两类融合降水实况分析产品在山西地区的评估与对比

Evaluation and Comparison of Two Merged Precipitation Analysis Products in Shanxi Province

摘要

利用2018—2020年山西省地面站点降水观测资料，从降水时空特征、分量级检验等方面对国家气象信息中心CMPAS多源降水融合系统中FAST、FRT两类产品开展适用性评估。结果表明：（1）两类产品能较好地描述山西地区日降水量特征，2018—2020年偏差减小60%以上。（2）汛期融合雷达数据后，FRT分析精度提升，主要体现在太行山南麓、吕梁山西麓和临运盆地，FRT同观测强降水契合度更高。（3）小时产品存在非汛期凌晨到午后日降水的低估和汛期降水峰值滞后、峰值偏弱的现象。（4）两类产品均存在降水频次正偏差主导的弱降水高估，以及降水强度负偏差主导的强降水低估。

Abstract

Based on observed precipitation data from Shanxi Province between 2018 and 2020, the applicability of the FAST and FRT merged precipitation products in the CMPAS multi-source precipitation fusion system of the National Meteorological Information Center was evaluated in terms of spatial-temporal characteristics and categorical verification. The results showed that: (1) Both products reflect the daily precipitation characteristics in Shanxi Province, with deviation reduced by more than 60% from 2018 to 2020. (2) After the fusion of radar data during the flood season, the accuracy of FRT improved, particularly in areas such as the southern foot of the Taihang Mountains, the western foot of the Lüliang Mountains, and the Lin-Yun Basin. Additionally, FRT exhibited a higher correlation with observed heavy precipitation. (3) The diurnal variation of precipitation showed that hourly products tend to underestimate precipitation from early morning to afternoon during non-flood seasons, and exhibit delayed and weaker peak values during flood seasons. (4) Both products tend to overestimate weak precipitation, primarily due to a positive frequency deviation, and underestimate heavy precipitation, mainly due to a negative intensity deviation.

Graphical abstract

关键词

降水 / 融合降水产品 / 精度评估 / 山西

Key words

precipitation / merged precipitation products / precision evaluation / Shanxi

高时空分辨率、高质量的网格降水实况产品作为重要输入资料，在气象、生态、水文等模式中十分重要^[1]，是数值模式模拟、预报结果准确性评估的必要依据^[2]，也是开展气象监测、预报研究的基础支撑^[3-4]。山西地处中纬度内陆地区，位于黄土高原东翼，地势东北高西南低，河谷纵横，山地、丘陵约占总面积的80%。地面观测站点分布不均，难以准确描述复杂地形地貌下不同区域间的气象要素差异，无法满足高精度网格化的气象监测预报服务需求。

20世纪90年代，通过融合地面—雷达—卫星多源资料获取高分辨率的格点实况，取得了很多成果^[5-10]。国家气象信息中心不断完善多源实况数据融合技术，在陆面要素、土壤温湿度、洋面温度、洋面风以及三维云融合等方面成果显著^[11]，已实现业务运行^[12-13]。其中多源降水融合分析系统（CMA Multisource Precipitation Analysis System，简称CMPAS），实时提供高分辨率地面—卫星二源以及地面—雷达—卫星三源降水融合产品，兼顾地面雨量计和地基雷达降水资料的准确性以及卫星遥感的大范围空间连续探测等优势，能够满足高时空分辨率需求^[14-15]。

开展融合降水产品精度评估对产品应用具有重要意义。在全国范围的评估研究表明，融合产品存在随着降水量级增大，强度偏弱、漏报偏多的特点^[16-18]。此外，融合产品晴雨准确率高^[19]，在降水集中的夏季更易对降水高估^[20]，融合算法自身可能造成产品误差扩大^[21]。在华北区域开展的评估中，发现融合产品在夏季探测精度更高，在平原地区表现更好，在起伏地形下精度不理想^[22-23]。目前，山西复杂地形下的格点实况资料本地化评估，仅有针对最高、最低气温非独立性检验评估的个别研究^[24]，对融合降水产品本地化评估还是空白。本文将参考其他学者对不同融合降水产品的质量评估方法，开展山西区域内该产品的精度评估，为其定量应用提供参照。

