EN中文

地理研究 >

2022 , Vol. 41 >Issue 11: 3021 - 3035

DOI: https://doi.org/10.11821/dlyj020211199

论文

四套全球网格降水数据集在伊朗的适用性评估

  • 马帅 , 1 ,
  • 李晨曦 1 ,
  • 刘言 1 ,
  • 陈建徽 1 ,
  • 陈发虎 1, 2, 3 ,
  • 黄伟 , 1
展开
  • 1.兰州大学资源环境学院 西部环境教育部重点实验室，兰州 730000
  • 2.中国科学院青藏高原研究所 高山生态与生物多样性重点实验室，北京100101
  • 3.中国科学院青藏高原地球科学卓越中心，北京 100101
黄伟（1985-），男，甘肃兰州人，教授，博士生导师，主要从事气候变化动力机制、气候变化模拟、归因与预估研究。E-mail:

马帅（1996-），男，宁夏吴忠人，博士研究生，主要研究方向为干旱区气候变化。E-mail:

收稿日期: 2021-12-17

  录用日期: 2022-06-29

  网络出版日期: 2023-01-11

基金资助

国家重点研发计划项目(2018YFA0606404)

国家自然科学基金项目(41877446)

国家自然科学基金项目(42171162)

收起

Evaluation of the applicability of four global grid precipitation datasets in Iran

  • MA Shuai , 1 ,
  • LI Chenxi 1 ,
  • LIU Yan 1 ,
  • CHEN Jianhui 1 ,
  • CHEN Fahu 1, 2, 3 ,
  • HUANG Wei , 1
Expand
  • 1. Key Laboratory of Western China′s Environmental Systems (Ministry of Education), College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China
  • 2. Key Laboratory of Alpine Ecology, Institute of Tibetan Plateau Research, CAS, Beijing 100101, China
  • 3. CAS Center for Excellence in Tibetan Plateau Earth Sciences, CAS, Beijing 100101, China

Received date: 2021-12-17

  Accepted date: 2022-06-29

  Online published: 2023-01-11

Fold

摘要

伊朗由于其独特的地理位置和脆弱的生态环境一直以来都是气候变化研究的热点区域，降水作为伊朗水资源的重要来源对生态环境和社会经济发展尤为重要，因此评估降水数据集的适用性是进行科学研究的基础。本文利用伊朗1988—2017年103个观测站的年降水数据（OBS），以平均偏差（Mean Error，ME）、均方根误差（Root Mean Square Error，RMSE）、相关系数（correlation coefficient，R）对Global Precipitation Climatology Centre（GPCC）V2020、Climatic Research Unit（CRU）TS 4.05、Terrestrial Air Temperature and Precipitation: Monthly and Annual Time Series（UDEL）V5.01和NOAA's Precipitation Reconstruction over Land（PREC）四套全球网格降水数据集在伊朗的适用性进行评估，并进一步分析了地形对不同数据集精度的影响。研究结果显示：① GPCC降水数据偏差最小，与观测数据相关性最高，最适合伊朗现代气候变化研究。② GPCC、CRU、和UDEL均能反映伊朗降水的基本特征，但普遍会低估降水高值，PREC数据不能准确反映伊朗降水的空间分布模态，因此使用PREC数据分析伊朗降水特征时应当谨慎。③ 海拔和坡度对ME、RMSE以及R有一定影响，坡向对数据集精度影响不大。以上结论可为四套数据的订正及其在伊朗地区气候变化研究中的应用提供科学依据。

关键词： 伊朗; 降水数据集评估; 精度; 海拔; 坡度

本文引用格式

马帅 , 李晨曦 , 刘言 , 陈建徽 , 陈发虎 , 黄伟 . 四套全球网格降水数据集在伊朗的适用性评估[J]. 地理研究, 2022 , 41(11) : 3021 -3035 . DOI: 10.11821/dlyj020211199

