三種長期定量降水產品在淮河流域干旱監測中的潛力

董曉華，張慶玉，張 特，喻 丹，劉 冀，魏 沖

（1.三峽大學水利與環境學院，宜昌 443002；2.水資源安全保障湖北省協同創新中心，武漢 430072；3.西北農林科技大學水利與建筑工程學院，楊凌 712100）

0 引 言

干旱是一種破壞性強的自然災害，對人類社會經濟發展及生態環境造成了嚴重影響[1]。地球上每年有超過一半的陸地面積可能受到不同程度的干旱影響，這其中也包括濕潤地區[2]。長期干旱會導致自然環境質量惡化，并可能威脅社會穩定[3]。由于全球氣候變化，旱災的發生頻率及嚴重程度呈上升趨勢[4]。

氣象干旱災害的主要成因是時段降水量少于多年同期[5]，近年來，由降雨數據計算的標準化降雨指數（Standardized Precipitation Index，SPI）被世界氣象組織（World Meteorological Organization，WMO）推薦為標準干旱指數[6]，在世界范圍內得到了廣泛應用[7-9]。由于農業干旱與降雨短缺等氣象干旱要素關系密切，SPI指數同樣被應用于干旱影響下的農業作物生產力、作物產量等農業指標的監測及損失評估[10-11]。用于計算干旱指數的降水數據質量直接決定了指數對干旱識別的準確程度[12]。然而，目前通過雨量站點觀測及地面降水雷達反演方法得到的降水數據空間分辨率有限，無法在空間上連續記錄大尺度范圍的降水分布，這增加了區域干旱監測的不確定性。隨著衛星遙感技術以及降水反演算法的發展，分辨率高、覆蓋范圍廣且精度高的柵格降水產品融合了多種數據，豐富了降水數據來源[13-14]。

SPI指數基于統計學方法，根據可利用水量相對多年同期平均的異常對區域干濕狀況進行量化[15]。因此，在應用SPI指數進行干旱監測時，需有長期（>30 a）的月降水記錄資料，以確保計算結果的可靠性[6]。多源集成降水（Multi-Source Weighted-Ensemble Precipitation,MSWEP）產品、氣候災害組融合站點的紅外降水（Climate Hazards Group Infrared Precipitation with Station,CHIRPS）產品、基于人工神經網絡的遙感降水估計-氣候數據記錄（Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record，PERSIANN-CDR）產品、熱帶降水計劃（Tropical Rainfall Measurement Mission, TRMM）產品是具有高精度、高分辨率的定量降水產品，在近期的干旱監測研究中得到使用[16-17]。一些研究已經基于TRMM降雨數據計算SPI指數[18]，檢驗產品的干旱監測潛力。但TRMM降雨數據起始于1998年，數據時間跨度至今仍不足30 a，這增加了SPI指數計算的不確定性[19]。相對于TRMM，MSWEP、CHIRPS、PERSIANN-CDR產品的降水數據時間跨度均超過30 a，滿足計算SPI指數的基本需求。Zhong等[12]評估了 CHIRPS、PERSIANN-CDR降水數據在中國大陸的干旱監測適用性，結果表明2種產品均適用于干旱監測。MSWEP產品在中國大陸同樣表現出了優秀的干旱時空變化監測能力[7]。然而，針對上述產品的評價研究多在國家或更大尺度上進行，可能會忽略中、小尺度上的精度及干旱監測潛力差異[19]。此外，雖然產品的精度及干旱監測潛力已經在國內外已經得到了的單獨評估，但在同一區域對MSWEP、CHIRPS、PERSIANN-CDR共3種定量降水產品的降水估算數據質量及干旱監測適用性進行綜合對比研究卻未見報道。

