多源融合實(shí)況分析1 km網(wǎng)格降水產(chǎn)品在廣東省暴雨過程中的準(zhǔn)確性評(píng)估

張春燕,鄭艷萍,王沛東,陳逸智,楊思曉,謝尚佑,向鋼

(1.廣東省氣象數(shù)據(jù)中心，廣州 510080；2.廣東省惠州市氣象局，惠州 516000；3.廣東省汕頭市氣象局，汕頭 515000；4.湖南省邵陽市氣象局，邵陽 422000)

引言

2021 年中國氣象局自主研發(fā)的中國區(qū)域多源融合實(shí)況分析1 km網(wǎng)格產(chǎn)品(ART_1 km)投入業(yè)務(wù)應(yīng)用，這標(biāo)志著我國進(jìn)一步滿足了精細(xì)化天氣預(yù)報(bào)服務(wù)對(duì)更高分辨率實(shí)況產(chǎn)品的需求。ART_1 km產(chǎn)品由國家氣象信息中心牽頭研制，綜合利用了地面自動(dòng)站、天氣雷達(dá)、風(fēng)云衛(wèi)星、數(shù)值模式等多源資料，采用概率密度匹配、貝葉斯模型平均、多重網(wǎng)格變分、最優(yōu)插值等融合分析技術(shù)(潘旸等，2018；師春香等，2019)，產(chǎn)品種類包括中國區(qū)域逐小時(shí)降水、2 m氣溫、2 m濕度、10 m風(fēng)等4個(gè)要素14種產(chǎn)品，空間分辨率為1 km，對(duì)于捕捉以強(qiáng)對(duì)流天氣為代表的小尺度災(zāi)害性天氣、為精細(xì)化預(yù)報(bào)提供更優(yōu)質(zhì)的數(shù)據(jù)基礎(chǔ)具有重大意義。

其中，ART_1 km產(chǎn)品中的降水(簡稱為ART_1 km降水)產(chǎn)品已被氣象部門應(yīng)用在災(zāi)害性天氣監(jiān)測(cè)預(yù)警、智能網(wǎng)格預(yù)報(bào)、智慧氣象服務(wù)等方面，為氣象現(xiàn)代化建設(shè)和氣象高質(zhì)量發(fā)展提供了更精細(xì)的數(shù)據(jù)支撐。它是由中國區(qū)域融合降水分析系統(tǒng)生成(師春香等，2019)，在“概率密度函數(shù)+最優(yōu)插值”兩步融合法(Xie et al.，2011)的基礎(chǔ)上，優(yōu)化為“概率密度函數(shù)+貝葉斯模型平均+最優(yōu)插值”三步融合法，并引入地面、氣象衛(wèi)星和雷達(dá)定量估測(cè)降水，形成的三源融合降水產(chǎn)品(潘旸等，2012，2018)。在制作過程中，ART_1 km降水產(chǎn)品的空間分辨率由10 km 提升至5 km，最后至1 km，產(chǎn)品業(yè)務(wù)生成時(shí)效最快達(dá)5 min(師春香等，2019)。

潘旸等(2018)曾利用全國的國家級(jí)氣象站的觀測(cè)資料進(jìn)行獨(dú)立檢驗(yàn)，表明該產(chǎn)品在強(qiáng)降水監(jiān)測(cè)上具有優(yōu)勢(shì)，但由于地形地勢(shì)、海陸位置、降水和站點(diǎn)多寡的差異，ART_1 km 降水產(chǎn)品在不同地區(qū)的質(zhì)量表現(xiàn)并不一致。廣東省是華南沿海典型的暴雨區(qū)域，暴雨頻繁出現(xiàn)在每年的5—8月，具有強(qiáng)度大、范圍廣、災(zāi)害重的特點(diǎn)(劉雨佳等，2017；張柳紅等，2021a)，因此廣東省在暴雨監(jiān)測(cè)和預(yù)警上對(duì)降水資料及其準(zhǔn)確性的要求更高。本文選取廣東省2019—2022年5—8月致災(zāi)嚴(yán)重的暴雨過程，利用全省未融合制作ART_1 km降水產(chǎn)品的區(qū)域站和水文站的觀測(cè)資料，評(píng)估ART_1 km降水產(chǎn)品在廣東暴雨過程中的準(zhǔn)確性。

1 資料與方法

1.1 ART_1 km降水產(chǎn)品及其評(píng)估資料

ART_1 km降水產(chǎn)品為地面-衛(wèi)星-雷達(dá)三源融合產(chǎn)品(潘旸等，2018)，其中融入制作的地面觀測(cè)資料為經(jīng)過質(zhì)量控制的全國近4 萬個(gè)氣象站的降水?dāng)?shù)據(jù)(任芝花等，2010)，并采用最優(yōu)插值法插值到0.01°×0.01°網(wǎng)格點(diǎn)上(沈艷等，2010，2012，2013)。衛(wèi)星資料為美國氣候預(yù)測(cè)中心研發(fā)的實(shí)時(shí)衛(wèi)星反演降水系統(tǒng)的降水?dāng)?shù)據(jù)(Joyce et al.，2004)，在處理成逐時(shí)降水后再通過重采樣(鄰近插值)方法插值到0.01°×0.01°網(wǎng)格點(diǎn)上(潘旸等，2018)。雷達(dá)資料為中國氣象局氣象探測(cè)中心研發(fā)的雷達(dá)定量降水估測(cè)產(chǎn)品，該產(chǎn)品經(jīng)氣象站降水?dāng)?shù)據(jù)校正后(劉曉陽等，2010)，時(shí)空分辨率分別為1 h 和0.01°×0.01°。潘旸等(2018)采用概率密度函數(shù)匹配法、貝葉斯模型平均方法、最優(yōu)插值法和空間降尺度方法，最終將這三類資料融合成0.01°(約1 km)高分辨率降水產(chǎn)品，空間范圍覆蓋整個(gè)中國區(qū)域。

