FY2G衛星降水產品在云貴高原地區的效用評估

丁蕾錠，盧涵宇*，盧天健，何勤業

(1.貴州大學大數據與信息工程學院， 貴州貴陽550025；2.中南大學資源與安全工程學院， 湖南長沙410083)

0 引言

高質量的降水數據在許多領域都發揮著重要作用。然而傳統降水觀測方法存在許多不足，地面站觀測在空間上具有局限性，易受復雜地形和人為因素的影響。天氣雷達觀測易受電子信號和地形等因素的干擾。

近年來，遙感衛星技術發展迅速，衛星觀測降水具有覆蓋范圍大，時效性強，分辨率高等優點，越來越受到科研的重視[1-2]。例如用于全球降水測量的綜合多衛星檢索(integrated multi-satellite retrievals for global precipitation measurement, IMERG)[1]，使用人工神經網絡的遙感信息降水估算(precipitation estimation from remotely sensed information using artificial neural networks, PERSIANN)，熱帶降雨測量(tropical rainfall measurement mission, TRMM)[2-3],多衛星降水分析(TRMM multisatellite precipitation analysis, TMPA)以及中國風云系列氣象衛星(FY)降水產品[4-6]。所有的觀測方法或算法都有其優缺點，因此評估衛星降水產品在不同時空下的適用性尤為重要。張保林等[7]實現了降水系統對FY-2F降水臨近預報可預報性影響分析。王鐵巖等[8]實現了FY-2G 衛星資料在白城2016年短時強降水預報中的應用。TANG等[9-10]在中國華南地區對衛星合并產品IMERG，GSMaP NRT和PERSIANN進行了評估，報告稱IMERG和GSMaP NRT與地面雨量計數據有更高的相關性。

云貴高原地處中國西南地區，具有獨特的喀斯特地貌和復雜的氣候。本文旨在評估FY2G降水產品在云貴高原地區的準確性和適用性，為云貴高原地區的氣候研究提供幫助。

1 研究區與數據

1.1 研究區概況

云貴高原大致位于東經100°～111°，北緯22°～30°，處在中國南北走向和東北—西南走向兩組山脈的交匯處，西鄰青藏高原，北接四川盆地，東毗鄂湘兩省，南連中南半島，東西長約1 000 km，南北寬400～800 km，地勢西北高，東南低，總面積約5×107hm2，海拔為400～3 500 m。

圖1 云貴高原及雨量計站點示意圖Fig.1 Yunnan-Kweichow plateau and rain gauge site map

云貴高原屬亞熱帶濕潤區，為亞熱帶季風氣候，由于海拔高度、大氣環流等條件不同，在云貴高原不同地區氣候差別明顯。受西南季風的影響，形成了冬干夏濕、干濕季節分明的水資源特征。年降水量一般在600～2 000 mm，降水在時間及空間上分布不平衡，東部、西部及南部降水量大，可達1 500～2 000 mm，中部及北部約為500～600 mm。雨季出現在5～10月，其降水量占全年的80 %左右，易出現山洪泥石流暴等災害，嚴重危害了當地人民的生命財產安全，制約了社會經濟發展。

1.2 雨量計數據

雨量計數據集來自中國氣象局(china meterological administration, CMA)國家氣象信息中心。本研究使用323個雨量計的2017年小時降水數據，嚴格執行氣象數據質量控制(quality control,QC)步驟以避免錯誤減少誤差[8-9]。圖1展示了本研究中使用的站點位置，可以看出323個站點在整個云貴高原區域的分布相對均勻。在評估FY2G降水產品時，這些雨量計觀測結果被用作地面真實值。

1.3 FY2G

風云二號氣象衛星(FY-2)是我國自行研制的第一代地球靜止軌道氣象衛星，與極地軌道氣象衛星相輔相成，構成了我國氣象衛星應用體系.FY2G衛星是風云二號系列衛星的第八顆衛星，搭載的掃描輻射計共有紅外長波2個、紅外中波1個、可見光1個及水汽1個共5個通道以獲取白天可見光云圖、晝夜紅外云圖和水氣分布圖，在提高天氣預報準確率和氣象災害防御能力方面發揮了不可替代的作用[11]。本研究使用的FY2G 2017年小時降水數據可在中國氣象臺(http://www.nmc.cn/)下載。

