image
Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Progress in Geophysics >

2024 , Vol. 39 >Issue 6: 2116 - 2125

DOI: https://doi.org/10.6038/pg2024HH0526

Inversion of near surface rain rate based on GMI data

  • XinQing WANG , 1, 2 ,
  • Ying WU , 1, * ,
  • Xin FANG 1 ,
  • YiKe ZOU 1
Expand
  • 1 Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, CMA Key Laboratory for Aerosol-Cloud-Precipitation, Nanjing University of Information Science and Technology, Nanjing 210044, China
  • 2 Handan Meteorological Bureau, Handan 056001, China

Received date: 2024-02-03

  Online published: 2025-01-14

Copyright

Copyright ©2024 Progress in Geophysics. All rights reserved.
Fold

Abstract

Precipitation is an important process in the global water cycle, and its spatiotemporal distribution has a significant and direct impact on freshwater resource supply and ecosystem maintenance. It is also closely related to natural disasters such as typhoons, floods, and mudslides. Due to differences in height, incidence angle, and microwave channel among different microwave radiometers, it is necessary to establish a microwave near land surface precipitation rate inversion model suitable for specific instruments. Using the Global Precipitation Measurement Satellite (GPM) Microwave Imager (GMI) Level-1 brightness temperature observation data and GPM Level-2 precipitation data (2B Combined, 2B CMB), with Scatter Index (SI) and 89.0 GHz Polarization-Corrected Temperature (PCT89) as inversion factors, a Polarization-Corrected Temperature and the Scatter Index composite index (PCT-SI) synthesis method is established to retrieve near surface rainfall rate for ascending and descending orbits, respectively. The results show that the lower the brightness temperature of the 89.0 GHz vertical polarization channel, the greater the atmospheric Scattering Index (SI), and the greater the near-surface rainfall rate. The distribution area of near-surface rainfall obtained by the inversion model is basically the same as that of the Level-2 product precipitation area, which is slightly larger. Compared with 2B CMB products, the inversion near-surface rainfall rate is smaller, and the correlation coefficient is greater than 0.6. The average absolute error of the inversion of the ascending and descending orbit models is 1.1460 mm/h and 0.7101 mm/h, and the root-mean-square error is 2.4105 mm/h and 2.1828 mm/h, respectively. In this study, the land surface rainfall distribution region and near-surface rain rate were successfully retrieved, which can provide reference for the estimation of land surface rainfall distribution and near-surface rain rate based on satellite-borne microwave imager data.

Key words： GMI; PCT-SI; Near surface rain rate; Inversion

Cite this article

XinQing WANG , Ying WU , Xin FANG , YiKe ZOU . Inversion of near surface rain rate based on GMI data[J]. Progress in Geophysics, 2024 , 39(6) : 2116 -2125 . DOI: 10.6038/pg2024HH0526