本文選取廣東省2019—2022 年5—8 月發(fā)生的雨量較大、災(zāi)情較明顯的20 例暴雨過程(表1)，開展ART_1 km降水產(chǎn)品評(píng)估。在這些過程中，評(píng)估ART_1 km 降水產(chǎn)品所使用的資料為未上傳融合制作該產(chǎn)品的區(qū)域自動(dòng)氣象站(以下簡稱“區(qū)域站”)和水文站的逐時(shí)降水觀測(cè)數(shù)據(jù)。每例暴雨過程中，區(qū)域站和水文站的數(shù)量并不完全一致，但總體而言，前者為2 200個(gè)左右，后者為2 000 個(gè)左右。由于這兩類站點(diǎn)的觀測(cè)降水資料獨(dú)立于ART_1 km 降水產(chǎn)品之外，因此統(tǒng)一稱為“獨(dú)立站”。

表1 廣東省2019—2020年5—8月的20例致災(zāi)暴雨過程Table 1 Twenty cases of disaster-causing rainstorm processes from May to August during 2019-2022 in Guangdong Province

1.2 評(píng)估方法

本文將獨(dú)立站的降水觀測(cè)資料經(jīng)質(zhì)控后作為評(píng)估ART_1 km 降水產(chǎn)品的“真值”，檢驗(yàn)該產(chǎn)品的準(zhǔn)確性。采用自然鄰近插值方法，選擇ART_1 km 降水產(chǎn)品中距離獨(dú)立站最近的格點(diǎn)值插值到站點(diǎn)上，統(tǒng)計(jì)比較20 例暴雨過程中ART_1 km 降水和觀測(cè)降水的落區(qū)、強(qiáng)度、相關(guān)性及誤差情況。使用的檢驗(yàn)指標(biāo)有四個(gè)，分別是技巧評(píng)分(TS，記為TS)、相關(guān)系數(shù)(COR，記為RCO)、均方根誤差(RMSE，記為ERMS)和平均值誤差(ME，記為EM)。四個(gè)指標(biāo)的計(jì)算公式如下：

式(1)中，NA為命中數(shù)，NB為誤報(bào)數(shù)，NC為漏報(bào)數(shù)；式(2)—(4)中G為ART_1 km降水產(chǎn)品的站點(diǎn)插值，O為站點(diǎn)觀測(cè)結(jié)果，N為樣本總數(shù)。TS和COR的值越接近1，RMSE 和ME 越接近0，則表示ART_1 km 降水產(chǎn)品和觀測(cè)越接近，準(zhǔn)確性越高。

此外，本文還針對(duì)不同的小時(shí)雨量進(jìn)行分級(jí)檢驗(yàn)。我國國家標(biāo)準(zhǔn)GB/T 28592-2012 將24 h 降雨量<0.1 mm 定義為微量降雨，將12 h 或24 h 降雨量≥0.1 mm 的降雨劃分為小雨、中雨、大雨、暴雨、大暴雨和特大暴雨等6個(gè)等級(jí)。本文則對(duì)小時(shí)降水也相應(yīng)地劃分出6個(gè)等級(jí)，在設(shè)定小時(shí)降水分級(jí)閾值時(shí)，考慮到中國氣象局將12 h 或24 h 雨量達(dá)到0.1 mm 定義為小雨，12 h雨量達(dá)到5 mm或24 h雨量達(dá)到10 mm定義為中雨，24 h雨量達(dá)到50 mm定義為暴雨，此外不少文獻(xiàn)將小時(shí)雨量達(dá)到≥20 mm定義為小時(shí)強(qiáng)降水(張小雯和諶蕓，2011；孫喜艷等，2017；伍紅雨等，2017)，當(dāng)小時(shí)雨量達(dá)到≥50 mm，則普遍認(rèn)為是極端降水(俞小鼎，2013)，因此基于上述0.1、5、10、20、50 mm這幾個(gè)閾值，并增加了2 mm 作為閾值之一，本文將小時(shí)降水劃分為[0.1,2)、[2,5)、[5,10)、[10,20)、[20,50)和≥50 mm這6個(gè)等級(jí)，將小時(shí)降水＜0.1 mm視為無降水。

2 全省降水準(zhǔn)確性總體評(píng)估

為了評(píng)估ART_1 km降水產(chǎn)品在廣東省20例暴雨過程中的表現(xiàn)，本節(jié)分別檢驗(yàn)該產(chǎn)品在暴雨過程中的空間分布及在各降水等級(jí)中的頻率分布，同時(shí)也分析ART_1 km 降水與觀測(cè)降水的相關(guān)性和誤差。其中，通過對(duì)比ART_1 km 降水和觀測(cè)降水的空間分布，評(píng)估該產(chǎn)品反映的降水落區(qū)及強(qiáng)度是否與觀測(cè)吻合；通過對(duì)比ART_1 km降水和觀測(cè)降水在各降水等級(jí)中的頻率分布，評(píng)估該產(chǎn)品是否準(zhǔn)確呈現(xiàn)不同強(qiáng)度降水的發(fā)生；通過分析ART_1 km 降水和觀測(cè)降水的相關(guān)性和誤差，評(píng)估該產(chǎn)品與觀測(cè)降水的偏差程度。

