鸽”和“帕卡”的相关系数CC分别为0.80和0.68, “玛娃”的CC偏低, 只有0.47, IMERG抓住了“天鸽”和“帕卡”总体空间分布特征, 而“玛娃”降水的空间一致性较低, 与前面分析的结论一致。相对偏差RB分别为-12.00%, -47.06%和-29.10%。“帕卡”相对偏差最大, 散点集中分布在对角线下方, 低估幅度较大。“天鸽”和“玛娃”雨量点相对均匀地分布在对角线两侧, 但是“天鸽”集中于对角线附近, 相对偏差最小, “玛娃”离散度较大。可见IMERG一致低估了台风降水强度, 这与台风期间TRMM卫星估测降水一致偏小(Chen et al, 2013a; 邱金晶等, 2017)和GPM卫星定量降水显著低估极端降水的特征相似(Zhang et al, 2018; 李伶杰等, 2018)。三者均方根误差RMSE的差异不大, 分别为33.00, 40.03和26.40 mm, “帕卡”误差最大, “玛娃”最小, 与主观检验的结论不一致。究其原因, 台风“帕卡”IMERG估测降水强度偏弱, 范围较雨量站显著偏小, 以致RMSE较大; “天鸽”的卫星估测降水强度与实况相当, 但在粤西和粤东存在一定的范围偏差, 导致出现中等量值的RMSE; 而“玛娃”尽管强度和位置均偏差较大, 但是强降水集中, 范围较小, “玛娃”的RMSE最小。
|
图 3 台风“天鸽”、“帕卡”和“玛娃”过程中广东省和雨区的过程降水量散点分布 色标表示以散点为中心, 半径为5 mm的圆形范围内的数据密度(单位: mm-2) Fig. 3 Scatter plot of gauge and IMERG accumulated rainfall caused by typhoon Hato, Pakhar and Mawar in the area of Guangdong and rainfall center respectively. The color area denotes the density (unit: mm-2) of data within a radius of 5 mm |
考虑到广东海岸线较长, 登陆台风往往只对部分区域造成严重的风雨影响, 其余区域受其外围下沉气流影响或是高温干燥的。针对全省范围作估测降水的定量检验, 可能受降水落区范围限制, 出现定量检验与主观检验结果不完全一致的情况。本文选取过程雨量大值区(简称雨区, 如图 2中黑色矩形框所指范围)为研究对象, “天鸽”、“帕卡”和“玛娃”的格点样本量分别为736, 846和530, 结合彩色密度散点分布做进一步分析。由图 3(d)~(f)看出, CC均大幅下降, 分别为0.59, 0.48和0.33。RMSE显著增加, 分别为44.34, 51.04和40.64 mm, 说明IMERG对于台风极端降水的辨识能力不足。
IMERG略为高估了“天鸽”雨区的量值, 相对偏差RB为2.21%, 值得注意的是, 对于观测累积雨量小于50 mm的格点, IMERG一致低估了其降水量, 随着过程雨量增加, 散点分布大致在对角线两边, 高估的格点居多, 离散度趋于发散, 尽管总体偏差不大, 但这是正负相削的结果。“帕卡”和“玛娃”的RB均略有减小, 分别为-43.58%和-25.94%, IMERG对广东省的降水低估主要来源于对雨区的显著低估。与“天鸽”相似, IMERG高估了强降水而低估弱降水强度, 这种特征与TMPA相似(Habib et al, 2009)。随累积雨量的强度增大, IMERG偏离对角线越远, 说明IMERG对极端强降水的估测能力存在较大的不稳定性。
3.2 降水的时序变化特征降雨量的短时变化对水文循环有重要的影响。短时强降水会带来洪水、山体滑坡等山洪地质灾害。“天鸽”期间, IMERG峰值谷值位置变化与雨量站观测大致同步, 但是后期IMERG稍有滞后[图 4(a)], 使得前期IMERG累积降雨量始终大于雨量站的形势在中后期一度调整为与雨量站重合。随着“天鸽”第三个峰值出现, IMERG累积降雨量再度超越观测[图 4(d)]。整个过程中, IMERG累积降雨量与雨量站差值较小, 且变化较为稳定, IMERG的结果较为可信。