0 引言

降水在空间分布与时间变化上的不稳定性与洪、涝、旱灾等自然灾害有着密切联系.因此，降水的准确观测不仅有助于对能量平衡系统和水循环系统的认识，而且也有利于对人类社会的可持续性发展.
近几十年来，由于卫星遥感观测的时间和空间分辨率逐渐提高且不受地域限制，卫星遥感已逐渐成为全球降水观测不可或缺的重要方式(Wei et al., 2022).目前在轨运行的降水测量卫星主要有美国的热带降雨测量任务(Tropical Rainfall Measuring Mission，TRMM)(何会中等，2004)的继任者——全球降水观测计划(Global Precipitation Measurement，GPM)(唐国强等，2015)卫星和中国的风云三号(Fengyun，FY)G星(谷松岩等，2023).余占猷(2016)从不同的降水特征方面分析了GPM卫星搭载的双频测雨雷达(Dual-frequency Precipitation Radar，DPR)的四种探测方式的差异.朱梅等(2018)利用GPM卫星资料对2017年的台风“杜苏芮”从不同特征进行了分析，发现GPM卫星探测台风外围降雨率与自动气象站探测资料比较吻合，低频、中频、高频不同通道对于云水、冰水微物理因子探测能力不同.杜爽等(2020)基于DPR数据对华南地区降水做了垂直结构特征分析，发现地面降水的发生和强度与降水垂直方向的物理过程有着密切的联系.李麒崙等(2018)利用中国大陆的降水资料，对GPM和TRMM降水产品做了精度评估和对比，结果显示二者在中国大陆地区均表现出较好的观测精度，且GPM降水误差整体上低于TRMM.施丽娟等(2022)从时间、空间和降水强度三个维度分析了GPM降水产品的观测准确性.张奡祺和傅云飞(2018)发现，不同的DPR产品对不同类型的降水系统反演各有优劣，有利于进一步利用DPR产品进行降水系统研究.傅云飞等(2022)利用GPM/DPR和GPM微波成像仪(GPM Microwave Imager，GMI)探测资料分析了2018年5月重庆超级单体云团降水结构特征，GMI高频通道观测表明该超级单体云团内含有很多冰粒子，GPM/DPR探测反演结果给出了粒子浓度和尺度垂直分布情况.沈菲菲等(2021)利用GMI资料同化对2014年7月的台风“麦德姆”进行了路径预报，同化GMI资料可以有效改进台风暖心结构的分析，同时增强台风涡旋环流结构，提高对台风路径的预报水平.邓欣柔和吴莹(2022)基于GPM探测资料对台风降水进行了水平结构分析，利用GMI一级亮温数据，选取了不同时次和不同反演方法进行降水反演，发现全频段直接组合法反演效果最佳，同时也为加深台风降水特征的理解提供了帮助.闵爱荣等(2008a，b)针对TRMM卫星上搭载的微波成像仪资料，比较分析了不同算式反演陆面降水的精度.官莉和钟宇璐(2023)基于FY- 4A的先进的静止轨道辐射成像仪(Advanced Geostationary Radiation Imager，AGRI)采用随机森林算法反演了中国区域地面小时降水量.Zhao等(2001)、李万彪等(2001)和李世伟等(2015)的结果也表明，同时利用85 GHz极化订正温度(Polarization-Corrected Temperature，PCT)和散射指数(Scattering Index，SI)可以更好地估计降水量.
国外学者研究表明，在极端降水个例中，GPM微波反演和地面雷达观测的结果中二者一致性较好(Petković and Kummerow，2015)，GPM卫星的多卫星联合反演(Integrated Multi-satellitE Retrievals for GPM，IMERG)降水产品在中国大陆的表现比传统卫星的降水产品更好(Chen and Li, 2016)，GPM的IMERG产品能较好地估算马来西亚的弱降水(Tan and Santo, 2018).Speirs等(2017)利用DPR降水产品对阿尔卑斯山脉与高原地区进行评估，发现其对探测和降水反演有更好的作用.You等(2019)研究了GMI不同频率下地表降水速率与亮度温度之间的时滞.Bang和Cecil(2021)利用GPM/DPR中Ku波段雷达探测资料对集中被动微波方式进行了验证.Hayden和Liu(2021)结合TRMM和降水雷达(Precipitation Radar，PR)16年的测量数据和GPM/DPR 4年的测量数据，得出了近地表降水率的20年平均值，比较了星载雷达、微波辐射计和IMERG估算降水日变化的差异.Bi和Zou(2023)通过FY-3E卫星的微波湿度计(Microwave Humidity Sounder-2，MWHS-2)对2022年台风“梅花”的云雨带结构的全天空模拟进行了比较.
然而，由于不同的微波辐射计在高度、入射角以及微波通道等方面都有差异，基于PCT-SI综合指数法，GMI尚没有准确的反演算式.因此，利用GMI一级亮温资料以及2B CMB二级降水资料(2B Combined，GMI和DPR联合反演的二级降水产品)，通过PCT-SI综合指数法建立陆面升/降轨降雨率反演模型，进一步研究不同通道的升/降轨的微波遥感资料和近地面降雨率之间的关系，提高微波资料反演降雨的准确率，为陆面降水研究提供参考.

1 研究数据

GPM卫星由美国和日本2014年2月28日发射，其上搭载了双频降水测量雷达(DPR)和一个多波段微波成像仪(GMI)，能够提供全球范围内基于微波的3 h以内的降水数据产品.本研究所用数据主要为GPM V05版本数据产品中的1B-GMI亮温和GPM V07B版本数据产品中的L2-CMB降水数据产品.

