GPM近實時反演數(shù)據(jù)對河南省2021年“7·20”極端暴雨的比較分析

胡慶芳,張 野,李伶杰,王銀堂,楊漢波,牛凱杰,李 哲

(1. 南京水利科學研究院水文水資源與水利工程科學國家重點實驗室,江蘇 南京 210029；2. 長江保護與綠色發(fā)展研究院,江蘇 南京 210098；3. 清華大學水利水電工程系,北京 100084；4. Department of Electrical and Computer Engineering,Colorado State University,Fort Collins,CO 80523,USA)

降水是最基本的水循環(huán)要素之一,長期以來主要依賴地面雨量站網(wǎng)進行觀測。受人力物力和地理環(huán)境等因素限制,雨量站網(wǎng)的分布具有明顯的空間不均勻性,在海洋、大型湖泊、荒漠、高寒山區(qū)等地帶甚至存在缺失。20世紀90年代以來,對地空間觀測技術(shù)的進步為獲取大范圍降水空間分布信息提供了途徑。目前,氣象衛(wèi)星是唯一具有全球尺度意義的降水觀測和反演途徑。與天氣雷達相比,衛(wèi)星降水數(shù)據(jù)的時空分辨率雖然相對較低,但其覆蓋范圍更廣、開放性更強。

自1997年TRMM(Tropical Rainfall Measuring Mission)衛(wèi)星投入使用以來,國際上先后研制了PERSIANN(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks)[1]、CMORPH(Climate Prediction Center Morphing Technique)[2]、TMPA(TRMM Multi- satellite Precipitation Analysis)[3]等一系列全球性衛(wèi)星降水數(shù)據(jù)。2014年以來,隨著新的全球降水觀測衛(wèi)星的發(fā)射,衛(wèi)星降水數(shù)據(jù)研制由TRMM時代進入GPM時代(The Global Precipitation Measurement mission)。GPM衛(wèi)星搭載的多頻段微波輻射儀(GPM Microwave Imager,GMI)和雙頻雷達(Dual- frequency Precipitation Radar,DPR)為多衛(wèi)星聯(lián)合降水反演提供了更加精準的校準參考[4]。研制GPM衛(wèi)星降水反演算法,在不同時空尺度上檢驗和解析相應(yīng)降水數(shù)據(jù)的精度,開展其在暴雨洪水監(jiān)測預(yù)報、自然災(zāi)害防治等方面的應(yīng)用是目前國內(nèi)外的研究熱點[5- 9]。

