EN中文

Tropical Geography >

2024 , Vol. 44 >Issue 9: 1588 - 1601

DOI: https://doi.org/10.13284/j.cnki.rddl.20230786

Evaluation of Multiple Precipitation Products in the Hainan Island

  • Shixi Li , 1, 2 ,
  • Weijie Liao 1, 2 ,
  • Ming Shang 3 ,
  • Jianchao Guo 4 ,
  • Chenxiao Shi 5 ,
  • Yue Yang 1, 2 ,
  • Lei Bai , 1, 2
Expand
  • 1. College of Ecology, Hainan University, Haikou 570228, China
  • 2. Center for Eco-Environment Restoration Engineering of Hainan Province, Hainan University, Haikou 570228, China
  • 3. School of Earth Science and Engineering, Hebei University of Engineering, Handan 056038, China
  • 4. Hainan Province Water Conservancy and Hydropower Survey, Design and Research Institute, Haikou 570203, China
  • 5. Hainan Meteorological Information Center, Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Haikou 570203, China

Received date: 2023-10-12

  Revised date: 2024-01-09

  Online published: 2024-09-05

Fold

Abstract

Global precipitation observations have been realized through the development of satellite remote-sensing technology. However, there is a lack of evaluation of remote-sensing precipitation products in complex tropical island terrains. This study used hourly rain gauge data to conduct a multi-scale systematic evaluation of common precipitation products, such as CMORPH, CHIRPS, GsMAP, GPM, MSWEP, ERA5-Land, and PERSIANN, over Hainan Island, providing an in-depth analysis of the precipitation detection capabilities of various products in this region. The main conclusions are: (1) In a multi-temporal scale evaluation, GPM and GsMAP outperformed the other products across all time scales. On a 3-hour scale, GPM and GsMAP showed the highest correlation coefficients (0.53 and 0.52, respectively). On a daily scale, except for PERSIANN, all products showed correlation coefficients above 0.56, with GPM and GsMAP showing the best performance (R = 0.73 and 0.74, respectively). (2) In comparing annual precipitation, Hainan Island's average-annual precipitation over the past 20 years showed a fluctuating trend, with a mean of 1,776.4 mm/a. The CMORPH annual average of 1,765.1 mm/a was the closest to the CHM-PRE dataset, with minimal error. ERA5-Land and MSWEP significantly overestimated (2,504.3 mm/a) and underestimated (1,662.2 mm/a) the average-annual precipitation, respectively. (3) Spatial distribution pattern analysis revealed that the observed multi-year annual precipitation in Hainan Island ranges from 996.9 to 2,368.9 mm, exhibiting an annular-distribution pattern with higher precipitation in the east than in the west and the southwestern mountainous areas than in the northeastern plains. The precipitation range of 1,337.9‒2,287.0 mm observed in GsMAP was the closest to the rain gauge data and particularly matched that of the high-value center in the southeast of the island. (4) In a precipitation trend analysis, CMORPH, ERA5-Land, GPM, MSWEP, CHIRPS, and PERSIANN showed an increasing trend in local areas of Hainan Island, while GsMAP showed a stronger increasing trend. (5) In an analysis of extreme precipitation events, GsMAP, CMORPH, and GPM reproduced the spatiotemporal evolution of extreme precipitation events on a daily scale in Hainan relatively well. GPM better reproduced the spatial and temporal evolution characteristics of typhoon precipitation events in Hainan Island. However, the accuracy of the precipitation estimation still requires improvement. The results of this study not only contribute to our understanding of precipitation products applicable to Hainan but also provide insights for improving satellite-based precipitation products in tropical island environments. These findings underscore the importance of regional validation and the potential of multi-product fusion approaches for enhancing precipitation estimates in complex terrains.

Key words： spatial-temporal patterns; extreme precipitation events; climate change; multi-scale; Hainan Island

Cite this article

Shixi Li , Weijie Liao , Ming Shang , Jianchao Guo , Chenxiao Shi , Yue Yang , Lei Bai . Evaluation of Multiple Precipitation Products in the Hainan Island[J]. Tropical Geography, 2024 , 44(9) : 1588 -1601 . DOI: 10.13284/j.cnki.rddl.20230786