1.1 GMI数据

GMI是一种被动微波遥感设备，通过接收地表和大气发射的微波辐射，得到地球表面降水、积雪等参数.由于微波可以穿透云层和大气，不受天气条件的限制，因此GMI可以在各种天气条件下进行观测和数据采集.GMI的运行高度为407 km，天线直径为1.2 m，具有较高的空间分辨率.GMI拥有8个频率和13个通道，具体各个通道性能指标见表 1(唐国强等，2015)，本研究主要使用10.65 GHz、18.7 GHz、23.8 GHz和89.0 GHz垂直极化通道的亮温数据.
表1 GMI各个通道技术性能指标

Table 1 GMI technical performance indicators of each channel

通道号 中心频率/GHz 极化方式 分辨率/(km×km)
1，2 10.65 V，H 19.4×32.2
3，4 18.7 V，H 11.2×18.3
5 23.8 V 9.2×15.0
6，7 36.5 V，H 8.6×15.0
8，9 89.0 V，H 4.4×7.3
10，11 165.5 V，H 4.4×7.3
12 183.31±3 V 4.4×7.3
13 183.31±7 V 4.4×7.3

1.2 2B CMB数据

2B CMB产品是基于GPM双频测雨雷达(DPR)和微波辐射计(GMI)数据联合反演的沿轨降水二级产品.DPR是一种能够进行精确降雨测量的星载降水雷达，包含Ku和Ka两个波段，KuPR和KaPR的探测高度为从地表向上22 km.其中，KuPR扫描宽度为245 km，KaPR扫描宽度为120 km，二者皆可被GMI扫描范围(扫描宽度约为885 km)覆盖.因此，作为由两个仪器观测资料联合反演得到的2B CMB产品的空间覆盖范围和DPR的观测范围一致.2B CMB产品提供了从一个星载平台实现的最准确、高分辨率的地表液态降水率和降水垂直分布估计，因此对于瞬时风暴结构信息具有至关重要的应用价值.而且，通过这个全球性的、有代表性的联合算法产生了一个通用的参考数据集，可以用来“交叉校准”来自GPM星座中所有被动微波辐射计的降雨率估算.

2 研究方法

以往的研究发现，微波在低频段散射较弱，组合低频亮温可以估计无散射条件下的高频亮温，从而可以估计降水粒子对微波的散射程度.由于散射指数和极化订正温度与降雨率都有较强的相关性(Petković and Kummerow，2015)，因此，采用极化订正温度及散射指数综合指数法(PCT-SI)进行陆面近地面降雨率反演，表达式为：
$F=a_0+a_1 \times T b_{10 \mathrm{v}}+a_2 \times T b_{18 \mathrm{v}}+a_3 \times T b_{23 \mathrm{v}}, $
式中，F表示89.0 GHz的垂直极化亮温估计值，即，晴空条件下的低频(10.65 GHz、18.7 GHz和23.8 GHz) 垂直极化通道亮温值利用多元线性回归法拟合得到的高频(89.0 GHz)垂直极化通道亮温值；Tb10v，Tb18v和Tb23v分别表示10.65 GHz、18.7 GHz和23.8 GHz垂直极化通道亮温值；a0，a1，a2和a3为通过多元线性拟合计算得出的回归系数.大气散射指数(SI)与89.0 GHz垂直极化亮温估计值(F)和实际观测值之间的关系为：
$S I=F-T b_{89_{\mathrm{v}}}, $
式中，Tb89v表示89.0 GHz垂直极化通道亮温值.
利用式(1)中求出的参数(a0，a1，a2和a3)带入式(2)中，得到：
$S I=a_0+a_1 \times T b_{10 \mathrm{v}}+a_2 \times T b_{18 \mathrm{v}}+a_3 \times T b_{23 \mathrm{v}}-T b_{89 \mathrm{v}} .$
式(4)为89.0 GHz极化订正温度(李世伟等，2015)：
$P C T_{\mathrm{89}}=1.818 \times T b_{\mathrm{89v}}-0.818 \times T b_{\mathrm{89h}}, $
其中，Tb89v和Tb89h分别表示89.0 GHz垂直和水平极化通道的亮温值.
以PCT89与SI作为反演因子，以2B CMB为近地面降雨率真值，得到近地面降雨率的反演算式：
$R r_{\text {regression }}=b_0+b_1 \times P C T_{8 9}+b_2 \times S I, $
其中，b0，b1和b2为通过多元线性拟合得到的回归系数，Rrregression的单位为mm/h.
由所选地区的二级产品降雨率和反演降雨率，计算模型精度评价指标参数：相关系数(即R，见式(6))、平均绝对误差(Mean Absolute Error，即MAE，见式(7))和均方根误差(Root Mean Square Error，即RMSE，见式(8))：
$R=\frac{\sum_{i=1}^N\left(p r_i-\overline{p r}\right)\left(r r_i-\overline{r r}\right)}{\sqrt{\sum_{i=1}^N\left(p r_i-\overline{p r}\right)^2} \sqrt{\sum_{i=1}^N\left(r r_i-\overline{r r}\right)^2}}, $
$\operatorname{MAE}=\frac{1}{N} \sum_{i=1}^N\left|r r_i-p r_i\right|, $
$\text { RMSE }=\sqrt{\frac{1}{N} \sum_{i=1}^N\left(r r_i-p r_i\right)^2}, $
其中，N为所选数据个数，pr、rr分别表示二级产品降雨率和反演降雨率.平均绝对误差(MAE)是预测值和真实值之间差的绝对值的平均数，是用来衡量模型估计值与实际观测值之间差异的指标.均方根误差(RMSE)表示预测值与真实值之间的平均偏差程度，是用来衡量模型估计值与实际观测值之间的偏差的指标.