美國航天局和日本航天局各自主導研制的IMERG(Integrated Multi- Satellite Retrievals for GPM)和GSMaP(Global Satellite Mapping of Precipitation)數(shù)據(jù)是2類代表性的GPM近實時衛(wèi)星降水反演數(shù)據(jù)[10],其對暴雨洪澇事件的監(jiān)測預(yù)報能力備受關(guān)注。一些研究發(fā)現(xiàn),由于新的數(shù)據(jù)源加入和降水反演算法的改進,GPM數(shù)據(jù)在探測強降水方面已展現(xiàn)出一些積極的跡象。Libertino等[11]采用1 a資料,在全球尺度上評價了IMERG數(shù)據(jù)對強降水事件的探測能力,發(fā)現(xiàn)其相對3B42V7數(shù)據(jù)具有明顯提升；Tang等[12]比較了IMERG、GSMaP、3B42RTV7和PERSIANN數(shù)據(jù)對2016年夏季中國南方暴雨洪水的監(jiān)測預(yù)警能力,發(fā)現(xiàn)IMERG和GSMaP的綜合精度顯著高于3B42RTV7,兩者在小時和日尺度上的平均相對誤差低于或接近10%,而IMERG精度又高于GSMaP；李伶杰等[13]以高密度地表雨量站網(wǎng)觀測數(shù)據(jù)為基準,綜合分析了IMERG early、IMERG late、GSMaP NRT、GSMaP NRT Gauge和3B42RTV7共5種近實時數(shù)據(jù)對南京及周邊地區(qū)2017年6月10日1次破記錄極端降水過程的監(jiān)測能力,指出在這些數(shù)據(jù)中GSMaP NRT的綜合精度高于3B42RTV7；章衛(wèi)軍[14]認為2018年8月臺風“Pulasan”影響期間,IMERG近實時數(shù)據(jù)反映的山東省降水總量、時程分布特征和空間特征與新聞渠道獲取的信息相似,并以此驅(qū)動水庫調(diào)度和河道水力學模型,復盤了彌河洪水過程；Qi等[15]剖析了6種最新的GPM降水數(shù)據(jù)對2019年8月超強臺風“Lekima”降水時空結(jié)構(gòu)的表征能力,指出DPR成功捕捉到了強度達121 mm/h的降水過程峰值。但也有若干文獻指出,GPM對強降水的探測能力仍無法令人滿意,甚至還不如TRMM時代的數(shù)據(jù)。Mekonnen等[16]發(fā)現(xiàn)在埃塞俄比亞的Upper Awash河流域,IMERG- v06B等7種衛(wèi)星降水數(shù)據(jù)精度均隨降水強度增加而降低,指出衛(wèi)星降水數(shù)據(jù)仍需在反演算法和后處理方面加以改進才能用于洪水預(yù)警預(yù)報；Hayashi等[17]剖析了日本3場局地性強降水和臺風降水事件,指出當降水強度超過70 mm/d時,GSMaP數(shù)據(jù)監(jiān)測到的降水信息與地基雷達有明顯差異；Sahlu等[18]發(fā)現(xiàn)IMERG日降水精度僅略優(yōu)于CMORPH,但檢測大雨的能力反而不及后者；He等[19]指出IMERG提高了捕捉中等強度降水事件的能力,但仍顯著高估了極端降水事件?，F(xiàn)有研究說明GPM數(shù)據(jù)對強降水的探測能力仍具有很大不確定性,并且GPM數(shù)據(jù)序列的時間尚較短。因此,仍需針對不同氣候地理背景,盡可能采用能夠獲取的實際降水樣本對GPM數(shù)據(jù)的性能開展更加廣泛的驗證評估。

2021年7月17日至7月23日,受副熱帶高壓、臺風和冷渦等多種天氣系統(tǒng)以及地形抬升作用等共同影響,河南省遭遇了歷史上罕見的特大暴雨。本次暴雨過程累積雨量大、強降水時段集中、波及范圍廣,覆蓋鄭州、新鄉(xiāng)、鶴壁、焦作和安陽等城市。作為暴雨中心之一的鄭州市面平均累積雨量高達501.1 mm，7月20日,鄭州氣象站1 h最大降水量為201.9 mm,突破了中國大陸歷史記錄。以此次極端強降水為主的暴雨過程導致河南省398人遇難,直接經(jīng)濟損失達1 200.6億元,造成了重大的社會影響[20]。河南省“7·20”暴雨作為罕見的極端強降水事件,為開展GPM降水數(shù)據(jù)性能驗證、評估其在暴雨洪澇災(zāi)害監(jiān)測預(yù)報中的應(yīng)用潛力提供了難得的案例。因此,本文基于豐富的地面雨量觀測資料,從累積降水量、降水過程和降水空間分布等角度綜合解析和比較IMERG及GSMaP近實時衛(wèi)星降水數(shù)據(jù)對“7·20”暴雨監(jiān)測的精度,以期為深入認識GPM時代衛(wèi)星降水數(shù)據(jù)誤差特征、完善降水反演算法和合理使用相關(guān)數(shù)據(jù)提供科學依據(jù)。

1 數(shù)據(jù)資料

1.1 雨量站網(wǎng)數(shù)據(jù)

河南省范圍內(nèi)有116個國家級氣象站,其空間分布見圖1。這些站點記錄了2021年7月17日00∶00至7月23日23∶00(UTC)逐小時降水量。降水數(shù)據(jù)質(zhì)量經(jīng)過了氣候?qū)W界限值、區(qū)域界限值、時間一致性等環(huán)節(jié)的檢查[13]。對于河南省“7·20”暴雨過程,累積雨量高于600 mm的氣象站點有9個、高于500 mm的有14個,116個氣象站點平均累積雨量達245.2 mm。降水主要集中在7月20—21日,分別占累積雨量的36%和22.2%?；诤幽鲜庀笳军c雨量觀測記錄,采用距離反比平方進行空間插值,生成了1套時間分辨率為1 h、空間分辨率為0.1°×0.1°的柵格降水資料,作為評價GPM近實時降水數(shù)據(jù)性能和精度的基準資料。