降水在生态系统的水文循环中扮演重要角色（Tan et al., 2017），在农业生产、水资源规划和灾害防控等领域具有重大影响（Wang et al., 2021a）。然而，在中国内陆地区，地面雨量计和气象雷达监测覆盖不均，尤其是在海洋和山区，导致降水数据获取存在困难。自1997年以来，高时空分辨率的遥感降水产品不断涌现，如TRMM的TMPA（Huffman et al., 2007）、美国气候预测中心的CMORPH产品（Joyce et al., 2004）、加州大学（UCI）的PERSIANN产品（Sorooshian et al., 2000）、日本气象厅的GsMAP系列（Okamoto et al., 2005）。2014年，GPM核心星的发射进一步提高了遥感降水数据的精度（Hou et al., 2014）。随着卫星遥感技术的发展，目前已实现全球范围的降水观测。
遥感降水产品精度受多种因素影响，如降水的自然时空变化、观测误差以及数据采样不确定性（Maggioni et al., 2016）。已有研究评估了多种卫星降水产品在中国不同地区的适用性，覆盖了全国大尺度范围（Bai et al., 2018; Lei et al., 2022; Wu and Zhao et al., 2022）及特定地区，如西北（Li et al., 2022）、西南（Li et al., 2021）、华东（Qin et al., 2018）、华北（任阳阳 等，2021；Zhu et al., 2022）和青藏高原地区（Bai et al., 2020）。海南岛地处热带，地势复杂多变，降水具有明显的季节性特征，且多发短时强降水。由于地形条件的影响，岛内自动气象站建设分布不均匀，难以及时准确掌握降水的时空变化规律。遥感降水产品可以从大尺度长时序上分析海南岛的降水变化特点，但遥感降水产品在海南岛的适应性研究尚不全面。
当前研究对GsMAP、MSWEP、TRMM 3B42 V7和GPM等多种产品进行不同角度的评估发现，不同产品在不同地域上精度各有优劣（刘洁 等，2018；曾岁康 等，2019；Guo et al., 2023），在极端降水事件研究中不同遥感产品的表现也不同（Wang et al., 2016; Wang et al., 2021b; Qi et al., 2021）。陈亚玲等（2024）在黄河地区对4种降水产品的精度研究发现，不同产品在细节与量值上存在显著差异。廖荣伟等（2015）通过对国家级地面气象站格点数据与6种遥感数据在中国区域的精度评估研究发现，多传感器联合后的产品比单一微波、红外或可见光的产品能更好地进行中国区域内大范围降水的再现。因此，通过比较多种降水产品，可以更直观有效地选出适合该区域的降水产品。当前大多数降水产品评估研究选取的时间序列较短，难以充分反映长期降水特征和趋势，无法准确评估降水产品在不同气候条件下的表现。在不同地区和不同气候条件下开展降水产品评估工作，从长时间序列视角进一步研究具有重要意义。
鉴于此，本研究以海南岛为研究区利用小时尺度的站点数据对常见的降水产品如CMORPH、CHIRPS、GsMAP、GPM、MSWEP、ERA5-Land和PERSIANN进行多尺度系统评估，深入分析各类产品在该区域的降水预测能力，为海南岛生态环境保护和热带森林管理提供科学支持。

1 数据与方法

1.1　研究区

海南岛位于中国最南端，地形呈“东北低、西南高”的分布特征，属于热带季风气候类型。每年的5月至10月为雨季，降水量占全年的70%~90%；11月至次年4月为旱季。

1.2　研究数据

1.2.1　地面观测数据

本研究所使用的地面气象观测数据（简称“站点观测数据”）来源于国家气象信息中心 1，覆盖了2016—2020年海南岛19个气象站点（图1）逐小时降水数据。选取数据质控码为0（数据良好）的数据用于不同时间尺度的评估指标研究、年与季节尺度的降水空间格局研究和极端降水事件研究。
图1 研究区地形图及气象站点分布

注：该图基于中华人民共和国自然资源部地图技术审查中心的标准地图服务系统中审图号为GS（2019）1822号地图制作，底图未作任何修改。

Fig.1 Topography and rain gauges in study area

1.2.2　中国逐日降水数据集

中国逐日降水数据集（简称“CHM_PRE数据集”）是近几年较好描述中国降水空间变异性的格点化观测降水产品（Han et al., 2023）。该数据集是基于中国境内及周边2 839个站点的日降水观测数据，利用月值降水约束和地形特征校正方法制作的自1961年以来空间分辨率为0.10˚的日尺度数据。该数据可在figshare 2下载。本研究选用2001—2020年CHM_PRE数据用于年降水量对比分析。

1.2.3　降水产品

选取当前降水研究中广泛应用的降水产品，包括CMORPH、CHIRPS、GsMAP、GPM、MSWEP、ERA5-Land和PERSIANN（表1）进行评估。选取2016—2020年作为评估时段，同时将所有降水产品空间分辨率进行统一重采样至0.10˚，以便后续多时空尺度比较分析。在做趋势分析和年降水量对比时，分析时间范围为2001—2020年。
表1 研究中所使用降水产品的基本信息

Table 1 Brief information of precipitation products used in this study

数据集 网址 简称

时间

分辨率

空间

分辨率

时间

覆盖

制作

单位

 反演原理
CMORPH1.0 https：//rda.ucar.edu/datasets/ds502.0/ CMORPH（Joyce et al., 2004） 30 min 8 km 1998—2023年 CPC

基于卫星观测的融合，将地面雨量计数据、

红外和微波卫星数据进行融合

CHIRPS https：//www.chc.ucsb.edu/data/chirps CHRIPS（Funk et al., 2015） 1 d 0.05° 1981—2023年

USGS、

CHC

 基于地面雨量计数据和AVHRR红外传感器数据的融合，主要用于长时间序列降水分析
GsMAP V7 https：//sharaku.eorc.jaxa.jp/GsMAP/ GsMAP（Okamoto et al., 2005） 1 h 0.10° 2000—2023年 JAXA 融合多种卫星传感器数据（包括微波和红外数据），同时也融合了地面雨量计数据
MSWEP2.0 http：//www.gloh2o.org/mswep/ MSWEP（Beck et al., 2017） 3 h 0.10° 1979—2023年 GloH2O 基于全球多套遥感降水数据和再分析数据的融合，通过统计方法将多个数据源合并为一个高分辨率数据集
ERA5-Land https：//cds.climate.copernicus.eu ERA5-Land（Muñoz-Sabater et al., 2021） 1 h 0.10° 1951—2023年 ECMWF 基于数值模式的输出，融合大量观测数据进行模拟，以产生高分辨率的降水和其他气象参数
GPM IMERG V7 Final product https：//gpm.nasa.gov/data/news GPM（Hou et al., 2014） 30 min 0.10° 2000—2023年 NASA 融合GPM卫星的双频微波成像仪（DPR）和其他卫星传感器数据，提供近实时和再分析的降水估计
PERSIANN CDR https：//climatedataguide.ucar.edu/ PERSIANN（Sorooshian et al., 2000） 3 h 0.25° 1983—2023年 UCI 基于神经网络算法，使用地面雨量计和红外传感器数据进行降水估算的降水产品