3 降水反演模型

3.1 数据处理

主要使用GPM/GMI的一级亮温资料以及GPM 2B CMB的二级联合反演降水资料.为了解CMB资料中Ku波段反演结果和Ku-Ka波段联合反演结果的差异，选取全球范围内的近地面降雨率反演结果进行比较，结果显示：Ku波段反演结果和Ku-Ka波段联合反演结果相关系数为0.9857，拟合曲线为y=0.9160x+0.1013，斜率接近于1，常数项接近于0，说明二者在一定条件下差异不大；拟合曲线斜率略小于1，说明Ku波段反演的降水强度较Ku-Ka波段联合反演的结果更为显著，所以，选取2B CMB产品中的Ku波段资料作为降水资料进行研究.由于GMI一级亮温资料和2B CMB二级产品空间分布不完全匹配，需要对二者进行格点化处理.

3.2 陆面升轨反演模型

选取2023年4月2日江淮地区的一次降水过程为研究个例.降水范围主要集中在湖北东部，安徽西部(113°E—118°E；28°N—34°N)，受江淮气旋影响产生降雨，小时降雨量为10~30 mm，局部50~80 mm，降雨强度为小到中雨，局部大雨.针对此次降水过程，对GMI低频通道升轨亮温和2B CMB的升轨降水数据进行处理.根据式(1)，将GMI资料中89.0 GHz垂直极化通道亮温用低频垂直极化通道10.65 GHz、18.7 GHz和23.8 GHz组合拟合得出回归系数，代入式(3)，得到大气散射指数(SI)的表达式：
$\begin{aligned}S I= & -136.5214+0.7142 \times T b_{10 \mathrm{v}}-3.32286 \times \\& T b_{18 \mathrm{v}}+4.0741 \times T b_{23 \mathrm{v}}-T b_{89 \mathrm{v}} .\end{aligned}$
图 1为反演模型中的散射指数SI(右坐标轴)与2B CMB降雨率(左坐标轴)，共1844个采样点的趋势变化图.可以看出，散射指数SI与2B CMB降雨率的变化趋势基本一致，相关系数为0.6325，相关性较好且呈正相关关系，即，散射指数越大，降雨率越大，也即大气对高频波段的散射越强，意味着降雨率越大.
图1 散射指数(单位：K)与近地面降雨率(单位：mm/h)的关系

Fig 1 The relationship between SI(unit: K) and rain intensity(unit: mm/h)

将极化订正温度和大气散射指数SI作为反演因子，以2B CMB降水资料为真值，通过多元线性回归得到回归系数，代入式(5)中，得到近地面降雨率反演算式：
$R r_{\text {regression }}=38.7949-0.1382 \times P C T_{89}-0.0236 \times S I .$
图 2为2B CMB资料(二级产品)的近地面降雨率分布(图 2a)和由式(10)所得近地面降雨率反演结果(图 2b).可以看出，反演的降雨分布区域(图 2b) 与二级产品降雨分布区域(图 2a)基本一致.但反演结果低估了强降雨、高估了弱降雨，最大反演降雨率小于20 mm/h，而2B CMB产品降雨率有相当一部分区域大于20 mm/h甚至达到25 mm/h以上.图 2b中，反演的降雨区域略大于二级产品降雨区域，这是由于在二级产品无降雨的区域也反演出了降雨，体现出了升轨陆面降雨模型高估弱降雨的问题.
图2 2023年4月2日降雨率分布图

(a)2B CMB近地面降雨率；(b)GMI近地面降雨率反演结果.