|
图 4 “天鸽”、“帕卡”、“玛娃”影响期间雨量站和IMERG逐时雨量的变化及小时累计降水量变化 Fig. 4 Time series of gauge and IMERG hourly rainfall and accumulated rainfall during the period affected by typhoon Hato, Pakhar and Mawar over rainfall center |
在台风“帕卡”过程中, IMERG也能捕捉到降水的两个峰值, 第一个高峰出现的时间和强度与雨量站较为一致, 第二个高峰IMERG落后于雨量站, 并且强度偏小约一倍[图 4(b)]。累计降水量显示, 第一个峰值过后, IMERG始终低于雨量站, 两者偏差随时间呈“喇叭”状快速增长, 后期随着时降水量迅速减小, 累计偏差趋于平稳[图 4(e)]。
台风“玛娃”为单峰结构, IMERG峰值出现的时间超前于雨量站, 但强度偏弱[图 5(c)]。峰值出现以前, 雨量站累积降水量持续增长, 其斜率超过1, 与IMERG的偏差呈“喇叭状”持续增加[图 4(f)], 反映了IMERG持续低估“玛娃”的降水强度。
|
图 5 台风“天鸽”(2017年8月23日14:00)、“帕卡”(2017年8月27日14:00)、“玛娃”(2017年9月4日08:00) 925 hPa的水汽通量(阴影区, 单位: g·cm-1·hPa-1·s-1)、风速(等值线, 单位: m·s-1)和风场(风羽, 单位: m·s-1)分布 Fig. 5 The distribution of 925 hPa moisture flux (the shaded, unit: g·cm-1·hPa-1·s-1), wind speed(contour, unit: m·s-1) and wind field (barb, unit: m·s-1) of typhoon Hato (at 14:00 on 23 August 2017), Pakhar (at 14:00 on 27 August 2017) and Mawar (at 08:00 on 4 September 2017) |
台风的最大降水量需结合台风环流、地形影响等条件综合考虑(吴伯雄等, 1963)。IMERG估测台风降水强度和演变特征存在系统性偏差, 可能是与以下2个原因有关:
(1) 复杂的地形仍是改进卫星估测降水所面临的较大的挑战(Yang et al, 2018)。譬如“天鸽”降水落在粤西南云雾山及天露山一带, 山脉地形的配置有助于显著增强局地降水强度(任福民等, 2017)。“帕卡”珠江口东侧降雨较西侧强, 与华南登陆台风环流的向岸风和离岸风的配置紧密相关。
(2) 西南季风的水汽输送对台风暴雨增幅起重要作用(王黎娟等, 2011)。IMERG对台风“天鸽”中心的强度变化特征反演较好, 而“帕卡”次之, “玛娃”最弱, 这可能归因于IMERG对台风环流本体降水反演较好, 但是未能较好反映出中低层由于强西南季风输送, 水汽迅速变化的过程。
“天鸽”强度最强, 达到超强台风级别, 旋转结构最完好, 登陆后维持时间长, 水汽集中输往台风中心, 水汽通量大值区沿中心环流的密闭云区分布[图 5(a)]。
“帕卡”的第一个高峰由台风本体环流雨带造成。台风本体上岸后, 受西南季风影响, 沿岸强偏南风场将大量的水汽向珠江口东侧输送, 形成强的水汽通量高值中心[图 5(b)], 导致深圳一带出现强降水中心, 形成第二个降水高峰。IMERG的偏差主要源自于第二个高峰期, 可见IMERG对于中低层因强盛西南季风影响, 大量水汽迅速输入集聚而导致的暴雨增幅反演能力表现不佳。实验证明, 相较于PMW的观测间隙, 强降水发展时间是更短(Huffman et al, 2014)。在此期间, 根据IMERG算法, 红外IR作为替补参与降水反演, 但是准确度较低。快速的水汽输送及变化, 可能使得卫星在探测空隙之间未能准确把握水汽的变化, 从而导致估测偏差。
