《Hydrological Sciences Journal》：Comparing GPROF V7 and commercial microwave link precipitation estimates with DPR in the Netherlands, Sri Lanka and Nigeria
编辑推荐：
来自商业微波链路（CMLs）的降水估计已成为传统降雨传感器的宝贵补充，尤其是在全球南方（Global South），那里地面雷达和雨量计网络稀疏。低地球轨道卫星上的星载仪器也提供有价值的降水数据，尤其是在难以到达的区域。本研究首次使用GPM雷达（GPM Rad
来自商业微波链路（CMLs）的降水估计已成为传统降雨传感器的宝贵补充，尤其是在全球南方（Global South），那里地面雷达和雨量计网络稀疏。低地球轨道卫星上的星载仪器也提供有价值的降水数据，尤其是在难以到达的区域。本研究首次使用GPM雷达（GPM Radar）作为参考，比较了来自不同气候国家（荷兰、斯里兰卡、尼日利亚）的CML降水估计与来自全球降水测量（GPM）核心卫星上放射计（radiometer）的降水估计。CML和放射计的弱点各不相同：放射计倾向于低估高强度事件，相对偏差（relative bias）在10%到50%之间变化，具体取决于国家以及用于区分干旱条件和降雨的阈值；而CML估计常常漏测低强度降雨，检测概率（probability of detection, POD）在0.1（尼日利亚）到0.5（荷兰）之间变化。
**论文解读：基于GPROF V7与商业微波链路降水估计的跨国比较研究**
**研究背景与问题**
传统降水测量技术在全球南方（Global South）覆盖有限，而该区域频繁遭受洪水和干旱，亟需高精度、广覆盖的降水数据。星载仪器（如低地球轨道卫星上的放射计）虽能提供降水估计，但存在蒸发导致高估、衰减导致低估等问题，且缺乏地面观测校正。商业微波链路（Commercial Microwave Links, CMLs）利用手机基站间的信号衰减反演降水，具有近地表、高空间分辨率优势，尤其在人口密集区效果显著。然而，CMLs在农村和水体覆盖不足，且易受天线湿润、地物杂波等影响。放射计与CMLs的互补潜力尚未被系统研究。本研究旨在分析CML和星载放射计降水估计在何种条件下可相互补充，以提升全球降水监测能力。
**研究内容与结论**
研究人员选取荷兰（温带海洋性气候）、斯里兰卡（热带季风气候）和尼日利亚（热带及半干旱气候）三个国家，利用GPM双频降水雷达（Dual-frequency Precipitation Radar, DPR）作为参考，对比CMLs（基于RAINLINK算法处理）与GMI-GPROF V7（GPM微波成像仪基于Goddard廓线算法V7版）的降水估计。研究得出以下结论：（1）CMLs倾向于高估高强度降水（相对于DPR），而放射计（GMI-GPROF）则倾向于低估高强度降水；（2）CMLs对低强度降水（<4 mm/h）的检测概率（Probability of Detection, POD）显著低于放射计，在尼日利亚低至0.1，在荷兰约为0.5；（3）放射计在低强度降水检测方面优于CMLs，但两者均存在空间不一致性，且CMLs漏测低强度降水，放射计在沿海地区可能出现虚假降水。该研究首次在多个气候区直接比较CML与放射计估计，揭示了二者的互补潜力：放射计可辅助CML的“干湿分类”（wet-dry classification），CMLs则可校正放射计的高强度低估。论文发表在《Hydrological Sciences Journal》。
**主要技术方法**
研究人员采用以下关键技术方法：（1）基于开源RAINLINK算法处理CML数据，通过接收信号电平（Received Signal Level, RSL）的15分钟最小-最大或均值记录，反演路径平均降雨强度，并利用邻近链路方法进行干湿分类及异常值过滤；（2）使用GPM核心卫星上的DPR（Ku波段）表面降水产品作为参考，同时对比GMI-GPROF V7放射计估计；（3）通过时空匹配，将CML的15分钟区间与卫星过境瞬间对齐，利用加权平均将卫星像素映射到CML路径上；（4）采用相对偏差（Relative Bias, RB）、平均绝对误差（Mean Absolute Error, MAE）、归一化平均绝对误差（Normalized MAE, NMAE）、检测概率（POD）和决定系数（R2）等统计指标进行评估。样本来源包括荷兰（T-Mobile NL，2014.3-2015.3）、斯里兰卡（Dialog Sri Lanka，2019.9-12及2020.4-12）和尼日利亚（MTN Nigeria，2020.5-10）的CML网络数据，以及对应时期的GPM卫星数据。
**研究结果**
**3.1 荷兰**
通过DPR与CML、DPR与GMI及GMI与CML的散点图及统计指标（图2）发现：GMI估计更接近DPR（POD=0.75，RB=-12.3%，MAE=0.9 mm/h），而CMLs漏测约50%的DPR非零降水，且高估时呈强正偏（RB=38.2%，POD=0.51）。阈值敏感性分析（图3）表明，CMLs在高强度事件中性能相对较好，但绝对误差增大；GMI-GPROF则随强度增加低估加剧。利用荷兰KNMI高质量雷达数据（图4）模拟时空采样效应，发现采样误差在雨强>1-2 mm/h时显著，但CML与DPR的对比结果与雷达参考一致，支持DPR作为参考的合理性。具体案例（图5、6）显示，CMLs在冷天（湿雪）易高估，而GMI在夏季对中等强度降水低估。
**3.2 斯里兰卡**
统计结果（图7）与荷兰类似：GMI估计更接近DPR；CMLs的POD随阈值升高而增加（与荷兰相反），但GMI-GPROF在沿海地区出现虚假低强度降水（图8、9）。空间对比表明，CMLs漏测西部大量降水，但能检测到GMI低估的东北部高强度降水。CMLs对高强度降水存在高估（图9），而GMI系统性地低估高强度事件。不同链路频率或长度未呈现明显趋势。
**3.3 尼日利亚**
统计结果（图10）与斯里兰卡类似：CMLs的RB随强度升高从49%降至0%，POD在高强度时增加，但仍漏测大量DPR检测到的降水（图11）。GMI与CML的RB极高，源于GMI低估、CML高估的叠加效应。空间对比（图11、12）显示，CMLs因链路间距大、附近链路少，导致干湿分类不准确，漏测显著；而DPR在2020年7月8日出现了因过度衰减校正导致的极端高估（>150 mm/h）。
**总结与结论**
讨论部分指出，CMLs与放射计的弱点互补：CMLs高估高强度降水（部分可能因DPR本身低估高强度），放射计低估高强度降水；CMLs对低强度降水检测差，放射计则表现较好。时空采样误差在雨强较高时影响增大，但测量不确定性是主要差异来源。GPROF V7相比V5在低强度检测上有所改进，但仍存在挑战。放射计可辅助CML干湿分类，尤其在低强度降水时；但放射计时间分辨率低（仅过境瞬间），而CML提供15分钟平均，需注意时间差异对对流事件的影响。研究结论部分翻译如下：通过本研究，研究人员旨在展示星载放射计与CMLs在何种条件下可以相互补充。合并具有相似特征的放射计与CML降水估计，可以利用放射计的低强度降水检测能力。此外，CML数据可作为网格化GPM产品IMERG（Integrated Multi-satellitE Retrievals for GPM）的额外输入，填补放射计过境间隙的观测。