淮河流域總面積約 27萬 km2，擁有耕地面積約14萬 km2，是中國主要的糧食產區之一。1996—2015年流域年平均干旱成災面積約為1.2萬km2[20]，流域內干旱的區域性、季節性差異明顯[21]。準確監測干旱有助于淮河流域旱情的早期預警，起到減輕干旱災害影響及降低農業干旱損失的作用。本文在比較 MSWEP、CHIRPS、PERSIANN-CDR這3種長期定量降水產品在淮河流域精度的基礎上，基于產品降水數據計算標準化降水指數 SPI；結合氣象站實測降水數據及統計年鑒記錄的干旱事件，對比3種降水產品在干旱識別、干旱等級判定方面的準確性，評估它們在淮河流域的干旱監測潛力及適用性，以期為利用定量降水產品在淮河流域進行干旱監測提供參考，為農業干旱監測降水數據選取提供依據。

1 方法與數據

1.1 研究區概況

研究區域選取位于中國東部 30°55′～36°36′ N，111°55′～121°25′ E 的淮河流域，流域面積約 27 萬 km2，地貌形態以山丘及平原為主，對應面積比約為1:2。淮河流域處于亞熱帶濕潤季風氣候區與暖溫帶半濕潤季風氣候區分界帶，年均降水量1 040 mm，主要集中于6—9月汛期。淮河流域是中國重要的農業生產基地，流域內耕地面積約14萬km2；由于流域氣候復雜多變且降水時空分布不均，頻發的旱澇災害對淮河流域農業造成了巨大損失[22]。淮河流域高程及氣象站點分布情況見圖1。

1.2 數據來源

本研究使用了淮河流域氣象站實測降水數據及 3種定量降水產品數據。實測數據獲取自中國氣象數據網（http//data.cma.cn），共27個氣象站點的1983—2016年逐日降水數據。對氣象站點降水序列進行聚類分析，結果顯示流域降水呈明顯南北分區（圖1），與淮河以北屬于暖溫帶區、以南屬北亞熱帶區的氣候分區情況相符，各分區站點數量分布為1區13個、2區14個；基于DEM將淮河流域劃分為高程<100、100～300、>300 m共3個分區，對應面積占比為80.26%、13.92%、5.82%。位于3個高程分區的站點數量分別為22、4、1個，占總數比分別81.48%、14.81%、3.7%，與各高程帶站面積所占比例接近，且站點在平原、山丘等地形均有布設；位于山東、河南、安徽、江蘇省份內的站點數量分別為 5、8、8、6個。本文所選取的27個氣象站點在流域南北2個氣候區，各高程帶、行政區的分布較為均衡，具有一定的代表性。

定量降水產品數據包括：0.05°×0.05°與 0.25°×0.25°空間分辨率的 CHIRPS v2.0降水資料（下載網址：http//chg.geog.ucsb.edu/data/chirps）；0.1°×0.1°空間分辨率的 MSWEP v2.2降水資料（下載網址：http//www.gloh2o.org ） ； 0.25°×0.25°空 間 分 辨 率 的PERSIANN-CDR降水資料（下載網址：http//www.ncdc.noaa.gov）。為避免分辨率改變對各產品精度造成影響，降低對比結果的不確定性，本文對各降水產品精度評價及干旱監測潛力分析均在原分辨率下進行。研究中使用的逐月降水數據由上述逐日降水數據累加獲得。定量降水產品生產方法的簡要描述如下：

MSWEP產品：1）分別對6種遙感/再分析降水數據與站點實測降水數據的 3日降水滑動平均序列進行相關分析，并計算決定系數。以遙感/再分析數據在各站點的決定系數作為權值，進行空間插值處理，分別獲取各數據源的全球權重圖；2）基于經河道流量及潛在蒸散發估算數據校正后的WorldClim數據集，對遙感/再分析降水數據進行頻率校正；3）基于全球權重圖，分別對不同數據源組合逐柵格進行加權平均融合，獲取多組融合降水估算數據；4）選擇與參考降水累積分布函數最為匹配的數據源組合進行融合，并校正該組合融合數據的累計分布函數及時間變異性后，得到最終MSWEP數據。MSWEP產品的詳細生產過程見文獻[23]。