2.1 降水的空間分布

本文評(píng)估的20 例暴雨過程的降水不僅有冷暖空氣交綏或低空急流引起的，也有臺(tái)風(fēng)登陸導(dǎo)致的；既有局部性暴雨，也有幾乎覆蓋全省的暴雨(伍紅雨等，2019；張柳紅等，2021b；趙嫻婷等，2021；鐘雨珊等，2023)。本節(jié)則分析了與觀測(cè)降水的TS評(píng)分最高和最低、相關(guān)系數(shù)最大和最小及均方根誤差最小和最大的6例暴雨過程中ART_1 km降水的空間分布。圖1a、b分別是廣東省2019 年8 月24 日20 時(shí)—26 日23 時(shí)(北京時(shí)，下同)的累計(jì)觀測(cè)降水和ART_1 km降水，為ART_1 km降水的TS 評(píng)分最高(約0.88)的暴雨過程。該過程由臺(tái)風(fēng)“白鹿”造成，粵東、粵北和珠三角市縣出現(xiàn)了大范圍暴雨到大暴雨、局地特大暴雨。在該過程中，ART_1 km降水產(chǎn)品大致再現(xiàn)了全省降水的落區(qū)和強(qiáng)度，但未能很好地反映粵北韶關(guān)的分散性強(qiáng)降水。此外，ART_1 km降水產(chǎn)品呈現(xiàn)的雷州半島降水范圍也比實(shí)際大。圖1c、d分別是廣東省2019年5月19日16時(shí)—21 日00 時(shí)的累計(jì)觀測(cè)降水和ART_1 km 降水，為ART_1 km 降水的TS 評(píng)分最低(約0.75)的暴雨過程。該過程主要受北方弱冷空氣影響，粵北韶關(guān)南部至清遠(yuǎn)南部出現(xiàn)了中到大雨，局部暴雨或大暴雨，粵東也有較明顯降水，粵西降水最弱，且部分地區(qū)無降水。在該過程中，ART_1 km 降水產(chǎn)品再現(xiàn)了粵北和粵東的降水，但在粵西呈現(xiàn)的降水范圍比實(shí)際觀測(cè)更大。

圖1 2019年8月24日20時(shí)—26日23時(shí)廣東省累計(jì)觀測(cè)降水(a)和ART_1 km降水(b)與2019年5月19日16時(shí)—21日00時(shí)累計(jì)觀測(cè)降水(c)和ART_1 km降水(d)的空間分布(單位:mm)Fig.1 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 20∶00 on August 24 to 23∶00 on August 26,2019(Beijing time,the same below),and from(c)observations and(d)ART_1 km products from 16:00 on May 19 to 00∶00 on May 21,2019,in Guangdong Province,respectively(unit:mm)

圖2a、b分別是廣東省2021年5月19日13時(shí)—20日19 時(shí)的累計(jì)觀測(cè)降水和ART_1 km 降水，為ART_1 km降水和觀測(cè)降水相關(guān)系數(shù)最大(約0.93)的暴雨過程。該過程受低空急流、切變線和冷空氣共同影響，粵北北部出現(xiàn)了暴雨到大暴雨，其余地區(qū)降水較弱或無降水，因此強(qiáng)降水的局地性很強(qiáng)。ART_1 km 降水產(chǎn)品很好地反映了此次粵北北部的強(qiáng)降水，也基本刻畫出了粵東和粵西局部地區(qū)弱/無降水發(fā)生的情況。圖2c、d 分別是廣東省2020 年6 月2 日02 時(shí)—3 日08時(shí)的累計(jì)觀測(cè)降水和ART_1 km降水，為ART_1 km降水和觀測(cè)降水相關(guān)系數(shù)最小(約0.84)的暴雨過程，該過程中陽江—江門—珠海的沿海一帶出現(xiàn)大到暴雨、局部大暴雨，同時(shí)清遠(yuǎn)北部和韶關(guān)北部也出現(xiàn)了較強(qiáng)降水。該過程的ART_1 km降水除了在茂名西部比實(shí)際觀測(cè)弱外，在廣東省其他地區(qū)的結(jié)果和觀測(cè)十分接近。

圖2 2021年5月19日13時(shí)—20日19時(shí)廣東省累計(jì)觀測(cè)降水(a)和ART_1 km降水(b)與2020年6月2日02時(shí)—3日08時(shí)的累計(jì)觀測(cè)降水(c)和ART_1 km降水(d)的空間分布(單位：mm)Fig.2 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 13∶00 on May 19 to 19∶00 on May 20,2021,and from(c)observations and(d)ART_1 km products from 02∶00 on June 2 to 08∶00 on June 3,2020 in Guangdong Province,respectively(unit:mm)

