当雷达和逐时雨量计稀缺时：利用日观测数据提高格点降水估计的精度

《Atmospheric Research》：When radar and hourly gauges are scarce: Sharpening gridded precipitation estimates using daily observations

　　

• 日雨量计改善了稀疏地区的逐时降水估计。• 日雨量计增加了有效亚日观测覆盖率。• 逐时覆盖率提高54%（高覆盖区）和2300%（低覆盖区）。• 70–80%的雨量计在雷达覆盖范围外改善了逐时估计。• 85–95%的雨量计在雷达覆盖范围外改善了日度估计。

引言

逐时降水数据对许多应用至关重要（例如，Bao等，2024；Bao等，2017；Formetta等，2022；Gu等，2022；Li等，2025；Lovejoy等，2012；Muschinski和Katz，2013；Prein等，2017）。特别是，它们为用于模拟洪水演变并发布洪水预警的水文和水动力学模型提供了关键强迫（例如，Araujo等，2023；Cheng等，2020；Chiang等，2007；Coelho等，2025）。长期的逐时降水记录也是模型在不同水气象条件下进行校准和验证所必需的（例如，Bruni等，2015）。

多种降水数据来源已被用于开发逐时降水产品，包括雨量计、天气雷达、卫星反演和大气再分析（例如，Sun等，2018；Zhang等，2025）。逐时雨量计提供直接可靠的点尺度测量，但空间分布往往稀疏，特别是在偏远地区和历史时期（例如，Kidd和Huffman，2011；Lewis等，2019；Zhang等，2025）。雷达提供高时空分辨率，但覆盖范围有限，且受校准和其他不确定性影响（例如，Bureau of Meteorology，2022；Chumchean等，2006；Hasan，2016；Hasan等，2016a，Hasan等，2016b；Legates，2000；Velasco-Forero等，2009）。此外，在观测网络较不发达的早期时期，雷达覆盖可能特别有限。卫星产品提供广覆盖，但存在反演和算法相关误差（例如，AghaKouchak等，2012；Ayat等，2021；Fang等，2013；Moazami等，2022；Tang等，2020；Xiong等，2025；Zhang等，2025）。再分析产品提供时空完备的估计值，但降水通常是模型推导而非直接同化的，因此可能包含与模型物理过程和同化程序相关的系统性偏差和随机误差（例如，Su等，2019，Su等，2021，Su等，2025）。

多源融合为结合这些数据来源的互补优势提供了一种实用手段（例如，Zhang等，2025），使用的方法包括技能加权融合、多重分形融合、基于不确定性的融合、机器学习以及组合方法（例如，Baez-Villanueva等，2020；Gavahi等，2023；Ma等，2025；Martinaitis等，2020；Velasco-Forero等，2009；Wang等，2026；Xu等，2024）。然而，这些方法的有效性往往取决于逐时雨量计的可用性，因为雨量计提供直接测量，支持对其他来源进行评估和校准，并作为重要的融合输入。稀疏的逐时雨量计网络仍然是历史时期和数据稀疏地区可靠逐时降水估计的主要限制。

日雨量计观测提供了一种潜在的互补信息来源。与逐时雨量计网络相比，日度网络通常更密集、空间覆盖更广，且具有长得多历史记录（例如，Contractor等，2020；Kidd和Huffman，2011；Menne等，2012；Xie等，2010；Zhang等，2025）。然而，由于日累积量与时降水分析需求之间的时间分辨率不匹配，它们在逐时降水融合框架中一直被忽视。

据我们所知，日雨量计观测已在一些开发亚日降水产品的研究中被使用，例如通过日度尺度的融合、校正或校准（例如，Beck等，2019；Beck等，2017；Ma等，2025；Wang等，2026）。日雨量计观测在时间离散化后也被纳入逐时降水分析（Nelson等，2010）。然而，很少有研究将逐时离散化的雨量计数据作为独立来源纳入多源融合，同时明确考虑其来源特异性不确定性。在国家尺度上，这种纳入特别具有挑战性。观测网络在空间和时间上差异巨大，而高分辨率降水分析需要计算高效的方法。

统计融合方法对于这个问题特别具有吸引力，因为它们提供了一种灵活框架来整合具有不同空间覆盖和不确定性特征的异构降水观测。它们可以在统一框架内同时纳入空间完备的背景场（如卫星估计）、具有部分空间覆盖的格点观测（如雷达数据）和点观测（如雨量计测量）。这些特征使它们相较于许多替代方案更适合国家尺度的业务降水分析系统（如Zhang等，2025所讨论）。