CHIRPS產品：1）使用 TRMM 多衛星降水分析（TRMM Multisatellite Precipitation Analysis 3B42，TMPA）降水數據，通過線性回歸方法，校正基于紅外熱成像圖獲取的冷云持續時間數據，然后計算1981年至近期的降水估算數據。對降水估算數據逐柵格進行除以序列均值再乘以對應柵格的 CHPclim降水數據的運算后獲得CHIRP數據。2）使用改進后的反距離加權方法，將CHIRP數據與雨量站點數據進行融合，得到 CHIRPS數據。CHIPRS產品的詳細生產過程見文獻[24]。

PERSIANN-CDR產品：1）使用人工神經網絡算法，結合多個對地靜止軌道、近地軌道衛星的熱紅外、被動微波組合信息建立PERSIANN全球降水估算模型；2）將熱紅外數據輸入經國家環境預測中心（National Centers for Environmental Prediction，NCEP）第四階段小時降水數據預訓練后的PERSIANN模型，獲取PERSIANN降水估算值；3）使用全球降水氣候學項目（Global Precipitation Climatology Progect, GPCP）降水數據對PERSIANN進行偏差校正，最終獲得 PERSIANN-CDR降水數據。PERSIANN-CDR的詳細生產過程見文獻[25]。

1.3 研究方法

1.3.1 定量降水產品數據精度評價方法

SPI指數可基于不同時間尺度的累計降水量序列進行計算，以對不同時間尺度干旱事件進行監測[26]。例如：由月累積降水量計算的月SPI對降水變化敏感，多用于監測研究區月干旱狀況；基于季節累積降水量計算的季SPI與土壤干濕狀況的相關性較高，常被用于進行農業氣象干旱監測；由年累積降水量計算的年SPI對降水變化的響應相對緩慢，可用于年尺度氣象干旱及水文干旱區分[27]。前人研究表明，定量降水產品在不同時間尺度下的干旱監測效果存在差異[6]，因此本文對干旱監測中最為常用的月、季、年3種時間尺度的產品降水數據精度及干旱監測潛力進行針對性評估。

由于不同時間尺度的 SPI指數是基于對應尺度的累積降水量計算，因此本文首先對月、季、年時間尺度的降水產品累積降水量序列進行精度檢驗。定量降水產品降水數據由氣象站點坐標所在柵格對應提取。用相關系數（Correlation Coefficient，r）量化各產品降水估算數據與氣象站點實測數據間線性相關程度，r的絕對值越接近1，代表數據序列間的相關性越高；使用均方根誤差（Root Mean Square Error，RMSE）評價定量產品降水數據精度，RMSE值越接近0，代表數據精度越高；使用定量產品降水數據與氣象站點實測數據間線性擬合方程的斜率（Slope,k），表征產品估算值較實測數據的偏離程度。指標計算公式如下：

式中G為降水產品估算值；為降水產品估算序列均值；P為氣象站點實測值；為氣象站點實測序列均值；n為樣本數；b為線性擬合方程常數。

降水異常短缺造成的土壤水分虧缺是農業干旱災害的成因之一[28]，長期且極端的雨量短缺往往導致損失巨大的極端干旱事件。本文基于氣象站點降水實測數據，計算月、季、年尺度的降水距平百分率（Precipitation anomaly percentage, PA）序列。以 PA≤?95%、≤?80%、≤?45%分別作為月、季、年尺度降水異常短缺發生的判別標準[29]，識別并提取降水異常短缺月，以對定量降水產品在極端短缺月的降水數據精度進行針對性評估。PA計算公式如下：