1.2　研究方法

1.2.1　回归分析

使用一元线性回归分析降水产品的年际及季节变化趋势。一元线性回归是最简单的线性回归模式，意义是自变量x与因变量y之间线性关系，描述其变化趋势（Wilks, 2011）。

1.2.2　连续性验证统计指标

为准确评估各类降水产品在研究区的适用性，利用双线性插值算法获取CMORPH、CHIRPS、GsMAP、GPM、MSWEP、ERA5-Land和PERSIANN在气象站点的小时降水数据（CHIRPS为日数据）。将相关系数（R）、平均误差（ME）和均方根误差（RMSE）作为连续性评估统计指标（Kendall and Stuart, 1961），对上述降水产品进行定量评估。相关系数（R）用于衡量降水产品的估算值与气象站点观测值之间的一致性，其值的绝对值越接近于1，表明两者的相关性越强，降水产品的预测能力越好。平均误差（ME）和均方根误差（RMSE）用于衡量降水产品估算值与气象站点观测值之间的偏离程度。这2个指标的值越接近于0，表明降水产品的预测精度越高，误差小。
R = ∑ ( S i - S ¯ ) - ( G i - G ¯ ) ∑ ( S i - S ¯ ) 2 - ( G i - G ¯ ) 2
M E = 1 n ∑ i = 1 n ( S i - G i )
R M S E = 1 n ∑ i = 1 n ( S i - G i )
式中：n为降水数据序列长度（数据数量）；S和G分别为卫星产品估计值和地面观测数据；Si 和Gi 分别表示时间序列为i时的卫星产品估计值和地面观测值； S ¯和 G ¯分别为卫星产品估计值和地面观测数据的平均值。

1.2.3　分类验证评估指标

降水产品评估的第二个方向为检测能力分析，包括3种分类验证统计指标：命中率（POD）、误报率（FAR）和关键成功指数（CSI）。其中，命中率（POD）衡量降水产品正确检测到降水事件的比例；误报率（FAR）表示降水产品指示的降水事件中实际上是非事件的比例；关键成功指数（CSI）描述降水产品正确检测到的降水事件的整体比例。上述分类统计指标的值范围为0~1。POD和CSI与检测能力呈正相关，而FAR与之呈负相关（Wilks, 2011）。
P O D = H H + M
F A R = F H + F
C S I = H H + M + F
式中：H表示在指定时间范围内已经同时观测到和检测到的降水事件数量；M表示在指定时间范围内已观测到，但未检测到的降水事件数量；F表示在指定时间范围内已检测到，但未观测到的降水事件数量。
根据不同降水强度和研究区实际情况，结合《全国智能网格气象预报业务规定（试行）》（气预函［2017］36号）（中国气象局，2017），设定了3 h尺度和日尺度下的8个降水阈值级别（表2），以评估不同降水产品对降水强度的检测能力。
表2 研究中定义的雨量等级

Table 2 Rainfall intensity threshold in the study

雨量等级 3 h尺度/（mm·3 h-1） 日尺度/（mm·d-1）
小雨 2.9 9.9
中雨 9.9 24.9
大雨 19.9 49.9
暴雨 49.9 99.9

1.2.4　数据处理

在年降水量对比研究中，将CHM_PRE数据集与7种降水产品进行全海南岛陆域范围的平均。在多时间尺度的评估研究中，将降水产品数据进行线性插值到气象站点坐标。在降水空间分布格局研究中，将站点观测数据进行径向基函数外推插值得到空间分布。

1.2.5　极端降水事件

考虑到极端降水事件对环境与社会经济的重大影响（熊立华 等，2023），选取海南岛近年来发生的4次典型极端降水事件进行分析。这些事件涵盖了极端强降水、台风降水和极端干旱，分别为：2016年8月的历史性强降水（平均降水量552.6 mm，较常年同期增加96%）、2017年10月台风“卡努”带来的强降水、2018年9月台风“山竹”带来的强降水、2020年7月的极端干旱事件。

2 结果分析

2.1　不同降水产品多时间尺度的比较评估

对2016—2020年7种降水产品的性能进行定量评估（表3）。在3 h尺度上，GPM和GsMAP的R值较高（0.53和0.52），表明这2种产品与站点观测数据的相关性较好。PERSIANN和ERA5-Land的R值较低（0.33和0.26），在该时间尺度上的表现相对较差。就ME而言，MSWEP的偏差最小（-0.08 mm/3h），其次是GsMAP（0.09 mm/3 h），而ERA5-Land的低估最为严重（-0.65 mm/3 h）。针对RMSE，GPM和MSWEP的误差最小（3.41 mm/3 h），PERSIANN的误差最大（5.83 mm/3 h）。在日尺度上，除PERSIANN外，各产品的R值均在0.56以上，表明它们与站点观测有较好的一致性。GPM和GsMAP表现最佳，R值分别为0.73和0.74。ME和RMSE的结果表明，MSWEP在日尺度上仍具有较小的偏差（-0.65 mm/d）和误差（11.4 mm/d），而ERA5-Land的偏差（-5.16 mm/d）和误差（15.47 mm/d）最大。值得注意的是，CHIRPS是日尺度降水产品，其性能与GsMAP和GPM相当（R=0.61，ME=-0.62 mm/d，RMSE=11.59 mm/d）。在雨季和旱季尺度上，CMORPH表现出最高的相关性（雨季R=0.70，旱季R=0.64），但其ME和RMSE偏大，分别为雨季-0.26和3.54 mm/d，旱季-0.06和1.29 mm/d。PERSIANN在雨季和旱季的低估最为严重，ME分别为-2.55和-0.56 mm/d，RMSE也较大，分别为5.65和2.28 mm/d。总体上，GsMAP和GPM在多个时间尺度上表现较好，相关性强，误差小。
表3 2016—2020年不同时间尺度上多种降水产品的检测能力和评估指标比较

