国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

貴州地區(qū)CMORPH衛(wèi)星降水產(chǎn)品的誤差訂正

2021-07-05 08:29王福增何山谷曉平于飛楊玲
熱帶氣象學(xué)報(bào) 2021年2期
關(guān)鍵詞:概率密度系統(tǒng)誤差方根

王福增,何山,谷曉平,于飛,楊玲

(1.成都信息工程大學(xué)電子工程學(xué)院,四川 成都610225;2.貴州省生態(tài)氣象和衛(wèi)星遙感中心,貴州 貴陽550002;3.貴州省山地環(huán)境氣候研究所,貴州 貴陽550002)

1 引 言

高時(shí)空分辨率的衛(wèi)星反演降水資料具有全天候、全球覆蓋的特點(diǎn),其時(shí)空分布相對均勻、獨(dú)立,但是由于其本質(zhì)是通過間接手段觀測得到的,降水資料的精度無法與地面觀測降水相比。地面自動(dòng)站降水資料能夠精準(zhǔn)地反映地面降水情況,在氣象、水文等領(lǐng)域通常被認(rèn)為是降水“真值”,但是地面降水資料也存在一定的局限性[1]:首先由于局部氣候變化,一個(gè)站點(diǎn)測量的降水量可能不能充分代表其附近的降水特征;其次受地形地貌的影響,地面站點(diǎn)數(shù)量與分布情況決定了是否能夠完整地描述一個(gè)地區(qū)的降水空間結(jié)構(gòu)。因此,結(jié)合兩者各自的優(yōu)勢發(fā)展融合降水是國際上主流的研究方向[2-5]。

融合降水的前提是不同來源的資料之間相互獨(dú)立,且不存在系統(tǒng)誤差。有研究表明在中國區(qū)域內(nèi),TRMM、CMORPH等主流的衛(wèi)星反演降水產(chǎn)品與地面資料相比均存在明顯的系統(tǒng)誤差[6],其中CMORPH存在高估低值降水、低估高值降水的特征[7-8],因此有效的系統(tǒng)誤差訂正方法能夠影響融合降水產(chǎn)品的質(zhì)量。

衛(wèi)星反演降水資料中的系統(tǒng)誤差可細(xì)分為獨(dú)立誤差和非獨(dú)立誤差[9]。獨(dú)立的系統(tǒng)誤差是指誤差大小不隨區(qū)域、時(shí)間或者觀測值的大小而變化,是降水資料中存在的固有誤差,可通過對整個(gè)降水場增減相同的常數(shù)來消除;非獨(dú)立的系統(tǒng)誤差在實(shí)際反演的衛(wèi)星降水資料中更常見,這種誤差值會隨著降水量級的不同、時(shí)間和空間的變化而發(fā)生改變,難以通過線性方法消除。因此如何有效消除衛(wèi)星反演降水產(chǎn)品中的系統(tǒng)誤差是發(fā)展融合降水道路上的難點(diǎn)。由于CMORPH降水產(chǎn)品在不同地區(qū)具有不同的特點(diǎn),與地面自動(dòng)站觀測數(shù)據(jù)相比,在雨強(qiáng)及降水區(qū)域都存在不同程度的偏差。因此本文采用統(tǒng)計(jì)的方法對格點(diǎn)數(shù)據(jù)進(jìn)行降水概率統(tǒng)計(jì),并用概率密度匹配法對貴州地區(qū)CMORPH降水產(chǎn)品進(jìn)行訂正。從分析的三次降水得出CMORPH降水產(chǎn)品偏差訂正值在0.114~0.468 mm/h,均方根誤差訂正在0.24~1.49 mm/h之間。