Abstract

Iran is a hot climate change study area due to the unique geographical location and fragile ecological environment. As an important source of water resources, precipitation is crucial to the ecological environment and socio-economic development in Iran. Therefore, the applicability evaluation of precipitation datasets is the basis for conducting scientific research. In this paper, we use the mean error (ME), root mean square error (RMSE), and correlation coefficient (R) to evaluate the applicability of four global gridded precipitation datasets (Global Precipitation Climatology Centre (GPCC) V2020, Climatic Research Unit (CRU) TS 4.05, Terrestrial Air Temperature and Precipitation: Monthly and Annual Time Series (UDEL) V5.01 and NOAA's Precipitation Reconstruction over Land (PREC)) by comparing them with the annual precipitation data from 103 stations in Iran from 1988 to 2017. The effect of terrain on the accuracy of different datasets is also investigated. The results show that: (1) Compared with the other three sets of gridded precipitation data, the GPCC precipitation dataset has the smallest deviation and the highest correlation with the observations (OBS), the trend and change inflection point of the time series are the closest to OBS, which is most suitable for the study of modern climate change. (2) GPCC, CRU, and UDEL precipitation datasets generally underestimate the precipitation with high values, but they can reflect the basic characteristics of precipitation. In contrast, PREC dataset cannot accurately reflect the spatial distribution mode of precipitation. Therefore, it should be cautious to use PREC data to analyze the characteristics of precipitation. (3) Altitude and slope have a certain impact on the accuracy of precipitation datasets. When the altitude exceeds 1500 m, the ME of the dataset increases and R decreases. When the slope is greater than 4°, the ME increases significantly and the R decreases significantly. The four datasets are affected by elevation and slope to a certain degree, and aspect hardly affects the accuracy of these datasets. These results can provide a scientific basis for improving the quality of the four datasets and their application in the study of climate change in Iran.

Key words： Iran; precipitation dataset evaluation; accuracy; altitude; slope

1 引言

降水作为气象、气候和全球水循环中最重要的要素之一[1]，对气候变化具有重要指示意义，但由于受到地形等多要素的影响，其变率表现出较大的区域差异[2]，因此，在研究特定区域的降水时空变化特征之前，评估分析不同数据集度量该区域降水的准确性和适用性就显得尤为重要[3,4]。当前全球降水产品主要涵盖三类：基于站点的网格降水产品、卫星降水数据以及再分析资料[5⇓-7]。由于网格降水产品基于全球的气象观测数据，因此得到了广泛的使用，但其不足在于无法覆盖部分海洋和人口稀少地区[5,8]。卫星降水产品的发展弥补了这一不足，利用红外和微波技术反演得到的降水产品不受空间限制[7]。卫星降水产品时空分辨率较高，适用于短期降水变化和降水过程研究。随着资料同化技术的飞速发展，产生了一系列大气资料再分析产品，再分析资料时间尺度长且汇总了非常广泛的观测资料[3]，提供的高空环流数据能够加深对气候变化动力过程的理解[9,10]。这些降水产品的时间和空间分辨率差异较大，不同的数据来源、处理过程和同化方案使得数据的准确性和可靠性也存在较大差别[6]。以往大量研究分析了不同降水数据集在不同区域的适用性[10⇓⇓⇓⇓-15]。
从大尺度环流系统的角度，亚洲大陆可划分为主要受中纬度西风环流控制的区域和主要受季风环流控制的区域，在此分别称为“西风亚洲”（或西风区）和“季风亚洲”（或季风区）[16]。研究发现在亚轨道尺度[17]和百年-年代际尺度上[18⇓⇓-21]西风区存在不同于中纬度东亚季风区的湿度/降水变化模式，称之为气候变化的“西风模态”[18,22]。然而，此前的研究主要关注中亚干旱区和中纬度东亚季风区[16⇓⇓⇓⇓⇓⇓-23]，较少考虑西亚地区的气候变化特征。伊朗作为西风区的重要组成部分，其现代降水变化特征及其与“西风模态”核心区和蒙古高原的现代降水变化差异尚不清楚，因此开展伊朗现代气候变化研究对于回答“西风模态”的影响范围有重要意义，而数据集评估又是开展气候变化研究的基础。伊朗位于中亚干旱区西南部，北靠里海，南接波斯湾，大致介于25°N~40°N，44°E~64°E之间（图1），国土面积约为164.8万km2，60%的国土被北部的厄尔布尔什山和西南部的扎格罗斯山所覆盖[24]，两大山脉阻挡了从北面和南面来的水汽进入伊朗中部，在伊朗中部形成了卢特和卡维尔两大沙漠，因此伊朗大部分地区为干旱半干旱气候[25]。受控于副热带高压的影响，伊朗的降水主要集中在冬季和春季，具有典型的地中海气候特征[26]。伊朗的两大降水中心主要分布在里海南岸厄尔布尔什山迎风坡和扎格罗斯山地区，年降水量超过1000 mm，复杂的地形使得伊朗降水具有很强的空间差异性[27,28]。前人的研究分析了卫星降水产品在伊朗的适用性，发现卫星降水产品会低估降水高值高估降水低值[26,29]。然而，卫星降水产品数据可用时段较短，不能满足长期气候变化研究的需要，时间尺度较长的再分析降水资料由于包含有数值模式、同化方案和观测系统变更等所引起的误差和虚假气候变化信号增加了数据的不确定性[30,31]，因此，基于观测数据的网格降水产品成为伊朗降水研究的首选。Hosseini-Moghari等[32]使用了85个气象站的观测数据评估了四套网格降水数据在伊朗的适用性，发现所有数据集都能正确地识别降水的空间模态，但降水量与观测数据存在偏差，Darand等[33]利用伊朗45个气象站点降水数据综合评估了23种降水数据在伊朗的适用性，认为伊朗Asfazari网格降水数据和APHRODITE降水数据表现最好。目前的评估工作主要关注卫星降水产品，已有的对网格降水数据的评估虽然已经得到了一些基本结论，但其更多关注不同时间尺度上不同降水产品与测站降水之间的差异，没有考虑地形对不同降水数据集精度的影响，然而伊朗地形复杂，海拔变化剧烈，两大降水中心都集中在山区，因此探究地形要素对伊朗降水数据精度的影响是十分必要的。综上，本研究利用伊朗103个气象站的年降水数据，评估GPCC、CRU、UDEL、PREC四套全球网格降水数据在伊朗的适用性，同时探讨地形要素对不同降水数据集精度的影响，为全球网格降水产品的改良及优化提出区域性建议，同时也为伊朗长期降水变化研究提供科学指导。
图1 研究区概况