Fig 2 Precipitation rate distribution on April 2, 2023

(a) 2B CMB near surface precipitation rate; (b) GMI near surface precipitation rate inversion results.

将反演的降雨率与2B CMB二级产品进行相关性分析，得到散点图结果(图 3).可以得出，反演降雨率与2B CMB产品之间的相关系数为0.6222，平均绝对误差为1.1460 mm/h，均方根误差为2.4105 mm/h，反演效果较好，说明PCT-SI综合指数法对于陆面升轨降雨资料有比较高的反演精度.显著性水平为0.05，概率统计模型检验p值约为0.00，小于显著性水平，所建反演模型成立.
图3 2023年4月2日反演模型结果与2B CMB资料相关性散点图(单位：mm/h)

Fig 3 The scatter plot of correlations between inversion model results and 2B CMB data on April 2, 2023(unit: mm/h)

3.3 陆面降轨反演模型

选取2022年6月4日贵州湖南交界地区的一次强对流(短时强降水)过程.降水主要集中在贵州东部(107°E—111°E；24°N—26°N)，小时降雨量为20~50 mm，局地60 mm，降雨强度为大到暴雨，局地大暴雨.针对此次降水过程，利用GMI低频通道降轨亮温数据和2B CMB降轨降水数据，将89.0 GHz垂直极化通道亮温和低频垂直极化通道(10.65 GHz、18.7 GHz和23.8 GHz)组合进行线性拟合，将拟合系数代入式(3)，得到大气散射指数SI的拟合方程：
$\begin{aligned}S I= & -691.3496-0.0815 \times T b_{10 v}-2.7833 \times \\& T b_{18 v}+6.2583 \times T b_{23 v}-T b_{89 v} .\end{aligned}$
同理，分析散射指数SI与2B CMB降雨率之间的关系(图略)，可得出相同的结论.以PCT89和SI作为反演因子，以2B CMB降水资料为真值，通过多元线性回归得到回归系数，代入式(5)中，得到近地面降雨率反演算式：
$R r_{\text {regression }}=31.1689-0.1086 \times P C T_{89}-0.0357 \times S I .$
图 4为2B CMB资料(二级产品)的近地面降雨率分布(图 4a)和由式(12)所得反演结果(图 4b).可以看出，与图 2的结果类似，反演的降雨分布区域(图 4b)与二级产品降雨分布区域(图 4a)基本一致，反演结果中降雨分布范围略微偏大，也存在反演结果低估强降雨、高估弱降雨的问题.将反演结果与2B CMB二级产品进行相关性分析，得到散点图结果(图 5).可看出，反演降雨率与2B CMB产品的相关系数为0.6142，平均绝对误差为0.7101 mm/h，均方根误差为2.1828 mm/h，显著性水平为0.05，概率统计模型检验p值约为0.00，小于显著性水平，模型成立.
图4 2022年6月4日的降雨率分布图

(a)2B CMB近地面降雨率；(b)GMI近地面降雨率反演结果.

Fig 4 Precipitation rate distribution on June 4, 2022

(a) 2B CMB near surface precipitation rate; (b) GMI near surface precipitation rate inversion results.

图5 2022年6月4日反演模型结果与2B CMB资料相关性散点图(单位：mm/h)

Fig 5 The scatter plot of precipitation correlation between inversion model results and 2B CMB data on June 4, 2022(unit: mm/h)

4 模型验证

4.1 陆面升轨反演模型验证

选取2022年5月29日云南贵州交界地区的一次强对流降水过程.降水范围主要集中在贵州西部(104°E—106°E；24°N—26°N)，小时降雨量为20~50 mm，局地60 mm以上，降雨强度为大到暴雨，局地大暴雨到特大暴雨.针对此次降水过程，利用GMI一级亮温数据，采用式(10)进行陆面升轨降水反演.图 6a为2B CMB二级产品资料的降雨率分布图，图 6b为模型反演结果的分布图，可看出反演结果与2B CMB二级产品相比，降雨率分布范围基本一致，反演模型所得降雨率明显比2B CMB二级产品的低，与陆面升轨反演模型结论吻合.图 7为反演结果与2B CMB二级产品资料之间的相关性分析，可以得出相关系数约为0.5964，平均绝对误差为0.9385 mm/h，均方根误差为2.2037 mm/h；拟合曲线y=0.4487x+0.5546，拟合曲线斜率小于1，说明反演模型降雨强度比2B CMB二级产品降雨强度弱，与图 6分析结果相一致.综上所述，该陆面升轨降水反演模型具有一定可行性和准确性.
图6 2022年5月29日的降雨率分布图

(a)2B CMB近地面降雨率；(b)GMI近地面降雨率反演结果.