2 系統(tǒng)誤差訂正方法

在現(xiàn)有的文獻(xiàn)資料中,最常見的訂正系統(tǒng)誤差方法有兩種,其中一種較傳統(tǒng),主要思路是定義衛(wèi)星反演降水資料作為背景場,將衛(wèi)星降水與地面觀測降水之間的偏差作為訂正值,按照某種權(quán)重將訂正值插值到背景場中,來達(dá)到訂正系統(tǒng)誤差的目的,這也是融合降水的基本思路[10-11];另外一種方法采用的是統(tǒng)計(jì)學(xué)中的概率配對的方法,主要思路源于衛(wèi)星降水在一定時(shí)空范圍內(nèi)概率密度分布相對穩(wěn)定[12-13],通過調(diào)整衛(wèi)星反演降水值,使其概率密度分布與地面觀測降水一致,從而達(dá)到訂正系統(tǒng)誤差的目的。本文從統(tǒng)計(jì)學(xué)中降水概率密度匹配角度分析衛(wèi)星反演降水資料與地面降水資料。具體方法如下:概率密度匹配法廣泛應(yīng)用于校正衛(wèi)星觀測誤差[14-15],其主要思路為:對每一個(gè)格點(diǎn),根據(jù)歷史資料的時(shí)空分辨率及誤差特征選取適當(dāng)?shù)臅r(shí)空窗口,在窗口內(nèi)收集匹配的地面觀測和衛(wèi)星反演降水格點(diǎn)資料,分別得到二者的累積概率密度分布,然后用地面降水的概率密度去標(biāo)定衛(wèi)星降水資料的概率密度,兩者概率密度函數(shù)值的差值即為衛(wèi)星降水資料的偏差,用偏差值修正衛(wèi)星降水資料達(dá)到去除衛(wèi)星降水系統(tǒng)誤差的目的[8]。

其中誤差訂正效果受降水累積概率分布擬合函數(shù)的影響,而降水累積概率分布是非正態(tài)分布,有研究表明Gamma分布適合用于擬合降水累積概率分布曲線[16-17],Gamma分布如式(1)所示,式(2)所示為Gamma函數(shù):

其中x表示降水量;α表示形狀參數(shù),影響概率密度高值區(qū)的分布位置,對于給定的β,當(dāng)α越小(α<1),x趨于0的概率密度越大,表明小降水事件出現(xiàn)的概率越大,分布函數(shù)近似于指數(shù)分布,當(dāng)α越大(α>1),概率密度高值區(qū)越靠近x趨于∞的區(qū)域,表明中量級或高量級降水出現(xiàn)的概率越大,分布函數(shù)近似于正態(tài)分布;β表示尺度參數(shù),用來衡量分布函數(shù)曲線的拉伸和收縮的程度,即對于給定的α,當(dāng)β越小,表明不同量級的降水分布越分散,反之表明不同量級的降水分布越集中。參數(shù)α、β由極大似然估計(jì)法得到,與樣本均值xˉ、方差s2的關(guān)系如式(3)所示:

3 資料來源及預(yù)處理

3.1 資料來源

CMORPH是由美國氣候預(yù)測中心(Climate Prediction Center,CPC)提出的一種新技術(shù),該技術(shù)主要思路是利用地球同步衛(wèi)星的紅外數(shù)據(jù)與極地衛(wèi)星的微波數(shù)據(jù)聯(lián)合估計(jì)降水[18]。氣候預(yù)測中心首先計(jì)算從地球同步衛(wèi)星傳來的半小時(shí)間隔的紅外云圖,獲得云的運(yùn)動(dòng)矢量,然后通過時(shí)間加權(quán)插值外推相對高質(zhì)量的微波反演降水,估計(jì)無微波觀測的時(shí)間間隔內(nèi)的降水,生成更高時(shí)空分辨率的降水資料。本次研究采用的是CMORPH時(shí)空分辨率為30 min、8 km的降水產(chǎn)品。

地面降水資料來自貴州省2 136個(gè)自動(dòng)氣象站每分鐘的降水資料,圖1為貴州省自動(dòng)氣象站的分布情況。

圖1 貴州省自動(dòng)氣象站分布

3.2 資料預(yù)處理

CMORPH資料的時(shí)間分辨率為30 min,通過累加得到1小時(shí)的降水資料;空間分辨率為0.072 7°×0.072 7°,按貴州省的經(jīng)緯度劃分(103~110°E,24~30°N)共85×98個(gè)網(wǎng)格點(diǎn);對每個(gè)格點(diǎn)按面積加權(quán)平均,將分辨率調(diào)整至0.07°×0.07°,共86×100個(gè)網(wǎng)格點(diǎn)。

將地面自動(dòng)氣象站的分鐘降水?dāng)?shù)據(jù),對照衛(wèi)星資料的時(shí)間累加至1小時(shí),然后通過克里金插值法[19-20]將降水?dāng)?shù)據(jù)插值到0.07°×0.07°的經(jīng)緯度網(wǎng)格中,同時(shí)對至少擁有1個(gè)站點(diǎn)的網(wǎng)格做標(biāo)記,稱作“有效格點(diǎn)”。

