Summer precipitation verification and evaluation of AMSR2 precipitation product based on DPR data

Yang HUANG; YanSong BAO; Hui LUI; Jing LI; QiFeng LU; Fu WANG; Heng ZHANG

doi:10.6038/pg2024HH0265

Progress in Geophysics >

2024 , Vol. 39 >Issue 4: 1304 - 1314

DOI: https://doi.org/10.6038/pg2024HH0265

Summer precipitation verification and evaluation of AMSR2 precipitation product based on DPR data

Yang HUANG ^,¹ ,
YanSong BAO ^,¹^,* ,
Hui LUI ² ,
Jing LI ³ ,
QiFeng LU ⁴ ,
Fu WANG ⁴ ,
Heng ZHANG ⁵

Expand

¹ Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters/Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration/Joint Laboratory of Meteorological Environment Satellite Engineering and Application, School of Atmospheric Physics, Nanjing University of Information Science and Technology, Nanjing 210044, China
² National Satellite Meteorology Center, Beijing 100081, China
³ Unit 61741 of PLA, Beijing 100094, China
⁴ Earth System Modeling and Prediction Center, China Meteorological Administration, Beijing 100081, China
⁵ Shanghai Satellite Engineering Institute, Shanghai 200240, China

Received date: 2023-07-14

Online published: 2024-09-29

Copyright

Fold

Abstract

Accurate precipitation data of satellite is very important for real-time precipitation monitoring and weather forecasting. This paper takes the Chinese mainland and its surrounding sea areas as the research area, and takes the DPR(Dual-frequency Precipitation Radar) precipitation data as the reference value to verify and evaluate the AMSR2(Advanced Microwave Scanning Radiometer 2) precipitation product from July to September 2022 by using classification statistical indicators and accuracy evaluation indicators. The results show that the AMSR2 precipitation product has the best observation effect over the ocean, with the probability of detection of 0.659 and ETS score of 0.546, and the correlation coefficient with DPR is 0.679, RMSE is 4.598 mm/h; The observation effect over the land is second, with the false alarm ratio of 0.277 and ETS score of 0.357, and the correlation coefficient with DPR is 0.325, RMSE is 2.793 mm/h; The observation effect over the coast is relatively poor, with the low probability of detection of 0.361 and ETS score of 0.307, and the correlation coefficient with DPR is 0.329, RMSE is 4.527 mm/h. At the same time, as the rainfall level increases, the estimation error of AMSR2 precipitation product for precipitation is also increasing. It is easy to overestimate precipitation in light rainfall level, and in moderate rainfall level it is easy to underestimate precipitation over the coast, to overestimate precipitation over the sea and land, while in heavy rainfall and heavy rainstorm level it is easy to underestimate precipitation, and the degree of underestimation increases with the increase of rainfall level.

Cite this article

Yang HUANG , YanSong BAO , Hui LUI , Jing LI , QiFeng LU , Fu WANG , Heng ZHANG . Summer precipitation verification and evaluation of AMSR2 precipitation product based on DPR data[J]. Progress in Geophysics, 2024 , 39(4) : 1304 -1314 . DOI: 10.6038/pg2024HH0265

0 引言

降水是指从云中降落或从大气中沉降到达地面的固态或者液态的水汽凝结物，主要形式是雨和雪(Michaelides et al.，2009).降水是全球水和能量循环中最关键的变量之一，作为一个水分通量连接着大气过程与地表过程，具有重要的气象学、气候学和水文学意义(Hong et al.，2007).