圖3 則是廣東省ART_1 km 降水和觀測(cè)降水均方根誤差最小和最大的兩次暴雨過程。均方根誤差最小(0.6 mm)的過程發(fā)生在2019 年5 月4 日08 時(shí)—9 日08時(shí)(圖3a、b)，受低層較強(qiáng)偏南風(fēng)、切變線和冷空氣共同影響，全省降水明顯，粵北和粵東出現(xiàn)了大雨到暴雨、局部大暴雨，降水范圍廣。ART_1 km降水產(chǎn)品很好地反映了本次過程降水的范圍和強(qiáng)度。均方根誤差最大(1.8 mm)的過程發(fā)生在2020 年5 月20 日11 時(shí)—22 日13 時(shí)(圖3c、d)，珠三角、粵北和粵東沿海出現(xiàn)了暴雨到大暴雨，其中廣州為此次過程的降水中心，粵東的梅州也出現(xiàn)了明顯降水，粵西降水最弱，雷州半島基本無降水發(fā)生。該過程中，ART_1 km 降水產(chǎn)品也基本呈現(xiàn)了全省強(qiáng)降水的落區(qū)，同時(shí)反映了粵西弱降水和無降水的情形，但對(duì)于粵北和珠三角周邊地區(qū)的分散性局地強(qiáng)降水并未刻畫出來。

圖3 2019年5月4日08時(shí)—9日08時(shí)廣東省累計(jì)觀測(cè)降水(a)和ART_1 km降水(b)與2020年5月20日11時(shí)—22日13時(shí)的累計(jì)觀測(cè)降水(c)和ART_1 km降水(d)的空間分布(單位:mm)Fig.3 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 08∶00 on May 4 to 08∶00 on May 9,2019,and from(c)observations and(d)ART_1 km products from 11∶00 on May 20 to 13∶00 on May 22,2020 in Guangdong Province,respectively(unit:mm)

綜上，無論指標(biāo)最高還是最低，ART_1 km降水產(chǎn)品都能夠較好地反映廣東省致災(zāi)性暴雨過程中降水的落區(qū)和強(qiáng)度，并能夠成功再現(xiàn)累計(jì)降水量超過100 mm的強(qiáng)降水落區(qū)。對(duì)于粵西、尤其是雷州半島，ART_1 km降水產(chǎn)品呈現(xiàn)的降水范圍和強(qiáng)度相比觀測(cè)略大，這可能是因?yàn)槔字莅雿u的觀測(cè)站點(diǎn)稀疏，無法反映出部分地區(qū)是否發(fā)生降水，而ART_1 km 降水產(chǎn)品還融合了衛(wèi)星、雷達(dá)的結(jié)果，同時(shí)也因?yàn)猷徑军c(diǎn)插值的影響，所以使得雷州半島的ART_1 km降水比觀測(cè)大。因此本文還使用了雷達(dá)組合反射率評(píng)估ART_1 km 降水產(chǎn)品在無站點(diǎn)觀測(cè)區(qū)的表現(xiàn)(圖略)，發(fā)現(xiàn)雷達(dá)回波反映出的無站點(diǎn)觀測(cè)區(qū)存在強(qiáng)降水時(shí)，ART_1 km 降水產(chǎn)品也能夠有效反映出強(qiáng)降水的發(fā)生，并且ART_1 km降水產(chǎn)品對(duì)站點(diǎn)觀測(cè)的異常數(shù)據(jù)也有替代修正作用。另外，注意到圖1—3 呈現(xiàn)的站點(diǎn)觀測(cè)降水局地性更強(qiáng)，空間分布相對(duì)離散，而ART_1 km降水產(chǎn)品在站點(diǎn)插值后呈現(xiàn)的降水分布更為連續(xù)，塊狀分布明顯，表明該產(chǎn)品在反映大范圍的降水分布上具有很大優(yōu)勢(shì)，但在刻畫小范圍局地分散性降水上仍存在一定不足。

2.2 各等級(jí)降水的頻率分布

廣東省兩類獨(dú)立站的觀測(cè)降水和ART_1 km降水在不同小時(shí)降水等級(jí)中的出現(xiàn)頻率如圖4所示。從圖中來看，ART_1 km 降水產(chǎn)品出現(xiàn)無降水(<0.1 mm)的頻率略低于觀測(cè)，其中區(qū)域站和水文站的頻率分別約低了3%和10%。但ART_1 km 降水產(chǎn)品的小時(shí)降水量在[0.1,2)mm 范圍內(nèi)出現(xiàn)的頻率則略高于觀測(cè)，其中區(qū)域站和水文站的頻率分別約高了1.5%和10%。因此，獨(dú)立站觀測(cè)無降水時(shí)，ART_1 km降水產(chǎn)品仍可能表現(xiàn)出弱降水，但這種情況出現(xiàn)的概率很低。小時(shí)降水量在2～10 mm時(shí)，區(qū)域站的ART_1 km降水出現(xiàn)頻率比實(shí)際觀測(cè)略高了1%，水文站的二者頻率幾乎相等。小時(shí)降水量>10 mm時(shí)，兩類獨(dú)立站的出現(xiàn)頻率顯著下降，都低于0.02，此時(shí)ART_1 km降水頻率和實(shí)際觀測(cè)的幾乎相等。

圖4 2019—2022年5—8月廣東20例暴雨過程中區(qū)域站(a)和水文站(b)的觀測(cè)降水與ART_1 km降水在不同小時(shí)降水等級(jí)中的出現(xiàn)頻率Fig.4 Occurrence frequency of different hourly precipitation classifications for observations and ART_1 km products at(a)non-uploaded regional stations and(b)hydrometric stations during twenty disastrous rainstorm cases from May to August during 2019-2022 in Guangdong Province.

