再分析降水資料的適用性評(píng)估與偏差校正

王彧蓉 周建中 楊鑫 方威

摘要：為彌補(bǔ)長(zhǎng)江中下游地區(qū)臺(tái)站觀測(cè)資料的部分缺失，探究再分析數(shù)據(jù)集的適用性，從時(shí)間和空間上評(píng)估ERA5和CFSR再分析降水?dāng)?shù)據(jù)集精度，建立了包含相關(guān)系數(shù)、相對(duì)偏差、均方根誤差和Kling Gupta系數(shù)多指標(biāo)定量綜合評(píng)價(jià)體系，提出了結(jié)合校正系數(shù)法與自回歸模型的組合校正法（C-AR）;并將C-AR校正法與單一的校正系數(shù)法、AR模型以及校正系數(shù)法與最鄰近抽樣法組合的校正法（C-KNN）進(jìn)行對(duì)比，探究C-AR組合校正法的校正效果。研究結(jié)果表明：① ERA5和CFSR與實(shí)測(cè)降水?dāng)?shù)據(jù)在年、季尺度上降水趨勢(shì)變化和年內(nèi)分配規(guī)律上較為一致，且與實(shí)測(cè)數(shù)據(jù)的相關(guān)性均較好;② ERA5和CFSR在實(shí)測(cè)降水量多的區(qū)域均存在正偏差，而在實(shí)測(cè)降水量少的區(qū)域存在負(fù)偏差;③ C-AR組合校正模型不僅可在量級(jí)上校正數(shù)據(jù)集，還可提升數(shù)據(jù)集與實(shí)測(cè)數(shù)據(jù)的相關(guān)性，可多方面綜合改善數(shù)據(jù)集精度，提高數(shù)據(jù)集適用性，校正效果要優(yōu)于校正系數(shù)法、AR模型和C-KNN組合校正法。

關(guān) 鍵 詞：再分析降水資料;ERA5;CFSR;組合校正法;長(zhǎng)江中下游地區(qū)

中圖法分類號(hào)：P339

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-4179（2021）09-0093-08

DOI：10.16232/j.cnki.1001-4179.2021.09.015

0 引 言

長(zhǎng)江中下游地區(qū)是中國(guó)經(jīng)濟(jì)和科技文化最為發(fā)達(dá)的地區(qū)，雨季持續(xù)時(shí)間長(zhǎng)，洪澇災(zāi)害發(fā)生較為頻繁[1-2]。因此，高精度的降雨預(yù)報(bào)信息對(duì)長(zhǎng)江中下游地區(qū)防洪減災(zāi)具有重要意義。然而，雨量站觀測(cè)數(shù)據(jù)可能存在時(shí)間長(zhǎng)度、觀測(cè)方法不一致等問(wèn)題[3]，使得實(shí)測(cè)降水?dāng)?shù)據(jù)質(zhì)量較差，無(wú)法滿足水文氣象研究需求。因此，對(duì)地面、無(wú)線電探空、衛(wèi)星、雷達(dá)等觀測(cè)資料進(jìn)行嚴(yán)格質(zhì)量控制及同化處理的再分析數(shù)據(jù)集應(yīng)運(yùn)而生。

目前主流的再分析數(shù)據(jù)集有美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心（National Centers for Environmental Prediction，NCEP）的FNL和CFSR數(shù)據(jù)集、歐洲中期天氣預(yù)報(bào)中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的ERA-interim和ERA5數(shù)據(jù)集以及日本氣象廳（Japan Meteorological Agency，JMA）的J25和J55數(shù)據(jù)集等。然而，這些再分析數(shù)據(jù)集適用范圍不盡相同[4]，且未經(jīng)過(guò)校正和后處理的降雨預(yù)報(bào)產(chǎn)品系統(tǒng)誤差較大，導(dǎo)致模型輸入不確定性較大，影響了預(yù)報(bào)精度[5]。因此，有必要對(duì)再分析數(shù)據(jù)集進(jìn)行評(píng)估校正后再應(yīng)用于水文氣象研究。Xu等[6]評(píng)估了CaPA、ERA-interim、ERA5等多種再分析資料在北部大平原的適用性，發(fā)現(xiàn)再分析資料在春秋兩季的表現(xiàn)優(yōu)于夏冬兩季。李建等[7]評(píng)估了NCEP、ERA和JRA資料對(duì)中國(guó)夏季降水場(chǎng)的再現(xiàn)能力，結(jié)果表明3套資料均能較好地再現(xiàn)夏季降水量分布特征。王旭丹等[8]利用NCEP/NCAR對(duì)華北地區(qū)水汽含量和降水量分布特征進(jìn)行了分析，結(jié)果表明華北地區(qū)水汽含量和降水量分布規(guī)律一致。