1.3.2 定量降水產品干旱監測潛力評價方法

使用基于定量降水產品及氣象站點降水數據計算的SPI，對各產品在淮河流域的干旱監測潛力進行評估。SPI由McKee等[30]于1993年提出，是一種表征時段降水量出現概率多少的無量綱指數，由長期降水序列經統計學方法計算獲得。該指數可在多種時間尺度對干旱進行監測，用于反映多時間尺度的干旱狀況，有助于氣象、水文、農業干旱監測。本文首先使用 Γ分布函數擬合降水序列，獲取概率密度函數的最優形狀參數及尺度參數。

式中g(x)為降水概率密度；α為形狀參數；β為尺度參數；x為降水樣本，mm。

降雨概率密度g(x)的累積概率G(x)可通過對x積分獲得：

考慮無降水概率后的累積概率H(x)為

式中q為無降水概率；m為序列中的無降水月數。

將累積概率H(x)進行標準正態化處理后即可獲得SPI值。

式中d1、d2、d3、c0、c1、c2為Γ分布函數轉換為累積頻率，簡化近似求解公式的計算參數[29]，d1=1.433，d2=0.189，d3=0.001，c0=2.516，c1=0.803，c2=0.010；t為降水數據序列的概率加權矩。

根據 SPI對干旱事件等級進行劃分[29]， SPI＞?0.5時，定義干旱等級為無旱；?1＜SPI≤?0.5時，定義干旱等級為輕旱；?1.5＜SPI≤?1時，定義干旱等級為中旱；?2＜SPI≤?1.5時，定義干旱等級為重旱；SPI≤?2時，定義干旱等級為特旱。

使用r、RMSE分別對基于定量降水產品與站點實測降水數據計算的 SPI序列之間的相關程度、誤差進行評估。此外，使用臨界成功指數（Critical Success Index，CSI）對基于定量降水產品計算SPI的干旱月識別正確率進行統計檢驗，臨界成功指數CSI值最優值為1，指數值越大，表明被錯報及漏報的樣本數量越少，干旱月的捕捉越精確；選取準確率（Accuracy，ACC）評價基于定量降水產品計算的SPI對干旱等級判定的精度，ACC值越大，代表對干旱等級判定越準確。CSI與ACC指數計算方法見式（15）、式（16）。

式中NA為同時被基于氣象站點數據計算的SPI觀測，并被基于定量降水產品計算的 SPI監測到干旱發生的樣本數量；NB為被觀測到但并未被監測到的樣本數量；NC為未被觀測但被監測到的樣本數量；N為使用氣象站點與定量降水產品監測到相同SPI干旱等級的樣本數量；M為樣本總數。

由于拉尼娜現象（La-Nin~a），2000年淮河流域3—5月遭遇少雨大旱，流域內河南省、安徽省、江蘇省部分地區降水量較多年同期偏少63%～90%，旱情嚴重程度多年罕見[20]。為進一步評價定量降水產品在實際干旱監測中的表現，本文使用基于定量降水產品數據及站點實測降水數據計算的季SPI，對上述典型干旱事件進行監測。使用反距離加權方法，將淮河流域27個氣象站點實測降水計算的季 SPI進行 0.05°×0.05°分辨率的空間插值，對比站點插值結果與定量降水產品在空間干旱監測上的差異。

2 結果與分析

2.1 定量降水產品降水估算精度評估

2.1.1 整體精度評價

定量降水產品降水估算精度整體評價指標見表1。由表可知，月、季、年尺度的 MSWEP累計降水數據與站點實測的r分別為0.96、0.97、0.92，RMSE分別為26.38、50.01、124.73 mm，精度優于其他定量降水產品。這可能是由于 MSWEP使用了融合多種降水數據的再分析數據集，數據源較其他定量降水產品更具有優勢[31]。CHIRPS產品的精度表現弱于 MSWEP，CHIRPS在 0.25°×0.25°分辨率下的各項評價指標小于 0.05°×0.05°，精度表現基本一致，表明分辨率的改變未對 CHIRPS產品降水數據精度產生顯著影響[32]。定量降水產品估算降雨量與氣象站點實測降雨量線性擬合方程斜率k值均小于1，表明定量降水產品對實測降雨量在整體上呈低估趨勢。在 3種定量降水產品中，PERSIANN-CDR產品RMSE均為最高，精度表現最差，但該產品r與CHIRPS接近，且在各時間尺度下與站點的r高于0.88，表明PERSIANN-CDR降水數據同樣具有較高的精度。