2.3 相關(guān)性和誤差分析

圖5統(tǒng)計(jì)了20例暴雨過程中獨(dú)立站的ART_1 km降水在不分級(jí)和分級(jí)情形下的TS 評(píng)分及其與觀測(cè)降水的相關(guān)性、均方根誤差和平均值誤差。圖5a 表明，ART_1 km降水的TS評(píng)分在降水不分級(jí)時(shí)為0.6～0.7，在降水分級(jí)時(shí)為0.5 以下，當(dāng)小時(shí)降水≥50 mm時(shí)，TS評(píng)分最低，約為0.2。但并非降水越強(qiáng)、ART_1 km 降水的TS 評(píng)分越低，例如小時(shí)降水量為[20,50) mm 時(shí)，ART_1 km降水的TS評(píng)分均比前后降水等級(jí)高。圖5b表明，ART_1 km 降水和觀測(cè)降水的相關(guān)系數(shù)在降水不分級(jí)時(shí)約為0.82，在降水分級(jí)后相關(guān)性顯著降低，基本為0.2～0.4。這說明在降水不分級(jí)時(shí)，ART_1 km降水和觀測(cè)降水的高相關(guān)很大程度上是由暴雨過程中無降水的站點(diǎn)或時(shí)次貢獻(xiàn)的。因此統(tǒng)計(jì)無降水情形下獨(dú)立站的ART_1 km 降水的準(zhǔn)確率，發(fā)現(xiàn)區(qū)域站為89%，水文站為85%，說明ART_1 km 降水產(chǎn)品能夠較好地反映無降水的情形。

圖5 2019—2022年5—8月廣東省20例暴雨過程中區(qū)域站和水文站的ART_1 km降水的TS評(píng)分(a)及在不同降水等級(jí)中與觀測(cè)降水的相關(guān)系數(shù)(b)、均方根誤差(c)和平均值誤差(d)Fig.5 (a)TS,(b)correlation coefficient,(c)root mean square error,and(d)mean error between ART_1 km products and observations in different precipitation classifications at non-uploaded regional stations and hydrometric stations from the 20 cases in this study

區(qū)域站和水文站的ART_1 km降水和觀測(cè)降水的均方根誤差(RMSE)隨著降水增強(qiáng)而增大(圖5c)，在降水不分級(jí)時(shí)，RMSE 約為2.0 mm；小時(shí)降水≥50 mm時(shí)，RMSE 最大，接近31.0 mm。平均值誤差(ME)可反映ART_1 km 降水的高估或低估，圖5d 表明在降水不分級(jí)時(shí)，兩類獨(dú)立站的ME 幾乎為0；但在降水較弱時(shí)(小時(shí)降水<5 mm)，ME 略大于0，說明ART_1 km 降水略有高估；在小時(shí)降水≥5 mm 時(shí)，ME 小于0；當(dāng)小時(shí)降水量≥50 mm時(shí)，ME在-26～-24 mm之間，表明隨著降水越強(qiáng)，獨(dú)立站的ART_1 km降水的低估越明顯。

圖6對(duì)20例暴雨過程中區(qū)域站和水文站的ART_1 km降水與觀測(cè)降水的相關(guān)系數(shù)、均方根誤差和平均值誤差進(jìn)行空間分布特征分析。全省大部分獨(dú)立站的ART_1 km 降水和觀測(cè)降水的相關(guān)系數(shù)為0.5～0.9(圖6a、b)，其中珠三角、粵東東部和粵北北部的大部分站點(diǎn)的降水相關(guān)系數(shù)達(dá)到0.8、甚至0.9以上；而粵東西部、粵北南部和粵西大部分站點(diǎn)的降水相關(guān)性降低，為0.5～0.8，個(gè)別站點(diǎn)的相關(guān)系數(shù)小于0.5。大部分獨(dú)立站的均方根誤差為0.1～1.0 mm(圖6c、d)，其中珠三角、粵東東部、粵北北部和粵西的茂名、湛江這些地區(qū)，大部分站點(diǎn)的均方根誤差最小(為0.1～0.5 mm)；但在珠三角以西的江門—陽江沿海和以東的惠州及粵北南部，部分站點(diǎn)的均方根誤差增大至1.0～5.0 mm。此外，全省大部分獨(dú)立站的平均值誤差在±0.1 mm 內(nèi)(圖6e、f)，但雷州半島較多站點(diǎn)的平均值誤差為0.1～0.5 mm，表明ART_1 km 降水在該站點(diǎn)稀疏區(qū)域存在高估。

圖6 2019—2022年5—8月廣東省20例暴雨過程中區(qū)域站(a，c，e)和水文站(b，d，f)的ART_1 km降水和觀測(cè)降水的相關(guān)系數(shù)(a，b)、均方根誤差(c，d)和平均值誤差(e，f)的空間分布Fig.6 Spatial distribution of(a,b)correlation coefficient,(c,d)root mean square error,and(e,f)mean error between ART_1 km precipitation products and observational precipitation at non-uploaded regional stations(a,c,e)and hydrometric stations(b,d,f)from the 20 cases in this study