目前，我国降水资料的获取主要有三种方式：一是地面雨量站观测，二是气象雷达观测，三是卫星遥感观测.地面雨量站是获得降水资料的最直接方式，可以准确的反映某一点的降水量，然而降水是具有高空间变异性和时间连续性的物理量，需要布设十分稠密的雨量计才能准确的观测一个区域内降雨的特征；气象雷达观测能够获取较大区域、高时空精度的降水数据，并且具有较高的时效性，可以迅速观测一定区域的实时降雨情况，但是单个雷达对降水的观测范围有限，测雨精度会随着距雷达的距离增加而降低，并且需要考虑杂波、波束阻塞和异常传播等因素的影响；卫星遥感观测利用卫星可见光、红外和被动微波辐射信息，实现对降水的间接观测，不仅可以及时、便捷地获取降水数据，而且还具有时空分辨率高、覆盖区域广等优势(钟宇璐，2021).微波可以穿透大气中的云、霾、沙尘等，且不受太阳辐射的影响，可以获得云区内的温湿特性，尤其能够很好地反映出强降水云团的垂直结构，可以为天气系统的发展提供更多的信息(俞兆文等，2017).其中微波辐射计是中外极轨气象卫星上搭载的主流微波探测仪器之一，在大气遥感中扮演着非常重要的角色.20世纪70年代以来，已有若干代星载微波辐射计投入使用，并且在气象、遥感、水文、地质等多个领域得到广泛的关注和研究(肖弘毅等，2022).2012年日本宇宙航空研究开发机构JAXA(Japan Aerospace Exploration Agency)发射的第一期全球循环变化观测卫星GCOM-W1(Global Change Observation Mission-Water 1)上搭载了第二代先进微波扫描辐射计AMSR2(Advanced Microwave Scanning Radiometer 2)，是AMSR-E的继承仪器(谢涛和赵立，2022)，继承了与地球水文循环变化相关的各种地球物理量的观测，较后者新增了频率为7.3 GHz的两个通道，以缓解C波段无线电频率间的干扰.AMSR2的观测可以覆盖全球，弥补了洋面、沙漠、高原、极地等区域常规观测资料稀少的问题，同时AMSR2和其他星载微波辐射计一样可以发挥微波的穿透优势，对云雨区域地表或海表的物理信息进行监测，提供有关降水、云、大气湿度、水汽、温度、土壤湿度、积雪分布、海面温湿场、海面风速和海表盐度等大气和地表信息(肖弘毅等，2022).星载探测云雨的雷达具有对全球三维结构的主动探测能力，不受太阳辐射、地表类型等因素的影响，是了解全球降水分布及垂直结构特征的有效手段，1997年由美国国家航天局NASA(National Aeronautics and Space Administration)和日本宇宙航空研究开发机构JAXA联合发射的热带降雨测量任务卫星TRMM(Tropical Rainfall Measuring Mission Satellite)搭载了世界上第一部星载测雨雷达PR(Precipitation Radar)，它是第一颗专门用来观测热带、亚热带降水的卫星(李函璐等，2022)，继TRMM之后，美国和日本又于2014年联合发起了全球降水测量计划GPM(Global Precipitation Measurement)(邓欣柔和吴莹，2022)，其目标是实现对全球范围的降水观测，GPM上搭载的DPR(Dual-Frequency Precipitation Radar)作为全球首部星载双频降水雷达，可以同时使用Ku和Ka波段获取雨滴大小分布等信息，提供云和降水的微物理结构，进一步提高降水反演的精度，从而改善预测洪水、干旱、泥石流和山体滑坡等自然灾害的能力，更好地预测天气和气候.

由于卫星在数据影像获取、传输、反演计算的过程中均存在一定的误差，因此卫星观测得到的降水数据存在一定的不确定性(刘江涛等，2019)，为了更好地应用卫星降水产品，学者们开展了一系列的研究.You等(2020)基于GPM Ku波段降水雷达(KuPR)资料，评估了海洋上空10个被动微波辐射计的降水反演效果，结果表明表现最好的是AMSR2，与KuPR的相关系数为0.69，同时研究表明AMSR2的降水量估算是生成全球降水数据集的最主要产品.Aonashi和Liu(2000)为了检验AMSR2降水反演算法的性能，将该算法应用于TMI数据，并将其反演的降水与PR数据进行对比发现，该算法能够成功地反演降水扰动的中尺度结构，且在1~25 mm/h降水范围内，与PR数据具有良好的线性相关.施丽娟等(2022)以中国2423个地面气象站点的降水传感器观测数据为基准，分析了GPM降水产品的观测准确性，结果表明GPM降水在全国范围均呈现较高的观测准确性，且GPM降水产品与地面降水传感器在1~10月具有较好的一致性.卢美圻和魏鸣(2017)通过分析GPM DPR和地面S波段雷达探测“彩虹”台风的数据，发现两者探测结果十分相近，证明了DPR数据质量的可靠性.陈汉清等(2019)等对DPR降水产品与地面观测资料直接比较评估得到两者的一致性较高，且DPR降水产品在探测和降水估计方面存在比较突出的特征，夏季的表现明显优于冬季，且液态降水优于固态降水、平原地区优于复杂地形地区.