表1 定量降雨產品降水量估算精度評估Table 1 Assessment of precipitation estimation accuracy of quantitative precipitation products

MSWEP的月、季、年尺度降水估算值與實測值相關系數大于0.9的站點數量分別為27、27、18個，相對于其他定量降水產品與站點的實測降水數據的一致性更高。3種產品在不同時間尺度下的降水量估算值與站點實測值的r排序由大到小為均為季、月、年，具有相同變化規律。這可能是由于降水累計時長由月增加至季，定量降水產品數據的隨機性誤差被平滑，致使與站點實測值的相關性有所提高。而隨著降水累計時長繼續增加，降水數據的系統性誤差逐步累積，導致相關性下降[12]。

2.1.2 極端短缺降水估算精度評價

定量降水產品對極端短缺降水量的估算精度評價指標見表2。

表2 定量降水產品在極端雨量短缺月的精度評價Table 2 Accuracy evaluation of quantitative precipitation products in extreme precipitation shortage month

由表2可知，在降水極端短缺月，3種產品降水估算值與站點實測值的r較為接近，差距不超過0.1，且均為季尺度的r值最高。月、季、年時間尺度下r最高的定量降水產品分別為：PERSIANN-CDR（r=0.75）、MSWEP（r=0.95）以及 0.25°×0.25°分辨率的 CHIRPS（r=0.81）。與r的表現不同，MSWEP降水估算值與站點實測值的RMSE在3種時間尺度下分別為5.09、10.22、75.92 mm，不足其他定量降水產品同期RMSE的50%，在精度上具有明顯優勢。除年尺度的MSWEP外，其余產品均高估了降水極端短缺月的降水量（k>1），但幅度隨時間尺度增大而減小。相對其他定量降水產品，MSWEP估算降水量與實測值的線性擬合方程斜率k在各時間尺度均更加接近于 1，偏差幅度更小。PERSIANN-CDR的各項評價指標在月、季尺度優于CHIRPS，在年尺度弱于CHIRPS。綜合考慮r、RMSE、k三種指標評價結果，MSWEP對極端短缺降水量估算精度要顯著優于其他定量降水產品。

2.2 定量降水產品干旱監測潛力評價

2.2.1 定量降水產品多時間尺度干旱監測潛力評價

用1984－2016年27個氣象站點實測降水數據及定量降水產品柵格降水數據分別計算月、季、年尺度的 SPI，結果見表3。

表3 基于定量降水產品計算的SPI精度評估Table 3 Accuracy evaluation of SPI based on quantitative precipitation products

整體上看（表3），基于定量降水產品計算的SPI評價指標排序與其對應的降水數據精度排序相一致，這是由于降水數據是計算 SPI的唯一輸入變量，直接影響了結果精度。由表可知，3種定量降水產品在各時間尺度的擬合方程斜率k值均小于1，說明基于各產品計算的SPI在負值區域較站點實測降水計算結果有所高估，總體上對淮河流域旱情有所低估。各站點 SPI與定量降水產品計算的SPI擬合方程斜率k排序為：MSWEP（0.92～0.95）>CHIRPS（0.80～0.82）>PERSIANN-CDR（0.76～0.82），r排序為 MSWEP（0.92～0.95）>CHIRPS（0.80～0.85）>PERSIANN-CDR（0.76～0.83），RMSE 排序為MSWEP（0.33～0.39）

基于定量降水產品計算的 SPI在不同時間尺度的臨界成功指數CSI及干旱等級監測準確率ACC見表4。

表4 基于定量降水產品計算的SPI在不同時間尺度的CSI及ACCTable 4 CSI and ACC of SPI based on quantitative precipitation products at different time scales