將廣東省劃分為0.25°×0.25°網(wǎng)格，統(tǒng)計(jì)每個(gè)網(wǎng)格內(nèi)上傳制作ART_1 km 降水產(chǎn)品的非獨(dú)立站點(diǎn)數(shù)，網(wǎng)格內(nèi)站點(diǎn)數(shù)從1～29個(gè)不等，網(wǎng)格內(nèi)有20個(gè)及以上站作為高密度網(wǎng)格，10～20 個(gè)站作為中密度網(wǎng)格，10 個(gè)以下作為低密度網(wǎng)格。其中，高密度區(qū)往往也是強(qiáng)降水易發(fā)區(qū)，以珠三角為代表；中密度區(qū)主要在珠三角部分區(qū)域及粵東東部。從不同站點(diǎn)密度區(qū)的降水評(píng)估結(jié)果來看（圖略），各項(xiàng)檢驗(yàn)指標(biāo)表現(xiàn)為：高密度區(qū)>中密度區(qū)>低密度區(qū)，其中高密度區(qū)的ART_1 km降水的TS 評(píng)分大于0.64，和觀測(cè)降水的相關(guān)系數(shù)大于0.8。這表明，區(qū)域的站點(diǎn)越密集，則上傳制作ART_1 km 降水產(chǎn)品的站點(diǎn)觀測(cè)越多，該區(qū)域的ART_1 km降水產(chǎn)品的質(zhì)量也越高。

表2—4列出了20例暴雨過程中區(qū)域站和水文站等兩類獨(dú)立站的ART_1 km降水和觀測(cè)降水的相關(guān)系數(shù)、均方根誤差和平均值誤差的不同范圍在各等級(jí)降水中的站點(diǎn)占比。表2表明，在降水不分級(jí)時(shí)，60%～63%的獨(dú)立站的降水相關(guān)系數(shù)≥0.8，約98%的獨(dú)立站相關(guān)系數(shù)≥0.5。降水分級(jí)后，在相關(guān)系數(shù)≥0.5、≥0.8、≥0.9 和≥0.99 這些范圍內(nèi)，可以看到隨著降水增大，站點(diǎn)占比總體增大，說明ART_1 km 降水和觀測(cè)降水的相關(guān)性隨著降水增大而增大。當(dāng)小時(shí)降水<20 mm，大部分獨(dú)立站的相關(guān)系數(shù)<0.5；當(dāng)小時(shí)降水≥20 mm，42%～56%的站點(diǎn)的降水相關(guān)系數(shù)≥0.5，且30%～32%的站點(diǎn)相關(guān)性≥0.99，表明在強(qiáng)降水情形下ART_1 km降水和觀測(cè)降水的相關(guān)性增大。

表2 廣東ART_1 km降水與觀測(cè)降水的不同小時(shí)降水等級(jí)的相關(guān)系數(shù)(COR)在≥0.99、≥0.9、≥0.8、≥0.5和<0.5范圍下的站點(diǎn)占比(PCOR)Table 2 Station ratios of different precipitation classifications in different correlation efficient ranges of ≥0.99,≥0.9,≥0.8,≥0.5,and<0.5 between ART_1 km products and observations

表3 表明，降水不分級(jí)時(shí)，超出90%的獨(dú)立站的ART_1 km降水和觀測(cè)降水的均方根誤差為[1.0,5.0)mm。降水分級(jí)后，當(dāng)小時(shí)降水<10 mm，66%～96%的站點(diǎn)的均方根誤差為[1.0,5.0)mm；當(dāng)小時(shí)降水為[10,20)mm，77%～82%的站點(diǎn)的均方根誤差為[5.0,10.0) mm；當(dāng)小時(shí)降水≥20 mm，75%～86%的站點(diǎn)的均方根誤差≥10.0 mm。此外，從均方根誤差≥10.0 mm的站點(diǎn)占比來看，區(qū)域站和水文站的站點(diǎn)占比隨降水增強(qiáng)而增大，尤其當(dāng)小時(shí)降水≥20 mm，兩類獨(dú)立站的站點(diǎn)占比都超出75%，說明隨著降水增強(qiáng)，獨(dú)立站的ART_1 km降水和觀測(cè)降水的均方根誤差增大。

表3 廣東ART_1 km降水與觀測(cè)降水的不同小時(shí)降水等級(jí)的均方根誤差(RMSE)在≤1.0、[1.0,5.0)、[5.0,10.0)和≥10.0 mm范圍下的站點(diǎn)占比(PRMSE)Table 3 Station ratios of different precipitation classifications in different root mean square error ranges of ≤1.0,[1.0,5.0),[5.0,10.0)and ≥10.0 mm between ART_1 km products and observations

表4 表明，降水不分級(jí)時(shí)，約65%的區(qū)域站和約70%的水文站的ART_1 km降水和觀測(cè)降水的平均值誤差在±0.1 mm 內(nèi)。降水分級(jí)后，當(dāng)小時(shí)降水<5 mm，68%～83%的站點(diǎn)的平均值誤差在±0.5 mm 內(nèi)，且70%～99%的站點(diǎn)的平均值誤差≥0 mm，即大部分站點(diǎn)的平均值誤差在[0.0,0.5]mm范圍內(nèi)；當(dāng)小時(shí)降水≥20 mm，94%以上的站點(diǎn)的平均值誤差<0 mm；當(dāng)小時(shí)降水≥50 mm，接近81%的站點(diǎn)的平均值誤差在-10 mm以下，即此時(shí)ART_1 km降水總體弱于實(shí)際觀測(cè)10 mm以上。實(shí)際上，從平均值誤差≥0、<0的站點(diǎn)占比來看，當(dāng)小時(shí)降水≥5 mm時(shí)，73%以上的站點(diǎn)的平均值誤差小于0，說明ART_1 km降水低估較明顯。