Fig 6 Precipitation rate distribution on May 29, 2022

(a) 2B CMB near surface precipitation rate; (b) GMI near surface precipitation rate inversion results.

图7 2022年5月29日反演降水结果与2B CMB资料相关性散点图(单位：mm/h)

Fig 7 The scatter plot of correlation between inversion precipitation results and 2B CMB data precipitation on May 29, 2022(unit: mm/h)

4.2 陆面降轨反演模型验证

选取2023年4月3日江淮地区一次降水过程.降水范围主要集中在安徽中部，江苏西南部(江淮部分地区)(115°E—118°E；30°N—33°N)，受江淮气旋影响产生降雨，小时降雨量为20~50 mm，局部50~60 mm；大部分地区累计降雨量25~65 mm，降雨强度为大到暴雨，部分地区大暴雨.针对此次降水过程，利用GMI一级亮温资料，采用式(12)开展陆面降轨降水反演研究.图 8a为2B CMB二级产品资料的降雨率分布图，图 8b为模型反演结果的分布图，可以看出反演结果与2B CMB二级产品相比，降雨率分布范围较为一致，反演模型结果降雨强度比2B CMB二级产品降雨强度弱，明显低于2B CMB二级产品，与陆面降轨降水反演模型结论吻合.图 9为反演结果与2B CMB二级产品的相关性分析，可以得出相关系数约为0.5225，平均绝对误差为1.9614 mm/h，均方根误差为3.5427 mm/h；拟合曲线y=0.1914x+1.9755，拟合曲线斜率小于1，说明反演结果与2B CMB二级产品相比降雨强度较弱，与图 8分析结果相一致.综上分析，该陆面降轨降水反演模型具有一定可行性和准确性.
图8 2023年4月3日的降雨率分布图

(a)2B CMB近地面降雨率；(b)GMI近地面降雨率反演结果.

Fig 8 Precipitation rate distribution on April 3, 2023

(a) 2B CMB near surface precipitation rate; (b) GMI near surface precipitation rate inversion results.

图9 2023年4月3日反演降水结果与2B CMB资料相关性散点图(单位：mm/h)

Fig 9 The scatter plot of correlation between inversion precipitation results and 2B CMB data precipitation on April 3, 2023(unit: mm/h)

5 结论

利用GPM/GMI一级亮温观测资料以及GPM 2B CMB二级近地面降雨率资料，通过江淮地区、云南和贵州地区的三次降水过程，运用PST-SI综合指数法，建立并验证了适用于GPM/GMI仪器的升/降轨陆面近地面降雨率反演模型，得出主要结论如下：
(1) 通过GMI低频垂直极化通道10.65 GHz(V)、18.7 GHz(V)和23.8 GHz(V)组合来拟合高频垂直极化通道89.0 GHz(V)的亮温值，且相关性较高，拟合结果与89.0 GHz垂直极化通道实际亮温值的差，即为大气散射指数(SI).大气散射指数值越大，表明降雨率越大.
(2) 升轨模型与降轨模型反演降雨率的效果差异不大.对于陆面近地面降雨率而言，升轨反演模型的平均绝对误差和均方根误差均略高于降轨模型.
(3) 模型反演结果与2B CMB二级产品有较强的相关性，二者降雨率分布范围一致性较好.升轨和降轨两个降雨率反演模型均倾向于高估降雨率低值、低估降雨率高值，这也导致反演的降雨分布区域比二级产品降雨区域略大.
针对GMI仪器，建立了微波亮温反演陆面近地面降雨率的模型，其普适性仍需要进一步验证.而且，该模型存在着低值高估和高值低估的问题，后续将对当前模型进一步调试.此外，可以考虑在不同级别的降雨率情况下，使用多个降水过程组合进行建模，以期能提高降雨率反演精度，从而增强研究成果的实际应用价值.