4 逐時(shí)衛(wèi)星降水資料系統(tǒng)誤差訂正方法

4.1 CMORPH衛(wèi)星降水產(chǎn)品逐時(shí)降水誤差特征分析

2018年5月貴州省區(qū)域內(nèi)的CMORPH衛(wèi)星降水?dāng)?shù)據(jù)和站點(diǎn)插值數(shù)據(jù)(1小時(shí)、0.07°×0.07°)的平均偏差隨時(shí)間序列的變化如圖2所示。從圖2中可發(fā)現(xiàn)逐時(shí)CMORPH降水資料與地面站點(diǎn)降水之間存在明顯誤差,誤差隨時(shí)間變化起伏較大且無明顯特征和規(guī)律,數(shù)值范圍集中分布在-3.5~0.1 mm/h之間,可明顯看出絕大部分平均誤差值小于0,表明存在負(fù)偏差(即衛(wèi)星降水值大于地面降水值),說明CMORPH衛(wèi)星降水產(chǎn)品高估了地面降水,其中負(fù)偏差值較大的時(shí)間段集中分布在5月中旬、下旬。

圖2 2018年5月貴州省CMORPH逐時(shí)降水資料平均偏差變化

由于貴州省自動(dòng)站數(shù)量較多,難以逐個(gè)分析其小時(shí)降水的特征,因此本文在貴州省區(qū)域內(nèi)選取了六個(gè)國家級自動(dòng)氣象站為代表,分別是安順站、貴陽站、遵義站、興義站、銅仁站、都勻站,選取以上六個(gè)站點(diǎn)所在的“有效格點(diǎn)”內(nèi)的地面插值數(shù)據(jù)和CMORPH衛(wèi)星降水?dāng)?shù)據(jù)為樣本,分別統(tǒng)計(jì)每個(gè)站點(diǎn)的降水概率密度分布。由于Gamma分布函數(shù)要求自變量大于0,且地面自動(dòng)氣象站監(jiān)測到有降水發(fā)生時(shí)的最小值為0.1 mm,因此本文只統(tǒng)計(jì)有降水事件發(fā)生的樣本,并將0.1 mm作為判定是否有降水事件發(fā)生的最小閾值,同時(shí)依據(jù)中國氣象局頒布的降水強(qiáng)度等級劃分表,將小時(shí)降水量(P)分為小雨(0.1 mm≤P<1.5 mm)、中雨(1.5 mm≤P<7 mm)、大雨(7 mm≤P<15 mm)、暴雨(15 mm≤P<40 mm)以及大暴雨(P≥40 mm)五種不同的強(qiáng)度等級。

圖3所示為六個(gè)站點(diǎn)的降水概率密度分布情況,這里以圖3a(安順站)為例做具體分析:地面降水的概率密度分布滿足指數(shù)分布特征,不同降水量級下的概率密度隨量級的增大而減小,在小雨、中雨區(qū)間內(nèi)地面降水的概率分別為53%、29%,反映了小時(shí)降水集中分布在中、低量級的特點(diǎn),僅有18%左右的概率出現(xiàn)大雨及以上的降水事件。CMORPH的降水概率密度分布較復(fù)雜,其分布特點(diǎn)為在中雨、大雨區(qū)間內(nèi)占有更高比重,其中在小雨區(qū)間內(nèi)CMORPH的降水概率僅為24%,而在中雨區(qū)間內(nèi)的降水概率高達(dá)63%,遠(yuǎn)超其他降水區(qū)間,此外大雨及以上區(qū)間內(nèi)的降水概率達(dá)到了13%左右。對比兩種降水?dāng)?shù)據(jù)源的概率密度分布,不難看出CMORPH與地面降水的概率密度分布差距較大,其中在小雨區(qū)間內(nèi),即當(dāng)降水量低于1.5 mm/h時(shí)CMORPH發(fā)生降水的概率遠(yuǎn)低于地面降水,存在偏差的部分占樣本總數(shù)的30%左右;在中雨區(qū)間內(nèi),即當(dāng)降水量高于1.5 mm/h時(shí)CMORPH的降水概率高于地面降水,而兩種降水?dāng)?shù)據(jù)源在大雨及以上的區(qū)間差距較小,偏差較高的部分主要來源于中雨區(qū)間,其降水概率占比高出地面降水約34%。整體來看地面降水在小雨區(qū)間內(nèi)占有更高比重,而CMORPH在中雨區(qū)間內(nèi)占比更高,說明CMORPH高估了地面降水,導(dǎo)致不同區(qū)間內(nèi)樣本數(shù)量的增加。