注：该图基于自然资源部地图技术审查中心标准地图（审图号：GS（2021）5443号）制作，底图无修改；研究区有103个气象站分布，红色点为与WMO重叠的30个测站，蓝色点为不与WMO重叠的测站。

Fig. 1 Location of the study area

2 研究数据和研究方法

2.1 研究数据

本研究所使用的观测数据来源于伊朗地区1988—2017年103个气象观测站点的逐年降水数据，数据经过质量控制和检验，具有可靠性。站点分布如图1所示，主要分布在伊朗两大山脉扎格罗斯山和厄尔布尔什山地区，伊朗中部沙漠地区站点分布较稀疏。研究所使用的高程数据为美国地质勘探局（USGS）开发的全球数字高程模型GTOPO30，其采样间隔为30弧秒（约1 km）（http://eros.usgs.gov）。
四套气候学研究常用的全球网格降水数据分别是：① 德国气象局全球降水气候中心（Global Precipitation Climatology Centre）的降水资料GPCC，GPCC数据集是基于全球约85000个观测站持续观测时间超过10年的观测记录，通过SPHEREMAP插值方法得到全球陆地格点化的降水数据集，它的水平空间分辨率包括0.5°×0.5°、1.0°×1.0°和2.5°×2.5°三种，时间范围为1891—2019年，本文使用2020年发布的降水资料GPCC Full Data Monthly Product Version 2020[34]，水平空间分辨率为0.5°×0.5°。② 美国国家海洋和大气管理局（NOAA）的地表降水重建数据PREC[35]，PREC数据收集了全球历史气候学网格（GHCN）第二版和气候异常监测系统（CAMS）超过17000个气象站点的观测数据，使用最优插值法进行插值得到的，它的水平空间分辨率包括0.5°×0.5°、1.0°×1.0°和2.5°×2.5°三种，时间范围为1948—2011年，本文使用水平空间分辨率为0.5°×0.5°的月数据。③ 特拉华大学陆地气温和降水数据UDEL[36]，它收集了来自全球历史气候网格（GHCN2）和来自档案的大量站点数据，采用气候辅助插值方法[37]将气象站观测数据网格化得到的，它的空间分辨率为0.5°×0.5°，时间范围为1901—2017年，本文使用最新发布的第五版数据。④ 英国东英吉利大学的CRU数据是目前全球使用较为广泛的近地面气候数据集之一，该资料首先选择1961—1990年的气候平均值计算整个时间段各站点的距平，通过角距权重法（ADW）插值距平到格点，再叠加上气候平均值最终得到格点资料[38]，CRU数据集包含气温、降水、潜在蒸散发等多个气候变量，时间覆盖范围为1901—2020年，本文选取CRU TS v4.05数据集中的月均降水数据，水平分辨率为0.5°×0.5°。在进行降水数据评估时，研究主要对年降水进行评估，所有资料选取时间与OBS保持一致，均从1988年1月起，除PREC以外其他数据截止时间为2017年12月。
然而，由于不同的数据共享政策，在评估四套网格降水数据集时，很难识别和排除网格降水数据与研究所用的观测数据中重复使用的测站[34⇓-36,38]。因此，所有的103个观测站都被用来检验四套网格降水数据集的性能。事实上，当排除掉GPCC、CRU、UDEL数据中相同的WMO数据源时，网格降水数据集的性能基本没有变化。