有代表性的校正再分析資料的方法主要有校正系數(shù)法[9-10]、線性校正法[11]、分位數(shù)映射法[12]、局部強(qiáng)度縮放法[13]等。分位數(shù)映射法是基于概率分布的校正方法，校正系數(shù)法、線性校正法和局部強(qiáng)度縮放法均通過(guò)某一固定系數(shù)或縮放因子從量級(jí)上校正再分析數(shù)據(jù)集。這些校正方法對(duì)于序列均值均有較好的校正效果，但對(duì)于再分析降水資料與實(shí)測(cè)降水序列的趨勢(shì)擬合上的校正效果不甚理想。由于AR模型對(duì)時(shí)間序列預(yù)測(cè)及趨勢(shì)擬合效果較好，本文將校正系數(shù)法與自回歸模型相結(jié)合，提出了C-AR組合校正法。在對(duì)ERA5和CFSR再分析降水資料在長(zhǎng)江中下游地區(qū)的適用性進(jìn)行定性和定量評(píng)估后，采用C-AR組合校正法對(duì)ERA5和CFSR進(jìn)行校正，并與其他校正方法對(duì)比，為今后ERA5和CFSR再分析數(shù)據(jù)集的校正和相關(guān)水文氣象研究提供參考。

1 數(shù)據(jù)資料與方法

1.1 數(shù)據(jù)資料

實(shí)測(cè)降水?dāng)?shù)據(jù)使用的是中國(guó)氣象局整理發(fā)布的中國(guó)地面氣候資料逐日數(shù)據(jù)集，數(shù)據(jù)經(jīng)過(guò)人工篩查，質(zhì)量良好。為充分考慮豐平枯水年情況，實(shí)測(cè)數(shù)據(jù)選取了長(zhǎng)江中下游地區(qū)160個(gè)站點(diǎn)1980～2013年34 a的長(zhǎng)序列實(shí)測(cè)逐日降水?dāng)?shù)據(jù)，站點(diǎn)分布情況如圖1所示。

再分析降水資料使用的是ERA5和CFSR再分析降水?dāng)?shù)據(jù)集。ERA5是ECMWF的第五代再分析資料，采用了4D-Var變分同化技術(shù)，比起ERA-interim有更高的時(shí)空分辨率。本文采用的ERA5降水?dāng)?shù)據(jù)集時(shí)間分辨率為每1 h一次的降水量，空間分辨率為0.25°×0.25°。CFSR是由NCEP提供的覆蓋全球的高分辨率再分析資料，時(shí)間分辨率為每6 h一次的降水量，空間分辨率為1°×1°。

1.2 AR模型

自回歸模型（Autoregressive Model）是一種時(shí)間序列模型，結(jié)構(gòu)簡(jiǎn)單。假設(shè)實(shí)測(cè)降水序列為Xt=（X1，X2，…，Xn），其中n為降水序列的長(zhǎng)度，則再分析數(shù)據(jù)集序列為X^t=（X^1，X^2，…，X^n）。實(shí)測(cè)降水序列與再分析數(shù)據(jù)集序列的差值為誤差序列，記為et=（e1，e2，…，en）?？紤]到誤差序列存在相關(guān)性，因此可通過(guò)建立AR模型來(lái)預(yù)測(cè)誤差值，將其疊加至再分析數(shù)據(jù)集降水量，從而得到數(shù)據(jù)集的校正結(jié)果?；谡`差序列的AR模型數(shù)學(xué)表達(dá)式如下：