1 数据与方法

1.1 数据来源

所用资料包括2018—2020年CMPAS融合降水产品和山西站点降水数据。

融合降水产品包括日数据和小时数据，源于中国多源降水融合分析系统（CMPAS）提供的二源（FAST）和三源（FRT）融合产品。其中，FAST采用成熟的“PDF（概率密度匹配函数）+OI（最优插值）”^[25-26]两步融合法，形成地面+卫星融合产品。FRT在此基础上增加了更高时空分辨率的全国雷达定量降水估测产品（QPE），采用“PDF+BMA（贝叶斯模式平均）+OI”^[27]方法，形成地面+雷达+卫星融合产品。融合后的降水产品精度优于任何单一来源的降水产品^[28]。空间分辨率为0.05°×0.05°，研究区域为110°～115°E，34°～41°N。

山西省109个国家气象观测站逐日（日界20:00 BTC）、逐小时降水资料，源于天擎大数据云平台。为研究不同地形区域特征，依据自然地理、地形和气候特点，将研究区分为5个分区：西部吕梁山区（25站）、东部太行山区（28站）、北部大同盆地（16站）、中部忻定盆地和太原盆地（18站）以及南部临运盆地（22站）。站点分布见图1（审图号：GS（2022）1873）。

质控后，3组数据资料完整性均超过98%。

1.2 评估方法

参照国家气象中心《全国智能网格气象预报业务产品实况分析检验办法》开展格点融合降水产品非独立性检验。利用临近法建立观测降水—融合降水产品数据匹配关系，通过对产品时间、空间检验和降水事件分级检验，综合评估两组融合降水产品精度。主要通过计算偏差（BIAS）、平均误差（ME）、均方根误差（RMSE）、相关系数（COR）等进行评估。统计指标公式如下：

B_{\mathrm{I}\mathrm{A}\mathrm{S}}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}{G}_i}{{\displaystyle \sum _{i=\mathrm{1}}^N}{O}_i},（1）

M_{\mathrm{E}}=\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}\left(G_i-O_i\right),（2）

R_{\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt[]{\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}{\left(G_{\mathrm{i}}-O_{\mathrm{i}}\right)}^{\mathrm{2}}},（3）

C_{\mathrm{O}\mathrm{R}}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^N}\left(G_i-\overline{G}\right)\left(O_i-\overline{O}\right)}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^N}{\left(G_i-\overline{G}\right)}^{\mathrm{2}}}\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^N}{\left(O_i-\overline{O}\right)}^{\mathrm{2}}}}\mathrm{。}（4）

式中：N为样本容量（站次数），G_i 为融合产品插值到检验站点得到的数值，O_i 为观测值。

根据地面观测降水量，将日降水量划分为15个不同的阈值：[0.1, 0.5)、[0.5, 1)、[1, 2）、[2, 3)、[3, 5)、[5, 10)、[10, 15)、[15, 20)、[20, 25)、[25, 30)、[30, 35)、[35, 40)、[40, 45)、[45, 50)、≥50。通过分析FAST、FRT产品在不同降水阈值下的频次、强度，对比分析两类产品的精度。

2 融合降水产品检验评估

以国家站降水观测资料为准，评估CMPAS中FAST、FRT融合产品BIAS、ME、RMSE、COR的变化，对比分析两类产品的降水误差。为提高评估精度，站点的统计样本中，去除观测降水量、两种融合产品同时为0的情况，即只统计“有效降水日（观测或融合产品有降水）”的分析精度和误差分布特征。山西全省站点的年平均有效降水日数为92 d。文中的日雨量均对应有效降水日的降水量。