2.2 研究方法

为了对比四套网格降水数据与OBS之间的精度偏差，首先根据气象站点的经纬度信息，提取观测站对应的网格降水数据的值。前人的研究中经常采用双线性插值法得到网格数据对应站点的降水值，然而双线性插值法采用了比站点所在范围更广的网格降水值，实际上会增加网格降水数据在该点的不确定性，因此为了避免插值过程导致的不确定性，这里采用了一种更简单的方法得到网格降水数据在对应观测站位置的降水值：利用算术平均，将落在同一网格内的测站降水进行平均，得到该网格单元的降水观测值，进而与网格降水数据对应网格的降水值进行比较，这种方法在前人的研究中被证明能够有效避免插值带来的误差，同时能够得到最接近测站降水的网格降水值[10,12]。提取到观测站所在网格的年降水值后，利用ME、RMSE，R等统计指标分析评估其精度[13,15]。其中，ME表示网格降水数据与站点降水数据之间的平均误差大小（公式（1））；RMSE用来评估误差的整体水平，其对数据中的特大或特小误差反映非常敏感（公式（2））；R表示网格降水数据与OBS之间的线性相关程度（公式（3））。并使用最小二乘法比较OBS与网格数据的拟合程度。
由于伊朗地形复杂，降水受地形变化影响剧烈，因此不同降水数据集的精度也受到地形变化的显著影响。但是前人的研究并未关注地形要素的变化对不同数据集精度的影响，但是研究地形变化对不同网格降水产品精度的影响不仅可以为降水数据的使用提供借鉴，更可以为网格降水产品的优化及改良提供指导建议，因此进一步探究了地形要素包括海拔、坡度、坡向与四套网格降水数据精度之间的关系，探究地形变化对不同数据集精度的影响。
M E = ∑ i = 1 n ( x i - y i ) n
R M S E = ∑ i = 1 n x i - y i 2 n
R = ∑ i = 1 n ( x i - x - ) ( y i - y - ) ∑ i = 1 n x i - x ̿ 2 ∑ i = 1 n ( y i - y - ) 2
式中： x i为站点降水数据； y i为网格降水数据；n为时间序列长度； x -和 y -分别为网格降水和站点降水数据的平均值。

3 结果分析

3.1 网格降水数据评估

3.1.1 四套网格降水数据与OBS多年平均年降水量空间分布对比

为了将站点和网格降水数据进行对比，首先利用克里斯曼插值方法将OBS插值到格点。网格降水数据与OBS插值后的降水空间分布如图2所示。OBS与GPCC、CRU、UDEL降水数据所表现出的降水分布格局基本一致，里海沿岸厄尔布尔什山和扎格罗斯山降水较多，伊朗中部地区降水较少。然而，PREC数据的降水分布格局与OBS及其他网格降水数据均不一致，表现为PREC数据在厄尔布尔什山的降水高值位置偏移以及缺失了扎格罗斯山地区的降水高值中心，说明PREC不能很好的反映伊朗降水分布格局。GPCC数据的降水量值与OBS最为接近，在里海沿岸年降水量最高值超过900 mm，扎格罗斯山地区达到600 mm，伊朗中部沙漠地区年降水量小于100 mm；UDEL数据在里海沿岸降水量可达900 mm，在扎格罗斯山地区降水量达到400 mm，略低于站点降水值，但是UDEL数据在伊朗中部和北部出现两个异常降水中心，可能是由于采用的OBS存在误差。CRU数据整体上可以很好的反映伊朗降水空间分布格局，但是对两个降水高值区的降水量严重低估，而能较好反映伊朗中部降水低值区的降水值。
图2 OBS与四套网格降水数据多年平均年降水量空间分布

注：该图基于自然资源部地图技术审查中心标准地图（审图号：GS（2021）5443号）制作，底图无修改。

Fig.2 Spatial distribution of annual mean precipitation of OBS and four grid precipitation datasets

3.1.2 统计指标的空间分布

图3为四套网格降水数据的ME、RMSE、R的空间分布，四套网格降水数据的ME在两大山脉厄尔布尔什山和扎格罗斯山地区较大，最大值可达200 mm，并且主要以正偏差为主，说明站点降水值大于网格数据降水值。就单个数据集而言，GPCC个别站点表现为较大的正偏差和负偏差，其余大部分站点以较小的负偏差为主；CRU和UDEL偏差的分布模态较一致。四套网格降水数据中GPCC数据整体偏差最小，PREC数据偏差最大。RMSE的空间分布模态与ME相似，整体来看，GPCC的RMSE集中在0~100 mm范围内，CRU和UDEL集中在50~150 mm范围内，PREC数据的RMSE超过100 mm的占多数。R的空间分布结果表明，GPCC数据与OBS的相关性最高，普遍达到了0.8以上；CRU数据次之，R主要集中在0.6~0.9之间；而UDEL和PREC数据与OBS的相关性相对较低，主要集中在0.4~0.8之间。
图3 四套网格降水数据与OBS的ME、RMSE、R的空间分布