3 極值站點(diǎn)降水準(zhǔn)確性評(píng)估

表5 和表6 分別統(tǒng)計(jì)了每例暴雨過程中ART_1 km 降水與觀測(cè)降水偏差最大的區(qū)域站和水文站。兩類獨(dú)立站在每例暴雨過程中降水偏差最大的站點(diǎn)并不相同，每個(gè)站的偏差值大小也不同，這可能是由于每例過程的降水強(qiáng)度和落區(qū)不同導(dǎo)致的，也說明ART_1 km降水的表現(xiàn)存在站點(diǎn)差異。

表5 廣東省20例暴雨過程中ART_1 km降水與觀測(cè)降水偏差最大的區(qū)域站及其降水信息Table 5 Non-uploaded regional meteorological stations with the maximum deviation between ART_1 km products and observations in each rainstorm case

表6 廣東省20例暴雨過程中ART_1 km降水與觀測(cè)降水偏差最大的水文站及其降水信息Table 6 Hydrometric stations with the maximum deviation between ART_1 km products and observations in each rainstorm case

區(qū)域站(表5)的最大降水偏差達(dá)到106.7 mm，發(fā)生在2020 年5 月22 日03 時(shí)的G1970 站點(diǎn)，此時(shí)該站觀測(cè)降水為0 mm，ART_1 km 降水在該站該時(shí)次的表現(xiàn)存在嚴(yán)重高估。但從20例暴雨過程的統(tǒng)計(jì)來看，15例的區(qū)域站存在低估，其中最大低估值為101.9 mm，發(fā)生在2019 年5 月27 日05 時(shí)的G2187 站點(diǎn)，此時(shí)該站觀測(cè)降水為141.6 mm，ART_1 km降水為39.7 mm。水文站(表6)的最大降水偏差達(dá)到108.9 mm，發(fā)生在2022年5月11日03時(shí)的站點(diǎn)81701270，此時(shí)該站觀測(cè)降水為128.5 mm，ART_1 km 降水為19.6 mm，后者明顯低估。此外，表6呈現(xiàn)出14例的水文站存在低估。

然而，表5 和表6 的統(tǒng)計(jì)是針對(duì)每例暴雨過程中降水偏差最大的時(shí)刻，對(duì)于整個(gè)暴雨過程中是否存在較多的低估時(shí)次不確定。為了進(jìn)一步檢驗(yàn)ART_1 km降水產(chǎn)品在整個(gè)暴雨過程中的表現(xiàn)，圖7a 給出了表5中低估最明顯的區(qū)域站G2187 在2019 年5 月23 日08時(shí)—30 日22 時(shí)暴雨過程的觀測(cè)降水和ART_1 km 降水及二者偏差的時(shí)間演變，發(fā)現(xiàn)該站ART_1 km 降水在該過程的顯著降水時(shí)期(如5月26日05時(shí)—27日05時(shí)和29 日04 時(shí)—16 時(shí))表現(xiàn)為明顯低估。但總體來看，G2187 的ART_1 km 降水仍然成功再現(xiàn)了降水的發(fā)生發(fā)展過程和強(qiáng)弱演變趨勢(shì)。圖7b 則給出了表6中低估最明顯的水文站81701270在2022年5月10日06 時(shí)—14 日08 時(shí)暴雨過程的降水演變，發(fā)現(xiàn)該站的ART_1 km降水峰值的發(fā)生時(shí)間比觀測(cè)降水峰值的發(fā)生時(shí)間滯后了1 h，從而導(dǎo)致了ART_1 km降水的嚴(yán)重低估，但在后續(xù)過程中，ART_1 km降水產(chǎn)品仍較好地再現(xiàn)了降水的強(qiáng)弱變化。圖7c、d則分別是20例暴雨過程中小時(shí)觀測(cè)降水最大的區(qū)域站和水文站的降水演變，其中區(qū)域站的最大小時(shí)降水為167.8 mm，發(fā)生在2020 年5 月22 日03 時(shí)的G9502 站，水文站的最大小時(shí)降水為149.0 mm，發(fā)生在2022 年5 月11 月06 時(shí)的81720610 站。從圖7c、d 可見，在小時(shí)降水最大的過程中，ART_1 km降水低估仍然明顯，但也再現(xiàn)了觀測(cè)降水的發(fā)展趨勢(shì)。

圖7 區(qū)域站G2187在2019年5月23日08時(shí)—30日22時(shí)(a)、水文站81701270在2022年5月10日06時(shí)—14日08時(shí)(b)、區(qū)域站G9502在2020年5月20日11時(shí)—22日13時(shí)(c)、和水文站81720610在2022年5月10日06時(shí)—14日08時(shí)(d)的觀測(cè)降水、ART_1 km降水及二者偏差的時(shí)間演變Fig.7 Temporal variations of observed precipitation(O,black solid lines),ART_1 km precipitation(G,gray solid lines),and their deviation(G-O,dashed lines)(a)at the non-uploaded regional station G2187 from 08∶00 BT May 23 to 22∶00 BT May 30,2019,(b)at the hydrometric station 81701270 from 06∶00 BT May 10 to 08∶00 BT May 14,2022,(c)at the non-uploaded regional station G9502 from 11∶00 BT May 20 to 13∶00 BT May 22,2020,and(d)at the hydrometric station 81720610 from 06∶00 BT 10 May to 08∶00 BT May 14,2022,respectively