而“玛娃”自身较弱, 具有明显的偏心结构, 上岸后环流被快速破坏, 本体降水较弱, 北移过程中引导南边的季风槽上岸, 为珠江口带来了丰富的降水。从图 5(c)可见, “玛娃”南侧的偏西南风较北侧的偏北风大得多, IMERG估测降水大值区较雨量站观测偏西, 原因与“帕卡”类似, IMERG对于台风与西南季风槽共同作用带来的降水估测偏差较大。PMW未能及时反映出西南急流前锋水汽辐合的强度及位置。这种偏差可能在台风环流偏弱时表现更为明显。
IMERG的算法中尽管采用了IR作为PMW的补充, IR估测降水的能力远比不上PMW, 因此在水汽快速变化的过程中, 受限于PMW的观测存在时间间隙, IMERG估测降水能力有限。
3.3 分级降水检验对比“天鸽”、“帕卡”、“玛娃”在广东省及雨区两个范围内小雨、中雨、大雨、暴雨、大暴雨等五个量级的分级检验评分, 雨区的POD更大, FAR更小, CSI评分更高, 说明IMERG对雨区分级降水的反演把握能力更强。
具体分析估测效果, 无论是广东省还是雨区, IMERG对“天鸽”各级别降水的POD评分均比较高, 接近或者超过0.7[图 6(a)]。而大雨及以下量级降水的FAR较小, 达到暴雨级别后飞跃性增长, 大暴雨的FAR更是达到1[图 6(d)]。就CSI来看, 随着降水量级的增加, CSI减小, 广东省小雨的CSI接近1, 中雨约为0.75, 大雨不到0.70, 暴雨下降至0.50左右。而雨区的小雨CSI为1, 中雨和大雨接近0.9, 暴雨下降至0.50[图 6(g)]。这说明IMERG高估了强降水发生的可能性。
|
图 6 台风“天鸽”、“帕卡”和“玛娃”在小雨(0 < R < 10)、中雨(10≤R < 25)、大雨(25≤R < 50)、暴雨(50≤R < 100)和大暴雨(100≤R)量级的探测率POD、误报率FAR和临界成功指数CSI比较 Fig. 6 Comparison of Probabilities of Detection (POD), False Alarm Ratio (FAR) and Critical Success Index (CSI) of typhoon HATO, Pakhar and Mawar based on different rainfall thresholds, namely light rain(0 < R < 10), moderate rain (10≤R < 25), heavy rain(25≤R < 50), rainstorm(50≤R < 100) and downpour (100≤R) |
“帕卡”的POD随着量级的增加而显著下降, 广东省中雨POD为0.5, 明显小于雨区的0.7, 其他量级大致相当, 小雨均接近1, 大雨急降至0.25, 暴雨小于0.2[图 6(b)]。相比于“天鸽”和“玛娃”, “帕卡”的FAR均比较低, 暴雨量级最高达到0.4, 其他量级均小于0.1[图 6(e)]。由于FAR较低, 因此“帕卡”的CSI与POD几乎一样[图 6(h)]。与前面的分析一致, IMERG对“帕卡”的估测明显偏弱。
“玛娃”的POD总体为中等偏低, 广东省小雨的POD约为0.8, 中雨至暴雨均为0.4左右, 大暴雨的POD仅为0.1。雨区的POD比广东省高, 小雨接近1, 中雨约为0.6, 大雨为0.45左右, 暴雨为0.4, 大暴雨约为0.3[图 6(c)]。FAR与POD呈现出相反的变化趋势, 随量级增加, FAR同步增加, 小雨接近0, 中雨约0.15, 大雨为0.4左右, 暴雨为0.7, 大暴雨达到0.95。雨区的FAR较广东省低得多, 小雨和中雨均接近于0, 大雨约为0.1, 暴雨为0.45, 大暴雨达到0.9[图 6(f)], 反映了在“玛娃”过程中, IMERG暴雨分布的范围与实测有较大误差。小雨的CSI和POD一致, 广东省中雨的FAR约为0.4, CSI低于0.4, 雨区的CSI保持为0.6, 大雨及以上量级, 随着FAR增加, CSI减小幅度更大, 广东省大雨CSI约为0.38, 暴雨约0.2, 大暴雨小于0.1, 而在雨区, 大雨约0.45, 暴雨约0.35, 大暴雨约为0.1[图 6(i)]。