2.1 日降水量误差的时间变化

BIAS、ME反映了融合产品对观测降水高估或低估情况，BIAS为高、低估比例，ME为具体数值。BIAS月分布（图2a）显示，产品在月尺度上表现为对降水的低估，汛期（5—9月）超过0.8，非汛期（1—4月和10—12月）低于0.7。其中最优月为6月，FAST、FRT达0.95，最差月为3月，两类产品均为0.58，两类产品在汛期表现更优。由ME（图2b）可知，FRT日降水量误差较FAST小24.5%，改进明显。两类产品在汛期精度明显高于非汛期，FAST、FRT平均偏差分别减小22.9%和58.7%，FRT产品差异更明显，在汛期分析精度更高。非汛期两者差异不明显。4月是ME均值低估最多的月份，两类产品对日降水量的低估均超过1.7 mm·d^-1。可能与4、10、11月为山西冷暖季转换月份有关，降水相态的不确定性可能导致融合雷达数据的FRT产品精度下降。研究表明^[29]，山西南北跨度大，降水相态时间分布特征复杂，10—12月、2—4月有固态、液态及固液混合多种降水相态，而4、10月正是降水相态变化最频繁的月份，频繁变化的降水相态可对雷达定量降水估测产生影响。

两类融合产品RMSE的逐月误差分布特征见图2c，两类产品的RMSE差异主要在汛期，汛期RMSE明显高于非汛期RMSE，与汛期降水强度较大有关。FAST、FRT的误差分别为4.2、3.7 mm·d^-1。融合雷达数据后，汛期FRT产品的分析精度明显提升，误差减少13.4%。

逐月COR（图2d）显示，汛期融合产品与观测降水的吻合度较高。6—10月相关性较高，COR均超过0.9，3、12月相关性较差，COR在0.8以下。整体来看，融合产品精度汛期优于非汛期，两类产品精度差异主要体现在汛期。

2018—2020年两类融合产品逐年分析精度均有提升（图3）。FAST、FRT在3 a内ME分别缩小78.2%、64.5%，RMSE分别减小24.2%、10.5%，3 a间FAST改进幅度更大。FAST产品BIAS在汛期增加了0.19，非汛期增加了0.65；ME在汛期减小74.9%（对应1.1 mm·d^-1），非汛期减小84.2%（1.4 mm·d^-1）；RMSE汛期减小18.1%（0.9 mm·d^-1），非汛期减小57.1%（1.8 mm·d^-1）。FRT产品BIAS在汛期增加了0.06，非汛期增加了0.56；ME在汛期减小52.8%（0.3 mm·d^-1），非汛期减小75.9%（1.2 mm·d^-1）；RMSE汛期变化不大（减小0.3%），非汛期缩小50.1%（1.6 mm·d^-1）。两类产品精度均有提升，FAST提升更明显，主要是非汛期误差降低的贡献。

2.2 日降水量误差的分区域特征

图4为汛期、非汛期有效降水日降水量及FAST、FRT和观测降水ME空间分布。汛期山西有效降水日平均降水量为6.3 mm，两类产品精度差异明显，在汛期以低估为主，全省平均日降水量误差分别为-0.7 mm·d^-1（FAST）和-0.4 mm·d^-1（FRT）。两类产品低估区分布相当，主要集中在中部盆地、西部山区西麓、南部盆地、晋东南区域。个别站（FAST 有7站、FRT 有21站）存在对降水的高估，高估站点分散，主要在山西中南部。两类产品ME在汛期差异明显，FRT产品精度明显优于FAST，尤其在东部山区南麓、西部山区西麓和南部盆地区域，误差分别减小了56.1%、54.1%、50.1%。表明融合雷达数据后，产品精度有明显改进。

非汛期山西日平均降水量为2.8 mm。两类产品在非汛期对于日降水量均表现为低估，负ME大值区主要集中在北部盆地和中部盆地。对于山西大多数区域，FAST、FRT产品的精度差异很小，中部盆地个别站点FRT较FAST误差扩大。非汛期多稳定性降水，FRT较FAST优势不明显，而汛期降水对流性增强，融合雷达数据后FRT优势明显。

汛期FRT、FAST精度差异明显。融合雷达数据后FRT提升明显，主要体现在西部、东部山区和南部盆地（图5a），误差减少51.0%，表明FRT产品在吕梁山区、太行山区和临运盆地精度提升幅度更大，在山西北中部盆地精度改进不明显。非汛期FRT较FAST优势不明显（图5b），多数区域降水分析误差无明显改进，南部盆地降水分析误差还增加了19.6%，在数据应用过程中需要关注。