采用AIC準(zhǔn)則來(lái)選取模型的階數(shù)。AIC計(jì)算公式如下：

1.3 C-AR模型及其計(jì)算步驟

考慮到校正系數(shù)法主要對(duì)降水量量級(jí)進(jìn)行修正，因此將校正系數(shù)法和AR模型相結(jié)合，構(gòu)建C-AR模型，其計(jì)算步驟如下：

（1）收集并整理ERA5、CFSR和實(shí)測(cè)降水?dāng)?shù)據(jù)，計(jì)算其多年月均降水量。

（2）根據(jù)ERA5、CFSR與實(shí)測(cè)數(shù)據(jù)多年月均降水量的偏差計(jì)算各月校正系數(shù)，對(duì)ERA5和CFSR數(shù)據(jù)集進(jìn)行初步修正，校正系數(shù)計(jì)算公式如下所示：

（3）計(jì)算校正系數(shù)修正后的數(shù)據(jù)集與實(shí)測(cè)降水?dāng)?shù)據(jù)的誤差，將其作為初始數(shù)據(jù)序列，根據(jù)公式（1）構(gòu)建新的自回歸模型C-AR模型。

（4）利用步驟（3）中構(gòu)建好的C-AR模型預(yù)測(cè)各時(shí)段誤差值，從而得到數(shù)據(jù)集最終校正結(jié)果。

（5）利用選取的評(píng)估指標(biāo)檢驗(yàn)校正模型性能。

1.4 評(píng)估指標(biāo)

為較全面地評(píng)估ERA5和CFSR數(shù)據(jù)集的精度，采用相關(guān)系數(shù)（R）、相對(duì)誤差（BIAS）、均方根誤差（RMSE）和Kling-Gupta系數(shù)（KGE）這4個(gè)指標(biāo)評(píng)估數(shù)據(jù)集的優(yōu)劣。

（1）相關(guān)系數(shù)（R）反映了數(shù)據(jù)集與實(shí)測(cè)數(shù)據(jù)的相關(guān)性強(qiáng)弱：

（2）相對(duì)誤差（BIAS）反映了數(shù)據(jù)集的準(zhǔn)確度：

（3）均方根誤差（RMSE）反映了數(shù)據(jù)集和實(shí)測(cè)數(shù)據(jù)之間的偏離程度：

（4）Kling-Gupta系數(shù)充分考慮了數(shù)據(jù)集和實(shí)測(cè)數(shù)據(jù)的均值和偏差，是集合了相關(guān)系數(shù)、均值誤差和標(biāo)準(zhǔn)差誤差的綜合性指標(biāo)。

式中：Qfi和Qoi分別為模擬降水量和實(shí)測(cè)降水量;μf，σf和（μo，σo）分別代表模擬降水和實(shí)測(cè)降水的期望與標(biāo)準(zhǔn)差;KGE包含了3個(gè)組成部分：相關(guān)系數(shù)R、可反映數(shù)據(jù)集和實(shí)測(cè)數(shù)據(jù)相對(duì)離散程度的α指標(biāo)以及反映數(shù)據(jù)集和實(shí)測(cè)數(shù)據(jù)均值偏差的β指標(biāo)。

總的來(lái)說(shuō)，本文首先基于長(zhǎng)江中下游地區(qū)160個(gè)氣象站點(diǎn)，分析評(píng)估了ERA5和CFSR在長(zhǎng)江中下游地區(qū)不同時(shí)間尺度下與實(shí)測(cè)降水趨勢(shì)變化的一致性及相關(guān)性;其次，探索了再分析數(shù)據(jù)集與實(shí)測(cè)降水偏差的空間分布規(guī)律;同時(shí)，為更全面地評(píng)估再分析數(shù)據(jù)集精度，建立了定量綜合評(píng)估體系;最后，提出了C-AR組合校正法校正數(shù)據(jù)集以提高再分析數(shù)據(jù)集精度。研究框架如圖2所示。