其余站點(diǎn)的概率分布情況與圖3a(安順站)相比大致相似,均能體現(xiàn)CMORPH高估了地面降水的特點(diǎn),其中CMORPH衛(wèi)星降水在3~5 mm/h的區(qū)間內(nèi)占有極大的比重。結(jié)合前文可印證CMORPH高估了地面降水,造成這一現(xiàn)象的原因可歸結(jié)為衛(wèi)星降水產(chǎn)品作為一種間接估測降水的手段,其降水精度受儀器、氣候、反演算法等多方面因素的影響,同時(shí)衛(wèi)星降水產(chǎn)品代表的是某一區(qū)域內(nèi)的平均值,與站點(diǎn)的單點(diǎn)測量存在一定空間差異性,導(dǎo)致CMORPH存在低值高估的特點(diǎn),驗(yàn)證了CMORPH衛(wèi)星降水存在明顯的非獨(dú)立系統(tǒng)誤差。

圖3 站點(diǎn)數(shù)據(jù)和衛(wèi)星數(shù)據(jù)的降水概率密度分布

4.2 誤差訂正方案設(shè)計(jì)

本次研究選取了2018年5月22日10:00—13:00的一次降水過程進(jìn)行誤差訂正分析。對于每一個(gè)衛(wèi)星降水格點(diǎn),為了保證能夠收集到足夠多的有效樣本數(shù)據(jù),需要在一定范圍的時(shí)間窗口和空間窗口中按時(shí)間權(quán)重和距離權(quán)重選取樣本。時(shí)間窗口和空間窗口的定義如下。

(1)時(shí)間窗口:傳統(tǒng)誤差訂正法和概率密度匹配法均需要引入歷史資料作為參考。通過對2018年5月的降水資料分析發(fā)現(xiàn),在1小時(shí)的時(shí)間尺度下,每日的小時(shí)降水變化復(fù)雜、起伏波動(dòng)較大,同時(shí)有研究指出貴州省夏季的短時(shí)強(qiáng)降水事件多發(fā)生在深夜或凌晨[21]??紤]到降水的日變化特征[22-23],為了保證選取樣本的概率分布更加穩(wěn)定,因此將本次降水過程發(fā)生前6小時(shí)作為時(shí)間窗口。

(2)空間窗口:為了避免單一網(wǎng)格點(diǎn)不能代表局部氣候的情況,在收集樣本時(shí)需要設(shè)置一定的空間窗口。在對站點(diǎn)數(shù)據(jù)進(jìn)行克里金插值處理時(shí),發(fā)現(xiàn)當(dāng)兩個(gè)站點(diǎn)之間的距離在25 km范圍以內(nèi)時(shí),相關(guān)系數(shù)高于50%,而當(dāng)范圍超過25 km時(shí)兩點(diǎn)之間的空間相關(guān)性顯著減小,因此本文以目標(biāo)網(wǎng)格點(diǎn)為中心,6.3°×6.3°的范圍作為空間窗口。

對每一個(gè)網(wǎng)格點(diǎn)按時(shí)間窗口和空間窗口收集樣本時(shí)只選取“有效格點(diǎn)”內(nèi)的降水資料??紤]到Gamma分布的特點(diǎn),只選取兩種降水資料同時(shí)有降水事件發(fā)生的數(shù)據(jù)作為樣本,其中以0.1 mm作為判定是否發(fā)生降水的最小閾值。為了得到每個(gè)格點(diǎn)內(nèi)穩(wěn)定的降水概率密度分布曲線,選取的非0降水樣本數(shù)至少需要1 000個(gè),且收集的樣本越多越能得到穩(wěn)定的累積降水概率密度分布。當(dāng)樣本數(shù)量達(dá)不到要求時(shí),則需要適當(dāng)擴(kuò)大時(shí)間窗口,即選取目標(biāo)日期前一天相同時(shí)空窗口收集樣本,直到達(dá)到要求為止。

4.3 檢驗(yàn)方法

通過分析貴州省2 136個(gè)站點(diǎn)的降水資料,對融合前、后的衛(wèi)星反演降水采用平均絕對誤差(ARE)和均方根誤差(RMSE)對CMORPH降水進(jìn)行檢驗(yàn)分析。

