基于MSWEP數據的太湖流域降水特性分析

趙 靜,胡慶芳,王臘春,李伶杰,陳少穎

(1.南京大學地理科學與海洋學院,江蘇 南京 210023； 2.南京水利科學研究院水文水資源與水利工程科學國家重點實驗室,江蘇 南京 210029； 3.江蘇省水利科學研究院,江蘇 南京 210017)

降水是最基本的也是具有強烈空間變異性的氣象、水文要素之一。獲取高質量區域降水分布信息對于氣象、水文等眾多領域的研究和應用均具有重要意義[1-4]。目前,區域降水信息的獲取方式主要有雨量站網觀測、天氣雷達反演、衛星遙感反演和大氣數值模式模擬4種[5]。這4種方式在基本原理、計算方法和適用條件上各不相同,所得到的降水數據的時空分辨率和覆蓋范圍也存在明顯差異,但又具有一定互補性。近年來,充分利用不同降水信息獲取方式的優勢,融合不同來源的降水空間分布信息,已成為國際上區域性或全球性降水數據研制的重要發展方向。目前國際上已產生了TRMM(tropical rainfall measuring mission)[5]、CMORPH(climate prediction center morphing technique)[6]、ERA5(climate reanalysis produced by ECMWF)[7]、GPM IMERGE(integrated multi-satellite retrievals for global precipitation measurement)[8]等一系列代表性降水融合數據集。

2017年Beck等[9]集成了CPC Unified、GPCC、CMORPH、GSMaP-MVK、TMPA 3B42RT、ERA Interim、JRA-55等各類降水數據,通過與全球雨量站觀測數據對比,確定每個柵格單元不同來源降水數據的權重,提出了一種基于權重集合的多源降水融合數據——MSWEP(multi-source weighted-ensemble precipitation)。MSWEP時間和空間分辨率分別達到了3 h和0.1°×0.1°,數據序列自1979年延展至今,下載網址為http://www.gloh2o.org/。MSWEP集成了雨量計、衛星和大氣再分析等降水資料,相較于單一來源的TMPA、GPM IMERG和ERA5融合降水產品,獲取的降水信息更為全面、客觀,同時滿足高時空分辨率、長時間序列要求,數據自發布以來,就備受研究人員青睞。Alijanian等[10]評估了MSWEP在拉丁美洲的日降水精度,相較于TRMM 3B42V7, MSWEP精度高；Awange等[11]對澳大利亞MSWEP降水精度進行研究發現,除季節性強降水外,MSWEP與區域地面觀測降水高度一致；Akhilesh等[12]、Alijanian等[10]、鄧越等[13]分別在印度、伊朗和中國地區針對日、月、季等不同時間尺度降雨連續序列和不同等級降水事件下的MSWEP進行了評價,與地面觀測降水相比,MSWEP日降水精度總體較高,但對于強降水/極端降水的監測能力稍弱,表明MSWEP適用于絕大多數區域,可用于極值降水以外的氣象、水文研究。MSWEP因同時具有高時空分辨率和高精度降水估算特征,在分析地面觀測資料稀少區域具有顯著優勢,可用于無資料區域、大型水面等特殊地形條件下的降水研究。目前,在精度評估基礎上,MSWEP數據已被應用于全球及區域氣候變化評估[14-15]、洪澇干旱災害監測[16-17]等領域。

目前有關MSWEP數據的相關研究正不斷深入,但已有研究以全球或大尺度區域為主,在中小尺度區域的研究尚較少見。有些MSWEP降水資料精度評價的研究還存在地表基準資料質量不高的問題,影響了評價結果的客觀性和準確性。本文擬開展MSWEP日降水資料在太湖流域降水特性分析中的研究，太湖流域具有長系列、高密度的地表降水觀測記錄,以此為基礎對MSWEP精度進行全面評估,并分析該數據對于流域特征降水要素的反映能力,一方面有助于全面深入認識太湖流域降水時空分布規律，另一方面能夠更加客觀地了解MSWEP數據對區域降水要素的反映能力，可為今后在無資料或少資料地區合理應用該數據提供依據。

1 研究區域概況

太湖流域位于我國長江三角洲地區(圖1),北抵長江,南瀕錢塘江,東臨大海,西以天目山、茅山為界,地跨江蘇、浙江、安徽和上海三省一市,流域總面積36 869 km2。多年平均降水量1 185 mm,其中汛期(5—9月)降水量為726 mm[18]。境內河網密布、湖泊眾多，太湖是我國第三大淡水湖泊,水域面積接近2 338 km2。地勢中間低、四周高,洪水易漲難消。太湖流域人口密集,大中城市眾多,是我國經濟最發達的地區之一。