2 結(jié)果分析

2.1 時(shí)間精度評(píng)估

將ERA5數(shù)據(jù)集和CFSR數(shù)據(jù)集通過(guò)反距離插值法[14-15]插值到長(zhǎng)江中下游地區(qū)的160個(gè)氣象站點(diǎn)，以便和實(shí)測(cè)降水?dāng)?shù)據(jù)對(duì)比分析。計(jì)算出這3套數(shù)據(jù)的年、季和月均降水量，得到不同時(shí)間尺度下的時(shí)間序列，分析相應(yīng)尺度下的變化趨勢(shì)和年內(nèi)降水分配規(guī)律，如圖3所示。其中，圖3（a）為逐年降水量趨勢(shì)圖，可以看到ERA5和CFSR的四季降水量都比實(shí)測(cè)降水量高，存在高估的現(xiàn)象，但總體的降水趨勢(shì)是接近的。從圖3（f）月均降水分布圖可以看出，ERA5和CFSR年內(nèi)分配變化規(guī)律與實(shí)測(cè)降水?dāng)?shù)據(jù)一致，存在明顯的雨季和旱季，在4～9月降水量較大，1～3月和10～12月降水量較小。從圖3也可以看出ERA5和CFSR數(shù)值都比實(shí)測(cè)降水?dāng)?shù)據(jù)大，且CFSR和實(shí)測(cè)降水?dāng)?shù)據(jù)偏差比ERA5大。綜上所述，ERA5和CFSR均能較好地描述實(shí)測(cè)降水的變化趨勢(shì)和年內(nèi)分配規(guī)律，但均存在高估現(xiàn)象，CFSR比ERA5高估現(xiàn)象更為嚴(yán)重。因此，需采用合適的校正方法對(duì)ERA5和CFSR數(shù)據(jù)集進(jìn)行校正，以提高數(shù)據(jù)集驅(qū)動(dòng)的水文模擬精度。

圖4給出了ERA5和CFSR與實(shí)測(cè)降水?dāng)?shù)據(jù)在不同時(shí)間尺度上的相關(guān)系數(shù)，且均通過(guò)了顯著性檢驗(yàn)（α<0.05）。ERA5和CFSR在年際變化、四季降水趨勢(shì)變化和降水年內(nèi)分配上和實(shí)測(cè)降水?dāng)?shù)據(jù)相關(guān)性較高，均在0.75以上。ERA5和實(shí)測(cè)降水?dāng)?shù)據(jù)在年際變化上的相關(guān)性略低于CFSR（0.84），為0.82。季降水趨勢(shì)相關(guān)性分析中，ERA5和CFSR與實(shí)測(cè)降水?dāng)?shù)據(jù)在秋季和冬季時(shí)呈現(xiàn)較強(qiáng)的相關(guān)性，相關(guān)系數(shù)都在0.90以上，而春季和夏季相關(guān)性略差，相關(guān)系數(shù)約為0.80。ERA5和CFSR在年內(nèi)降水分配規(guī)律上和實(shí)測(cè)降水?dāng)?shù)據(jù)的相關(guān)性十分顯著，相關(guān)系數(shù)接近1.00，且ERA5相關(guān)性比CFSR高。綜上所述，ERA5和CFSR在不同時(shí)間尺度上與實(shí)測(cè)降水?dāng)?shù)據(jù)相關(guān)性差異很小，均具有較強(qiáng)的相關(guān)性和良好的適用性。

2.2 空間精度評(píng)估

為分析降水偏差的空間分布情況，用ArcGIS中的反距離插值模塊得到ERA5、CFSR與實(shí)測(cè)降水?dāng)?shù)據(jù)偏差百分比的空間分布圖，如圖5所示。從圖5（a）可以看出長(zhǎng)江中下游地區(qū)在緯度較高地區(qū)，多年平均實(shí)測(cè)降水量偏小;在緯度較低地區(qū)，多年平均實(shí)測(cè)降水量偏大。從圖5（b）可以看出ERA5和實(shí)測(cè)降水?dāng)?shù)據(jù)的多年平均降水量偏差較大，甚至有部分區(qū)域降水偏差超過(guò)100%。ERA5的降水偏差百分比在大部分區(qū)域?yàn)檎睿?0.00%的站點(diǎn)），即高估了降水量;少部分區(qū)域?yàn)樨?fù)偏差（20.00%的站點(diǎn)），即低估了降水量。相比之下，CFSR再分析降水資料和實(shí)測(cè)降水?dāng)?shù)據(jù)的多年平均降水量的偏差較小，降水偏差百分比在-25.34%～82.92%之間。CFSR的降水偏差百分比同樣在大部分區(qū)域?yàn)檎睿?4.37%的站點(diǎn)），在少部分區(qū)域?yàn)樨?fù)偏差（5.63%的站點(diǎn)）。并且CFSR和ERA5降水偏差分布較為一致：在實(shí)測(cè)降水量多的區(qū)域，呈現(xiàn)負(fù)偏差;在實(shí)測(cè)降水量少的區(qū)域，呈現(xiàn)正偏差，存在高估弱降水、低估強(qiáng)降水的現(xiàn)象。

