推进数据稀缺高海拔地区卫星与再分析降水数据的应用:一项综合性综述

《Hydrology》:Advancing the Use of Satellite and Reanalysis Precipitation Data in Data-Scarce High-Altitude Regions: A Comprehensive Review

【字体: 大 中 小 】 时间:2026年09月22日 来源:Hydrology 3.1

编辑推荐:

  专业摘要翻译 高海拔地区的精准降水观测对于理解气候变率和减轻极端灾害至关重要。然而,由于地面雨量计网络稀疏、地形复杂以及气象条件错综复杂,在这些地区获取可靠的降水测量数据仍然是一项艰巨的挑战。随着遥感与数值模拟技术的发展,卫星降水产品(SPPs)和再分析数据集

  
专业摘要翻译 高海拔地区的精准降水观测对于理解气候变率和减轻极端灾害至关重要。然而,由于地面雨量计网络稀疏、地形复杂以及气象条件错综复杂,在这些地区获取可靠的降水测量数据仍然是一项艰巨的挑战。随着遥感与数值模拟技术的发展,卫星降水产品(SPPs)和再分析数据集已成为原位雨量计的有效替代方案。本综述系统性地审视了应用这些降水产品以应对数据稀缺问题的进展、挑战与前景,并特别聚焦于高海拔地区,以青藏高原(TP)作为主要案例研究。本文首先概述了这些产品的反演原理、优势与局限、适用性以及误差特征。这些降水产品普遍在多个时空尺度上表现出显著的条件性偏差(conditional biases),且往往缺乏准确捕捉极端事件的能力。据此,本文分析了偏差校正与产品融合方法的理论基础、实施流程及案例研究,以评估其在高山地区精度提升方面的潜力。结果表明,这些方法在减少降水估算误差和水文模拟误差方面均已取得成效。尽管如此,仍需进一步努力应对与产品本身、精度提升算法及其业务化应用相关的关键挑战。本综述为在高海拔地区利用SPPs和再分析数据集获取更可靠的降水估算提供了全面指导。

论文主体内容总结

1. 引言

降水是全球水循环的基本驱动力,也是控制大气环流最为活跃的变量。在高海拔流域,陡峭地形迫使湿空气抬升冷却,导致迎风坡地形降水增强,背风侧则形成显著雨影效应,降水在短距离内呈现剧烈变化,其复杂性远超低海拔地区。雨量计虽能提供相对精确的点尺度观测,但高海拔偏远地区站点网络极度稀疏,且点尺度观测无法表征降水空间异质性。地面天气雷达虽覆盖范围更广,但部署成本高昂且受地形遮挡限制。卫星降水产品(SPPs)凭借准全球覆盖能力,可监测偏远及难以到达区域的降水;再分析数据集则通过资料同化技术融合多源观测与数值天气预报(NWP)模型,生成物理一致、长期连续的时空网格化大气变量记录。然而,这些产品因反演算法差异、传感器特性、模型参数化及同化方案不同而存在多种误差源,在高海拔地区应用前必须进行适用性评估并实施适当的偏差校正或数据融合。单一产品偏差校正旨在利用地面雨量计观测减少系统偏差,常用方法包括常规统计方法、基于分布的方法和机器学习(ML)技术。多源降水融合则通过整合不同产品的互补优势,往往能获得优于任何单一产品的估算结果。尽管已有大量研究记录了SPPs和再分析数据集在各区域的应用,但系统性地同时审视产品适用性、精度提升方法及高海拔环境特有挑战的综述仍然匮乏。

2. 网格化降水产品

2.1 卫星降水产品

卫星降水产品已成为全球水文气象学不可或缺的数据集。热带降雨测量任务(TRMM)多卫星降水分析(TMPA)产品,尤其是3B42和3B42RT,曾是水文和气候研究应用最广泛的数据集之一。在全球降水测量(GPM)框架下推出的集成多卫星检索(IMERG)作为TMPA的继任者,提供了更广的空间覆盖、更精细的时空分辨率,并通过早期、晚期和最终运行版本提供多种延迟选项。其他主要产品沿不同技术路径发展:GSMaP-G整合多卫星微波与红外观测及雨量计信息;CMORPH利用静止卫星(GEO)红外云图导出的运动矢量传播微波降水场;CHIRPS v3融合GEO热红外冷云持续时间估算、高分辨率降水气候场和质量控制的原位雨量计观测;PERSIANN系列基于人工神经网络(ANNs)和云分类技术。星载降水反演主要依赖三种技术:可见光/红外(VIS/IR)传感器通过云顶特性间接估算降水;被动微波(PMW)传感器通过探测水凝物的发射和散射信号提供更直接的物理测量;主动微波(AMW)传感器通过主动探测降水三维结构提供最直接、最精确的测量。VIS/IR方法对暖雨过程、卷云及无显著冷云顶降水情形误差较大;PMW方法受LEO平台时间采样稀疏限制;AMW方法则受限于极窄的观测幅宽。主流现代卫星降水估算已转向多传感器融合范式,如GPM-IMERG先以主动雷达数据为物理基准对PMW传感器进行交叉定标,再融合高频GEO红外观测实现降水场的时间插值。