圖1 太湖流域位置及雨量站點分布Fig.1 Site of Taihu Basin and distribution of rainfall stations

根據流域地形地貌和河湖水系結構,太湖流域(THB)可分為湖西區(HX)、杭嘉湖區(HJH)、太湖湖區(HQ)、武澄錫虞區(WCXY)、陽澄淀泖區(YCDM)、浦東浦西區(PDPX)、浙西區(ZX)7個水利分區。浙西區(ZX)、湖西區(HX)位于太湖流域上游,年平均降水分別為1 131 mm和1 439 mm。太湖湖區(HQ)位于流域中心,連接其他各水利分區,多年平均降水1 161 mm。武澄錫虞區(WCXY)、陽澄淀泖區(YCDM)分布在流域北部,北抵長江，南與太湖為鄰,多年平均降水分別為1 075 mm和 1 096 mm。杭嘉湖區(HJH)和浦東浦西區(PDPX)東鄰大海,年降水總量分別為1 228 mm和1 106 mm[16]。

2 數據來源與研究方法

2.1 數據來源

太湖流域MSWEP降水資料采用歐盟聯合研究中心(EU/JRC)最新發布的第2版數據,數據的時空分辨率分別為3 h和0.1°×0.1°。本文研究時段為1979—2016年,根據3 h時次的降水量,累加得到同期5—9月逐日降水量。

太湖流域地表日降水觀測資料主要來源于流域水文年鑒,相關資料經過了整編和質量控制。太湖流域雨量站網密度較高,站點的空間分布如圖1所示。1979—2016年不同年份可用的雨量站點數量有所不同，其中1979—1988年為175個站點，1989—2005年為139個站點，2006—2016為196個站點。

2.2 研究方法

2.2.1基準降水量生成方法

基于地表雨量站觀測資料,采用空間插值方法生成0.1°×0.1°空間分辨率的地表基準降水量,作為在柵格尺度上評價MSWEP數據精度的依據。浙西區主要為山丘區,而其他分區主要為平原區或湖區。為合理考慮地形對降水的影響,對浙西區，日降水量空間插值算法以經緯度和高程為自變量采用地理加權回歸(geographically weighted regression, GWR)。GWR是Brunsdone等[19]在空間變系數回歸模型基礎上利用局部光滑思想提出的一種空間回歸模型,該模型適用于變量間非平穩性空間關系的定量模擬。對除浙西區以外的其他區域,降水空間插值采用距離反比平方方法(inverse distance weighted, IDW)。IDW是一種加權平均插值方法[20],以待估點與觀測樣點間的距離倒數為權重進行插值,離插值點越近的樣本點賦予的權重越大。

2.2.2降水精度評價方法

采用分類指標、體積分類指標和定量指標評價1979—2016年5—9月MSWEP日降水數據的精度。分類指標主要反映MSWEP對日降水事件發生情況的辨識能力(即判斷降水事件的有和無,而不考慮降水事件強度)。本文采用了探測率(probability of detection, POD)、空報率(false alarm ratio, FAR)、Heidke技巧評分指數(Heidke’s skill score, HSS)3項分類指標。POD用于判斷MSWEP對日降水事件的漏報程度；FAR用于衡量MSWEP誤報降水事件的概率；HSS則綜合表達MSWEP對降水事件發生情況的估計能力[21]。POD和HSS屬于越高越優型指標,FAR屬于越低越優型指標，計算公式分別為

(1)

(2)

(3)

式中:IPOD為POD值；IFAR為FAR值；IHSS為HSS值；n11為基準降水數據和MSWEP均探測到日降水事件的頻次;n01為基準降水數據探測到而MSWEP未探測到日降水事件的頻次;n10為基準降水數據未探測到而MSWEP探測到日降水的事件頻次；n00為基準降水數據和MSWEP均探測為無降水事件的頻次。

體積分類指標是分類指標的拓展。該類指標不僅判斷降水事件的有和無,而且考慮降水事件強度的影響。對于同樣的降水事件,降水事件強度越大,則在指標計算中所占的權重越大。因此,體積分類指標強化了對強降水事件的辨識能力,在一定程度上克服了傳統分類指標的不足。本文采用的兩項體積分類指標為體積探測指數(VHI)和體積誤報指數(VFAR),分別是POD和FAR的拓展,其值介于[0,1]。VHI屬于越大越優型指標,而VFAR屬于越小越優型指標。VHI和VFAR的計算公式為