2.3 校正方法對(duì)比

為論證C-AR模型的校正效果，選取校正系數(shù)法、AR模型以及校正系數(shù)法與最鄰近抽樣法組合校正的方法（C-KNN）對(duì)數(shù)據(jù)集進(jìn)行校正并作對(duì)比分析。ERA5和CFSR各月的校正系數(shù)如表1所列。本文中最鄰近抽樣法（KNN）樣本向量長(zhǎng)度取經(jīng)驗(yàn)值4，近鄰數(shù)目K通過(guò)公式計(jì)算得到（K=int（m），其中m為樣本數(shù)量）。ERA5和CFSR經(jīng)各校正方法校正后的結(jié)果如表2和表3所列。

如表2～3所列，ERA5和CFSR經(jīng)過(guò)4種校正方法校正后數(shù)據(jù)精度均得到較大改善，相對(duì)誤差小于20%，在可接受范圍內(nèi)，提高了數(shù)據(jù)集在長(zhǎng)江中下游地區(qū)的適用性，因而這4種校正方法均有較好的校正效果。從相關(guān)系數(shù)看，除C-KNN在對(duì)ERA5數(shù)據(jù)集校正時(shí)相關(guān)系數(shù)略低于未校正前外，各校正方法均在一定程度上提高了相關(guān)系數(shù)，且在0.97附近，表明校正后的數(shù)據(jù)集與實(shí)測(cè)數(shù)據(jù)誤差顯著減小;從相對(duì)誤差看，ERA5和CFSR經(jīng)過(guò)這4種校正方法校正后的相對(duì)誤差均低于7%（許可誤差20%），在可接受允許誤差范圍內(nèi)，相較于未校正前的相對(duì)誤差（大于20%）得到了較大的改善;從均方根誤差看，ERA5和CFSR經(jīng)過(guò)C-AR校正法校正后，均方根誤差低于15，而ERA5和CFSR數(shù)據(jù)集經(jīng)過(guò)其他3種校正方法校正后高于15，但經(jīng)這4種校正方法校正后均方根誤差均顯著降低，說(shuō)明校正后數(shù)據(jù)集與實(shí)測(cè)數(shù)據(jù)偏離程度均變小;從KGE系數(shù)看，ERA5和CFSR數(shù)據(jù)集經(jīng)過(guò)C-AR校正法校正后KGE系數(shù)得到了顯著提高，均達(dá)到了0.9，其他校正方法校正后KGE系數(shù)略低于經(jīng)過(guò)C-AR校正法校正后的值，但經(jīng)過(guò)這4種校正方法校正后KGE系數(shù)均得到了顯著提高，表明校正后的數(shù)據(jù)集精度得到了綜合性改善。

此外，C-AR組合校正法校正結(jié)果在4個(gè)指標(biāo)上均優(yōu)于校正系數(shù)校正法和AR模型校正法，從而得到C-AR組合校正法校正結(jié)果優(yōu)于單一的校正系數(shù)法和AR模型。C-AR組合校正法，相較于C-KNN組合校正法，除對(duì)ERA5校正后的相對(duì)誤差略高于C-KNN校正法外，其他指標(biāo)都優(yōu)于C-KNN法;且C-KNN校正法相較于單一的校正系數(shù)法，它以犧牲相關(guān)系數(shù)為代價(jià)改善相對(duì)誤差、均方根誤差和KGE其他3個(gè)指標(biāo)，因此C-AR組合校正法比C-KNN組合校正法更具有優(yōu)勢(shì)。由上述分析可以得到，各校正方法對(duì)ERA5和CFSR數(shù)據(jù)集均有良好的校正效果，極大地改善了數(shù)據(jù)集精度，提高了數(shù)據(jù)集在長(zhǎng)江中下游地區(qū)的適用性，應(yīng)用價(jià)值較高，并且C-AR校正法相較于其他3種校正方法校正效果更優(yōu)。