Table 3 Comparison of detection capabilities and evaluation metrics for multiple precipitation products at different temporal scales, 2016-2020

统计指标 时间尺度 GsMAP CHIRPS CMORPH PERSIANN ERA5-Land GPM MSWEP
R 3 h 0.52 — 0.46 0.33 0.26 0.53 0.51
1 d 0.74 0.61 0.65 0.56 0.59 0.73 0.72
雨季 0.52 0.53 0.70 0.35 0.27 0.56 0.54
旱季 0.49 0.49 0.64 0.31 0.23 0.43 0.45
ME 3 h 0.09 — -0.30 -0.44 -0.65 -0.31 -0.08
1 d 0.69 -0.62 -2.43 -3.55 -5.16 -2.48 -0.65
雨季 -0.09 -0.43 -0.26 -2.55 -0.41 -0.27 -0.07
旱季 -0.01 -0.23 -0.06 -0.56 -0.07 -0.06 -0.01
RMSE 3 h 3.54 — 3.61 5.83 3.88 3.41 3.41
1 d 11.59 11.59 13.17 13.94 15.47 12.19 11.4
雨季 3.48 13.80 3.54 5.65 4.00 3.48 3.33
旱季 1.24 5.50 1.29 2.28 1.38 1.24 1.24
POD 3 h 0.76/0.54/0.42/0.19 — 0.44/0.32/0.22/0.07 0.43/0.07/0.01/0.00 0.02/0.00/0.00/0.00 0.57/0.36/0.21/0.05 0.83/0.43/0.25/0.07
1 d 0.87/0.79/0.72/0.60 0.49/0.54/0.49/0.37 0.64/0.51/0.44/0.30 0.59/0.36/0.19/0.05 0.04/0.00/0.00/0.00 0.73/0.57/0.45/0.29 0.97/0.75/0.61/0.40
FAR 3 h 0.60/0.57/0.58/0.64 — 0.48/0.51/0.54/0.62 0.52/0.48/0.55/0.11 0.19/0.7/0.82/1.00 0.52/0.40/0.40/0.47 0.67/0.52/0.52/0.45
1 d 0.33/0.39/0.41/0.43 0.25/0.41/0.43/0.45 0.28/0.31/0.32/0.36 0.34/0.34/0.27/0.21 0.55/0.58/0.58/0.51 0.36/0.27/0.25/0.23 0.48/0.41/0.30/0.37
CSI 3 h 0.32/0.27/0.21/0.08 — 0.32/0.24/0.15/0.06 0.08/0.06/0.05/0.03 0.04/0.00/0.00/0.00 0.40/0.28/0.18/0.04 0.26/0.26/0.13/0.02
1 d 0.54/0.52/0.43/0.32 0.43/0.45/0.41/0.33 0.48/0.43/0.39/0.28 0.48/0.44/0.39/0.33 0.34/0.00/0.00/0.00 0.55/0.53/0.46/0.30 0.44/0.55/0.50/0.37

注：CHIRPS是日值数据。在雨季和旱季尺度下，ME、RMSE单位为mm/d。在雨季和旱季的计算过程中，将时间窗内所有时次数据进行计算。在POD、FAR和CSI中“/”分割的数字分别代表小雨、中雨、大雨和暴雨的统计量。

从POD、FAR和CSI的结果看，降水产品对不同强度等级的降水事件正确探测和错报的概率存在显著差异。在3 h尺度上，MSWEP对小雨的探测能力最强（POD=0.83），但对中雨以上的探测能力较弱。GsMAP和GPM对各级降水的探测能力相对均衡，而PERSIANN和ERA5-Land的POD值则非常低。各产品的FAR普遍偏高，表明它们检测降水事件的准确度较低。日尺度上，MSWEP对小雨和中雨的POD值较高（0.97和0.75），ERA5-Land的POD值最低。GPM的FAR和CSI表现相对较优。综上，MSWEP在各时间尺度上能检测到小雨事件的发生，但检测的精确度不高，可能因其融合了多源卫星观测和地面站点资料。GsMAP和GPM的表现较为稳定，适用于多尺度的降水监测。CHIRPS虽为日尺度产品，但其性能与部分小时尺度产品相当。PERSIANN和ERA5-Land在海南岛的适用性相对较差，可能与其算法和观测源的局限性有关，如ERA5-Land作为陆面再分析资料，其依赖的ERA5大气再分析数据在热带地区的精度不如温带地区（Lavers et al., 2022），在模拟降水方面可能存在较大的系统偏差。未来还需进一步分析各产品在不同下垫面和气候条件影响下的适用性（杨婷，2023），并探索红外和微波降水产品融合等方法以提升检测准确度（刘松楠 等，2022）。

2.2　不同降水产品年降水量时间序列分析

过去20年海南岛的年平均降水量呈现波动中变化趋势，平均值为1 776.4 mm/a（图2）。2004年降水量最低（1 219.7 mm/a），2009年降水量最高（2 142.1 mm/a）。7种降水产品同CHM-PRE数据集的变化趋势大致相同，在2013—2015年有明显的下降趋势，除ERA5-Land以外，其余降水产品均在2004年出现最小值。CMORPH的年平均值1 765.1 mm/a与CHM-PRE数据集最为接近，误差较小；GsMAP多年平均值为1 924.8 mm/a；GPM多年平均值为1 905.3 mm/a；而ERA5-Land严重高估，其平均值高达2 504.3 mm/a；MSWEP明显低估，其平均值仅为1 662.2 mm/a。由此可看出，CMORPH利用气候态偏差订正和站点订正可有效消除系统偏差，保证长序列的一致性。而ERA5-Land作为再分析产品，在模拟热带地区降水时可能存在一定偏差，从而导致高估。
图2 降水产品与观测数据的年降水时序对比