(4)

(5)

式中：IVHI為VHI值；IVFAR為VFAR值；Si、Gi分別為第i天基準數據日降水量和MSWEP數據日降水量；Pt為日降水事件閾值,本文以0.1 mm作為劃分有雨無雨的閾值

定量精度指標用于反映MSWEP對日降水量描述的準確性。本文同時采用平均偏差(mean bias, MB)、相對偏差(relative bias, RB)、均方根誤差(root mean square error, RMSE)和標準均方根誤差(standardized root mean square error, SRMSE)和相關系數(correlation coefficient, CC)定量評估MSWEP數據在柵格尺度上的精度。

3 MSWEP日降水數據精度評價

圖2為1979—2016年柵格單元上太湖流域及各水利分區MSWEP日降水量與基準值散點圖。由圖2可知,在日時間尺度上,盡管MSWEP資料總體上存在低估,但MSWEP日降水與基準降水的變化趨勢一致。全流域和各水利分區R2介于0.69～0.74,說明MSWEP數據對地表日降水量變化具有較強解釋能力。

(a) 太湖流域

(b) 杭嘉湖區

(c) 太湖區

d) 湖西區

(e) 浦東浦西區

(f) 武澄錫虞區

(h) 浙西區

圖2 柵格尺度上基準降水與MSWEP散點圖Fig.2 Scatter map of reference precipitation and MSWEP on grid scale

(a) POD

(b) FAR

(c) HSS

(d) VHI

(e) VFAR

(f) RB(單位:%)

(g) MB(單位:mm)

(h) CC

(i) RMSE(單位:mm)

(j) SRMSE圖3 柵格尺度上MSWEP日降水精度指標空間分布Fig.3 Spatial distribution of daily precipitation precision index of MSWEP on grid scale

圖3為柵格尺度上MSWEP日降水精度指標的空間分布,各精度指標顯示MSWEP降水量與基準降水在時序變化上具有較強同步性。柵格單元MB和RB值均為負值,平均MB值低于1 mm,RB值介于-11%～-20%,這說明在多年平均意義上,流域MSWEP數據對于地表降水量存在一定程度的低估。各柵格單元HSS值均高于0.6,最高接近0.7,表明MSWEP數據對于太湖流域日降水事件已具有較強分類辨識能力。分類指標POD值介于0.75～0.88,FAR值介于0.11～0.29,MSWEP數據仍具有一定漏報和誤報,但VHI值介于0.95～0.98,VFAR值低于0.06,說明若考慮日降水強度的差異,MSWEP數據的分類探測能力將進一步提高。綜合各項指標可知,MSWEP在太湖流域對于日降水事件的辨識能力總體較高。MSWEP數據在不同水利分區精度有所不同。HSS、RB、MB表現為浙西、湖西區南部及太湖湖區降水精度低于其他區域,POD、VHI也顯示湖區、湖西區降水探測率低,但這兩個區域的SRMSE不突出。浙西區和湖西區南部為山丘區,降水探測難度較高,這是諸多全球性降水數據的共同特點；而湖區地表雨量站網分布較為稀疏,可能也是造成該區域基準降水與MSWEP降水匹配性相對較低的原因之一。

(a) 年最大1 d降水量

(b) 年最大3 d降水量

(c) 年最大7 d降水量

(d) 年最大15 d降水量

(e) 年最大30 d降水量

(f) 臺風降水量

(g) 梅雨量

(h) 汛期降水量

(i) 基準降水多年平均年最大1 d降水量

(j) 基準降水多年平均年最大3 d降水量

(k) 基準降水多年平均年最大7 d降水量

(l) 基準降水多年平均年最大15 d降水量

(m) 基準降水多年平均年最大30 d降水量

(n) 基準降水多年平均臺風降水

(o) 基準降水多年平均梅雨量

(p) 基準降水多年平均汛期降水圖4 太湖流域MSWEP多年平均特征降水要素空間分布(單位：mm)Fig.4 Spatial distribution of annual average of MSWEP characteristic precipitation elements in Taihu Basin (unit: mm)