2.3 小时降水量误差的日变化

运用CMPAS中小时产品数据，选取4和7月作为代表月份，对比汛期、非汛期2种产品的小时降水量误差。FAST、FRT表现类似，此处仅分析FRT产品（图6）。结果表明，观测降水有明显的日变化特征。非汛期降水多集中在白天，12—15时为峰值时段，最大值出现在14时（1.2 mm·h^-1）。16时开始，降水量迅速减少，2时达到最小（0.2 mm·h^-1），之后缓慢升高。5—15时降水量明显高于其他时段。结合统计指标分析，FRT基本可以反映非汛期日变化趋势，但在降水量较多的凌晨到午后，低估最明显，ME达-0.4 mm·h^-1。22时—次日2时，产品同观测值最接近。非汛期FRT降水日变化波动幅度小于观测值。汛期观测降水日变化曲线呈傍晚峰值特征，18—20时达到峰值（2.4 mm·h^-1）。FRT曲线同观测降水匹配程度较高，但峰值时刻有所滞后，且峰值时刻前后ME为负偏差（-0.4 mm·h^-1）。分析非汛期5—15时降水特征，观测降水频率（即有效降水频次除以总观测频次）为3.25%，融合产品降水频率为3.48%，产品高估6.9%；观测降水强度为0.93 mm·h^-1，融合产品降水强度为0.51 mm·h^-1，产品明显低估45.6%。这表明，非汛期多弱降水事件，凌晨到午后降水量低估的主要原因是融合产品对降水强度明显低估，而不是没有识别到弱降水事件。

融合降水小时产品在非汛期、汛期均能较好地反映山西降水的日变化特征，但应注意非汛期清晨到午后融合产品的低估现象，以及汛期降水峰值滞后、峰值偏弱的现象。

2.4 降水事件的检验评估

根据地面观测降水量，将日降水量划分为15个不同的阈值区间，通过分析FAST、FRT产品同观测降水，在各个阈值降水事件频次分布及对应降水强度，进一步评估融合降水产品精度。

全年降水事件中（图7a），FAST、FRT对于3 mm·d^-1以下降水事件，分别高估了14.9%和17.9%。对于3 mm·d^-1以上降水日数，分别低估了10.0%、6.2%。在汛期，分界阈值为10 mm·d^-1（图7c），10 mm·d^-1以下降水事件，FAST、FRT分别高估了28.3%、30.7%。10 mm·d^-1以上事件分别低估13.5%、7.6%。在非汛期，更少区间的降水事件存在高估，且高估比例明显下降，FAST、FRT仅对0.5 mm·d^-1以下降水事件高估8.6%、1.8%（图7e）。融合产品高估了弱降水事件的频次，低估了强降水事件的频次。在汛期，有更多小量级降水事件频次易被高估，FRT较FAST更易高估弱降水事件。

随着日降水量级增大，产品表现出不同等级降水的平均强度ME由正转负。由全年（图7b）分布可知，高估了1 mm·d^-1以下降水事件的降水强度，低估了1 mm·d^-1以上事件的降水强度，且低估值随雨强增加逐渐增大，50 mm·d^-1以上降水事件FAST、FRT偏差分别可达-12.2 和-10.9 mm·d^-1。在汛期，分界阈值为5 mm·d^-1（图7d），50 mm·d^-1以上事件FAST、FRT偏差分别为-12.0 、-10.7 mm·d^-1。在非汛期，各个阈值区间均表现为对雨强的低估（图7f）。融合降水产品高估了弱降水事件的强度，低估了强降水事件的强度，FRT较FAST改进了强降水的低估。

为进一步探究小量级降水频次偏差产生原因，分析FAST、FRT产品对[0.1, 3） mm·d^-1降水事件漏报率、空报率（表1）。在汛期，两类产品空报明显高于漏报，说明汛期降水频次高估主要是由于更多无降水日出现虚假“弱融合降水”造成的；在非汛期，偏差以漏报为主，说明非汛期降水频次低估是由于融合降水产品对应的弱降水区域偏小造成的。