圖1 河南省雨量站空間分布Fig.1 Spatial distribution of rainfall gauges in Henan Province

1.2 GPM降水數(shù)據(jù)

收集了4種GPM近實時降水數(shù)據(jù)，其中包括2種IMERG數(shù)據(jù)和2種GSMaP數(shù)據(jù),分別為IMERG early、IMERG late和GSMaP NOW、GSMaP Gauge NOW。4種數(shù)據(jù)的基本信息見表1。

表1 4種GPM近實時衛(wèi)星降水數(shù)據(jù)基本信息

IMERG數(shù)據(jù)由美國航天局主導研制,在降水反演算法方面充分利用了GPM衛(wèi)星的主被動微波傳感器和各類紅外數(shù)據(jù)傳感器的探測信息,并對TRMM時代的各類衛(wèi)星降水反演算法進行了有機融合。IMERG數(shù)據(jù)生成系統(tǒng)運行一次后得到early數(shù)據(jù),在early數(shù)據(jù)的基礎(chǔ)上再運行一次后得到late數(shù)據(jù)。GSMaP NOW數(shù)據(jù)則由日本航天局研制,采用被動微波資料和地球同步衛(wèi)星的云矢量對降水進行外推得到；GSMaP Gauge NOW是GSMaP NOW采用地表日降水資料校準后的數(shù)據(jù)[21]。

2 研究方法

采用分類指標[22]、體積分類指標[23]與定量指標,從累積雨量、降水過程、降水空間格局3個方面綜合評估4種GPM數(shù)據(jù)對“7·20”極端強降水過程的監(jiān)測能力。相關(guān)指標既可用于分析某一具體時段GPM降水與地表降水的空間一致性,也可用于評估站點或區(qū)域尺度上GPM降水與地表降水在過程上的同步性過程。

分類指標采用探測率(POD)、誤報率(FAR)和臨界成功指數(shù)(CSI),用于反映衛(wèi)星降水對地表降水事件是否發(fā)生的辨識能力。3項分類指標均介于0～1，若POD與CSI越接近于1、FAR越接近0,則表明GPM數(shù)據(jù)對降水事件的分類辨識能力越強。體積分類指標評估衛(wèi)星降水精度,采用體積探測指數(shù)(VHI)、體積誤報率(VFAR)和體積臨界成功指數(shù)(VCSI)。與分類指標相比,體積分類指標的作用在于考慮了降水量級對降水事件辨識結(jié)果的權(quán)重,其計算公式如下：

(1)

(2)

(3)

式中：n為樣本數(shù)量；Si為GPM降水；Gi為地面降水；T為降水事件閾值,取0.1 mm/h。

采用的定量指標包括相關(guān)系數(shù)(CC)、相對偏差(RB)、相對均方根誤差(RRMSE)和相對連通性(RC)。CC越接近于1、RB的絕對值和RRMSE越接近于0,則說明衛(wèi)星降水精度越高。RC用來描述不同降水閾值下降水場的空間連通相似性,其計算公式如下：

(4)

(5)

(6)

式中：NP為降水場中超過某一雨量閾值的格網(wǎng)單元數(shù)量；NC為孤立降水群落數(shù)量(降水群落是指在空間上彼此相連的超過某一降水閾值的格網(wǎng)單元組成的區(qū)域)。C介于0～1,C越接近1說明降水越集中,當超過降水閾值的格網(wǎng)彼此相連時,C=1。

3 結(jié)果分析與討論

3.1 累積雨量

圖2給出了雨量站點和GPM數(shù)據(jù)對應(yīng)的“7·20”特大暴雨事件累積雨量(2021年7月17—23日)。根據(jù)圖2(a)和圖2(b)可見,“7·20”降水有2個雨量中心,分別位于鄭州市和新鄉(xiāng)市。IMERG early與IMERG late數(shù)據(jù)對應(yīng)的累積雨量空間分布格局與雨量站點及其插值數(shù)據(jù)具有較強的相似性,但明顯低估了累積雨量；而GSMaP NOW和GSMaP Gauge NOW反映的雨量中心位置與地表雨量有較大偏差。