注：OBS为CHM_PRE数据集。

Fig.2 Comparison of annual precipitation time series between precipitation products and observational data

2.3　多套降水产品多尺度空间格局

图3显示了海南岛2016—2020年多套降水产品的空间分布。站点观测数据（图3-a1）显示，海南岛年降水量范围为996.9~2 368.9 mm，呈现东部多于西部，西南山区多于东北平原的环状分布格局。这种分布格局主要受西南五指山山脉地形影响，在其迎风坡形成地形雨，背风坡则形成雨影区（李伟光 等，2022）。沿海地区相较山区的降水量逐渐减少，与已有研究（许格希 等，2013）相吻合。比较7种降水产品与站点观测数据的空间分布可看出，GsMAP（图3-b1）的降水量范围为1 337.9~2 287.0 mm，与站点观测数据最为接近，尤其在海南岛东南部的高值中心区域，二者吻合较好。CHIRPS（图3-c1）、CMORPH（图3-d1）和GPM（图3-e1）大体上能反映由东向西递减的趋势，但在高值中心区域方面与站点观测数据略有差异。MSWEP（图3-f1）整体低估了年降水量（1 198.1~1 843.8 mm），未能准确捕捉到降水中心。PERSIANN（图3-g1）（1 661.6~2 314.0 mm）的空间格局与站点观测数据恰好相反，而ERA5-Land（图3-h1）明显高估了年降水量（1 674.1~2 979.3mm），空间分布也与站点观测数据不符。
图3 2016—2020年多套降水产品在海南岛的多时间尺度降水空间分布

注：所有产品均使用统一的色标。对于年累计降水，最大值为3 100 mm，最小值为1 000 mm；对于雨季降水，最大值为2 600 mm，最小值为1 000 mm；对于旱季降水，最大值为900 mm，最小值为0 mm。

Fig.3 Spatial distribution of precipitation at multiple temporal scales over Hainan Island using various precipitation products during 2016-2020

站点观测数据（图3-a2）显示，雨季（5—10月）的降水量变化范围为879.5~1 686.6mm，呈现中部山区高于西部的空间分布特征。在评估的7套降水产品中，GsMAP（图3-b2）估算的雨季降水量范围为1 169.6~1 882.1 mm，与站点观测数据最为接近。GsMAP不仅能很好地刻画出海南岛降水的区域差异特征，还能准确表征海南岛东北部的降水格局。CHIRPS（图3-c2）、CMORPH（图3-d2）和GPM（图3-e2）3种产品对海南岛雨季降水的空间分布模拟也比较接近站点观测数据，但在局部细节上表现欠佳，对降水中心的刻画与站点观测数据存在一定差异。而MSWEP（图3-f2）（1 036.8~1 506.8 mm）、PERSIANN（图3-g2）（1 311.6~2 006.8 mm）和ERA5-Land（图3-h2）（1 357.5~2 456.5 mm）模拟的雨季降水空间分布特征则与站点观测数据存在明显偏差。
站点观测数据（图3-a3）显示，旱季（11月—次年4月）的降水量变化范围为101.5~804.5 mm，总体呈现东部高于西部的分布格局，其中万宁市的降水量最高（804.5 mm）。与雨季相比，旱季降水的空间差异主要受大气环流变化的影响。7种降水产品对旱季降水的空间分布模拟较为一致，均表现出“东多西少”的特征。其中，GsMAP（图3-b3）和GPM（图3-e3）虽然在整体分布格局上也表现出东部沿海多于西部内陆的特点，但在局部地区的刻画上缺乏更多细节。ERA5-Land（图3-h3）估算的旱季降水量为251.3~675.5 mm，与站点观测数据最为接近，较好地反映“东多西少”的空间分布规律。
综上所述，GsMAP在年尺度和雨季的空间分布模拟中表现最佳。CHIRPS、CMORPH和GPM三种产品的空间分布模拟比较接近，但在细节上存在略微差异。MSWEP和PERSIANN在年尺度和雨季的空间分布模拟中与站点观测数据有很大的出入。ERA5-Land在旱季的空间分布模拟中最为准确，而在年尺度和雨季的空间分布模拟中表现最差。

2.4　多套降水产品多尺度趋势

图4显示了海南岛2001—2020年年尺度、雨季和旱季的降水变化趋势，可以看出，不同降水产品在该地区的适用性存在明显差异。从多年累计降水变化趋势看，CMORPH（图4-a1）、ERA5-Land（图4-b1）、GPM（图4-c1）、MSWEP（图4-d1）和PERSIANN（图4-e1）在海南岛的大部分地区呈现增加趋势，而GsMAP（图4-f1）呈现较为强烈的增加趋势，增幅范围在1.3~66.3 mm/a之间。CHIRPS（图4-g1）在海南岛西部的局部地区呈现微弱的减弱趋势。从雨季降水变化趋势看，CMORPH（图4-a2）和PERSIANN（图4-e2）整体呈现增加趋势。ERA5-Land（图4-b2）、GPM（图4-c2）和MSWEP（图4-d2）在海南岛西部地区呈现减弱趋势，在中部地区呈现增加趋势。GsMAP（图4-f2）在海南岛中部的局部地区呈现较为强烈的增加趋势，增幅高达52.1 mm/a。CHIRPS（图4-g2）在东部呈现增加趋势，在西部的局部地区呈现减弱趋势。从旱季降水变化趋势看（图4-a3~g3），各产品差异更加明显。大部分产品在东部呈现增加趋势，在南部和西部呈现减弱趋势。总的来看，各产品的降水变化趋势具有明显差异。GsMAP在年尺度和雨季的降水变化趋势方面表现出较为强烈的增加趋势；而其他产品变化幅度不大。
图4 2001—2020年多套降水产品在海南岛多尺度降水变化趋势的空间分布对比