注：该图基于自然资源部地图技术审查中心标准地图（审图号：GS（2021）5443号）制作，底图无修改。

Fig. 3 Spatial distribution of ME, RMSE and R between OBS and four grid precipitation datasets

综合三种统计指标的数值及空间分布状况，四套网格降水数据在里海南岸厄尔布尔什山和扎格罗斯山地区偏差较大，在伊朗中东部地区偏差较小，主要特征为对降水高值的低估和对降水低值的高估。GPCC数据的ME和RMSE更小、R更高说明其降水量更接近站点降水量，并且能较好反映年降水的变化状况，CRU和UDEL数据的ME和RMSE空间分布模态和数值范围相似，但是UDEL数据的ME和RMSE的极值更小，CRU数据与OBS的R更高，说明UDEL相较于CRU能更好反映伊朗年降水量，而CRU数据更能反映年降水序列的变化，PREC数据的偏差较大，不能有效反映伊朗降水状况，因此，统计指标的结果显示，GPCC更能反映伊朗降水特征。

3.1.3 网格降水数据与OBS的最小二乘关系

为了评估四套网格降水数据在不同降水量范围内对降水的反映情况，进一步分析了网格降水数据与OBS逐年降水量比值情况（图4，见第3028页）。结果显示，伊朗大部分站点年降水量集中在700 mm以下，在降水量较低时，点集中在参考线x=y附近，当降水量大于一定程度后，普遍偏离参考线，说明降水量小时，网格数据能有效反映降水值，而随着降水量逐渐增大，四套网格降水数据普遍会低估降水值，CRU数据低估最为严重。四套数据中GPCC数据与OBS的拟合优度（R2）最高，达到了0.84，其次是UDEL数据，拟合优度达到了0.68，CRU数据的拟合优度最低，仅为0.14，主要由于CRU数据会严重低估降水高值。
图4 四套网格降水数据与OBS的比值及最小二乘关系

Fig. 4 Ratio and least square relation between OBS and four grid precipitation datasets

3.1.4 降水变化序列对比

前文评估了四套网格降水数据精度的空间分布，这里进一步对比网格降水数据与OBS的区域平均年降水的时间变化序列（图5，见第3029页），结果显示，GPCC数据无论是降水量还是变化趋势都与OBS变化一致，变化拐点也能较好的对应，其他三套网格降水数据尽管年际变化趋势能与OBS基本保持一致，但是降水量均表现出低估，CRU和PREC数据低估最为严重。
图5 四套网格降水数据与OBS的区域平均年降水序列

Fig. 5 Regional average annual precipitation series of OBS and four grid precipitation datasets

3.1.5 排除WMO观测站后的评估

图6a（见第3029页）是基于103个测站的评估结果，结果显示相较于其他数据集，GPCC数据的方差比最小，R最高，偏差最低，最能反映伊朗年降水的主要特征。图6b（见第3029页）是排除了与WMO重叠的30个观测站后的评估结果，结果基本没有变化，GPCC在性能方面相较其他数据集仍然有较大优势。
图6 四套网格降水数据与OBS的标准差之比、R、ME的泰勒分布

注：初次评估为所有观测站与网格数据的对比，二次评估为排除了与WMO重叠的测站后的对比。

Fig. 6 Taylor diagram of standard deviation ratio, R and ME between OBS and four grid precipitation datasets

3.2 地形对四套网格降水数据精度的影响

由于伊朗地形复杂，降水受地形影响剧烈，因此本研究进一步讨论海拔、坡度、坡向对四套网格降水产品的精度的影响，完善对伊朗降水数据集的评估。
首先为了解网格降水数据集与OBS在不同地形要素下的降水差异，分别对比了四套网格降水数据与OBS在不同海拔、坡度、坡向的平均年降水量（图7，见第3030页）。结果显示，在不同海拔梯度下，降水量的高值主要集中在部分低海拔地区和海拔超过1500 m的山区，结合图2，可以看出这些降水高值主要集中在伊朗两大山区。四套网格降水数据中，GPCC和UDEL数据降水随海拔变化的分布较一致，并且与OBS更接近。CRU数据在不同海拔降水量均在600 mm以下，虽然能基本反映大部分降水量小于600 mm的站点降水值，但是会严重低估降水量超过600 mm的站点降水值。PREC数据相较其他三套数据集在不同海拔年降水更加离散。降水随坡度的变化显示，大部分观测站主要分布在坡度小于4°的较平坦的地区，分布在坡度大于4°的观测站的降水量大于600 mm的比例明显升高，说明坡度对降水具有较大影响，随着坡度的增加，降水量变化剧烈，这种情况一般发生在山地地区，随着山体的变化，坡度变化剧烈，而潮湿的空气遇到山体爬坡遇冷容易产生降水。而降水随坡向的变化结果显示，在不同坡向下，降水未表现出明显的变化特征，可见坡向对降水的影响不大。
图7 四套网格降水数据与OBS年降水随地形要素变化