總體對(duì)比了每例暴雨過程中降水低估顯著的獨(dú)立站的觀測(cè)降水和ART_1 km 降水的演變，發(fā)現(xiàn)不少獨(dú)立站的ART_1 km降水峰值的發(fā)生相比觀測(cè)降水峰值的發(fā)生提前或滯后1～2 h，但也存在不少獨(dú)立站的ART_1 km 降水峰值并未發(fā)生提前或滯后的情形，其ART_1 km降水仍弱于觀測(cè)降水。

4 結(jié)論與討論

本文選取廣東省2019—2022年5—8月的20例致災(zāi)暴雨過程，以未上傳融合制作ART_1 km 降水產(chǎn)品的區(qū)域站和水文站等兩類獨(dú)立站的觀測(cè)降水資料作為“真值”，對(duì)ART_1 km 降水產(chǎn)品在暴雨過程中的準(zhǔn)確性進(jìn)行量化評(píng)估。主要結(jié)論如下：

(1)ART_1 km降水產(chǎn)品較好地再現(xiàn)了廣東省暴雨過程的降水落區(qū)、強(qiáng)度和變化趨勢(shì)，在反映大范圍的降水分布上具有很大優(yōu)勢(shì)，但對(duì)于站點(diǎn)較稀疏的地區(qū)如雷州半島，ART_1 km 降水產(chǎn)品呈現(xiàn)的降水范圍和強(qiáng)度相比實(shí)測(cè)略大，在反映小范圍局地分散性降水上仍存在不足。此外，ART_1 km 降水產(chǎn)品也能夠較好地反映無降水的情形。

(2)ART_1 km 降水和觀測(cè)降水在珠三角、粵東東部和粵北北部的相關(guān)系數(shù)最大(≥0.8)、均方根誤差最小(0.1～0.5 mm)；而粵東西部、粵北南部和粵西的降水相關(guān)性降低，均方根誤差增大。全省大部分獨(dú)立站的ART_1 km 降水和觀測(cè)降水的平均值誤差在±0.1 mm內(nèi)，但雷州半島總體表現(xiàn)為降水略有高估。

(3)降水越強(qiáng)，獨(dú)立站的ART_1 km 降水和觀測(cè)降水的相關(guān)性越高，但均方根誤差和平均值誤差也越大。降水不分級(jí)時(shí)，全省約60%的獨(dú)立站的ART_1 km降水和觀測(cè)降水的相關(guān)系數(shù)≥0.8，超90%的獨(dú)立站的均方根誤差在[1.0,5.0)mm范圍內(nèi)，超60%的獨(dú)立站的平均值誤差在±0.1 mm 內(nèi)。降水分級(jí)后，當(dāng)小時(shí)降水較弱時(shí)(<5 mm)，全省大部分獨(dú)立站的相關(guān)系數(shù)<0.5、均方根誤差在[1.0,5.0) mm 范圍內(nèi)、平均值誤差在[0.0,0.5]mm范圍內(nèi)；當(dāng)小時(shí)降水很強(qiáng)時(shí)(≥20 mm)，全省42%～56%的獨(dú)立站的相關(guān)系數(shù)≥0.5，大部分獨(dú)立站的均方根誤差≥10 mm、平均值誤差<0 mm，且當(dāng)小時(shí)降水≥50 mm，平均值誤差<-10 mm。

(4)隨著降水增強(qiáng)，ART_1 km 降水產(chǎn)品總體表現(xiàn)為低估。20 例暴雨過程中，區(qū)域站的ART_1 km 降水最大低估值達(dá)101.9 mm，水文站達(dá)108.9 mm。分析低估最明顯及降水最強(qiáng)的站點(diǎn)在相應(yīng)暴雨過程中的降水演變發(fā)現(xiàn)，ART_1 km 降水在強(qiáng)降水發(fā)生時(shí)存在明顯低估，甚至其峰值降水的時(shí)間相比觀測(cè)提前或滯后1～2 h，但仍較好地反映了整個(gè)過程降水的發(fā)生消亡和強(qiáng)弱演變趨勢(shì)。

獨(dú)立站ART_1 km降水與觀測(cè)降水的偏差與這些站點(diǎn)的觀測(cè)資料未融合制作降水產(chǎn)品密切相關(guān)。由于ART_1 km降水產(chǎn)品是由每個(gè)格點(diǎn)附近的站點(diǎn)觀測(cè)資料融合分析得到，因此ART_1 km 降水低估情況的出現(xiàn)可能與獨(dú)立站周圍的降水分布不均勻性有關(guān)。站點(diǎn)分布也存在不均勻性，站點(diǎn)越密集的區(qū)域，融合制作ART_1 km 降水產(chǎn)品的觀測(cè)資料就越多，產(chǎn)品的準(zhǔn)確性越高。但如果獨(dú)立站周圍參與融合制作的實(shí)況站點(diǎn)太少，則可能導(dǎo)致ART_1 km 降水的低估。因此，若有更多的獨(dú)立站觀測(cè)融入制作ART_1 km 降水產(chǎn)品，有助于進(jìn)一步提升該產(chǎn)品的準(zhǔn)確性。