圖3給出了0.1°×0.1°網(wǎng)格尺度上GPM降水與站點距離反比平方(IDW)插值的累積雨量散點圖。從圖3中可知,4種GPM數(shù)據(jù)對累積雨量的估計誤差均比較明顯。其中,2種IMERG數(shù)據(jù)主要表現(xiàn)為低估,RB平均在-20%左右,尤其是對于極端降水事件捕捉能力較差,這與Zhang等[25]的研究結(jié)論相同；2種GSMaP數(shù)據(jù)主要表現(xiàn)為高估,GSMaP NOW和GSMaP Gauge NOW的RB平均分別超過35%和70%。從CC、RB和RRMSE各項指標來看,在0.1°×0.1°網(wǎng)格尺度上,IMERG數(shù)據(jù)對“7·20”降水事件累積雨量的估計精度總體上高于GSMaP數(shù)據(jù)。2種IMERG數(shù)據(jù)中,IMERG late的精度較高；2種GSMaP數(shù)據(jù)中,GSMaP NOW的精度總體上高于GSMaP Gauge NOW。

圖2 雨量站點和GPM數(shù)據(jù)對應(yīng)的河南省“7·20”降水事件累積雨量Fig.2 Rainfall gauges and GPM data corresponding to accumulated rainfall of “7·20” precipitation event in Henan Province

圖3 0.1°×0.1°網(wǎng)格尺度上GPM數(shù)據(jù)與雨量站點插值的累積雨量散點圖Fig.3 Scatters of accumulated rainfall between the rainfall gauges interpolation and GPM datasets at the scale of 0.1°×0.1°grids

需指出的是,雖然對于河南省“7·20”極端強降水事件,GSMaP數(shù)據(jù)精度總體上不及IMERG數(shù)據(jù),但前者尤其是GSMaP Gauge NOW對于500 mm以上的累積雨量的估計能力更強。經(jīng)統(tǒng)計,站點空間插值得到的雨量場中,累積雨量超過500 mm、600 mm的0.1°×0.1°柵格單元分別有140個和45個。IMERG early未能探測到任何累積雨量達到或超過500 mm的柵格單元，IMERG late正確探測到了29個累積雨量達到或超過500 mm的柵格單元,但未能探測到累積雨量達到或超過600 mm的柵格單元；而GSMaP NOW正確探測到累積雨量在500 mm、600 mm以上的網(wǎng)格單元分別為53個和2個,GSMaP Gauge NOW則分別有103個和33個。表2給出了河南省累積雨量大于600 mm的9個氣象站以及鄭州市范圍內(nèi)插值的累積雨量和GPM數(shù)據(jù)累積雨量對比。從表2中可知,GSMaP 數(shù)據(jù)對9個站點累積雨量的估計誤差總體上明顯低于IMERG數(shù)據(jù),其中又以GSMaP Gauge NOW誤差最小。對于淇縣和輝縣站,GSMaP Gauge NOW對累積雨量的估計誤差低于20%,甚至在15%以下,對于暴雨中心鄭州市面平均累積雨量估計相對誤差僅2.2%。當然,GSMaP NOW數(shù)據(jù)經(jīng)地面雨量校正后,對累積雨量在500 mm以上的極端降水事件的估計能力盡管有所提高，但由圖3(c)和圖3(d)可知,GSMaP Gauge NOW對累積雨量在500 mm以下的降水事件又明顯產(chǎn)生了更大程度的高估。

表2 雨量站點和GPM數(shù)據(jù)獲取的河南省“7·20”降水事件累積雨量對比

3.2 降水過程

對地表降水過程的動態(tài)追蹤能力是衡量衛(wèi)星降水數(shù)據(jù)性能的重要因素之一。圖4給出了小時時間尺度上4種GPM數(shù)據(jù)在各自0.1°×0.1°柵格單元的時序精度指標。從圖4可知,在多數(shù)柵格單元,GPM數(shù)據(jù)對于降水事件是否發(fā)生具有較強的辨識能力,其探測率較高、誤報率較低。如果考慮降水量級影響,則分類辨識能力有進一步提高,GPM降水數(shù)據(jù)的分類辨識能力較低的柵格單元主要分布在河南省南部和西部邊緣,主要屬于山丘區(qū)。