由表4可知，基于各產品計算的SPI在3種時間尺度下的各項評價指標均較為接近，月SPI、季SPI的CSI及ACC略高于年SPI，表明定量降水產品在月及季尺度下的干旱監測準確率更高，但差距并不明顯。同在降水精度上的表現相同，兩種分辨率的CHIRPS產品的同種評價指標差值在干旱監測上的表現同樣高度一致。定量降水產品的SPI計算結果均能準確捕捉到淮河流域大部分干旱發生（CSI≥0.80），但干旱等級監測的準確率ACC較CSI有所下降，說明定量降水產品對干旱等級的判別能力稍弱，這可能是由降水極值偏差導致。CHIRPS估算SPI的CSI及ACC評價指標高于PERSIANN-CDR產品，表明CHIRPS在淮河流域的干旱監測潛力略優于PERSIANN-CDR。盡管PERSIANN-CDR表現不如其余產品，但其CSI≥0.80，ACC≥67.7%，表明該產品同樣能夠對淮河流域干旱情況進行良好監測。綜合來看，MSWEP在所有定量降水產品中表現出了最好的干旱監測潛力，由該降水數據計算的 SPI的干旱月識別（CSI≥0.89）及干旱等級監測（ACC≥80.3%）最為準確。

干旱災害產生的影響及造成的損失與其嚴重程度成正比，極端干旱會對自然環境產生異常嚴重的影響，并對社會經濟造成巨大損失[33]。選取準確率 ACC分別評價定量降水產品對不同干旱等級的監測能力，評價指標計算結果見表5。基于定量降水產品計算的SPI的特旱等級準確率 ACC時間尺度排序由大到小為季、年、月，與定量降水產品在極端雨量短缺月的相關系數排序相同，表明定量降水產品在極端雨量短缺月份的降水數據精度直接影響了極端干旱等級判定的準確率。基于MSWEP計算的SPI各干旱等級判定準確率 ACC為 49.7%～81.2%，也比PERSIANN高，對各時間尺度下的干旱等級判定均最為準確。且在所有干旱等級中，MSWEP產品對特旱等級的判定最為準確（ACC為61.6%～81.2%），在極端干旱的旱情監測上具有顯著優勢。

表5 基于定量降水產品計算的SPI在不同旱情等級的ACCTable 5 ACC of SPI based on quantitative precipitation products in different drought grades

2.2.2 定量降水產品空間干旱監測潛力評價

選取相關系數r、干旱等級判定準確率ACC兩種評價指標，比較定量降水產品在淮河流域的空間干旱監測潛力，結果見表6。基于 MSWEP、PERSIANN-CDR、0.05°×0.05°及 0.25°×0.25°分辨率下的 CHIRPS 數據與站點實測降水數據計算的SPI相關系數r隨時間尺度上升而逐步增加的站點數量均為1個，隨時間尺度上升而逐步減小的站點數量分別為 2、8、12、14個。隨著時間尺度的增加，定量估算降水產品降水數據隨機性誤差被平滑、系統性誤差逐步累積是造成r變化的可能原因[12]。CHIRPS與PERSIANN-CDR在淮河流域干旱監測整體表現接近，基于CHIRPS與實測降水計算的SPI序列，相關系數更高的站點數量更多。基于MSWEP與氣象站點計算的3種時間尺度SPI之間的相關系數r全部高于其他定量降水產品。對碭山、莒縣兩站點在年尺度下干旱等級判定準確率ACC最高的產品為PERSIANN-CDR，其余ACC最高的產品均為MSWEP。同時，MSWEP在不同站點、不同時間尺度下的干旱等級判定準確率變化幅度也最大（ACC為62%～93%）。與在相關系數r上的表現相同，CHIRPS與PERSIANN-CDR在27個站點干旱等級判定準確率各有高低，但CHIRPS準確率高的站點數量相對更多。