分级降水检验的结果显示, IMERG对雨量较小的降水具有较好的估测能力, 暴雨以上的降水误差起了主要贡献, 过程误差的贡献主要来源于强降水估测显著偏高, 与TMPA在台风过程中的表现一致(Habib et al, 2009)。
4 结论与讨论2017年8月底到9月初, 短短12天内, 广东省沿海接连遭遇了从“天鸽”到“帕卡”再到“玛娃”的袭击, 受到了严重的风雨影响。本文对台风极端降水过程中GPM准实时卫星估测降水产品IMERG的误差进行了评估, 得到以下主要结论:
(1) 广东省内“天鸽”、“帕卡”和“玛娃”的CC分别为0.8, 0.68和0.47, RB为-12.00%, -47.06%和-29.10%, RMSE达到33.00, 40.03和26.40 mm。雨区的CC分别为0.59, 0.48和0.33, RB分别为2.21%, -43.58%和-25.94%, RMSE分别为44.34, 51.04和40.64 mm。IMERG低估了“天鸽”、“帕卡”和“玛娃”等三个台风总体降水强度, 主要源自于对雨区的低估。从散点分布来看, IMERG高估了强降水, 低估了弱降水强度。随着过程雨量强度增大, IMERG偏离对角线越远, IMERG对极端强降水的估测能力存在较大的不稳定性。
(2) IMERG能较好体现降水峰值和谷值的数量及变化趋势, 但时间和强度有一定偏差, IMERG对台风本体环流降水的估测能力表现优异, 但是对于北上的西南季风或季风槽与台风相互作用产生的降水偏差较大。原因可能在于PMW传感器的观测存在时间间隙, IMERG的算法中尽管采用了IR降水作为PMW降水的补充, 但IR传感器观测降水的能力远比不上PMW传感器, 因此在水汽快速变化的过程中, 受限于PMW观测的间断, IMERG估测降水的能力不足。
(3) 对小雨、中雨、大雨、暴雨和大暴雨作分级检验评估, 同一量级内, 雨区的POD更大, FAR更小, CSI评分更高, 说明IMERG对于台风降水大值区分级降水的反演把握能力更强。IMERG对“天鸽”估测效果较好, POD较高, FAR较小, CSI较高; “帕卡”POD较低, 暴雨以上的FAR较高, 因此CSI下降明显; “玛娃”POD比“帕卡”高, 但FAR也比较高, CSI中等。结果表明, IMERG对雨量较小的降水具有较好的估测能力, 暴雨以上的降水误差起了主要贡献, 过程误差的贡献主要来源于强降水估测显著偏高。
尽管GPM卫星群的硬件得到较大的提升, 但是复杂地形造成的极端降水对于卫星准确估测降水而言还是较大的挑战。台风自身结构的风力不对称性及与周围其他天气系统的共同影响, 导致水汽集聚的空间和强度出现快速变化。尽管PMW观测准确度高, 但未能即时反馈水汽的快速转变, 而IR观测时间精度高, 却降水反演能力不足, 两者互补的作用未达到需求, 也是卫星估测降水存在误差偏差的原因, 这需要进一步改进算法从而获得更为准确的降水估测产品。本文针对IMERG的准实时产品(IMERG_ER)展开了误差检验评估, 而融合了更丰富观测数据的延时产品(IMERG_FR)性能是否有大幅的提升呢？卫星估测降水的算法还有很多, 例如CMORPH、GSMaP等, 面对台风极端降水, 基于其他算法得到的GPM降水估测产品是否会有更好的体现呢？这些答案仍有待做进一步分析。
致谢: 广东省气象台的唐思瑜和张华龙在数据处理过程中提供了大量帮助, 谨此致谢。
Chen F R, Li X. 2016. Evaluation of IMERG and TRMM 3B43 monthly precipitation products over mainland China[J]. Remote Sensing, 8(6): 472.
DOI:10.3390/rs8060472 |
|
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]. Journal of Geophysical Research:Atmospheres, 118: 13060–13074.