定量指標方面,各衛(wèi)星降水數(shù)據(jù)與地表雨量的相關(guān)系數(shù)(CC)介于-0.2～1.0,在河南省中部區(qū)域高、周邊山丘區(qū)低的特征也比較明顯。RB的分布范圍較大,在空間上呈現(xiàn)東高西低的格局,與累積雨量分布相反,這說明4種GPM近實時降水數(shù)據(jù)對于較大雨量傾向低估、對于較小雨量傾向高估。RRMSE的空間分布特征與CC相似。進一步分析了4種GPM數(shù)據(jù)對暴雨中心鄭州站降水過程的表征能力。從圖5可知,衛(wèi)星降水對站點逐小時降水過程具有一定表征能力,但均未成功捕捉到雨量峰值,導致其定量誤差較大,這與文獻[13]所得結(jié)論類似。從表3中的各項精度指標特別是定量指標來看,4種GPM數(shù)據(jù)在小時尺度上與站點降水過程同步性還有待大力提高。

圖6進一步給出了0.1°×0.1°柵格單元尺度上GPM小時雨量誤差隨地面小時雨量的變化。從圖6可知,即使在0.1°×0.1°的區(qū)域尺度上,4種GPM數(shù)據(jù)均成功探測到了小時雨量接近100 mm的極端強降水事件,但數(shù)據(jù)誤差也比較突出。總體上,GPM數(shù)據(jù)相對地面降水的誤差隨小時雨量呈現(xiàn)較明顯的負相關(guān)關(guān)系。在地面降水強度較小時,4種GPM數(shù)據(jù)傾向高估；在地面降水強度較大時,4種GPM數(shù)據(jù)傾向低估。由于對各等級的小時降水事件均存在漏報,故4種GPM數(shù)據(jù)小時雨量誤差隨地面雨量變化的下包線均接近y=-x。4種GPM數(shù)據(jù)對小時雨量低于10 mm的降水事件以高估為主；而對于小時雨量超過30 mm的降水事件以低估為主,甚至存在普遍低估。與IMERG數(shù)據(jù)相比,GSMaP數(shù)據(jù)對小時雨量低于10 mm的降水事件的高估幅度更大、誤差分散性更強,同時還存在對小時雨量超過30 mm的降水事件估計誤差為正的情況。

圖4 0.1°×0.1°柵格尺度上GPM小時雨量精度指標Fig.4 Hourly GPM precipitation accuracy indices at the 0.1°×0.1°grid scale

圖5 鄭州氣象站的GPM降水與地面站點觀測小時降水過程對比Fig.5 Hourly GPM and ground surface gauge precipitation process at the Zhengzhou meteorological gauge

表3 鄭州氣象站GPM降水精度指標

圖6 0.1°×0.1°柵格單元尺度上GPM小時雨量誤差隨地面小時雨量的變化Fig.6 Variation of hourly GPM rainfall error with ground surface hourly rainfall at the scale of 0.1°×0.1°grids

圖7給出了GPM和氣象站網(wǎng)降水在鄭州市(面積約1 188 km2)、新鄉(xiāng)市(面積約8 249 km2)、河南省(面積約16.7萬km2)對應(yīng)的面平均小時雨量過程對比。相對站點尺度,隨著空間尺度的增加,GPM近實時衛(wèi)星降水數(shù)據(jù)對強降水過程的動態(tài)監(jiān)測能力有所提高,衛(wèi)星降水與地面降水的匹配性明顯提高。對于鄭州市,4種GPM數(shù)據(jù)的相關(guān)系數(shù)均達到了0.8以上，VCSI>0.9,RB指標最優(yōu)的已接近0(GSMaP Gauge NOW數(shù)據(jù)),同時對雨量峰值的捕捉能力明顯增強；而對于新鄉(xiāng)市,4種GPM數(shù)據(jù)的精度雖然有所降低,但相關(guān)系數(shù)均達到了0.6以上，VCSI>0.9,RB指標最優(yōu)的也接近0(GSMaP NOW數(shù)據(jù)),也能夠捕捉到雨峰。對于河南省而言,IMERG early與MERG late數(shù)據(jù)與地表雨量過程的吻合性更高,其相關(guān)系數(shù)接近甚至超過了0.9,對雨峰的捕捉也較為準確；GSMaP NOW與GSMaP Gauge NOW在峰前與地面雨量站接近,但對于雨峰仍有大幅度高估(表4)。