其中,N代表樣本總數(shù);i代表樣本的序列號;S和G分別代表CMORPH衛(wèi)星降水值和對應(yīng)的地面降水值。

5 系統(tǒng)誤差訂正結(jié)果

5.1 Gamma分布參數(shù)分布

圖4所示為地面觀測降水和衛(wèi)星降水對應(yīng)的Gamma分布中的形狀參數(shù)α和尺度參數(shù)β的分布情況。從圖中可發(fā)現(xiàn)兩種降水?dāng)?shù)據(jù)源的參數(shù)α、β均服從指數(shù)函數(shù)分布特征,尺度參數(shù)β的值隨形狀參數(shù)α的增大呈指數(shù)減?。坏孛嬗^測降水中α的數(shù)值分布在0.10~1.25之間,CMORPH中α的數(shù)值分布在0.20~1.75之間,說明在小時(shí)尺度下發(fā)生小降水事件的概率非常大,而在β值相同的情況下,CMORPH中α的數(shù)值明顯高于地面觀測降水;與α相比β的變化范圍較大,在地面觀測降水中β的取值范圍在0.1~26.0之間,而在CMORPH中β的取值范圍為1.25~29.00,對于給定的α,CMORPH對應(yīng)的β高于地面觀測降水。結(jié)合形狀參數(shù)α和尺度參數(shù)β的特征變化,不難看出站點(diǎn)降水資料發(fā)生小降水事件的可能性顯著大于CMORPH降水資料,CMORPH對應(yīng)的降水值分布在更高的量級,即CMORPH高估了地面觀測降水,印證了前文的結(jié)論。

圖4 Gamma分布參數(shù)α、β

5.2 系統(tǒng)誤差訂正結(jié)果分析

本文選取的降水過程為2018年5月22日10:00、11:00、12:00和13:00四個(gè)時(shí)刻,具體的降水空間分布情況如圖5所示,這里以10:00這一時(shí)刻(圖5a、5b、5c)為例作具體分析。

從圖5a地面降水空間分布可看出,此次降水過程影響范圍較廣,主要分布在貴州省南部、東北部等地區(qū),其中有兩個(gè)較大的強(qiáng)降水中心分別位于黔西南州望謨縣至興仁縣一帶、黔南州燭山縣至黔東南州朗洞縣一帶,強(qiáng)降水中心的值普遍高于7 mm/h,最高時(shí)能達(dá)到50 mm/h,除強(qiáng)降水中心外絕大多數(shù)地區(qū)降水值位于中雨到小雨的區(qū)間內(nèi),平均降水值為3~4 mm/h;此外在遵義市道真縣、銅仁市范圍內(nèi)均存在較大面積的降水,但降水強(qiáng)度普遍較低屬于小雨的范疇;以地面觀測降水為參照,觀察圖5b衛(wèi)星降水空間分布發(fā)現(xiàn),CMORPH的降水空間結(jié)構(gòu)與地面降水極為相似,其準(zhǔn)確地描述出了貴州省黔西南州、黔東南州以及黔南州內(nèi)較大范圍的降水,但是CMORPH并未表現(xiàn)出貴州省東北方的大面積弱降水區(qū)域,說明CMORPH在該地區(qū)低估了弱降水值;此外CMORPH將黔西南州境內(nèi)的降水全部標(biāo)記為強(qiáng)降水區(qū)域,平均降水強(qiáng)度高達(dá)8 mm/h,與實(shí)際降水情況相比有較大的偏差,同時(shí)CMORPH還將黔南州境內(nèi)的大面積弱降水區(qū)域標(biāo)記為強(qiáng)降水,說明CMORPH在以上地區(qū)高估了地面降水,而在貴州省東南方向CMORPH錯(cuò)誤地估計(jì)了強(qiáng)降水中心的位置。從發(fā)展趨勢來看,在研究時(shí)段內(nèi)地面降水(圖5a、5d、5g、5j)的強(qiáng)降水中心向東南方向發(fā)展,降水強(qiáng)度和覆蓋范圍隨時(shí)間增長而減小,但是相比之下貴州東北部的大面積弱降水變化較小,而CMORPH(圖5b、5e、5h、5k)同樣是向東南方向發(fā)展,其影響范圍和降水強(qiáng)度隨時(shí)間推移不斷減小。