注：所有产品均使用统一的色标。对于多年累计降水，最大值为70 mm/a，最小值为-10 mm/a；对于雨季降水，最大值为56 mm/a，最小值为-12 mm/a；对于旱季降水，最大值为14 mm/a，最小值为-6 mm/a。红色代表增加趋势，蓝色代表减弱趋势。

Fig.4 Comparison of spatial distribution of multi-scale precipitation trends in Hainan Island for multiple sets of precipitation products, 2001-2020

2.5　不同极端降水事件下的多种降水产品性能评估

图5是根据先前评估结果，结合多种评估指标，选取表现相对较好的GsMAP、CMORPH和GPM三套降水产品与站点观测数据进行不同极端降水情景下的对比分析。在日尺度上（图5-a、b、c、d），三套降水产品都能较好地捕捉极端降水事件的发生过程，表现出与站点观测数据一致的时间演变特征，但在降水量估算上存在一定偏差。以2017年10月的一次事件为例（图5-b），GPM、CMORPH和GsMAP三套降水产品在极端降水高峰期整体高估了日降水强度，高估比例为16.04%~34.34%，其中，CMORPH偏差最小，GPM次之，GsMAP最大。在3 h尺度上（图5-e、f、g、h），遥感降水产品的不确定性进一步加大。以2018年9月的一次极端降水过程为例（图5-g），站点观测数据的降水峰值约为16.23 mm/3 h，出现在2018-09-16 T 18:00。GPM估计的峰值约19.61 mm/3 h，与站点观测数据最接近，出现时间滞后6 h。GsMAP估计的峰值约7.98 mm/3 h，低估较为明显，且出现时间滞后6 h。CMORPH估计的峰值约为11.12 mm/3 h，低于站点观测值，出现时间滞后3 h。在1 h尺度上（图5-k），站点观测数据的降水峰值约为7.81 mm/h，出现在2018-09-16 T 20:00。GPM估计的峰值约7.83 mm/h，与站点观测数据最接近，出现时间滞后4 h。GsMAP估计的峰值约3.22 mm/h，低估较为明显，且出现时间滞后3 h。CMORPH估计的峰值约为4.10 mm/h，低于站点观测值，出现时间滞后4 h。综上，GsMAP、CMORPH和GPM三套降水产品在日尺度上能较好地再现海南岛极端降水事件的时空演变特征，但对极端降水量的估算精度有待提高。随着时间尺度的变小，低估问题进一步加剧。相较于GsMAP和CMORPH，GPM能更准确地模拟海南岛的台风降水情况。这与Tang等（2017）在华南地区评估的结果接近。
图5 四个典型极端降水案例中多套降水产品在不同时间尺度上的性能评估

注：OBS为站点观测数据。

Fig.5 Performance evaluation of multiple precipitation products at different temporal scales for four typical extreme precipitation cases

3 结论

本研究选择多种指标全面评估了7种降水产品（GsMAP、GPM、MSWEP、CHIRPS、CMORPH、PERSIANN和ERA5-Land）在海南岛的适用性。主要得出以下结论：
1）根据评估指标显示，GsMAP和GPM与站点观测数据相关性强、误差小，不仅在日尺度上能准确检测出不同强度的降水，在3 h尺度上表现依旧出色。PERSIANN和ERA5-Land与站点观测数据相关性弱、误差大，对降水事件的捕捉能力较差，在海南岛的适用性差。
2）在空间分布上，GsMAP（1 337.9~2 287.0 mm）与站点观测数据（996.9~2 368.9 mm）的空间分布相似，MSWEP和PERSIANN的空间分布格局与站点观测数据存在明显差异。GPM的空间分布与站点观测数据大致相同，但对降水中心的刻画有偏差。CMORPH的年平均降水量（1 765.1 mm/a）与CHM-PRE数据集（1 776.4 mm/a）最接近，但在空间分布格局上与站点观测数据略有差异。ERA5-Land在旱季的空间分布格局最接近站点观测数据，但雨季和年尺度的空间分布格局与站点观测数据存在较大差异。
3）在极端降水事件的预测方面，GsMAP、CMORPH和GPM三种降水产品在日尺度上能较好地模拟海南岛极端降水事件的时空演变特征，但在小时尺度上低估问题进一步加剧。相比GsMAP和CMORPH，GPM能更准确地反映海南岛的台风降水情况。
综上，在选择适用于热带地区如海南岛的降水产品时，GsMAP和GPM是比较合适的选择。

1 http://data.cma.cn//

2 https://figshare.com/articles/dataset/A_new_daily_gridded_precipitation_dataset_based_on_gauge_observations_across_mainland_China/2143 2123/4

李世禧：收集、整理与分析数据，文稿撰写；

白 磊：确定论文选题，对全文进行审阅与修改；

廖玮杰：整理数据，分析数据；

尚 明：数据处理；

郭建超、施晨晓、杨 岳：论文修改指导。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Bai L, Shi C, Li L, Yang Y, and Wu J. 2018. Accuracy of CHIRPS Satellite-Rainfall Products over Mainland China. Remote Sensing, 10(3): 362.

Bai L, Wen Y, Shi C, Yang Y, Zhang F, Wu J, Gu J, Pan Y, Sun S, and Meng J. 2020. Which Precipitation Product Works Best in the Qinghai-Tibet Plateau, Multi-Source Blended Data, Global/Regional Reanalysis Data, or Satellite Retrieved Precipitation Data?. Remote Sensing, 12(4): 683.