澳大利亚提供了一个代表性的大区域测试案例。尽管它拥有相对密集且长期运行的日雨量计网络，但在2010年之前，逐时雨量计和雷达都更为有限。为展示该方法，我们使用了融合降水分析系统（BRAIN），这是一个统计融合系统，利用卫星、雷达和逐时雨量计观测生成2公里分辨率的国家尺度逐时降水分析（Zhang等，2026a，Zhang等，2026b）。其当前的三源配置主要是为近期业务条件（即2020年代）开发的，当时雷达和逐时雨量计覆盖相对广泛。然而，在更早的时期，如2000年代，条件截然不同。逐时雨量计稀疏得多，全国范围的雷达也少得多。因此，当该系统应用于历史降水分析时，预计会更依赖卫星信息，而卫星信息比雷达和雨量计观测不确定得多。这种对高不确定性卫星信息的依赖增加，很可能在雷达覆盖范围外和逐时雨量计稀疏的地区最为严重。

因此，本研究调查日雨量计观测是否能在数据受限条件下改善逐时降水估计。具体目标如下：

(i) 引入一个框架，通过时间离散化和来源特异性误差表征将日雨量计观测纳入逐时多源降水融合；

(ii) 评估在高覆盖网络和低覆盖网络对比场景下国家尺度纳入日雨量计的附加价值；以及

(iii) 解释日雨量计信息的贡献，并考察四源配置相比原始三源业务基线如何改变融合行为和信息公开传播。

数据片段

数据来源

从五种降水数据来源编译了一个两年数据集（2022?2023）（表1）。其中四种被直接纳入融合系统，额外的卫星产品为日雨量计观测的时间离散化提供时间模式。

多源融合框架

融合框架基于统计插值，也称为最优插值（Gandin，1963），已被许多气象机构广泛用于多源降水分析（例如，Boluwade等，2017；Fortin等，2015；Mahfouf等，2007；Shen等，2018；Xie和Xiong，2011；Yu等，2020；Zhang等，2026a，Zhang等，2026b）。它使具有不同空间覆盖和不确定性特征的异构观测能够被——

离散化日值与逐时观测的相关性

图5通过将离散化日雨量计值与直接逐时雨量计观测进行比较来评估时间离散化方法。离散化值（图5a）的中位相关系数为0.61，高于IMERG-F的0.48（图5b）。在空间上，相关系数沿东部和南部海岸通常较高，而许多内陆地区也表现出与观测逐时降雨模式的良好一致性。这些结果表明离散化方法——

纳入日雨量计观测对逐时降水估计的影响

结果展示了从日雨量计观测中派生的逐时离散化数据带来的明显益处。在高覆盖和低覆盖网络条件下，四源配置通常改善了逐时降水估计，尤其是在雷达覆盖范围外。这些改善主要源于日雨量计相比逐时雨量计拥有更广泛的空间覆盖。

离散化日雨量计从两个方面改善逐时降水估计——

结论

本研究调查了将时间离散化的日雨量计观测集成到BRAIN多源统计融合框架中以改善逐时降水分析，特别是在直接逐时观测有限的情况下。扩展后的四源BRAIN-4系统在澳大利亚的高覆盖和低覆盖观测网络下与原始三源BRAIN-3系统进行了对比评估。主要结论如下：

(1) 据我们所知，本研究首次——

CRediT作者贡献声明

Yuhang Zhang：撰写——初稿、可视化、验证、软件、方法论、形式分析、概念化。Quan J. Wang：撰写——审稿与编辑、验证、监督、项目管理、方法论、调查研究、资金获取、概念化。Andrew J. Frost：撰写——审稿与编辑、验证、监督、项目管理、方法论、调查研究、资金获取、概念化。Jayaram Pudashine：撰写——审稿与编辑——

未引用参考文献

Su等，2023；Su等，2024

利益冲突声明

作者声明不存在任何已知的财务利益或个人关系可能对本研究的结果产生影响。

致谢

我们真诚感谢澳大利亚气象局科学家Dr. Zhi-Weng Chua和Dr. Fitsum Woldemeskel在本稿件内部审阅过程中提供的宝贵反馈。我们感谢澳大利亚水行业的众多组织在《2007年水法》下向气象局贡献洪水和水利信息。本研究得到了以下提供的资源和服务的协助——

Yuhang Zhang | Quan J. Wang | Andrew J. Frost | Jayaram Pudashine | Blair Trewin | Carlos Velasco-Forero | Chun-Hsu Su | Mohammad Mahadi Hasan | Vincent Villani