2.2 再分析产品

再分析数据集按空间覆盖范围分为全球产品和区域产品。ERA5由欧洲中期天气预报中心(ECMWF)生产,采用先进的四维变分(4D-Var)资料同化系统,具有显著更高的空间分辨率和逐小时时间分辨率。ERA5-Land通过重放ECMWF数值天气预报(NWP)模型的陆面分量生成,空间分辨率提升至约9 km(0.1°×0.1°)。全球陆面数据同化系统(GLDAS)由美国国家航空航天局(NASA)和美国国家海洋和大气管理局(NOAA)联合开发,采用先进陆面模型(LSMs)结合陆面信息系统(LIS)框架,空间分辨率最高达0.25°。MERRA-2采用GEOS-5同化系统,空间分辨率为0.5°×0.625°。JRA-55由日本气象厅(JMA)开发,空间分辨率为1.25°×1.25°,其继任者JRA-3Q将记录延伸至1947年9月。NCEP2提供全球2.5°×2.5°网格数据。区域再分析产品方面,NLDAS提供约0.125°空间分辨率和逐小时时间分辨率;中国气象局(CMA)发布的CLDAS-V2.0聚焦亚洲区域,空间分辨率为0.0625°×0.0625°,其显著优势在于密集同化了中国本地自动气象站观测数据。

3. 高海拔地区适用性评估

3.1 SPPs和再分析数据集的误差来源

SPPs的误差主要表现为观测误差、采样误差和反演算法误差。观测误差源于传感器定标、仪器噪声、大气干扰及降水与非降水场景判别局限;采样误差源于卫星过境的不连续性;反演算法误差源于检索方案的固有假设和物理约束。在高海拔地区,雪冰覆盖地表产生的微波散射信号与冰冻水凝物相似,可能产生虚假降水。再分析数据集的精度受同化观测质量、同化系统、大气模型动力学和物理参数化方案共同影响。降水主要由模型通过参数化云微物理和对流过程生成,偏差更为显著。长期再分析时段内同化观测系统、模型配置和数据可用性的变化会引入时间不均匀性。高海拔地区雨量计观测本身存在的风致捕获不足、降雪测量误差等问题也不容忽视。

3.2 评估方法与指标

适用性评估分为直接评估和间接评估两类。直接评估采用“点对格点”比较,将雨量计观测与降水产品最近网格单元直接对比,避免空间插值误差干扰降水检测统计。间接评估则将产品作为同一水文模型的强迫数据,将模拟径流与观测流量对比,通过评估流域尺度的综合降水信号克服点尺度与格点尺度的空间失配。评估指标包括分类指标和连续指标。分类指标包括命中率(POD)、误报率(FAR)、假阳性率(FPR)、关键成功指数(CSI)和准确率(ACC)。连续指标包括皮尔逊相关系数(CC)、平均绝对误差(MAE)、均方根误差(RMSE)、纳什-萨克利夫效率系数(NSE)、克林-古普塔效率系数(KGE)和相对偏差(RB)。

3.3 SPPs和再分析数据集在青藏高原的表现

3.3.1 优势
以青藏高原(TP)为主要案例,SPPs在站点相对密集的东部地区表现优异,IMERG-Final和GSMaP-Gauge的相关系数(CC)分别达0.71和0.70,关键成功指数(CSI)分别为0.56和0.63。ERA5更适合高原中西部地区。在雅鲁藏布江下游流域,GSMaP_MVK_G在捕捉降水分布与地形特征耦合关系方面表现优越。与SPPs相比,再分析数据集在捕捉青藏高原连贯的时空降水特征方面能力更强,ERA5在高原东缘表征区域降雨事件演化的空间相关系数超过0.8。再分析产品在较长时间尺度上更为有效,能成功再现降水的年际和年代际变率。GLDAS与ERA5在描述高原降水方面具有互补性:GLDAS擅长表征日降水发生频率,ERA5在事件检测方面能力强但倾向于高估日降水频率。
3.3.2 误差
SPPs在高海拔地区的应用仍受不可忽视的误差制约。空间上,反演精度呈现显著异质性,东部地区表现普遍较好,内陆和高海拔区域显著下降。季节上,暖季精度较高,冬季性能恶化,冬季频繁的轻降水和固态降水导致相关系数降低和误报率升高。日尺度上,IMERG倾向于低估轻到中度降雨频率而高估暴雨和极端事件频率。多个数据集一致表现出高估低降水率、低估高强度事件的系统性偏差。青藏高原以外的高海拔区域也报告了类似误差模式。水文模拟方面,IMERG Final Run Version 06在洪水模拟中仍引入显著偏差。再分析数据集同样存在显著偏差,ERA5-Land总体高估降水量,月平均降水约为观测值的两倍,冷季高估尤为突出。再分析数据同样表现出高估低降水率、低估高降水率的系统性偏差,且倾向于高估降水发生频率。夏季再分析数据集的总体表现劣于SPPs。水文性能方面,再分析数据难以充分提取极端径流模式并低估峰值流量。