降水频次与降水强度的分析精度决定了日降水总量的分析精度。对比不同降水阈值下，FAST、FRT两类产品对观测降水频次及雨强的高、低估程度（表2），能够判断不同阈值融合产品频次偏差、强度偏差对总体误差的贡献程度。全年降水中，[0.1, 1) mm·d^-1降水事件，FAST、FRT频次分别高估21.7%、26.6%，强度高估18.1%、24.1%，频次正偏差是导致该量级融合产品对降水高估的主导因素。同理，[1, 3) mm·d^-1降水事件，更多表现为产品对降水的低估，强度负偏差占主导。而对于3 mm·d^-1以上降水事件，为强度负偏差主导的对降水的低估。同样分析汛期融合产品的误差来源。在汛期，[0.1, 5) mm·d^-1（小量级）降水，频次高估为主导因素。[5, 10) mm·d^-1（中等量级）降水，FAST产品强度负偏差占主导，FRT频次正偏差占主导。10 mm·d^-1以上降水的低估，两类产品均以强度负偏差为主导因素。整体来看，对于弱降水事件，FAST、FRT均表现为降水频次正偏差主导的降水高估；对于强降水事件，FAST、FRT表现为降水强度负偏差主导的降水低估；中等量级降水偏差表现为由频次正偏差转为强度的负偏差的过渡带，降水可能高估或低估。

由汛期FAST、FRT产品精度分区域对比（图8）可知，山区弱降水高估频次多于盆地区域，除中部盆地外，FRT弱降水频次高估程度均高于FAST产品，东部山区、南部盆地更明显。FRT产品在西部、东部山区和南部盆地降水强度高估，较FAST更明显。因此，汛期融合雷达数据后，FRT较FAST更多地高估了弱降水出现频次和强度，高估区域主要集中在山区和南部盆地，误差增加，精度下降。

对于强降水事件，除北部盆地，FRT对降水频次低估程度均小于FAST产品，FRT强降水频次分析精度更优，西部、东部山区和中部、南部盆地分析偏差减小47.4%。除北部盆地外，FRT对强降水强度低估均小于FAST产品，误差减小26.3% 。因此，汛期FRT较FAST更准确地呈现了强降水的频次和强度，尤其在西部、东部山区和中部、南部盆地，降低了强降水的频次误差和强度误差。表明引入雷达信息对改进强降水描述有帮助。在山西中部盆地太原雷达迁站、晋西北五寨雷达业务组网后，山西省6部C波段新一代天气雷达可以有效覆盖山西大部分区域，融合雷达资料对于改进西部山区西麓（特别是五寨雷达覆盖区域，37°～39°N）、东部山区（特别是长治雷达覆盖区域）、中部盆地（太原雷达覆盖区域）、南部盆地（临汾雷达覆盖区域）的降水分析频次、强度有正贡献。

3 结论与讨论

基于山西省地面站点降水观测资料，对2018—2020年国家气象信息中心CMPAS格点融合降水产品开展非独立性检验评估，探讨复杂地形对其分析精度的影响，并从降水频次、降水强度角度开展分地形区域的日降水量偏差原因分析。得出以下结论：

（1）CMAPS融合降水产品能够较好地描述山西区域日降水量特征，年平均偏差＜1 mm·d^-1。产品精度提升明显，偏差减小60%以上，FAST产品精度提升更明显。

（2）汛期融合雷达数据后，FRT分析精度明显提升，RMSE减小13.4%，主要体现在太行山南麓、吕梁山西麓和临运盆地。非汛期降水相态的不确定性可能导致FRT产品精度下降。