Beck H E, Van Dijk A I, Levizzani V, Schellekens J, Miralles D G, Martens B, and De Roo A. 2017. MSWEP: 3-Hourly 0.25 Global Gridded Precipitation (1979‒2015) by Merging Gauge, Satellite, and Reanalysis Data. Hydrology and Earth System Sciences, 21(1): 589-615.

陈亚玲，文军，杨传国，龙银平，李光伟，贾何佳，刘正. 2024. 不同降水产品及WRF-Hydro模式在黄河源区的适用性分析. 大气科学，48（3）：923-937.

Chen Yaling, Wen Jun, Yang Chuan'guo, Long Yinping, Li Guangwei, Jia Hejia, and Liu Zheng. 2024. Applicability Analysis of Different Precipitation Products and the WRF-Hydro Model in the Source Region of the Yellow River. Chinese Journal of Atmospheric Sciences, 48(3): 923-937.

Funk C, Peterson P, Landsfeld M, Pedreros D, Verdin J, Shukla S, Husak G, Rowland J, Harrison L, Hoell A, and Michaelsen J. 2015. The Climate Hazards Infrared Precipitation with Stations—A New Environmental Record for Monitoring Extremes. Scientific Data, 2(1): 1-21.

Guo B, Xu T, Yang Q, Zhang J, Dai Z, Deng Y, and Zou J. 2023. Multiple Spatial and Temporal Scales Evaluation of Eight Satellite Precipitation Products in a Mountainous Catchment of South China. Remote Sensing, 15(5): 1373.

Huffman G J, Bolvin D T, Nelkin E J, Wolff D B, Adler R F, Gu G, Hong Y, Bowman K P, and Stocker E F. 2007. The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-Global, Multiyear, Combined-Sensor Precipitation Estimates at Fine Scales. Journal of Hydrometeorology, 8(1): 38-55.

Han J, Miao C, Gou J, Zheng H, Zhang Q, and Guo X. 2023. A New Daily Gridded Precipitation Dataset Based on Gauge Observations across Mainland China. Earth System Science Data Discussions, 15: 3147-3161.

Hou A Y, Kakar R K, Neeck S, Azarbarzin A A, Kummerow C D, Kojima M, Oki R, Nakamura K, and Iguchi T. 2014. The Global Precipitation Measurement Mission. Bulletin of the American Meteorological Society, 95(5): 701-22 .

Joyce R J, Janowiak J E, Arkin P A, and Xie P. 2004. CMORPH: A Method that Produces Global Precipitation Estimates from Passive Microwave and Infrared Data at High Spatial and Temporal Resolution. Journal of Hydrometeorology, 5(3): 487-503.

Kendall M A and Stuart A. 1961. The Advanced Theory of Statistics. London: Griffin Education.

刘松楠，汪君，王会军. 2022. 高分辨率卫星对“21·7”河南特大暴雨监测能力分析. 气象学报，80（5）：765-776.

Liu Songnan, Wang Jun, and Wang Huijun. 2022. Analysis of High-Resolution Satellite Monitoring Capability for the "21·7" Severe Rainstorm in Henan Province, China. Acta Meteorologica Sinica, 80(5): 765-776.

Lavers D A, Simmons A, Vamborg F, and Rodwell M J. 2022. An Evaluation of ERA5 Precipitation for Climate Monitoring. Quarterly Journal of the Royal Meteorological Society, 148(748): 3152-3165.

Li Y, Wang W, Wang G, and Yu S. 2021. Evaluation and Hydrological Application of a Data Fusing Method of Multi-Source Precipitation Products-A Case Study over Tuojiang River Basin. Remote Sensing, 13(13): 2630.

Li X, He X, Li X, Du Y, Yang G, Li D, and Xu W. 2022. Spatiotemporal Evaluation and Estimation of Precipitation of Multi-Source Precipitation Products in Arid Areas of Northwest China: A Case Study of Tianshan Mountains. Water, 14(16): 2566.

Lei H, Zhao H, and Ao T. 2022. Ground Validation and Error Decomposition for Six State-of-the-Art Satellite Precipitation Products over Mainland China. Atmospheric Research, 269: 106017.

李伟光，张京红，刘少军，车秀芬，陈小敏，邹海平. 2022. 海南岛干旱的气象特征及监测指标. 热带生物学报，13（4）：324-330.

Li Weiguang, Zhang Jinghong, Liu Shaojun, Chen Xiufen, Chen Xiaomin, and Zou Haiping. 2022. Meteorological Characteristics and Monitoring Index of Drought in Hainan Island. Journal of Tropical Biology, 13(4): 324-330.

刘洁，夏军，邹磊，王强，余江游. 2018. 多卫星遥感降水数据在塔里木河流域的适用性分析.南水北调与水利科技，16（5）：1-8.

Liu Jie, Xia Jun, Zou Lei, Wang Qiang, and Yu Jiangyou. 2018. Applicability Analysis of Multi-Satellite Remote Sensing Precipitation Data in the Tarim River Basin. South-to-North Water Diversion and Water Science & Technology, 16(5): 1-8.

廖荣伟，张冬斌，沈艳. 2015. 6种卫星降水产品在中国区域的精度特征评估.气象，（8）：970-979.

Liao Rongwei, Zhang Dongbin, and Shen Yan. 2015. Validation of Six Satellite-Derived Rainfall Estimates over China. Meteorological Monthly, (8): 970-979.

Maggioni V, Sapiano M R P, and Adler R F. 2016. Estimating Uncertainties in High-Resolution Satellite Precipitation Products: Systematic or Random Error? Journal of Hydrometeorology, 17(4): 1119-1129.