4. 降水产品精度提升

精度提升技术可分为单一产品偏差校正和产品融合两大类。单一产品偏差校正利用参考雨量计观测对单一卫星或再分析降水估算进行统计调整以减少系统误差。产品融合方法可进一步分为依赖雨量计和不依赖雨量计两类。

4.1 单一产品偏差校正

单一产品偏差校正包括两个步骤:先在雨量计所在位置以雨量计观测为参考诊断产品误差模式,再将诊断的误差模式应用于无雨量计网格单元以校正整个降水场。方法分为三类:常规统计方法、基于分布的方法和基于机器学习(ML)的方法。常规统计方法包括缩放技术和回归技术,如线性缩放、逐步回归(STEP)和地理加权回归(GWR),适用于偏差关系相对稳定且雨量计观测充足的区域。基于分布的方法旨在使卫星或再分析降水估算的概率分布与参考观测对齐,常用方法包括分位数映射(QM)、高斯变换(GA)和核密度估计(KDE)。QM通过匹配模型分布与地面观测的分位数同时校正降水分发的均值、方差和高阶矩,但无法调整降水的时间结构。机器学习(ML)方法能捕捉卫星变量与地面观测之间复杂的非线性关系,在地形复杂区域效果更佳,常用模型包括随机森林(RF)、XGBoost和长短期记忆网络(LSTM)。然而,无论采用何种偏差校正方法,校正后降水估算的质量都从根本上受限于雨量计站点的空间分布和密度。

4.2 产品融合

4.2.1 依赖雨量计的方法
依赖雨量计的融合方法分为加权平均技术和基于机器学习(ML)的融合方法。加权平均技术以雨量计测量为参考评估各产品的误差特征,据此分配融合权重。多源加权集合降水(MSWEP)数据集是代表性示例,其根据时间尺度和位置融合雨量计测量、卫星估算和再分析数据集。贝叶斯模型平均(BMA)通过计算候选产品的加权平均构建概率预测,权重源于各产品相对于地面雨量计观测的历史表现。基于机器学习(ML)的融合方法将各产品在格点处的降水估算作为输入特征,以雨量计测量降水作为基准标签进行训练。中国气象强迫数据集(CMFD)是代表性融合数据集,融合了CMA和NOAA地面观测与GLDAS、MERRA、TRMM等多套网格化数据,最新版本CMFD v2.0扩展了数据源并转向机器学习(ML)技术框架。
4.2.2 不依赖雨量计的方法
不依赖雨量计的融合方法利用多个卫星和再分析产品之间的内在特征和交叉比较推导优化融合产品。三重配置(TC)是最具代表性的多源平均方法,其基本假设是三个相互独立的降水产品之间的误差不相关,从而仅凭两两协方差即可估算各产品的误差方差。扩展三重配置(ETC)框架通过额外估算各产品与未知真实信号之间的误差相关系数,放宽了误差完全不相关的实际约束。信噪比优化(SNR-opt)从输入数据集的经验协方差构建噪声-信号比矩阵,无需零误差互相关或权重单位和的约束。机器学习(ML)技术在不依赖雨量计的融合方法中也占据重要地位,可自动从数据中学习最优融合策略。卷积长短期记忆网络(ConvLSTM)保留LSTM的时间建模能力同时获取局部空间特征描述能力。Transformer架构基于自注意力机制,有利于捕捉跨越较大地理距离的非局部降水模式。迁移学习先在数据丰富区域预训练以捕获通用时空模式,再将所学知识迁移至数据稀缺的高海拔区域。混合框架整合深度学习(DL)和传统机器学习(ML)的优势,如“分类-回归”两阶段融合框架先使用传统机器学习(ML)模型分类降水事件,再用更复杂的深度学习(DL)网络量化降水量。