目前国内外有关AMSR2资料的应用和研究对象主要集中在地表参数、海平面温湿场等方面，对AMSR2降水资料在中国区域开展的研究较少，因此对AMSR2降水产品在中国区域进行检验评估，并对其误差特性进行分析，可以对其在天气预报、灾害预警等方面的应用提供一定的参考.由于卫星反演降水率是瞬时数据，与地面气象站逐小时降水资料的时间一致性较差，因此本文以同样是瞬时数据的DPR降水产品作为参考值，一方面可以减少时间不匹配带来的误差，另一方面可以在地面参考资料稀少的海洋上对降水产品进行评价，同时结合DPR降水产品现有的地面验证(卢美圻和魏鸣，2017；陈汉清等，2019)，本研究使用DPR降水产品作为AMSR2降水产品检验评估的参考值.

1 资料与方法

1.1 研究区域

本文的研究区域范围为中国大陆及其周边海域(73°E—135°E，3°N—60°N)，如图 1所示，中国大陆地处太平洋西部，亚欧大陆东部，国土面积广，受复杂地形和特殊海陆分布的影响，降水类型多样且具有明显的时空变化，我国年降水量南部比北部多，东部比西部多，海洋比陆地多，年降水量呈现东南沿海向西北内陆地区逐渐减少的趋势(李季等，2023).

显示原图|下载原图ZIP|生成PPT

图1 研究区地形分布图

(a) AMSR2与DPR的扫描轨迹；(b) AMSR2降水产品；(c) DPR降水产品.

Fig 1 Topographic distribution map of the research area

1.2 数据介绍

1.2.1 AMSR2降水产品

AMSR2位于距地表700 km高空，以55°扫描角对地球进行圆锥扫描，每分钟扫描40次，每次扫描提供243个扫描点，每个扫描点观测10 km范围的像元，可以收回覆盖地球表面约1450 km宽的地区的数据，同时这种锥形扫描可以在2天内覆盖地球表面99%以上区域，并且每天提供一次白天升轨和一次夜间降轨数据(束艾青等，2019).AMSR2共有7个中心频率，均采用水平垂直双极化方式，因此其共有14个探测通道，其中低频率通道1~6对地表发射率较为敏感，18.7 GHz的通道7和8可以用于监测海面降水，23.8 GHz的通道9和10用于观测大气水汽，36.5 GHz的通道11和12关注云液态水信息，89.0 GHz的通道13和14可以用于对流性降水区域的探测(俞兆文等，2017)，不同频率通道的扫描点大小不相同，通道频率越高，扫描点越小(钱玲等，2019).本文使用的数据为2022年7~9月AMSR2 Level 2降水估计产品(PRC)，该产品通过GPROF算法反演得到，该算法由前向计算部分和反演部分组成，并通过最小化通道亮温观测值与正演计算差值的加权平方和的代价函数来找到最优降水率，其中降水反演使用的通道包括10.7 GHz V/H、18.7 GHz V/H、23.8 GHz V/H、36.5 GHz V/H和89.0 GHz V/H.AMSR2的观测时间以世界时1993年1月1日00时为起始，至卫星观测时的秒计数，空间分辨率为10 km，质量标识为0:Ocean，1:Land，2:Coast，16:Latitude is out of range，32:Regions of low temperature，48:Regions of sea ice，64:TB out of range，80:Invalid TB，96:Satellite attitude out of range，112:L1 Land/Ocean Flag Error.选取质量标识为0、1、2的数据进行精度验证.表 1为所使用的AMSR2数据变量.