（3）融合降水小时产品能较好地反映山西降水的日变化特征。应用时应注意非汛期凌晨到午后产品对降水的低估，以及汛期降水峰值滞后、峰值偏弱的现象。

（4）融合降水产品高估了弱降水事件的频次和强度，低估了强降水事件的频次和强度。在汛期，有更多的小量级降水事件易被高估。

（5）对于不同强度降水事件，融合降水产品的误差来源不同。弱降水事件中，FAST、FRT表现为降水频次正偏差主导的弱降水高估；强降水事件，FAST、FRT表现为降水强度负偏差主导的强降水低估；中等量级降水偏差表现为由频次正偏差转为强度负偏差的过渡带，降水可能高估或低估。

（6）融合雷达数据后，汛期FRT较FAST更多地高估了弱降水频次和强度，高估区域主要集中在吕梁山区、太行山区和临运盆地。FRT较FAST降低了强降水的频次误差和强度误差，对观测强降水契合度更高。

本文涉及的检验评估只是初步的非独立性检验。山西地形地貌复杂，处于半湿润温带季风气候区向半干旱温带大陆性气候区的过渡带，不同区域间气候差异显著。在综合地理分区、气候分区、季节变化的基础上，开展时空尺度更为精细的格点实况产品区域适用性评估，是下一步研究的方向。

参考文献

[1] 师春香,张帅,孙帅,等.改进的CLDAS降水驱动对中国区域积雪模拟的影响评估[J].气象,2018,44(8):985-997.

[2] SHI Chunxiang, ZHANG Shuai, SUN Shuai,et al.Effect of improved precipitation CLDAS on snow simulation in China[J].Meteorological Monthly,2018,44(8):985-997.(in Chinese)

[3] 孟现勇,王浩,蔡思宇,等.大气、陆面与水文耦合模式在中国西北典型流域径流模拟中的新应用[J].水文,2017,37(6):15-22, 38.

[4] MENG Xianyong, WANG Hao, CAI Siyu,et al.A new application of atmosphere,land surface and hydrological coupling model in runoff simulation of typical basins in northwest China[J].Journal of China Hydrology,2017,37(6):15-22, 38.(in Chinese)

[5] Arkin P A, MEisner B N.The relationship between large-scale convective rainfall and cold cloud over the western hemisphere during 1982-84[J].Monthly Weather Review,1987,115(1):51-74.

[6] Kitzmiller D, Miller D, FULTON R,et al.Radar and multisensor precipitation estimation techniques in National Weather Service hydrologic operations[J].Journal of Hydrologic Engineering,2013,18(2):133-142.

[7] XIE Pingping, Arkin P A.Global precipitation:a 17-year monthly analysis based on gauge observations,satellite estimates,and numerical model outputs[J].Bulletin of the American Meteorological Society,1997,78(11):2539-2558.

[8] 崔茂常,朱海.ECMWF再分析日降雨量与CMAP候降雨量在中国境内的数据整合[J].地球科学进展,2000,15(4):440-445.

[9] CUI Maochang, ZHU Hai.Combination of ECMWF reanalyzed daily rainfall and pentad CMAP in China[J].Advances in Earth Science,2000,15(4):440-445.(in Chinese)

[10] 韩永,赵凤生,张鉴.卫星-地面观测数据融合方法研究[J].量子电子学报,2003,20(2):222-228.

[11] HAN Yong, ZHAO Fengsheng, ZHANG Jian.Method of satellite-ground observational data amalgamation research[J].Chinese Journal of Quantum Electronics,2003,20(2):222-228.(in Chinese)

[12] HUFFMAN G J, ADLER R F, MORRISSEY M M,et al.Global precipitation at one-degree daily resolution from multisatellite observations[J].Journal of Hydrometeorology,2001,2(1):36-50.

[13] 高晓荣.多种遥感平台(雷达、卫星)资料和雨量计资料综合定量降水估计技术[D].北京:中国气象科学研究院,2010.

[14] GAO Xiaorong.QPE(quantitive precipitation estimation) merged techniques based on multiplatform (radar、satellite) data and raingauge data[D].Beijing:Chinese Academy of Meteorological Sciences,2010.(in Chinese)

[15] NIE Suping, LUO Yong, LI Weiping,et al.Quality control and analysis of global gauge-based daily precipitation dataset from 1980 to 2009[J].Advances in Climate Change Research,2012,3(1):45-53.