圖6為ERA5和CFSR數(shù)據(jù)集各校正方法各年評(píng)估指標(biāo)箱線圖。從圖中可知，數(shù)據(jù)集未校正時(shí)，對(duì)于這4個(gè)指標(biāo)來(lái)說(shuō)，ERA5的表現(xiàn)優(yōu)于CFSR。具體來(lái)說(shuō)，ERA5相關(guān)系數(shù)的均值、中位數(shù)和四分位數(shù)均高于CFSR，且四分位區(qū)間更小，即波動(dòng)性更小;ERA5相對(duì)偏差和均方根誤差的均值、中位數(shù)和四分位數(shù)均低于CFSR，表明ERA5數(shù)據(jù)集與實(shí)測(cè)數(shù)據(jù)的偏離程度小于CFSR，且ERA5的相對(duì)偏差和均方根誤差波動(dòng)性僅略大于CFSR;ERA5 KGE的均值、中位數(shù)和四分位數(shù)均高于CFSR，兩者的KGE波動(dòng)性相當(dāng)。因此，相較于CFSR，ERA5在長(zhǎng)江中下游地區(qū)有更好的適用性。

（1）從相關(guān)系數(shù)來(lái)看，各校正方法均能在一定程度上提高相關(guān)系數(shù)，校正后相關(guān)系數(shù)均達(dá)到0.95以上，且其中C-AR組合校正方法校正效果最優(yōu)，其中位數(shù)均高于校正系數(shù)法、AR模型及C-KNN校正方法;ERA5數(shù)據(jù)集經(jīng)過(guò)AR模型和校正系數(shù)法校正后，其相關(guān)系數(shù)中位數(shù)較接近，CFSR數(shù)據(jù)集經(jīng)過(guò)校正系數(shù)法校正后的相關(guān)系數(shù)中位數(shù)高于AR模型校正后的，即單獨(dú)從相關(guān)系數(shù)來(lái)看，校正系數(shù)法優(yōu)于AR模型;ERA5和CFSR數(shù)據(jù)集經(jīng)過(guò)C-KNN校正法校正后，其相關(guān)系數(shù)的中位數(shù)低于經(jīng)過(guò)校正系數(shù)法校正后的中位數(shù)和均值，即校正系數(shù)法和KNN組合后并沒(méi)有進(jìn)一步改善相關(guān)系數(shù)。

（2）從相對(duì)偏差和均方根誤差來(lái)看，各校正方法校正后相對(duì)偏差和均方根誤差的均值和中位數(shù)均得到了降低，其中校正后相對(duì)偏差接近0，均方根誤差在15附近，波動(dòng)性也更小，但異常值略有增多，尤其是AR模型。對(duì)比來(lái)看，C-AR組合校正方法校正效果較好，其中位數(shù)均低于校正系數(shù)法、AR模型，相較于C-KNN組合校正法，除ERA5經(jīng)過(guò)C-AR方法校正后與經(jīng)過(guò)C-KNN法校正后相對(duì)偏差和均方根誤差中位數(shù)較為接近外，CFSR經(jīng)過(guò)C-AR法校正后相對(duì)偏差和均方根誤差中位數(shù)均低于經(jīng)過(guò)C-KNN方法校正后的;ERA5和CFSR經(jīng)過(guò)AR模型校正后，其相對(duì)偏差及均方根誤差的中位數(shù)低于經(jīng)過(guò)校正系數(shù)法校正后的，但異常值較經(jīng)過(guò)校正系數(shù)法校正后的多;ERA5和CFSR數(shù)據(jù)集經(jīng)過(guò)C-KNN校正法校正后，其相對(duì)偏差和均方根誤差的中位數(shù)均低于經(jīng)過(guò)校正系數(shù)法校正后的中位數(shù)和均值，從對(duì)降雨量級(jí)的校正來(lái)說(shuō)，C-KNN校正效果較好。