图1 使用的AMSR2降水产品数据变量

Table 1 AMSR2 precipitation product data variables used

变量名	中文名
Scan Time	逐线观测时间
Latitude of Observation Point for 89A	纬度
Longitude of Observation Point for 89A	经度
Pixel Data Quality for 89A	数据质量标识
Geophysical Data for 89A	降水率

1.2.2 DPR降水产品

GPM卫星运行高度为407 km，轨道为圆形，倾角为65°，运行速率约7 km/s，它在一次扫描中有49个足迹，直径约为5 km，扫描范围可达245 km，轨道周期93 min，一天可绕地球16圈.GPM上搭载的DPR作为全球首部星载双频降水雷达，由13.6 GHz的Ku波段降水雷达(KuPR)和35.5 GHz的Ka波段降水雷达(KaPR)组成，KuPR能够测量中到大雨，而KaPR灵敏度更高，能观测到小水滴和冰粒子，两个波段在遇到不同的降水类型时散射强度不同，将它们的数据结合，利用其差异分辨出降水过程中的粒子相态，提供粒子谱等新的信息(阳紫蕾等，2020).DPR的二级降水产品主要包括2AKu、2AKa和2ADPR三种降水产品，其中2ADPR是双频反演的降水产品，2ADPR内又分为MS(Matched Beam Scan)、FS(Full Beam Scan)和HS(High Sensitivity Beam Scan)三种扫描产品.本文使用的数据为2022年7~9月DPR降水产品2ADPR中的FS产品，其扫描幅宽为245 km，每条扫描线与KuPR相对应有49个像素点，空间分辨率为5 km.质量标识为0:High quality，1:Low quality，2:Bad.选取质量标识为0的数据进行精度验证.表 2为所使用的DPR数据变量.

图2 使用的DPR降水产品数据变量

Table 2 DPR precipitation product data variables used

变量名	中文名
ScanTime	扫描时间
Latitude	纬度
Longitude	经度
QualityFlag	质量标识
precipRateESurface	地面估计降水率

1.3 研究方法

基于DPR降水产品，对AMSR2降水产品根据其质量标识分为海洋(Ocean)、陆地(Land)和海岸(Coast)(邻接海洋边缘的陆地)分别进行真实性检验，具体流程如图 2所示.

显示原图|下载原图ZIP|生成PPT

图2 降水检验流程

Fig 2 Precipitation verification process

1.3.1 时空匹配

考虑到样本量和重合观测精度，选择5 min和5 km这两个阈值进行时空匹配(You et al.，2020, 2021)，具体匹配方法如下：

第一步，数据读取：读取DPR降水产品的时间、经纬度和降水率，并筛选中国区域(73°E—135°E，3°N—60°N)的数据，只保留降水率≥0 mm/h且质量标识为0的有效数据.

第二步，时间匹配：首先读取AMSR2降水产品文件名上的时间，筛选出最接近DPR数据时间且时间相差不超过1 h的AMSR2降水产品文件.然后根据AMSR2降水产品文件中的ScanTime，查找距离DPR数据时间5 min内的所有扫描线.

第三步，空间匹配：在确定的扫描线上寻找距离DPR经、纬度差在5 km范围内最邻近的AMSR2数据.

1.3.2 质量控制

采用三倍误差标准差的方法剔除异常数据，具体方法如下：

首先，求出AMSR2数据与DPR数据的误差：

然后，求出平均误差与误差的标准差：

最后，筛选出误差在[bias-3σ, bias+3σ]中的数据.

1.3.3 精度检验

使用降水检验分类表来描述预测与观测事件之间的关系(刘凑华等，2022)，如表 3所示.NA表示AMSR2和DPR降水产品观测均有降水的样本数，NB表示AMSR2降水产品观测有降水但DPR降水产品无降水的样本，NC表示AMSR2降水产品观测无降水但DPR降水产品有降水的样本，ND表示AMSR2和DPR降水产品观测均无降水的样本.本研究使用0.2 mm/h作为有降水/无降水的阈值(陈汉清，2022).

表3 降水检验分类表

Table 3 Precipitation verification classification table

项目	DPR有雨	DPR无雨
AMSR2有雨	NA	NB
AMSR2无雨	NC	ND

使用以下统计量评估AMSR2降水产品的降水识别能力：

式中，FAR为空报率，表示AMSR2降水产品观测到的降水像素点中AMSR2降水产品识别降水的错误率；POD为命中率，表示在DPR降水产品观测到有降水时AMSR2降水产品对降水像素点进行正确识别的可能性；CSI为临界成功指数，表示当移出被正确分类的非降水点时，正确分类的像素点中的降水像素点的比例；ETS为公平技巧评分，表示了在考虑偶然性之后被正确分类的像素点占比，ETS评分是对TS评分的改进，能对空报或漏报进行惩罚，使评分相对后者更加公平；FAR、POD、CSI的取值区间为0~1，ETS评分的取值区间为-1/3~1.空报率FAR的值越小，命中率POD的值越大，临界成功指数CSI的值越大，ETS评分越高表示AMSR2降水产品误报降水事件的程度越低，观测降水效果越好.