4 太湖流域特征降水要素分析

在日降水長系列比對的基礎上,進一步分析了MSWEP降水資料對太湖流域年最大1 d、3 d、7 d、15 d、30 d降水量、臺風性降水量、梅雨量和汛期降水量8種特征降水要素的描述能力。其中,臺風性降水量根據《太湖流域防汛防臺年報》《西北太平洋臺風基本資料集》《熱帶氣旋年鑒》等資料和王詠梅[22]提出的臺風降水分離客觀方法得到,梅雨量根據歷年太湖流域梅雨期起止時間計算得到。

圖4為太湖流域MSWEP多年平均特征降雨要素空間分布。從圖4可知,盡管在具體數值上有不同程度差異,但MSWEP與基準降水數據反映的太湖流域各特征降水要素的空間分布格局基本吻合。一是流域西部,特別是浙西區降水強度高,這是由于浙西區屬于山丘區,地形對降水具有強化作用；二是流域中部,特別是太湖湖區降水強度相對較低。已有研究表明[22-23]大型湖區降水在湖-陸溫差效應下,夏季降水強度顯著低于周圍陸地降水強度。

值得注意的是,太湖流域年最大1 d降水量存在多個高值地帶,除浙西區和湖西區外,在平原區東部還存在一個高值地帶,這一情況從MSWEP數據體現尤其明顯。該高值地帶位于上海市西北部,是太湖流域人口密度最高、社會經濟最發達的地區,其形成可能與城市化對降雨的影響機制有關。

表1 柵格尺度不同特征降水要素MSWEP精度統計Table 1 Precision statistics of MSWEP of different precipitation characteristic elements on grid scale

圖5為RB在太湖流域及各水利分區的統計分布,表1為基于MSWEP數據獲取的各特征降水要素的精度統計。可見，MSWEP對太湖流域各特征降水要素總體上均表現為低估。MSWEP對年最大 1 d、3 d、7 d降水量的低估程度最大可超過30%,但多數柵格單元不超過20%。同時,對于年最大 1 d、3 d、7 d降水量而言,MSWEP與基準降水量之間的CC值總體上要低于逐日降水量,但在多數區域達到了0.9,僅在少數區域低于0.6。各特征降水要素對應的SRMSE值較日降水量序列普遍低,最高不超過0.67。隨著特征降水要素時段的增加,CC值增大、SRMSE值相應減小,因此MSWEP數據對最大15 d和30 d降水量的表征能力要優于短時段的最大1 d、3 d、7 d降水量。采用MSWEP分析臺風性降水量,特別是湖西、浙西區臺風性降水量具有較大的誤差。MSWEP對臺風性降水量的平均低估程度達到了20%以上,最多可能會超過50%。但從CC值來看,MSWEP能在相當程度上反映臺風性降水量的年際變化過程。對于年梅雨量和汛期降水量,MSWEP的最大低估程度在30%左右,平均低估程度低于15%；SRMSE值不超過0.35,CC值均在0.8以上。因此,在柵格尺度上,MSWEP對太湖流域梅雨量和汛期降水量具有較強表征能力。

(a) 太湖全流域及武澄錫虞、陽澄淀泖、浙西等分區

(b) 杭嘉湖、湖西、湖區及浦東浦西等分區圖5 柵格尺度MSWEP數據RB值箱線圖Fig.5 RB box chart of MSWEP data on grid scale

5 結 論

a. 在0.1°×0.1°柵格尺度上,MSWEP數據對1979—2016年太湖流域日降水總體上具有較強解釋能力。MSWEP數據雖在一定程度上低估日降水量,但其平均低估程度不超過20%,且其反映的日降水量變化過程與基準降水量基本一致。

b. MSWEP日降水數據的精度存在區域差異。受地形地貌等因素影響,MSWEP日降水資料在山丘區的浙西區、湖西山區和大型水域的太湖湖區的綜合精度相對較低。

c. MSWEP對太湖流域各特征降水要素總體上均表現為低估,但仍具有辨識能力。隨著降水時段的增加,MSWEP的精度有所提高。采用MSWEP分析臺風性降水量具有較大誤差,但仍能夠反映臺風性降水量的年際變化過程。MSWEP資料對太湖流域梅雨量和汛期降水量具有較強表征能力。

d. MSWEP與基準降水數據反映的太湖流域各特征降水要素的空間分布格局基本吻合。MSWEP降水數據反映出太湖流域西部特別是浙西區地形對于降水的強化作用和太湖湖區大型水域對降水的抑制作用。此外,MSWEP還檢測到太湖流域年最大 1 d 降水量在平原區東部還存在一個高值地帶,其形成可能與城市化對降雨的影響機制有關。