表6 定量降水產品的站點干旱監測結果統計Table 6 Stations drought monitoring effect statistics of quantitative precipitation products

基于定量降水產品與站點實測降水數據計算的 3種時間尺度SPI的r、ACC在空間上均無明顯的分布規律。這可能是由于氣象站點高程、站點所在柵格的地形復雜度、站點與柵格之間由點到面的雨量轉換、以及定量降水產品自身插值誤差等綜合因素造成的[6]。同流域整體干旱監測表現相同，基于MSWEP計算的3種時間尺度SPI，與淮河流域內27個站點實測降水數據計算的SPI之間的r及ACC均值全部高于其他產品，表明MSWEP在空間上的干旱監測潛力更為優秀。

2.2.3 典型干旱事件分析

利用定量降水產品降水數據，對淮河流域歷史干旱事件進行空間監測，進一步評價各產品對旱情強度、持續時間、空間分布等方面的監測能力。定量降水產品及站點實測降水數據對2000年2—6月淮河流域旱情空間分布監測結果見圖2。

由圖2可知，3種定量降水產品均表現出了優秀的干旱監測潛力，與氣象站點對淮河流域旱情空間分布、旱情發展的監測結果相一致，但在局部區域仍有差異。2002年2月淮河流域南部出現輕度干旱旱情，CHIRPS降水數據計算的季 SPI對流域受旱面積及旱情等級出現明顯高估；3月流域西部及南部出現輕度及中度干旱，CHIRPS計算結果高估了淮河流域中部及西部區域旱情，而MSWEP及PERSIANN-CDR與基于氣象站點實測降水數據的監測結果更為接近。淮河流域旱情于 4月份進一步加劇，流域內大部分站點均監測到特旱等級旱情。3種產品均有效反映了該旱情強度的空間分布，并準確識別了極端干旱事件的旱情等級。5月份淮河流域旱情開始減輕，同氣象站點監測結果相比，基于 CHIRPS計算的季SPI低估了中北部區域，高估了中南部區域的部分站點的旱情等級。PERSIANN-CDR低估了淮河流域中南部的旱情等級，并高估了東北部的旱情等級。6月份淮河流域大部分區域已無旱情，所有定量降水產品均監測到該月的旱情變化。

反距離加權是一種相對簡單但精度較高的確定性插值方法，已被廣泛應用于降水空間插值。但由于該方法插值效果往往與觀測站網的空間密度直接相關，這限制了它在氣象站點分布密度低區域的插值精度。例如：淮河流域東南部區域 4月份旱情等級為重旱，插值結果僅在盱眙、高郵、東臺 3站周邊環裝閉合區域監測到了重旱旱情，閉合區域外部分監測到的干旱等級仍為特旱，與現實規律不符。6月流域中北部仍有旱情存在，但由于該區域僅有開封及兗州 2個站點，插值結果未能監測到旱情。相比之下，定量降水產品融合了衛星遙感等信息源，監測到的旱情空間分布更為連續、準確，符合現實規律。

整體上看，MSWEP產品準確識別了2000年2—6月的典型干旱事件時空發展過程，表現出了最為優秀的干旱監測潛力。CHIRPS及PERSIANN-CDR產品所表現出的干旱監測能力較為接近，對部分月份的旱情有所誤判，但同樣可以接受。0.05°×0.05°與 0.25°×0.25°空間分辨率的 CHIRPS數據監測到的旱情空間分布及發展趨勢較為一致，與其精度上的表現相同。