Fig. 7 The variation of annual precipitation of OBS and four grid precipitation datasets with terrain elements

在梳理了地形对降水影响的基础上进一步讨论地形变化对ME、RMSE、R的影响（图8，见第3031页）。海拔对统计指标的影响如图8A（见第3031页）所示，整体上ME的数值集中在200 mm以下，少数站点表现出较大偏差，这些具有较大偏差的站点主要分布在海拔小于500 m和海拔大于2500 m的地区，结合图3中偏差的空间分布，可以发现这些站点主要位于里海南岸的厄尔布尔什山地区，该区域紧靠水体，海拔梯度变化剧烈，当北方有冷气团南移时，会裹挟着里海的潮湿水汽爬坡，遇到海拔的剧烈抬升极易产生对流性降水[39,40]，而对流性降水空间尺度小，动力机制复杂，无论是观测还是再分析资料，对获取对流降水信号的能力都相对较弱，因此网格降水数据集并不能很好的捕获这类降水信号，导致该区域偏差也相对较大。四套网格降水数据中GPCC和UDEL数据的ME在不同海拔范围内均相对较小，大部分站点的ME小于200 mm。CRU数据在部分低海拔和中高海拔地区的ME偏大。PREC数据的ME在不同海拔范围内相较其他三套数据集更加离散。四套网格降水数据的RMSE随海拔变化情况与ME相似，在不同海拔范围内GPCC的RMSE最小，PREC数据最大。R的结果显示GPCC数据与OBS的相关性最高，大部分站点都达到0.8以上。其次是CRU数据，大部分站点的R集中在0.6~0.9之间。UDEL和PREC数据与OBS相关性较低，在不同海拔范围内分布较为离散。
图8 四套网格降水数据精度随地形要素变化

Fig. 8 The variation of four grid precipitation datasets accuracy with terrain elements

坡度对统计指标的影响如图8B，结果显示当坡度小于4°时，四套网格降水数据的偏差较为集中，整体上在200 mm范围内，而随着坡度的逐渐增大，偏差也表现出逐渐增大的趋势，RMSE与ME的变化情况较为一致，均在坡度大于4°后逐渐增大。R也受到坡度变化的较大影响，当坡度较小时，R较高且较为集中，随着坡度增大，R逐渐下降，四套网格降水数据的精度均明显表现出对坡度变化的响应。
坡向对统计指标的影响见图8C，可以发现在不同坡向下，ME、RMSE和R的分布较为规律，可见坡向对降水数据集的精度并没有显著影响。
整体上，海拔和坡度对ME、RMSE以及R的影响较大，而坡向对不同数据集精度没有显著影响。GPCC在不同海拔和坡度下ME和RMSE最小，其次是UDEL，CRU对降水高值严重低估，但能较好反映降水量较低时的降水状况，PREC的ME和RMSE在不同海拔和坡度范围内较为离散，GPCC与OBS的R最高，其次是CRU，PREC和UDEL的R较低。

4 讨论与结论

4.1 讨论

本文通过分析地形对数据集精度的影响，发现海拔和坡度对ME、RMSE以及R有一定影响，当海拔超过1500 m时，降水数据集的ME会增大，R减小，坡度大于4°时，ME显著增大，R显著降低，四套数据集受海拔和坡度的影响程度不同，因此，不同网格降水数据在对伊朗气象站观测数据进行插值时，需要考虑海拔和坡度对数据集精度的影响，同时，在使用这些网格降水数据时，需要考虑数据在山区的不确定性。
近年，随着机器学习等新技术的发展，为数据集精度的改善提供了一种新思路，相比于传统插值方法，机器学习技术基于自适应机制，不仅可以从数据中学习，不依靠假设，而且可以捕获数据中未知或难以描述的物理关系，并很容易地处理多种不同的数据源。该方法作为一种辅助手段，逐渐得到广泛的应用[41]，未来，有望通过更成熟的机器学习算法模型对现有同化和网格产品进行优化，得到精度更高、可靠性更好的数据集。