DOI:10.1002/2013JD019964 |
|
Chen S, Hong Y, Cao Q, et al. 2013b. 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]. Journal of Hydrology, 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 |
|
Guo H, Chen S, Bao A, et al. 2015a. Comprehensive evaluation of high-resolution satellite-based precipitation products over China[J]. Atmosphere, 7(1): 6.
DOI:10.3390/atmos7010006 |
|
Guo H, Chen S, Bao A, et al. 2015b. Inter-comparison of high-resolution satellite precipitation products over Central Asia[J]. Remote Sensing, 7(6): 7181–7211.
DOI:10.3390/rs70607181 |
|
Guo H, Chen S, Bao A, et al. 2016. Early assessment of integrated multi-satellite retrievals for global precipitation measurement over China[J]. Atmospheric Research, 176: 121–133.
DOI:10.1016/j.atmosres.2016.02.020 |
|
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]. Atmospheric Research, 94: 373–388.
DOI:10.1016/j.atmosres.2009.06.015 |
|
Hong Y, Hsu K, Sorooshian S, et al. 2004. Precipitation estimation from remotely sensed imagery using an Artificial Neural Network Cloud Classification System[J]. Journal of Applied Meteorology, 43: 1834–1853.
DOI:10.1175/JAM2173.1 |
|
Hou A Y, Kakar R K, Neeck S, et al. 2014. The global precipitation measurement mission[J]. Bulletin of the American Meteorological Society, 95(5): 701–722.
DOI:10.1175/BAMS-D-13-00164.1 |
|
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[J]. Water, 6: 32–44.
DOI:10.3390/w6010032 |
|
Huffman G J, Adler R F, Bolvin D T, et al. 2007. The TRMM Multisatellite Precipitation Analysis (TMPA):Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales[J]. Journal of Hydrometeorology, 8(1): 38–55.
DOI:10.1175/JHM560.1 |
|
Huffman G J, Bolvin D T, Braithwaite D, et al, 2014. Algorithm Theoretical Basis Document (ATBD) version 4.4 for the NASA Global Precipitation Measurement(GPM) Integrated Multi-satellite Retrievals for GPM (IMERG)[G]. NASA/GSFC Code, 612:1-26.
https://www.researchgate.net/publication/302970086_Algorithm_Theoretical_Basis_Document_ATBD_version_44_for_the_NASA_Global_Precipitation_Measurement_GPM_Integrated_Multi-satellitE_Retrievals_for_GPM_I-MERG |
|
Huffman G J, Bolvin D T, Nelkin E J, et al. 2017. Integrated Multi-satellitE Retrievals for GPM (IMERG) technical documentation[J]. NASA/GSFC Code, 612: 1–54.
|
|
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]. Journal of Hydrometeorology, 5(3): 487–503.
DOI:10.1175/1525-7541(2004)005<0487:CAMTPG>2.0.CO;2 |
|
Li N, Tang G Q, Zhao P, et al. 2017. Statistical assessment and hydrological utility of the latestmulti-satellite precipitation analysis IMERG in Ganjiang River basin[J]. Atmospheric Research, 183: 212–223.
DOI:10.1016/j.atmosres.2016.07.020 |
|
Ma Y Z, Tang G Q, Long D, et al. 2016. Similarity and error intercomparison of the GPM and its predecessor-TRMM multisatellite precipitation analysis using the best available hourly gauge network over the Tibetan Plateau[J]. Remote Sensing, 8: 569.
DOI:10.3390/rs8070569 |
|
Prakash S, Mitra A K, Pai D S, et al. 2016. From TRMM to GPM:How well can heavy rainfall be detected from space?[J]. Advances in Water Resources, 88: 1–7.
DOI:10.1016/j.advwatres.2015.11.008 |
|
Sorooshian S, Hsu K L, Gao X, et al. 2000. Evaluation of PRESIANN system satellite-based estimates of tropical rainfall[J]. Bulletin of the American Meteorological Society, 81: 2035–2046.