圖5 2018年5月22日10:00—13:00降水訂正結(jié)果

從地面觀測降水和CMORPH衛(wèi)星降水的空間分布可看出CMORPH存在非常明顯的系統(tǒng)誤差,采用Gamma分布函數(shù)擬合降水累積概率密度并對其進(jìn)行系統(tǒng)誤差訂正,從訂正結(jié)果中(圖5c、5f、5i、5l)可發(fā)現(xiàn)CMORPH訂正前后整體降水空間結(jié)構(gòu)并無明顯變化,但是其強(qiáng)降水中心的強(qiáng)度和范圍都有了明顯的減小,其中位于黔西南州方向的降水空間結(jié)構(gòu)更接近地面降水,尤其是在圖5i中概率密度匹配法準(zhǔn)確地將衛(wèi)星降水中大面積的強(qiáng)降水區(qū)域分割為相對獨(dú)立的兩塊區(qū)域,并保留了其強(qiáng)降水中心的特征,在結(jié)構(gòu)上貼近地面降水(圖5g);同時(shí)在黔南州境內(nèi)的大面積降水與訂正前相比強(qiáng)度明顯降低4 mm/h左右,說明了采用概率密度匹配法在一定程度上能有效減小系統(tǒng)誤差;然而在黔東南州方向上的訂正效果并不理想,這是因?yàn)镃MORPH錯(cuò)誤地估計(jì)了強(qiáng)降水中心的位置,采用概率密度匹配法只能盡量減小該處的降水強(qiáng)度與范圍,并不能在衛(wèi)星降水中訂正得到真實(shí)的強(qiáng)降水中心,這也是概率密度匹配法的局限性,造成這一現(xiàn)象的原因是地面降水中出現(xiàn)大雨及以上區(qū)間內(nèi)降水的概率較低,導(dǎo)致樣本數(shù)據(jù)過少,Gamma擬合曲線難以準(zhǔn)確描述高值區(qū)間內(nèi)的真實(shí)概率分布,因此當(dāng)?shù)孛娉霈F(xiàn)強(qiáng)降水事件對應(yīng)的衛(wèi)星數(shù)據(jù)為弱降水值時(shí)概率密度匹配難以起到有效的訂正效果,此時(shí)就需要結(jié)合其他方法對衛(wèi)星降水?dāng)?shù)據(jù)進(jìn)行訂正。

表1所示為4個(gè)時(shí)刻的CMORPH降水和地面降水在訂正前后的平均絕對偏差和均方根誤差,可看出訂正前4個(gè)時(shí)刻的CMORPH降水的偏差范圍位于0.73~1.27 mm/h之間,均方根誤差的范圍位于2.360~3.814 mm/h之間,說明CMORPH衛(wèi)星反演降水資料的精度與地面資料相比較低。經(jīng)過概率密度匹配法訂正后的CMORPH降水的偏差范圍降低至0.61~0.80 mm/h,均方根誤差降低至2.19~2.32 mm/h,表明訂正后的CMORPH降水的精度相比訂正前有了明顯的提升。其中10:00這一時(shí)刻的偏差值由1.272 mm/h減至0.804 mm/h,減幅達(dá)到0.468 mm/h,均方根誤差值由3.814 mm/h減至2.324 mm/h,減幅達(dá)到1.490 mm/h,訂正后的精度提升較明顯,而12:00這一時(shí)刻的偏差值由0.708 mm/h減至0.594 mm/h,減幅達(dá)到0.114 mm/h,均方根誤差值由3.814 mm/h減至2.324 mm/h,減幅達(dá)到0.240 mm/h,訂正后的精度有提升,但幅度較小。

表1 訂正效果評估

考慮避免單次降水過程可能出現(xiàn)的隨機(jī)性,本文還選取了2018年5月13日06:00—09:00和2018年5月29日16:00—19:00兩次降水過程進(jìn)行誤差訂正分析;其中5月13日的降水過程持續(xù)時(shí)間短、影響范圍和降水強(qiáng)度均低于5月22日的降水過程,5月29日降水范圍及降水強(qiáng)度都較大。對兩次降水過程分別采用概率密度匹配法進(jìn)行系統(tǒng)誤差訂正,并對結(jié)果進(jìn)行了誤差分析,訂正前、后衛(wèi)星降水和地面降水之間的平均絕對誤差和均方根誤差如表2所示,兩者誤差均有所減小,其中5月13日的誤差訂正偏差在0.03~0.09 mm/h之間,均方根誤差減幅為0.40~1.05 mm/h;5月29日誤差訂正偏差相對較大,約在0.3 mm/h左右,均方根誤差減幅為0.85~1.03 mm/h。