[16] 师春香,潘旸,谷军霞,等.多源气象数据融合格点实况产品研制进展[J].气象学报,2019,77(4):774-783.

[17] SHI Chunxiang, PAN Yang, GU Junxia,et al.A review of multi-source meteorological data fusion products[J].Acta Meteorologica Sinica,2019,77(4):774-783.(in Chinese)

[18] 沈晓燕,申燕玲,权晨,等.不同方法对青海2020年强降水模式产品预报性能的检验对比[J].干旱气象,2022,40(2):333-343.

[19] SHEN Xiaoyan, SHEN Yanling, QUAN Chen,et al.Verification and comparison of different methods to prediction performance of model products during the heavy precipitations in 2020 in Qinghai province[J].Journal of Arid Meteorology,2022,40(2):333-343.(in Chinese)

[20] 陈晓燕,孔祥伟,彭筱,等.全球和区域数值模式在甘肃2020年汛期降水预报中的检验评估[J].干旱气象,2022,40(3):524-535.

[21] CHEN Xiaoyan, KONG Xiangwei, PENG Xiao,et al.Verification and assessment of precipitation forecast based on global and regional numerical models in Gansu in flood season of 2020[J].Journal of Arid Meteorology,2022,40(3):524-535.(in Chinese)

[22] 潘旸,谷军霞,徐宾,等.多源降水数据融合研究及应用进展[J].气象科技进展,2018,8(1):143-152.

[23] PAN Yang, GU Junxia, XU Bin,et al.Advances in multi-source precipitation merging research[J].Advances in Meteorological Science and Technology,2018,8(1):143-152.(in Chinese)

[24] 谷军霞,师春香,潘旸.天气雷达定量估测降水研究进展[J].气象科技进展,2018,8(1):71-78.

[25] GU Junxia, SHI Chunxiang, PAN Yang.Advances in research of the weather radar quantitative precipitation estimation[J].Advances in Meteorological Science and Technology,2018,8(1):71-78.(in Chinese)

[26] 俞剑蔚,李聪,蔡凝昊,等.国家级格点实况分析产品在江苏地区的适用性评估分析[J].气象,2019,45(9):1288-1298.

[27] YU Jianwei, LI Cong, CAI Ninghao,et al.Applicability evaluation of the national gridded real-time observation datasets in Jiangsu province[J].Meteorological Monthly,2019,45(9):1288-1298.(in Chinese)

[28] 龙柯吉,谷军霞,师春香,等.多种降水实况融合产品在四川一次强降水过程中的评估[J].高原山地气象研究,2020,40(2):31-37.

[29] LONG Keji, GU Junxia, SHI Chunxiang,et al.Quality assessment of several merged precipitation products in a heavy rainfall process in Sichuan[J].Plateau and Mountain Meteorology Research,2020,40(2):31-37.(in Chinese)

[30] 宋雯雯,龙柯吉,黄晓龙,等.融合格点降水产品在四川盆地西部一次极端暴雨过程中的评估分析[J].中低纬山地气象,2022,46(3):9-15.

[31] SONG Wenwen, LONG Keji, HUANG Xiaolong,et al.Evaluation and analysis of an extreme rainstorm process in western Sichuan basin based on merged grid precipitation products[J].Mid-Low Latitude Mountain Meteorology,2022,46(3):9-15.(in Chinese)

[32] 吴薇,黄晓龙,徐晓莉,等.融合降水实况分析产品在四川地区的适用性评估[J].沙漠与绿洲气象,2021,15(4):1-8.

[33] WU Wei, HUANG Xiaolong, XU Xiaoli,et al.Application assessment of merged precipitation analysis products in Sichuan province[J].Desert and Oasis Meteorology,2021,15(4):1-8.(in Chinese)

[34] 李奇临,刘昉,廖伟,等.CLDAS与CMPAS产品在重庆分区适用性差异检验[J].高原山地气象研究,2023,43(1):119-127.