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
Bang S C , Cecil D J . Testing passive microwave-based hail retrievals using GPM DPR Ku-band radar. Journal of Applied Meteorology and Climatology. 2021, 60(3 255 271

DOI

Bi M M , Zou X L . Comparison of cloud/rain band structures of Typhoon Muifa (2022) revealed in FY-3E MWHS-2 observations with all-sky simulations. Journal of Geophysical Research: Atmospheres. 2023, 128(23): e2023JD039410

DOI

Chen F R , Li X . Evaluation of IMERG and TRMM 3B43 monthly precipitation products over China. Remote Sensing. 2016, 8(6): 472

DOI

Deng X R , Wu Y . Analysis of horizontal precipitation structure of typhoon area based on GPM detection data. Progress in Geophysics. 2022, 37(5): 1799-1806

DOI

Du S , Wang D H , Li G P , et al. Analysis of the vertical structure of precipitation in South China based on dual-frequency spaceborne precipitation radar GPM product. Journal of Tropical Meteorology. 2020, 36(1): 115-130

DOI

Fu Y F , Luo J , Luo S , et al. Rainstorm structure of a supercell cloud occurred in Chongqing in May 2018 measured by GPM DPR and GMI. Torrential Rain and Disasters. 2022, 41(1): 1-14

DOI

Gu S Y , Zhang P , Chen L , et al. Overview and prospect of the detection capability of China's first precipitation measurement satellite FY-3G. Torrential Rain and Disasters. 2023, 42(5): 489-498

DOI

Guan L , Zhong Y L . Retrieval of surface rainfall using random forest algorithm based on FY- 4A AGRI observations. Progress in Geophysics. 2023, 38(5): 1931-1938

DOI

Hayden L , Liu C T . Differences in the diurnal variation of precipitation estimated by spaceborne radar, passive microwave radiometer, and IMERG. Journal of Geophysical Research: Atmospheres. 2021, 126(9): e2020JD033020

DOI

He H Z , Cui Z H , Cheng M , et al. TRMM satellite and application of its products. Meteorological Science and Technology. 2004, 32(1): 13-18

DOI

Li Q L , Zhang W C , Yi L , et al. Accuracy evaluation and comparison of GPM and TRMM precipitation product over China. Advances in Water Science. 2018, 29(3): 303-313

DOI

Li S W , Lai G Y , Sheng Y Y , et al. Refutation of rainfall density over land by PCT-SI. Meteorological and Environmental Sciences. 2015, 38(2): 102-107

DOI

Li W B , Chen Y , Zhu Y J , et al. Retrieval of rain over land by using TRMM/TMI measurements. Acta Meteorologica Sinica. 2001, 59(5): 591-601

DOI

Min A R , You R , Lu N M , et al. Retrieval of precipitation over land using TRMM microwave image. Journal of Tropical Meteorology. 2008a, 24(3): 265-272

DOI

Min A R , Zhang C R , Wang X F . Retrieval of precipitation over land using microwave imagers. Meteorological Science and Technology. 2008b, 36(4): 495-498

DOI

Petković V , Kummerow C D . Performance of the GPM passive microwave retrieval in the Balkan flood event of 2014. Journal of Hydrometeorology. 2015, 16(6): 2501-2518

Shen F F , Min J Z , Li H , et al. Effect of data assimilation of GPM microwave imager on the track forecast of Typhoon Matmo. Haiyang Xuebao. 2021, 43(10): 124-136

DOI

Shi L J , Feng W Y , Lei Y , et al. Accuracy evaluation of daily GPM precipitation product over China. Meteorological Monthly. 2022, 48(11): 1428-1438

DOI

Speirs P , Gabella M , Berne A . A comparison between the GPM dual-frequency precipitation radar and ground-based radar precipitation rate estimates in the Swiss Alps and Plateau. Journal of Hydrometeorology. 2017, 18(5): 1247-1269

Tan M L , Santo H . Comparison of GPM IMERG, TMPA 3B42 and PERSIANN-CDR satellite precipitation products over Malaysia. Atmospheric Research. 2018, 202 63-76

DOI

Tang G Q , Wan W , Zeng Z Y , et al. An overview of the Global Precipitation Measurement (GPM) mission and it's latest development. Remote Sensing Technology and Application. 2015, 30(4): 607-615