5. 挑战与未来建议

5.1 产品相关挑战与建议

5.1.1 固有误差
SPPs和再分析数据集在高海拔地区存在固有局限,包括地形降水估算局限和固态降水检测不足。这些数据集倾向于高估低降水率、低估高强度事件,部分归因于轻降水的虚假检测和对浅层地形暖雨过程敏感性不足。地形降水估算因大气环流与高海拔地形的复杂相互作用而极具挑战性,云微物理在山地高度异质且极不稳定,远超当前卫星传感器的捕捉能力。SPPs空间分辨率有限,单个粗像素可能同时包含多种异质地貌类型,红外和被动微波(PMW)通常给出平均降水估算,无法解析亚网格地形降水梯度。未来应纳入物理信息辅助数据并利用可靠降尺度技术。固态降水精确量化仍面临重大挑战,雨量计样本减少制约冬季偏差校正,风等因素导致降雪事件漏检和降水量低估。现有主动-被动卫星观测框架,如GPM任务中双频降水雷达(DPR)和GPM微波成像仪(GMI)的联合使用,为改进降水相态判别和降雪反演提供了重要技术基础。
5.1.2 双重惩罚误差
网格化降水数据集的精度评估通常采用“点对格点”比较并以原位雨量计观测为参考,但该方法在评估高时空分辨率产品时可能受双重惩罚误差影响。当降水事件被正确预测但相对雨量计观测在空间或时间上略有位移时,评估指标会在观测位置计为“漏报”并在位移位置计为“误报”,从而双重惩罚产品。未来高海拔地区降水产品评估应结合传统点尺度指标与邻域、尺度及基于对象的验证方法,如分数技巧评分(FSS)和基于对象的诊断评估方法(MODE)。
5.1.3 网格化降水数据集与雨量计测量的空间尺度失配
雨量计观测反映点尺度降水,网格化产品提供网格平均值,这种空间尺度失配会引入有偏验证结果并增加后续偏差校正和数据融合的不确定性。降尺度提供了潜在解决方案,但日降水降尺度仍极具挑战性,因为降水空间分布受多种环境变量影响,这些变量与降水的关系在日和亚日时间尺度上高度不稳定。建议针对不同大气环流型下变化的降水-地形关系开发降尺度模型。

5.2 精度提升算法挑战与建议

5.2.1 雨量计测量对偏差校正和融合的影响
偏差校正和融合方法的效果强烈依赖于雨量计网络密度。青藏高原南坡降水特征独特但站点网络稀疏,导致网格化产品精度下降。雨量计观测本身存在不确定性,不应被视为无误差的“地面真值”。高海拔地区这些局限尤为严重,未来研究应更重视量化参考数据不确定性并追踪其在校正和融合链中的传播。
5.2.2 偏差校正和融合技术的局限
常规统计方法以平稳性假设为前提,在气候变化背景下可能削弱或人为重塑原始降水数据中的真实气候信号。三重配置(TC)方法依赖三个输入产品误差互不相关的基本假设,但实际中该假设常被违反,因为部分SPPs共享公共输入源或采用相似反演算法。扩展三重配置(ETC)虽放宽部分约束,但其平稳性、可加性和零均值误差假设在复杂地形中仍可能被违反。信噪比优化(SNR-opt)无需零误差互相关假设,但需要各产品信噪比的先验知识或可靠估计。机器学习(ML)技术面临物理可解释性、数据稀缺和空间一致性方面的固有局限。常规机器学习(ML)方法通常独立地在各像素建立网格化特征与雨量计观测之间的关系,忽略了邻近网格的空间依赖性。未来研究应更重视在机器学习(ML)建模中充分利用空间特征。

5.3 业务化应用挑战与建议

5.3.1 极端事件模拟能力不足
SPPs和再分析数据集在高海拔流域均倾向于高估暴雨和极端降水事件的发生,该偏差可传播至洪水模拟并导致峰值流量预测偏差。极端降雨趋势强烈依赖于事件持续时间和空间尺度,日尺度上的满意表现并不保证产品能可靠再现亚日极端事件。未来研究应进一步整合多传感器观测,包括主动和被动遥感及数值天气预报(NWP)模型。主动-被动传感器集成在重建极端降雨事件期间三维降水结构方面已显示出巨大潜力。
5.3.2 时空分辨率与延迟限制
实现特定应用所需的高时空分辨率仍是一项关键挑战。逐小时洪水预报和小流域水文模拟需要高频、精细的观测以捕捉水文过程的快速演变。粗分辨率产品往往无法解析小尺度流域降水场的高度异质性和复杂地形。高时间分辨率静止卫星(GEO)观测的日益增多,如GOES-R/ABI、Himawari-8/9 AHI、FY-4A/4B AGRI和MTG-FCI,为以分钟级间隔解析快速演变的对流降水提供了新机遇。此外,SPPs和再分析数据集的延迟对业务化应用构成又一显著限制,降水临近预报和近实时洪水预报需要短延迟的网格化降水产品。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号