4.2 结论

本文利用伊朗103个气象站的年降水数据评估了四套全球网格现代降水数据在伊朗的适用性，并进一步考虑了海拔对数据集精度的影响。研究发现：
（1）GPCC降水数据相较于其他三套网格降水数据ME和RMSE更小，拟合优度达到0.84，R也集中在0.9以上，明显优于其他三套数据集，降水变化序列的降水量、变化趋势和变化拐点也与OBS最为接近，因此认为GPCC网格降水数据更适用于伊朗长期降水变化研究。
（2）GPCC、CRU、和UDEL均能反映伊朗降水的基本特征，但普遍会低估降水高值，PREC数据不能准确反映伊朗降水的空间分布模态，相比于其他数据集与观测数据偏差较大，与观测数据的相关性也最低，因此使用PREC数据分析伊朗降水特征时应当谨慎。
（3）海拔和坡度对降水数据集精度有一定影响，当海拔超过1500 m时，数据集的ME增大，R减小，坡度大于4°时，ME显著增大，R显著降低，四套数据集受海拔和坡度的影响程度不同，坡向对数据集精度影响不大。

真诚感谢两位匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文引言、结果、科学问题及文章结构方面的修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Eltahir E A B, Bras R L. Precipitation recycling. Reviews of Geophysics, 1996, 34(3): 367-378. DOI: 10.1029/96RG01927.

DOI

[2]
吕少宁, 文军, 刘蓉. 中国大陆地区不同降水资料的适用性及其应用潜力. 高原气象, 2011, 30(3): 628-640.

[Lv Shaoning, Wen Jun, Liu Rong. Applicability and potential of the different precipitation data in mainland China. Plateau Meteorology, 2011, 30(3): 628-640.]

[3]
徐影, 丁一汇, 赵宗慈. 美国NCEP/NCAR近50年全球再分析资料在我国气候变化研究中可信度的初步分析. 应用气象学报, 2001, 12(3): 337-347.

[Xu Ying, Ding Yihui, Zhao Zongci. Confidence analysis of NCEP/NCAR 50-year global reanalyzed data in climate change research in China. Journal of Applied Meteorological Science, 2001, 12(3): 337-347.]. DOI: 10.3969/j.issn.1001-7313.2001.03.009.

DOI

[4]
赵天保, 艾丽坤, 冯锦明. NCEP再分析资料和中国站点观测资料的分析与比较. 气候与环境研究, 2004, 9(2): 278-294.

[Zhao Tianbao, Ai Likun, Feng Jinming. An intercomparison between NCEP reanalysis and observed data over China. Climatic and Environmental Research, 2004, 9(2): 278-294.]. DOI: 10.3969/j.issn.1006-9585.2004.02.005.

DOI

[5]
Rana S, McGregor J, Renwick J. Precipitation seasonality over the Indian subcontinent: An evaluation of gauge, reanalyses, and satellite retrievals. Journal of Hydrometeorology, 2015, 16(2): 631-651. DOI: 10.1175/JHM-D-14-0106.1.

DOI

[6]
姜贵祥, 孙旭光. 格点降水资料在中国东部夏季降水变率研究中的适用性. 气象科学, 2016, 36(4): 448-456.

[Jiang Guixiang, Sun Xuguang. Reliabilities of gridded precipitation datasets in studying summer precipitation variabilities over the eastern China. Scientia Meteorologica Sinica, 2016, 36(4): 448-456.]. DOI: 10.3969/2015jms.0021.

DOI

[7]
Sun Q H, Miao C Y, Duan Q Y, et al. A review of global precipitation data sets: Data sources, estimation, and intercomparisons. Reviews of Geophysics, 2018, 56(1): 79-107. DOI: 10.1002/2017RG000574.

DOI

[8]
Kidd C, Becker A, Huffman G J, et al. So, how much of the Earth's surface is covered by rain gauges?. Bulletin of the American Meteorological Society, 2017, 98(1): 69-78. DOI: 10.1175/BAMS-D-14-00283.1.

DOI

[9]
Kalnay E, Kanamitsu M, Kistler R, et al. The NCEP/NCAR 40-year reanalysis project. Bulletin of the American meteorological Society, 1996, 77(3): 437-472. DOI: 10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2.

DOI

[10]
Hu Z Y, Hu Q, Zhang C, et al. Evaluation of reanalysis, spatially interpolated and satellite remotely sensed precipitation data sets in central Asia. Journal of Geophysical Research: Atmospheres, 2016, 121(10): 5648-5663. DOI: 10.1002/2016JD024781.