2 研究方法

2.1 定量誤差指標

為評估FY2G有關降水量精度[12]，本研究采用了四項指標:相關系數(R2)、偏差(bias)、均方根誤差(RMSE)和平均絕對誤差(MAE)。其定義如下：

(1)

(2)

(3)

(4)

2.2 降水事件檢測指標

為反映FY2G對降雨/無雨事件的區分能力[15-16]，采用了四項指標: 檢測概率(probability of detection, POD) 、誤報率(false alarm ratio, FAR) 、臨界成功指數(critical success index, CSI)、頻率偏差指數(FBI)，其定義如下：

(5)

(6)

(7)

(8)

其中，h表示雨量計站點觀測到降水且FY2G正確檢測到降水的個數，m表示FY2G未檢測到降水但站點觀測到降水的個數，f表示FY2G預估有降水但站點未觀測到降水的個數。POD是正確判斷的比率，FAR是模型對降水事件的誤判率。最佳可能值POD=1，FAR=0，CSI=1和FBI=1。

3 結果分析

圖2 基于FY2G產品2017年降水量空間分布Fig.2 Spatial distribution of precipitation in 2017 based on FY2G products

圖2顯示了基于FY2G衛星產品在云貴高原2017年度降水量空間分布。年降水量總體呈現由西北向東南增加的趨勢，在云貴高原的西北角即四川境內降水量較小(<500 mm)，在云南北部，貴州省，重慶市，年降雨量在1 000 mm左右，在云南南部，湖南西部，廣西省年降雨量可達1 500 mm以上。可以看出云貴高原地區的降水量層次分明。

3.1 月數據下的對比分析

圖3展現了FY2G在云貴高原每月降水量的空間分布，第一季度作為云貴高原的少雨季節，加上高海拔地區缺少雨量計和依賴于仰角的插值算法的原因，在西北角出現了部分無數據像素點[圖3(a)];4月的降雨相對均勻，從5月開始，云貴高原進入雨季，但東西部降雨量差距明顯，在6月，廣西，貴州，湖南等地降雨充沛[圖3(b)];進入第三季度，降雨量由東西差異轉變成南北差異，云南南部，廣西南部降雨明顯多于其他區域[圖3(c)];第四季度，云貴高原再次進入旱季，大部分地區的降雨量下降到300 mm以下，伴隨大片無數據像素點的出現[圖3(d)]。

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

由圖4網格化衛星降水產品同雨量計數據散點圖表明，不同月份的衛星產品性能不一，總體而言，其散布量接近1∶1。其中1,5,6,7,8,11,12月與雨量計數據之間的偏差在可接受的范圍內(-5.346 %～2.548 %)，2,3,9,10月的負偏差較為明顯(bias<-15 %)，3月的負偏差最大，達到-26 %,9月緊隨其后，達到-24 %。不妨大膽猜測：在雨旱交替季節，FY2G產品表現不穩定。從圖4中還能直觀地看出降雨量的變化，1月～4月集中在200 mm/月以內，從5月開始，逐步擴散，從9月開始，逐步收縮，12月下降到100 mm/月的水平。

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

由圖5可知，除了7月，FY2G產品數據均低于雨量計實測數據。圖5中折線圖分別反映基于月數據的R2，bias，RMSE和MAE。R2在4月和9月形成谷值，在11月最高，達到0.9，符合上文提出關于雨旱交替季節，FY2G產品表現不穩定的猜想。RMSE和MAE在折線走勢上接近，隨著降雨量的增加而變大，在6～9月居高不下，從10月開始急速回落。對比bias和RMSE在6,7,8月的圖形，不難發現，在高降雨量的情況下，降雨產品出現了近似規模的低估和高估，導致在計算偏差時，正負誤差被抵消，使得偏差很小，在計算RMSE時，正負誤差不再能被抵消，所以RMSE的值很大。整體而言，FY2G在多降雨季節和雨旱交替季節仍有改善的空間。