[35] LI Qilin, LIU Fang, LIAO Wei,et al.Applicability analysis and regional difference test of CLDAS and CMPAS in Chongqing[J].Plateau and Mountain Meteorology Research,2023,43(1):119-127.(in Chinese)

[36] 杨柳,师春香,韩帅,等.两种气温多源数据融合实况产品在新疆地区的评估与对比[J].沙漠与绿洲气象,2023,17(1):60-68.

[37] YANG Liu, SHI Chunxiang, HAN Shuai,et al.Evaluation and comparison of two kinds of air temperature multi-source data fusion products in Xinjiang[J].Desert and Oasis Meteorology,2023,17(1):60-68.(in Chinese)

[38] 俞琳飞,杨永辉,周新尧,等.中国融合降水产品在太行山区的质量评估[J].水资源与水工程学报,2020,31(1):33-43.

[39] YU Linfei, YANG Yonghui, ZHOU Xinyao,et al.Quality assessment of Chinese merged precipitation product over Taihang Mountains[J].Journal of Water Resources and Water Engineering,2020,31(1):33-43.(in Chinese)

[40] 张狄.融合多源数据的太行山区月降水精细化空间估算研究[D].南京:南京信息工程大学,2016.

[41] ZHANG Di.Study on monthly precipitation spatial estimation using multi-source data in Tai-Hang mountains[D].Nanjing:Nanjing University of Information Science & Technology,2016.(in Chinese)

[42] 董春卿,郭媛媛,张磊,等.基于CLDAS的格点温度预报偏差订正方法[J].干旱气象,2021,39(5):847-856.

[43] DONG Chunqing, GUO Yuanyuan, ZHANG Lei,et al.Deviation correction method of grid temperature prediction based on CLDAS data[J].Journal of Arid Meteorology,2021,39(5):847-856.(in Chinese)

[44] 宇婧婧,沈艳,潘旸,等.概率密度匹配法对中国区域卫星降水资料的改进[J].应用气象学报,2013,24(5):544-553.

[45] YU Jingjing, SHEN Yan, PAN Yang,et al.Improvement of satellite-based precipitation estimates over China based on probability density function matching method[J].Journal of Applied Meteorological Science,2013,24(5):544-553.(in Chinese)

[46] 潘旸,沈艳,宇婧婧,等.基于最优插值方法分析的中国区域地面观测与卫星反演逐时降水融合试验[J].气象学报,2012,70(6):1381-1389.

[47] PAN Yang, SHEN Yan, YU Jingjing,et al.Analysis of the combined gauge-satellite hourly precipitation over China based on the OI technique[J].Acta Meteorologica Sinica,2012,70(6):1381-1389.(in Chinese)

[48] 潘旸,沈艳,宇婧婧,等.基于贝叶斯融合方法的高分辨率地面-卫星-雷达三源降水融合试验[J].气象学报,2015,73(1):177-186.

[49] PAN Yang, SHEN Yan, YU Jingjing,et al.An experiment of high-resolution gauge-radar-satellite combined precipitation retrieval based on the Bayesian merging method[J].Acta Meteorologica Sinica,2015,73(1):177-186.(in Chinese)

[50] 潘旸,谷军霞,宇婧婧,等.中国区域高分辨率多源降水观测产品的融合方法试验[J].气象学报,2018,76(5):755-766.

[51] PAN Yang, GU Junxia, YU Jingjing,et al.Test of merging methods for multi-source observed precipitation products at high resolution over China[J].Acta Meteorologica Sinica,2018,76(5):755-766.(in Chinese)

[52] 苗爱梅,董文晓,贾利冬,等.近30a山西不同相态降水的统计特征及概念模型[J].干旱气象,2014,32(1):23-31.

[53] MIAO Aimei, DONG Wenxiao, JIA Lidong,et al.The statistical characteristics and conceptual model of different phase precipitation in recent 30 a in Shanxi province[J].Journal of Arid Meteorology,2014,32(1):23-31.(in Chinese)

基金资助

中国气象局创新发展专项(CXFZ2023J019)

山西省气象局揭榜挂帅科技项目(SXKJBGS202314)

山西省气象局2021年青年基金项目(SXKQNTC20217155)