Muñoz-Sabater J, Dutra E, Agustí-Panareda A, Albergel C, Arduini G, Balsamo G, Boussetta S, Choulga M, Harrigan S, Hersbach H, Martens B, Miralles D G, Piles M, Rodríguez-Fernández N J, Zsoter E, Buontempo C, and Thépaut J. 2021. ERA5-Land: A State-Of-The-Art Global Reanalysis Dataset for Land Applications. Earth System Science Data, 13(9): 4349-4383.

Okamoto K I, Ushio T, Iguchi T, Takahashi N, and Iwanami K. 2005. The Global Satellite Mapping of Precipitation (GsMAP) Project. IEEE, 5: 3414-3416.

Qi W, Yong B, and Gourley J J. 2021. Monitoring the Super Typhoon Lekima by GPM-Based Near-Real-Time Satellite Precipitation Estimates. Journal of Hydrology, 603: 126968.

Qin J, Li W, Wen J, Qiu C, Sun W, Fang Q, Xu M, and Tan J. 2018. Accuracy Evaluation of Two High-Resolution Satellite-Based Rainfall Products: TRMM 3B42V7 and CMORPH in Shanghai. Water, 10(1): 40.

任阳阳，尚明，白磊，张潇文，宋宏利，吴复柱. 2021. 多种降水产品在京津冀的适用性评估. 水文，41（5）：13-19.

Ren Yangyang, Shang Ming, Bai Lei, Zhang Xiaowen, Song Hongli, and Wu Fuzhu. 2021. Applicability Assessment of Multiple Precipitation Products in Beijing-Tianjin-Hebei Region. Hydrology, 41(5): 13-19.

Sorooshian S, Hsu K, Gao X, Gupta H V, Imam B, and Braithwaite D. 2000. Evaluation of PERSIANN System Satellite-Based Estimates of Tropical Rainfall. Bulletin of the American Meteorological Society, 81(9): 2035-2046.

Tan M L, Gassman P W, and Cracknell A P. 2017. Assessment of Three Long-Term Gridded Climate Products for Hydro-Climatic Simulations in Tropical River Basins. Water (Basel) , 9: 229.

Tang G, Zeng Z, Ma M, Liu R,Wen Y, and Hong Y. 2017. Can Near-Real-Time Satellite Precipitation Products Capture Rainstorms and Guide Flood Warning for the 2016 Summer in South China? IEEE Geoscience and Remote Sensing Letters, 14(8): 1208-1212.

Wang D, Wang X, Liu L, Wang D, Huang H, and Pan C. 2016. Evaluation of CMPA Precipitation Estimate in the Evolution of Typhoon-Related Storm Rainfall in Guangdong, China. Journal of Hydroinformatics, 18(6): 1055-1068.

Wang W, Lin H, Chen N, and Chen Z. 2021a. Evaluation of Multi-Source Precipitation Products over the Yangtze River Basin. Atmospheric Research, 249: 105287.

Wang Q, Xia J, She D, Zhang X, Liu J, and Zhang Y. 2021b. Assessment of Four Latest Long-Term Satellite-Based Precipitation Products in Capturing the Extreme Precipitation and Streamflow across a Humid Region of Southern China. Atmospheric Research, 257: 105554.

Wilks D S. 2011. Statistical Methods in the Atmospheric Sciences. New York: Academic Press.

Wu X and Zhao N. 2022. Evaluation and Comparison of Six High-Resolution Daily Precipitation Products in Mainland China. Remote Sensing, 15(1): 223.

熊立华，尹家波，郭生练. 2023. 极端水文事件对气候变化的热力学响应研究进展与评价. 武汉大学学报（工学版），56（12）：1432-1444.

Xiong Lihua, Yin Jiabo, and Guo Shenglian. 2023. Progress and Evaluation of the Thermodynamic Response of Extreme Hydrological Events to Climate Change. Journal of Wuhan University (Engineering Edition), 56(12): 1432-1444.

许格希，郭泉水，牛树奎，裴顺祥，朱莉，朱妮妮. 2013. 近50 a来海南岛不同气候区气候变化特征研究. 自然资源学报，28（5）：799-810.

Xu Gexi, Guo Quanshui, Niu Shukui, Pei Shunxiang, Zhu Li, and Zhu Nini. 2013. Research on Climate Change Characteristics of Different Climatic Regions in Hainan Island in the Last 50 Years. Journal of Natural Resources, 28(5): 799-810.

杨婷. 2023. 多源气象降水数据在云贵高原地区的适用性研究. 昆明：昆明理工大学.

Yang Ting. 2023. Study on the Applicability of Multi-source Meteorological Precipitation Data in the Yunnan-Guizhou Plateau Area. Kunming: Kunming University of Science and Technology.

曾岁康，雍斌. 2019. 全球降水计划IMERG和GsMAP反演降水在四川地区的精度评估. 地理学报，74（7）：1305-1318.

Zeng Suikang and Yong Bin. 2019. Accuracy Assessment of Global Precipitation Products IMERG and GsMAP in Sichuan Region. Acta Geographica Sinica, 74(7): 1305-1318.

Zhu H, Chen S, Li Z, Gao L, and Li X. 2022. Comparison of Satellite Precipitation Products: IMERG and GsMAP with Rain Gauge Observations in Northern China. Remote Sensing, 14(19): 4748.

中国气象局. 2017. 全国智能网格气象预报业务规定（试行）（气预函[2017]36号）. 北京：中国气象局

China Meteorological Administration. 2017. Regulations on National Intelligent Grid Weather Forecasting (Trial) (Qi Yu Han [2017] No.36). Beijing: China Meteorological Administration.

Options
Outlines

/

〈 〉