DOI:10.1175/1520-0477(2000)081<2035:EOPSSE>2.3.CO;2 |
|
Takuji K, Shoichi S, Hiroshi H, et al. 2007. Global precipitation map using satellite-borne microwave radiometers by the GSMaP project:production and validation[J]. IEEE Transactions on Geoscience and Remote Sensing, 45(7): 2259–2275.
DOI:10.1109/TGRS.2007.895337 |
|
Tang G Q, Zeng Z Y, Long D, et al. 2015. 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]. Journal of Hydrometeorology, 17: 121–137.
DOI:10.1175/JHM-D-15-0059.1 |
|
Yang Y, Tang G Q, Lei X H, et al. 2018. Can satellite precipitation products estimate probable maximum precipitation a comparative investigation with gauge data in the Dadu River Basin[J]. Remote Sensing, 10: 41.
DOI:10.3390/rs10010041 |
|
Zhang A S, Xiao L S, Min C, et al. 2018. Evaluation of latest GPM-Era high-resolution satellite precipitation products during the May 2017 Guangdong extreme rainfall event[J]. Atmospheric Research, 216: 76–85.
DOI:10.1016/j.atmosres.2018.09.018 |
|
黄嘉佑, 李庆祥. 2014. 气象数据统计分析方法[M]. 北京: 气象出版社, 28-47.
|
|
金晓龙, 邵华, 张弛, 等. 2016. GPM卫星降水数据在天山山区的适用性分析[J]. 自然资源学报, 31(12): 2074–2085.
DOI:10.11849/zrzyxb.20160057 |
|
李伶杰, 胡庆芳, 黄勇, 等. 2018. 近实时卫星降水数据对南京"20170610"极端性强降水过程的监测分析[J]. 高原气象, 37(3): 806–814.
DOI:10.7522/j.issn.1000-0534.2017.00080 |
|
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.
DOI:10.7522/j.issn.1000-0534.2016.00071 |
|
李庆祥. 2011. 气候资料均一性研究导论[M]. 北京: 气象出版社.
|
|
林良勋, 冯业荣, 黄忠, 等. 2009. 广东省天气预报技术手册[M]. 北京: 气象出版社.
|
|
邱金晶, 余贞寿, 陈锋. 2017. 2000-2013年5-10月TRMM测雨产品3B42RT在浙江地区的评估检验[J]. 暴雨灾害, 36(5): 467–474.
DOI:10.3969/j.issn.1004-9045.2017.05.009 |
|
任福民, 向纯怡. 2017. 登陆热带气旋降水预报研究回顾与展望[J]. 海洋气象学报, 37(4): 8–18.
|
|
任芝花, 王改利, 邹风玲, 等. 2003. 中国降水测量误差的研究[J]. 气象学报, 61(5): 621–627.
DOI:10.3321/j.issn:0577-6619.2003.05.011 |
|
唐国强, 万玮, 曾子悦, 等. 2015. 全球降水测量(GPM)计划及其最新进展综述[J]. 遥感技术与应用, 30(4): 607–615.
|
|
王磊, 陈仁升, 宋耀选. 2017. 高寒山区面降水量获取方法及影响因素研究进展[J]. 高原气象, 36(6): 1546–1556.
DOI:10.7522/j.issn.1000-0534.2017.00007 |
|
王黎娟, 高辉, 刘伟辉. 2011. 西南季风与登陆台风耦合的暴雨增幅诊断及其数值模拟[J]. 大气科学学报, 34(6): 662–671.
DOI:10.3969/j.issn.1674-7097.2011.06.004 |
|
王皘, 钱传海, 张玲. 2018. 2017年西北太平洋和南海台风活动概述[J]. 海洋气象学报, 38(2): 1–11.
|
|
吴伯雄, 包澄澜. 1963. 登陆台风的过程总降水量分布规律及其应用[J]. 南京大学学报(气象学), Z1: 57–70.
|
|
中华人民共和国国家标准, 2012. GB/T 28592-2012降水量等级[S].北京: 中国标准出版社.
|
2. GuangzhouMeteorological Observatory, Guangzhou 511430, Guangdong, China;
3. Guangdong Province Key Laboratory for Climate Change and Natural Disaster Studies, Sun Yat-sen University, Guangzhou 510275, Guangdong, China