表2 2018年5月13日、5月29日兩次降水過程訂正效果評估

從三次降水過程分析可得,概率密度匹配法能夠有效地減小系統(tǒng)誤差,但是對不同的降水過程來說其訂正效果會產(chǎn)生差異性,其中5月22日和5月29日兩次降水過程有相同特點(diǎn),即CMORPH降水產(chǎn)品與地面降水相比具有更大降水范圍,而5月13日這次降水過程范圍較小,且誤差偏差遠(yuǎn)小于其余兩次降水過程,說明降水空間結(jié)構(gòu)也會成為影響誤差訂正效果的因素。

6 結(jié) 論

本研究針對貴州省2018年5月的三次降水過程,結(jié)合地面自動(dòng)氣象站降水資料,采用概率密度匹配法對CMORPH降水產(chǎn)品進(jìn)行系統(tǒng)誤差訂正,得到以下結(jié)論。

(1)逐時(shí)的CMROPH衛(wèi)星降水資料存在明顯的非獨(dú)立系統(tǒng)誤差,誤差范圍隨降水量級的變化而變化,總體存在低值高估的特點(diǎn),因此難以通過線性方法進(jìn)行訂正。

(2)在小時(shí)尺度下地面降水的累積概率密度呈指數(shù)分布,即降水的概率大小會隨降水量級的增加逐漸下降;CMORPH衛(wèi)星降水的累積概率密度分布更加復(fù)雜,在中雨、大雨區(qū)間內(nèi)的降水概率較高,而在小雨、暴雨等區(qū)間內(nèi)降水概率較低。通過Gamma分布函數(shù)能夠有效地?cái)M合出地面降水和衛(wèi)星降水的概率密度曲線。

(3)通過概率密度匹配法訂正后的CMORPH降水產(chǎn)品與訂正前相比空間結(jié)構(gòu)沒有發(fā)生太大變化,但是強(qiáng)降水中心的降水量明顯減小,其降水空間結(jié)構(gòu)更加貼近地面降水。通過評估計(jì)算發(fā)現(xiàn),CMORPH與地面降水之間的平均絕對誤差和均方根誤差均有所減小,說明采用概率密度匹配法能夠有效減小CMORPH降水產(chǎn)品的系統(tǒng)誤差,訂正偏差在0.114~0.468 mm/h的范圍內(nèi),均方根誤差訂正值在0.24~1.49 mm/h的范圍內(nèi),訂正結(jié)果的降水范圍及降水強(qiáng)度都接近于實(shí)際降水。

猜你喜歡
概率密度系統(tǒng)誤差方根
連續(xù)型隨機(jī)變量函數(shù)的概率密度公式
計(jì)算連續(xù)型隨機(jī)變量線性組合分布的Laplace變換法
我們愛把馬鮫魚叫鰆鯃
基于GUI類氫離子中電子概率密度的可視化設(shè)計(jì)
基于ADS-B的航空器測高系統(tǒng)誤差評估方法
基于Bagging模型的慣導(dǎo)系統(tǒng)誤差抑制方法
均方根嵌入式容積粒子PHD 多目標(biāo)跟蹤方法
存在系統(tǒng)誤差下交叉定位系統(tǒng)最優(yōu)交會角研究
數(shù)學(xué)魔術(shù)——神奇的速算
隨機(jī)結(jié)構(gòu)-TMD優(yōu)化設(shè)計(jì)與概率密度演化研究
秭归县| 包头市| 孟津县| 夏津县| 明星| 广昌县| 长岭县| 神池县| 山东省| 韩城市| 高清| 广昌县| 东丽区| 延庆县| 泰州市| 资兴市| 曲靖市| 疏勒县| 昔阳县| 古交市| 德惠市| 额敏县| 都匀市| 南充市| 桂东县| 望江县| 怀来县| 临洮县| 拉孜县| 平阳县| 石屏县| 明水县| 札达县| 吴桥县| 项城市| 绥德县| 林口县| 郓城县| 柳州市| 奉节县| 镇巴县|