为了进一步评估AMSR2降水产品的降水强度，分别计算AMSR2降水产品与DPR降水产品的降水强度相关系数R，降水强度均方根误差RMSE(mm/h)和降水强度平均误差BIAS(mm/h).

式中，S表示AMSR2降水产品的降水强度，I表示DPR降水产品的降水强度，n为匹配点数目.R表示AMSR2降水产品与DPR降水产品之间的一致性，R越大说明AMSR2降水产品与DPR降水产品更为接近，数据真实性越高；RMSE不仅可以用来评估AMSR2降水产品的总体误差水平和精度，还可以用来描述离散程度，RMSE越小，说明AMSR2降水产品与DPR降水产品之间的离散程度越小；BIAS反映AMSR2降水产品与DPR降水产品之间的平均差异，BIAS越小，表明AMSR2降水产品与DPR降水产品的差异程度越小，该算术平均数的代表性就越大.

2 结果与分析

2.1 时空匹配结果统计

经过对2022年7~9月的AMSR2与DPR降水产品的时空匹配，共匹配到874212个样本对，其中海洋有173827个样本对，陆地有609652个样本对，海岸有90733个样本对.同时统计得到AMSR2与DPR降水产品的时空匹配误差，统计结果如表 4所示.

表4 时空匹配误差统计

Table 4 Spatio-temporal matching error statistics

	最小值	最大值	平均值
时间误差/s	0	299.9990	144.6444
距离误差/km	0.0057	4.9999	2.8351

以AMSR2与DPR降水产品匹配点较多的个例2022年7月1日18:12—19:45UTC分析AMSR2降水产品的误差特征，如图 3a所示为AMSR2与DPR降水产品的扫描轨迹与降水分布(底层图为AMSR2降水产品，上层图为DPR降水产品)，图 3b、c分别为90°E—100°E，20°N—30°N范围内的AMSR2与DPR降水产品的降水分布.从降水区域识别来看，AMSR2与DPR降水产品观测降水落区大致相同，AMSR2降水产品基本能够捕捉到强降水区域，对于弱降水区域，AMSR2降水产品容易出现漏报，在DPR降水产品观测有降水的区域，AMSR2降水产品并未观测出降水；从降水强度估计来看，当DPR降水产品观测为小雨(降水率≤1.5 mm/h)时，AMSR2降水产品观测降水总体偏大.

显示原图|下载原图ZIP|生成PPT

图3 2022年7月1日18:12—19:45UTC AMSR2与DPR降水产品的降水分布

Fig 3 AMSR2 and DPR precipitation distribution map at 18:12—19:45UTC, July 1, 2022

(a) Scan traces of AMSR2 and DPR; (b) AMSR2 precipitation product; (c) DPR precipitation product.

2.2 降水识别的检验结果

经过对2022年7~9月AMSR2与DPR降水产品时空匹配后得到的海洋、陆地和海岸样本分别进行统计，得到AMSR2降水产品的空报率FAR、命中率POD、临界成功指数CSI和ETS评分如图 4所示.由统计数据可以看出，AMSR2降水产品在海洋上的观测效果最好，具有较低的FAR、较高的POD、较高的CSI和ETS评分，其中FAR为0.149，即在AMSR2降水产品观测有降水的情况下，有14.9%的情况DPR降水产品没有观测到降水，POD为0.659，即在DPR降水产品观测到有降水时AMSR2降水产品对降水像素点进行正确识别的概率为65.9%, CSI为0.590，ETS评分为0.546，其表现较好的原因可能是海洋上AMSR2低频通道的使用，可以更好地捕捉到雨滴的发射特征；AMSR2降水产品在陆地上的观测效果次之，FAR为0.277，POD为0.448，CSI为0.383，ETS评分为0.357，其表现较差的原因可能是AMSR2缺乏频率高于89 GHz的通道，在陆地上降水反演算法主要取决于冰散射特征，较高频率的通道对该特征比89 GHz通道会更敏感；而在海岸上的观测效果相对较差，FAR为0.170，POD为0.361，CSI为0.336，ETS评分为0.307，海岸观测效果较差可能是海岸的降水反演性能在很大程度上受到每个观测像元中陆地/海洋百分比的影响，使得观测结果存在很大的不确定性.