DOI

Wei X C , Min M , Li J , et al. Characteristics of strong storms at the pre-convection stage from satellite microwave sounder observations. Journal of Geophysical Research: Atmospheres. 2022, 127(22): e2022JD037216

DOI

You Y L , Meng H , Dong J , et al. Time-lag correlation between passive microwave measurements and surface precipitation and its impact on precipitation retrieval evaluation. Geophysical Research Letters. 2019, 45(14): 8415-8423

DOI

Zhang A Q , Fu Y F . The structural characteristics of precipitation cases detected by dual-frequency radar of GPM satellite. Chinese Journal of Atmospheric Sciences. 2018, 42(1): 33-51

DOI

Zhao B L , Yao Z Y , Li W B , et al. Rainfall retrieval and flooding monitoring in China using TRMM Microwave Imager (TMI). Journal of the Meteorological Society of Japan. Ser. Ⅱ. 2001, 79(1B): 301-315

DOI

Zhu M , He J T , Fang M , et al. Application of GPM data in analysis of precipitation structure of typhoon Doksuri. Journal of Arid Meteorology. 2018, 36(6): 997-1002

DOI

邓 欣柔 , 吴 莹 . 基于GPM探测资料的台风降水水平结构分析. 地球物理学进展. 2022, 37(5): 1799-1806

DOI

杜 爽 , 王 东海 , 李 国平 , et al. 基于双频星载降水雷达GPM数据的华南地区降水垂直结构特征分析. 热带气象学报. 2020, 36(1): 115-130

DOI

傅 云飞 , 罗 晶 , 罗 双 , et al. GPM卫星DPR和GMI探测的2018年5月重庆超级单体云团降水结构特征分析. 暴雨灾害. 2022, 41(1): 1-14

DOI

谷 松岩 , 张 鹏 , 陈 林 , et al. 中国首颗降水测量卫星(风云三号G星)的探测能力概述与展望. 暴雨灾害. 2023, 42(5): 489-498

DOI

官 莉 , 钟 宇璐 . 基于FY- 4A AGRI观测用随机森林算法反演地面雨量. 地球物理学进展. 2023, 38(5): 1931-1938

DOI

何 会中 , 崔 哲虎 , 程 明虎 , et al. TRMM卫星及其数据产品应用. 气象科技. 2004, 32(1): 13-18

DOI

李 麒崙 , 张 万昌 , 易 路 , et al. GPM与TRMM降水数据在中国大陆的精度评估与对比. 水科学进展. 2018, 29(3): 303-313

DOI

李 世伟 , 赖 格英 , 盛 盈盈 , et al. PCT-SI综合指数法反演陆面雨强. 气象与环境科学. 2015, 38(2): 102-107

DOI

李 万彪 , 陈 勇 , 朱 元竞 , et al. 利用热带降雨卫星的微波成像仪观测资料反演陆地降水. 气象学报. 2001, 59(5): 591-601

DOI

闵 爱荣 , 游 然 , 卢 乃锰 , et al. TRMM卫星微波成像仪资料的陆面降水反演. 热带气象学报. 2008a, 24(3): 265-272

DOI

闵 爱荣 , 张 翠荣 , 王 晓芳 . 基于微波成像仪资料反演陆面降水. 气象科技. 2008b, 36(4): 495-498

DOI

沈 菲菲 , 闵 锦忠 , 李 泓 , et al. GPM微波成像仪资料同化对台风"麦德姆"路径预报的影响研究. 海洋学报. 2021, 43(10): 124-136

DOI

施 丽娟 , 冯 婉悦 , 雷 勇 , et al. GPM日降水产品在中国大陆的准确性评估. 气象. 2022, 48(11): 1428-1438

DOI

唐 国强 , 万 玮 , 曾 子悦 , et al. 全球降水测量(GPM)计划及其最新进展综述. 遥感技术与应用. 2015, 30(4): 607-615

DOI

张 奡祺 , 傅 云飞 . GPM卫星双频测雨雷达探测降水结构的个例特征分析. 大气科学. 2018, 42(1): 33-51

DOI

朱 梅 , 何 君涛 , 方 勉 , et al. GPM卫星资料在分析"杜苏芮"台风降水结构中的应用. 干旱气象. 2018, 36(6): 997-1002

DOI

Options
Outlines

/

〈 〉