（3）從KGE來(lái)看，各校正方法校正后KGE的均值和中位數(shù)均顯著提高，在0.9附近，且波動(dòng)性更小，但除C-AR模型校正后異常值減少外，其他校正方法校正后異常值均增加。C-AR組合校正方法校正效果也最優(yōu)，其中位數(shù)均高于校正系數(shù)法、AR模型及C-KNN校正法校正后的;ERA5和CFSR數(shù)據(jù)集經(jīng)過(guò)AR模型校正后，其KGE中位數(shù)高于通過(guò)校正系數(shù)法校正后的;ERA5和CFSR數(shù)據(jù)集經(jīng)過(guò)C-KNN校正法校正后，其KGE的中位數(shù)高于經(jīng)過(guò)校正系數(shù)法校正后的KGE中位數(shù)和均值，但低于經(jīng)過(guò)C-AR模型校正后的KGE中位數(shù)。總的來(lái)看，校正系數(shù)法和AR模型校正法在不同指標(biāo)上表現(xiàn)各有千秋;C-KNN組合校正法相較于校正系數(shù)法，在相關(guān)系數(shù)上的校正效果更差，異常值更多，但在其他3個(gè)指標(biāo)上均優(yōu)于校正系數(shù)法;而C-AR組合校正法在4個(gè)指標(biāo)上均優(yōu)于校正系數(shù)法和AR模型，且C-AR組合校正法相較于其他3種方法，校正后的指標(biāo)波動(dòng)性更小，異常值也更少，具有明顯的優(yōu)勢(shì)。

圖7～8分別為ERA5、CFSR經(jīng)過(guò)C-AR校正法校正后的結(jié)果與實(shí)測(cè)雨量數(shù)據(jù)逐月過(guò)程對(duì)比圖，以進(jìn)一步分析C-AR校正法的校正效果。從圖中可以看出，未校正前ERA5和CFSR數(shù)據(jù)集降雨量明顯高于實(shí)測(cè)降雨數(shù)據(jù)，而經(jīng)過(guò)C-AR校正法校正后的數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)量級(jí)十分接近，且趨勢(shì)變化也較為一致，這是由于C-AR校正法結(jié)合了校正系數(shù)法對(duì)量級(jí)校正和AR模型對(duì)趨勢(shì)擬合的優(yōu)勢(shì)，從而綜合改善了數(shù)據(jù)集精度。

綜上所述，C-AR校正法對(duì)ERA5和CFSR數(shù)據(jù)集均有較好的校正效果，可提高數(shù)據(jù)集在長(zhǎng)江中下游的適用性，且校正后指標(biāo)值波動(dòng)性更小，異常值更少，精度更為穩(wěn)定。并且，從校正后的各指標(biāo)值及過(guò)程圖看，C-AR模型可從多方面改善數(shù)據(jù)集精度，具有較高的應(yīng)用價(jià)值。

3 結(jié) 論

本文從時(shí)間和空間上對(duì)ERA5和CFSR在長(zhǎng)江中下游地區(qū)的適用性進(jìn)行了對(duì)比評(píng)估，建立了包含相關(guān)系數(shù)、相對(duì)偏差、均方根誤差和KGE多指標(biāo)的定量綜合評(píng)價(jià)體系評(píng)估再分析數(shù)據(jù)集精度，提出了C-AR組合校正法以提高數(shù)據(jù)集精度。結(jié)果表明：ERA5和CFSR與實(shí)測(cè)數(shù)據(jù)的降水趨勢(shì)較為一致，且相關(guān)性良好;空間分布特征上，ERA5比CFSR的表現(xiàn)略差，但從定量綜合評(píng)估指標(biāo)看，ERA5表現(xiàn)優(yōu)于CFSR;將C-AR組合校正法與校正系數(shù)法、AR模型以及C-KNN組合校正法進(jìn)行對(duì)比得到C-AR組合校正法校正結(jié)果在4個(gè)指標(biāo)上均有較好的性能表現(xiàn)，優(yōu)于單一的校正系數(shù)法、AR模型和C-KNN組合校正法，說(shuō)明C-AR組合校正法可從多方面改善數(shù)據(jù)集精度，從而提高數(shù)據(jù)集在長(zhǎng)江中下游地區(qū)的適用性。同時(shí)，C-AR組合校正法原理簡(jiǎn)單，易于實(shí)現(xiàn)，也適用于其他流域，具有廣闊的應(yīng)用前景。目前，本文僅將C-AR組合校正法應(yīng)用于面雨量的校正，未從空間尺度上逐網(wǎng)格逐站點(diǎn)進(jìn)行校正，今后可在這方面進(jìn)行研究，以增強(qiáng)該方法的實(shí)用價(jià)值。