显示原图|下载原图ZIP|生成PPT

图4 降水识别的检验结果

(a)海洋；(b)陆地；(c)海岸.

Fig 4 Evaluation results of precipitation identification

2.3 降水估计的检验结果

对AMSR2和DPR降水产品的降水强度进行比较，仅包括AMSR2和DPR降水产品都观测到降水的观测结果，并按三倍误差标准差剔除异常数据后进行统计.降水强度密度散点图如图 5所示，其中红色的高密度值显示了大多数数据所在的位置.精度统计结果如表 5所示.

显示原图|下载原图ZIP|生成PPT

图5 AMSR2与DPR降水产品的降水强度密度散点图

Fig 5 Precipitation rate density scatter plot of AMSR2 and DPR precipitation product

(a) Ocean; (b) Land; (c) Coast.

表5 精度统计指标

(a)海洋；(b)陆地；(c)海岸.

Table 5 Precision statistical indicators

	N	R	RMSE/(mm/h)	BIAS/(mm/h)
Ocean	15973	0.679	4.598	0.081
Land	20606	0.325	2.793	0.922
Coast	3273	0.329	4.527	-0.282

为了更清晰地展示不同降水强度的概率分布，画出AMSR2和DPR降水产品降水强度的概率密度函数(PDF)，它能够反映AMSR2和DPR降水产品降水强度发生的概率，如图 6所示.

显示原图|下载原图ZIP|生成PPT

图6 AMSR2与DPR降水产品的降水强度概率密度图

Fig 6 Precipitation rate probability density map of AMSR2 and DPR precipitation product

(a) Ocean; (b) Land; (c) Coast.

由统计结果可知，在海洋上，AMSR2降水产品的降水率与DPR降水产品的降水率一致性较好，相关系数达到了0.679，在图 5a中接近1∶1线的数据密度较高，且图 6a中AMSR2的PDF也最接近DPR的PDF，同时两者的PDF的峰值在降水强度为1 mm/h左右，RMSE为4.598 mm/h，BIAS为0.081 mm/h；在陆地上，AMSR2与DPR降水产品的相关系数为0.325，由图 5b可以看出AMSR2降水产品观测弱降水偏大，两者的PDF的峰值在降水强度为0.7 mm/h左右，RMSE为2.793 mm/h，BIAS为0.922 mm/h；在海岸上，AMSR2与DPR降水产品的相关系数为0.329，由图 6b、c可以看出AMSR2观测弱降水明显偏大，而观测强降水偏小，AMSR2降水产品PDF的峰值在降水强度为3 mm/h左右，DPR降水产品PDF的峰值在降水强度为1 mm/h左右，RMSE为4.527 mm/h，BIAS为-0.282 mm/h.

2.4 降水强度分级的检验结果

根据降雨量的等级划分标准(中华人民共和国国家质量监督检验检疫总局和中国国家标准化管理委员会，2012)，将降水强度划分为4个等级：小雨(0.2~1.5 mm/h)、中雨(1.6~6.9 mm/h)、大雨(7.0~14.9 mm/h)和暴雨(≥15 mm/h).分别统计AMSR2降水产品在不同雨量等级的均方根误差和平均误差，如图 7所示.由图 7a可知，AMSR2降水产品在小雨的估计误差最小，随着雨量等级的增大，产品对降水量的估计误差也越来越大，说明雨量越大，产品反演降水误差较大，其中陆地在暴雨等级的误差相对于海洋和海岸较小，可能原因是海洋上强降雨事件较多，产品使用的算法对强降雨的反演较差，导致海洋的降水误差较大.由图 7b可知，在小雨等级，AMSR2降水产品的平均偏差为正，说明其对小雨容易高估；在中雨等级，AMSR2降水产品在海岸的平均偏差为负，说明其在海岸对中雨容易低估，在海洋和陆地的平均偏差均为正，说明其在海洋和陆地对中雨容易高估；在大雨和暴雨等级，整体上AMSR2降水产品都是对雨量低估，且低估程度随雨量等级的增大而增大.