3 討 論

定量降水產品在淮河流域的精度并未表現出明顯的空間分布規律，這可能是由于產品降水估算數據受傳感器類型、反演算法等檢索誤差和抽樣誤差的影響，存在一定的不確定性[34]，導致在不同地形條件下的精度表現不一[35]。為進一步探究地形因素對定量降水產品數據精度的影響，使用相關性分析方法，對產品精度受柵格高程影響程度進行評價。MSWEP產品的降水估算誤差RMSE與柵格高程的r為?0.28，表明隨柵格高程增加，MSWEP產品的估算誤差有所降低，這與黃琦等[36]在祁連山地區的研究結果相一致；CHIPRS產品 RMSE與高程的r為?0.20，同樣在高海拔地區的誤差更低，與其在雅礱江流域的規律相同[37]；PERSIANN-CDR的RMSE與高程的r為?0.46，是唯一通過了0.05水平顯著性檢驗的定量降水產品，柵格高程變化對其降水估算精度影響較大，這與An等在黃河流域的研究結果相一致[38]。CHIRPS及MSWEP數據精度與高程關系未能通過顯著性檢驗，影響上述 2種產品精度空間分布的因素較為復雜，可能受到如地形復雜度等其他因素的影響。

本文選取SPI指數對3種長期定量降水產品的氣象干旱監測潛力進行評估，相比與 CHIRPS與PERSIANN-CDR，MSWEP在流域整體、站點、各時間尺度及典型干旱事件監測中的表現均更為優秀，可作為淮河流域農業干旱監測降水數據來源。但除降水外，農業干旱還與高溫、過量蒸散發等氣象干旱要素[1]關系密切，因此結合定量降水產品與其他氣象遙感監測數據進行農業干旱監測的效果還需進一步評估。

4 結 論

本文選取了 0.10°×0.10°分辨率的多源集成降水（Multi-Source Weighted-Ensemble Precipitation，MSWEP）產品、0.05°×0.05°與 0.25°×0.25°分辨率的氣候災害組融合站點的紅外降水（Climate Hazards Group Infrared Precipitation with Station，CHIRPS）產品、0.25°×0.25°分辨率的基于人工神經網絡的遙感降水估計-氣候數據記錄（ Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record，PERSIANN-CDR）共 3種定量降水產品，綜合對比評估了1983—2016年定量降水產品在淮河流域的精度及其對干旱的時空監測潛力，主要結論如下：

1）月、季、年尺度的MSWEP降水數據與27個站點實測降雨數據的相關系數（Correlation Coefficient，r）分別為0.96、0.97、0.92，均方根誤差（Root Mean Square Error，RMSE）分別為26.38、50.01、124.73 mm，數據精度優于其他定量降水產品；0.05°×0.05°及 0.25°×0.25 2種分辨率的 CHIRPS降水數據精度表現基本一致；PERSIANN-CDR降水數據整體表現略差于CHIRPS。

2）MSWEP對極端短缺降水量估算精度要優于其他定量降水產品。月、季、年時間尺度下，MSWEP降水估算值與站點實測值的 RMSE分別為 5.09、10.22、75.92 mm，不足其他產品同期RMSE的50%，且線性擬合方程斜率較其他產品更接近于1。

3）同流域整體干旱監測表現相同，基于MSWEP及站點實測降水數據計算的 3種時間尺度標準化降水指數（Standardized Precipitation Index，SPI）序列之間的r均值不低于0.92，干旱等級監測準確率（Accuracy，ACC）均值高于 82%，各項評價指標均優于其他定量降水產品，表明 MSWEP在淮河流域的時空干旱監測潛力更大。定量降水產品在各時間尺度的k值均小于1，總體上對淮河流域旱情有所低估。相對于其他產品，基于 MSWEP與站點實測降水計算月SPI、季SPI、年SPI的整體精度更高（r≥0.92、RMSE≤0.39），干旱月識別及干旱等級監測最為準確（臨界成功指數（Critical Success Index，CSI）≥0.89、ACC≥80.3%）。

4）3種定量降水產品在淮河流域2002年典型干旱事件中表現出了優秀的干旱監測潛力。相比于 CHIRPS及PERSIANN-CDR，MSWEP降水產品更好地監測到了干旱事件的時空演變過程，且較基于氣象站點實測降水數據空間插值的監測結果更加符合實際旱情空間分布規律。