(a) 相關系數

(b) 偏差

(c) 均方根誤差

(d) 平均絕對誤差

圖5 FY2G衛星產品各指標及降水量
Fig.5 FY2G satellite products indicators and precipitation

3.2 日數據下的空間分布

圖6顯示了基于FY2G產品日降水量數據在各季度的R2，bias，RMSE和MAE的空間分布。

整體而言，R2和bias沒有隨季度的變化出現大范圍變動，基本保持了R2在云貴高原東部高于西部，bias在云貴高原的東北部高于其他地區的特點。其中，R2在第一四季度高于第二三季度，可以從圖6(c)中看出在第三季度多處地區達到最低，其相關性在0.5以下。

基于FY2G產品同數據各季度bias見圖7。bias在第一季度相對高于其他季度，僅在云貴高原東北部的bias會隨季度變化出現調整，其他地區幾乎沒有變化。在幾乎都是低估降雨量的情況下，出現高估的地區并不固定，可見對部分地區的估算既存在低估也存在高估。

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

圖6 基于日數據各季度相關系數
Fig.6 Quarterly correlation coefficient based on daily data

(a) 第一季度

(b) 第二季度

(c) 第三季度

圖7 基于日數據各季度偏差
Fig.7 Quarterly bias based on daily data

(a) 第一季度

(b) 第二季度

(c) 第三季度

(d) 第四季度

圖8 基于日數據各季度RMSE
Fig.8 QuarterlyRMSEbased on daily data

(a) 第一季度

(b) 第二季度

(c) 第三季度

圖9 基于日數據各季度MAE
Fig.9 QuarterlyMAEbased on daily data

圖7和圖8直觀反映了在不同季度的RMSE和MAE的空間分布，因為 RMSE和MAE更易受到降雨量大小的影響，所以在第一四季度和第二三季度有明顯的差異。可由第二三季度的RMSE[圖8(c)]看出，云貴高原的東部遠遠高于西部，同樣的結論也適用于第二季度的MAE[圖9(b)]。

縱觀各季度的各項指標，在云貴高原的西南角，海拔在1 500 m左右的地區，雖然其相關性較低，但是其偏差和各項誤差也都處在相對較低的水平。在云貴高原的東部，海拔多在500 m左右的地區，雖然相關系數不低，偏差較小，但是其RMSE,MAE處在明顯較高的水平，說明了在云貴高原的東部不僅存在低估，同樣存在大量的高估降水量。

3.3 降水事件檢測

圖10(a)是基于日數據下的檢測結果，其POD的中值在0.9以上，表明了在時間跨度上FY2G能夠較好地檢測出日降水事件。其FAR的中值在0.2左右，CSI在0.7至0.8之間。圖10(b)是基于小時數據下的檢測結果，其POD達到0.8，但是其FAR的中值高達0.4，以致CSI的中值也不高。說明了在小時規模下出現了較多的誤判，雖然檢測概率與日規模下的指標差距不大，但是過多的誤報，使得臨界成功指數僅在0.5左右。在判斷是否發生降水事件的能力上FY2G仍有提高的空間。

(a) 日尺度

(b) 小時尺度

圖10 基于日數據和小時數據的統計結果
Fig.10 Statistical results based on daily data and hourly data

4 結論

降水信息在氣候研究，災害預警等方面發揮著不可替代的作用，得到精確有效的高質量降水數據對相關研究尤為重要。本研究基于FY2G衛星產品2017年小時降水數據，對其在云貴高原地區進行了評估，主要以小時數據合成的月數據集和日數據集，同地面雨量計數據集在不同的時空模式下對比分析，主要結論可歸納如下：

① FY2G在云貴高原地區適用性較好，其相關系數整體較高；

② 基于日數據的降水事件檢測能力較高，POD>0.9；

③ FY2G存在低估降水量的情況，在多雨季節表現的尤為明顯；

④ 在少雨季節，FY2G的各項指標都表現更好，在雨旱交替季節表現不穩定。

筆者仍需要更多精準的觀測方法，優質的預估算法，以滿足當下對高質量降水產品的需求，為使FY2G降水產品在云貴高原地區發揮最大效用，還需進一步探索挖掘。