圖7 GPM與雨量站網(wǎng)插值的區(qū)域面雨量過程對比Fig.7 Comparison of areal precipitation process between GPM and rainfall gauges interpolation

表4 GPM降水數(shù)據(jù)對鄭州市、新鄉(xiāng)市與河南省面平均雨量過程的精度指標

3.3 降水空間格局

圖8 GPM降水數(shù)據(jù)的空間精度指標隨時間的變化Fig.8 GPM precipitation datasets spatial accuracy indices changes with time

圖8進一步給出了7月20—21日各時次GPM降水數(shù)據(jù)空間體積分類指標和定量指標。表5給出了7月20—21日的2個雨量峰值時刻對不同等級降水的探測情況。表6給出了7月20—21日的2個雨量峰值時刻的各項精度指標。其中，7月20日雨峰在當日9∶00,記作T1,小時面平均降水24.2 mm,5 h(當前時段與前后各2 h時段)降水量占當日累積降水量的27.5%,降水中心在鄭州市；7月21日雨峰在當日8∶00,記作T2,小時面平均降水15.0 mm,5 h降水量占當日累積降水量的25.5%,降水中心在新鄉(xiāng)市。

表5 GPM降水數(shù)據(jù)在雨峰所在時段探測到的高于不同雨量閾值的柵格單元數(shù)量

由圖8可知,4種GPM數(shù)據(jù)的逐小時空間分類指標和定量指標均表現(xiàn)出明顯的時間波動性,這說明在小時時間尺度上這些數(shù)據(jù)的空間監(jiān)測能力受降水強度及雨量場空間結(jié)構(gòu)特征影響。4種降水數(shù)據(jù)的空間體積分類指標的波動特征雖不完全相同,但在T1和T22個時段其分類辨識能力均具有明顯下降,具體而言,VHI降低、VFAR上升和VCSI降低。CC在時程上表現(xiàn)出與體積分類指標類似的波動特征,在2個降水峰值時段明顯低于其他時段。

RB的時程變化規(guī)律與CC不同。由圖8(e)可知,在2個降水峰值時段,GSMaP 數(shù)據(jù)的RB優(yōu)于其他時段。GSMaP NOW與GSMaP Gauge NOW在T1時段的RB分別為-18.0%與9.4%,在T2時段分別為-18.0%與6.3%。而IMERG數(shù)據(jù)的RB在時程上較為穩(wěn)定,基本在-50%～-30%波動。綜合CC和RB2項指標與表5可知,GSMaP數(shù)據(jù)更易于探測到雨量場中的高量級降水,但其空間位置和范圍會產(chǎn)生明顯偏差,這與圖2所反映的情況是一致的；而IMERG數(shù)據(jù)與地面雨量的空間相關(guān)性較強,但對高量級降水存在較大低估,導致其在降水峰值附近的相對偏差較為突出。

4種GPM降水數(shù)據(jù)的RC基本在零以下波動(表6),這說明GPM小時雨量場在空間上的集中程度一般要低于地表雨量場。GSMaP數(shù)據(jù)的RC值高于IMERG數(shù)據(jù),這說明GSMaP 數(shù)據(jù)反映的雨量在空間上集中性程度要高于IMERG數(shù)據(jù)。

總的來說,從降水空間格局來看,相對于GSMaP數(shù)據(jù),IMERG late數(shù)據(jù)在雨區(qū)分布上更接近地面降水,但會漏掉大量強降水事件,而GSMaP Gauge NOW數(shù)據(jù)能夠探測到更多的強降水事件,但會產(chǎn)生明顯的位置偏差,這與圖6所得結(jié)論也是吻合的。