显示原图|下载原图ZIP|生成PPT

图7 降水强度分级的检验结果

(a)均方根误差；(b)平均误差.

Fig 7 Evaluation results for precipitation intensity grading

(a) Root mean square error; (b) Mean error.

3 结论

本研究以DPR降水产品作为参考值，以中国大陆及其周边海域为研究区域，分别在海洋、陆地和海岸对2022年7月~9月的AMSR2降水产品进行检验评估，得到如下结论：

(1) AMSR2降水产品在海洋上的观测效果最好，其空报率为0.149，命中率为0.659，CSI为0.590，ETS评分为0.546，与DPR的相关系数为0.679，RMSE为4.598 mm/h，BIAS为0.081 mm/h，其表现较好的原因可能是海洋上AMSR2低频通道的使用，可以更好地捕捉到雨滴的发射特征，同时海洋上发生强降雨事件较多，产品对强降雨的反演较差，导致在海洋的降水估计误差相对较大.

(2) AMSR2降水产品在陆地上的观测效果次之，容易出现空报，空报率为0.277，命中率为0.448，CSI为0.383，ETS评分为0.357，与DPR的相关系数为0.325，RMSE为2.793 mm/h，BIAS为0.922 mm/h.其表现较差的原因可能是AMSR2缺乏频率高于89 GHz的通道，在陆地上降水反演算法主要取决于冰散射特征，较高频率的通道对该特征比89 GHz通道会更敏感.

(3) AMSR2降水产品在海岸上的观测效果相对较差，容易出现漏报，空报率为0.170，命中率为0.361，CSI为0.336，ETS评分为0.307，与DPR的相关系数为0.329，RMSE为4.527 mm/h，BIAS为-0.282 mm/h，海岸观测效果较差可能是海岸的降水反演性能在很大程度上受到每个观测像元中陆地/海洋百分比的影响，使得观测结果存在很大的不确定性.

(4) 随着雨量等级的增大，AMSR2降水产品对降水量的估计误差也越来越大；同时AMSR2降水产品在小雨等级容易高估降水量，在中雨等级，在海岸容易低估降水量，而在海洋和陆地容易高估降水量，在大雨和暴雨等级，容易低估降水量，且低估程度随雨量等级的增大而增大.

需要指出的是，与使用地面常规观测数据相比，本文使用DPR降水产品作为参考可能在数据的独立性方面存在一些缺点，比如DPR由于其检测局限性，检测不到大部分0.2 mm/h以下的降雨率数据，且与地面雷达观测相比，DPR会低估对流风暴中的强降雨率，同时其在平原地区的表现更优于复杂地形地区，但是，由于其几乎覆盖全球，因此在不同观测条件下，特别是在可靠地面参考稀少的海洋上进行评价也具有一定的优势.

感谢审稿专家提出的修改意见和编辑部的大力支持！

References

Publishing order | Descend order by publishing year | Descend order by cited within

Aonashi

, Liu

G S

. Passive microwave precipitation retrievals using TMI during the Baiu Period of 1998. Part Ⅰ: algorithm description and validation. Journal of Applied Meteorology and Climatology, 2000, 39(12): 2024 2037

模态框（Modal）标题

Abstract

Cite this article

0 引言

1 资料与方法

1.1 研究区域

图1 研究区地形分布图

1.2 数据介绍

1.2.1 AMSR2降水产品

图1 使用的AMSR2降水产品数据变量

1.2.2 DPR降水产品

图2 使用的DPR降水产品数据变量

1.3 研究方法

图2 降水检验流程

1.3.1 时空匹配

1.3.2 质量控制

1.3.3 精度检验

表3 降水检验分类表

2 结果与分析

2.1 时空匹配结果统计

表4 时空匹配误差统计

图3 2022年7月1日18:12—19:45UTC AMSR2与DPR降水产品的降水分布

2.2 降水识别的检验结果

图4 降水识别的检验结果

2.3 降水估计的检验结果

图5 AMSR2与DPR降水产品的降水强度密度散点图

表5 精度统计指标

图6 AMSR2与DPR降水产品的降水强度概率密度图

2.4 降水强度分级的检验结果

图7 降水强度分级的检验结果

3 结论

References