參考文獻(xiàn)：

[1] 寧磊.長(zhǎng)江中下游防洪形勢(shì)變化歷程分析[J].長(zhǎng)江科學(xué)院院報(bào)，2018，35（6）：18-22.

[2] 姜彤，施雅風(fēng).全球變暖、長(zhǎng)江水災(zāi)與可能損失[J].地球科學(xué)進(jìn)展，2003，18（2）：277-284.

[3] 成曉裕，王艷華，李國(guó)春，等.三套再分析降水資料在中國(guó)區(qū)域的對(duì)比評(píng)估[J].氣候變化研究進(jìn)展，2013，9（4）：258-265.

[4] FRANCHITO S H，RAO V B，VASQUES A C，et al.Validation of TRMM precipitation radar monthly rainfall estimates over Brazil[J].Journal of Geophysical Research Atmospheres，2009，114：D02105.

[5] 馬秋梅.多源衛(wèi)星降水產(chǎn)品在長(zhǎng)江流域徑流模擬中的適用性研究[D].武漢：武漢大學(xué)，2019.

[6] XU X，F(xiàn)REY S K，BOLUWADE A，et al.Evaluation of variability among different precipitation products in the Northern Great Plains[J].Journal of Hydrology：Regional Studies，2019，24：100608.

[7] 李建，宇如聰，陳昊明，等.對(duì)三套再分析資料中國(guó)大陸地區(qū)夏季降水量的評(píng)估分析[J].氣象，2010，36（12）：1-9.

[8] 王旭丹，王立亞.華北地區(qū)水汽含量及降水量分布特征分析[J].水電能源科學(xué)，2010，28（9）：11-13.

[9] 何奇芳，曾小凡，趙娜，等.ERA-interim再分析數(shù)據(jù)集在長(zhǎng)江上游的適用性[J].人民長(zhǎng)江，2018，49（12）：30-33.

[10] 高瑞，穆振俠，彭亮，等.CFSR、ERA-Interim再分析降水?dāng)?shù)據(jù)在高寒山區(qū)徑流模擬中的適用性[J].水電能源科學(xué)，2017，35（9）：8-12.

[11] 張若愚.PREC/L再分析降水?dāng)?shù)據(jù)在石羊河流域的適用性及其應(yīng)用研究[D].武漢：華中科技大學(xué)，2019.

[12] 雷華錦，馬佳培，李弘毅，等.基于分位數(shù)映射法的黑河上游氣候模式降水誤差訂正[J].高原氣象，2020，39（2）：56-69.

[13] 田霖，孟凡潔，劉鐵，等.干旱典型山區(qū)CFSR降水?dāng)?shù)據(jù)的偏差校正方法研究：以新疆開(kāi)孔河流域?yàn)槔齕J].干旱氣象，2017，35（2）：313-320.

[14] 程美玲，高飛，王永桂，等.基于水汽輸送與IDW法耦合的降雨插值方法研究[J].人民長(zhǎng)江，2017，48（8）：23-27.

[15] 陳雅婷，劉奧博.中國(guó)流域降水?dāng)?shù)據(jù)的空間插值方法評(píng)估[J].人民長(zhǎng)江，2019，50（4）：100-105.

（編輯：謝玲嫻）