表6 GPM降水數(shù)據(jù)在降水峰值時間的空間精度指標

4 結(jié) 論

針對河南省“7·20”極端降水事件,從累積雨量、降水過程和降水空間格局3個方面,開展了IMERG early、IMERG late、GSMaP NOW和GSMaP Gauge NOW共4種GPM近實時衛(wèi)星降水數(shù)據(jù)性能的綜合解析和比較,主要研究結(jié)論如下：

(1) IMERG early、IMERG late數(shù)據(jù)對河南省“7·20”降水事件累積雨量的平均低估程度在20%左右,GSMaP NOW和GSMaP Gauge NOW的平均高估程度分別達到了約35%和70%。IMERG early和IMERG late數(shù)據(jù)對應(yīng)的累積雨量中心位置與地面觀測具有較強的一致性,但難以探測到500 mm以上的累積雨量；而GSMaP NOW和GSMaP Gauge NOW反映的累積雨量中心位置和范圍有較大偏差,但更易探測到500 mm以上的累積雨量。

(2) 在0.1°×0.1°柵格單元尺度上,4種GPM降水數(shù)據(jù)對小時降水過程均具有較強的分類辨識能力,均成功探測到了小時雨量接近100 mm的極端強降水事件,但定量估計誤差較突出,且未能捕捉到主要雨峰過程。GPM數(shù)據(jù)相對地面降水的誤差隨小時雨量呈現(xiàn)較明顯的負相關(guān)關(guān)系。對小時雨量低于10 mm的降水事件,GPM降水以高估為主；而對于小時雨量超過30 mm的降水事件以低估為主,甚至存在普遍低估。

(3) 對于“7·20”暴雨事件,GPM小時降水的空間精度指標均具有較強的時間波動性。相對于GSMaP數(shù)據(jù),IMERG數(shù)據(jù)在雨區(qū)分布上更接近地面降水,但呈現(xiàn)較穩(wěn)定的低估、會漏掉大量強降水事件,而GSMaP Gauge NOW數(shù)據(jù)能夠探測到更多的強降水事件,在降水峰值附近的偏差較小。同時,GPM小時雨量場在空間上的集中程度一般要低于地表雨量場,但GSMaP 雨量場在空間上集中性程度要高于IMERG。

(4) 2種IMERG 數(shù)據(jù)中,IMERG late相對IMERG early的精度具有較明顯的改善；而2種GSMaP數(shù)據(jù)中,GSMaP Gauge NOW相對GSMaP NOW提高了對較高量級降水的估計能力,但也明顯增大了較低量級降水的估計誤差。

總的來說,由于受到衛(wèi)星重訪周期、反演數(shù)據(jù)源、反演算法和地形特征等一系列因素的復雜影響,GPM近實時降水數(shù)據(jù)對河南省“7·20”極端降水事件的監(jiān)測雖展現(xiàn)出一定的積極信息,但定量精度尚有很大改進空間。然而也應(yīng)當考慮到GPM降水數(shù)據(jù)研制和研究對象的客觀情況，目前GPM近實時降水數(shù)據(jù)序列還不夠長，GSMaP的第1個實時版本GSMaP Now于2017年3月29日發(fā)布,其時間序列更短。因此,用于率定和校驗降水算法的降水樣本還不夠豐富、代表性存在不足。而本文研究“7·20”極端降水事件屬于破記錄的歷史大暴雨,即使在全球范圍內(nèi)也屬罕見。不論如何,本文研究深化了對GPM數(shù)據(jù)性能的認識,為完善降水反演算法、提升強降水監(jiān)測能力提供了重要反饋信息。

此外,本文研究發(fā)現(xiàn)IMERG數(shù)據(jù)和GSMaP數(shù)據(jù)作為代表性的GPM近實時衛(wèi)星降水數(shù)據(jù),兩者的相對優(yōu)劣關(guān)系也較為復雜，IMERG與地面雨量降水的時空同步性相對較強,但GSMaP更易探測到強降水事件。鑒于2類衛(wèi)星降水數(shù)據(jù)的性能具有一定的互補性,因此今后可進一步開展兩者的集成與融合研究。