DOI

[11]
韩振宇, 周天军. APHRODITE高分辨率逐日降水资料在中国大陆地区的适用性. 大气科学, 2012, 36(2): 361-373.

[Han Zhenyu, Zhou Tianjun. Assessing the quality of APHIRODITE high-resolution daily precipitation dataset over contiguous China. Chinese Journal of Atmospheric Sciences, 2012, 36(2): 361-373.]. DOI: 10.3878/j.issn.1006-9895.2011.11043.

DOI

[12]
Ma L J, Zhang T J, Frauenfeld O W, et al. Evaluation of precipitation from the ERA-40, NCEP-1, and NCEP-2 reanalyses and CMAP-1, CMAP-2, and GPCP-2 with ground-based measurements in China. Journal of Geophysical Research: Atmospheres, 2009, 114(D09105): 1-20. DOI: 10.1029/2008JD011178.

DOI

[13]
胡增运, 倪勇勇, 邵华, 等. CFSR, ERA-Interim 和 MERRA 降水资料在中亚地区的适用性. 干旱区地理, 2013, 36(4): 700-708.

[Hu Zengyun, Ni Yongyong, Shao Hua, et al. Applicability study of CFSR, ERA-Interim and MERRA precipitation estimates in Central Asia. Arid Land Geography, 2013, 36(4): 700-708.]. DOI: 10.13826/j.cnki.cn65-1103/x.2013.04.011.

DOI

[14]
Guo H, Chen S, Bao A M, et al. Inter-comparison of high-resolution satellite precipitation products over Central Asia. Remote Sensing, 2015, 7(6): 7181-7211. DOI: 10.3390/rs70607181.

DOI

[15]
Hu Z Y, Zhou Q M, Chen X, et al. Evaluation of three global gridded precipitation data sets in central Asia based on rain gauge observations. International Journal of Climatology, 2018, 38(9): 3475-3493. DOI: 10.1002/joc.5510.

DOI

[16]
陈发虎, 陈建徽, 黄伟. 中纬度亚洲现代间冰期气候变化的 “西风模式” 讨论. 地学前缘, 2009, 16(6): 23-32.

[Chen Fahu, Chen Jianhui, Huang Wei. A discussion on the westerly-dominated climate model in mid-latitude Asia during the modern interglacial period. Earth Science Frontiers, 2009, 16(6) :23-32.]

[17]
Chen F H, Yu Z C, Yang M L, et al. Holocene moisture evolution in arid central Asia and its out-of-phase relationship with Asian monsoon history. Quaternary Science Reviews, 2008, 27(3-4): 351-364. DOI: 10.1016/j.quascirev.2007.10.017.

DOI

[18]
Chen F H, Chen J H, Holmes J, et al. Moisture changes over the last millennium in arid central Asia: A review, synthesis and comparison with monsoon region. Quaternary Science Reviews, 2010, 29(7-8): 1055-1068. DOI: 10.1016/j.quascirev.2010.01.005.

DOI

[19]
Chen F H, Huang W, Jin L Y, et al. Spatiotemporal precipitation variations in the arid Central Asia in the context of global warming. Science China Earth Sciences, 2011, 54(12): 1812-1821. DOI: 10.1007/s11430-011-4333-8.

DOI

[20]
Huang W, Chen F H, Feng S, et al. Interannual precipitation variations in the mid-latitude Asia and their association with large-scale atmospheric circulation. Chinese Science Bulletin, 2013, 58(32): 3962-3968. DOI: 10.1007/s11434-013-5970-4.

DOI

[21]
Huang W, Chen J H, Zhang X J, et al. Definition of the core zone of the "westerlies-dominated climatic regime", and its controlling factors during the instrumental period. Science China Earth Sciences, 2015, 58(5): 676-684. DOI: 10.1007/s11430-015-5057-y.

DOI

[22]
Chen F H, Chen J H, Huang W, et al. Westerlies Asia and monsoonal Asia: Spatiotemporal differences in climate change and possible mechanisms on decadal to sub-orbital timescales. Earth-Science Reviews, 2019, 192: 337-354. DOI: 10. 1016/j.earscirev.2019.03.005.

DOI

[23]
Chen J, Huang W, Zhang Q, et al. Origin of the spatial consistency of summer precipitation variability between the Mongolian Plateau and the mid-latitude East Asian summer monsoon region. Science China Earth Sciences, 2020, 63(8): 1199-1208. DOI: 10.1007/s11430-019-9593-2.

DOI

[24]
Najafi M R, Moazami S. Trends in total precipitation and magnitude-frequency of extreme precipitation in Iran, 1969-2009. International Journal of Climatology, 2016, 36(4): 1863-1872. DOI: 10.1002/joc.4465.

DOI

[25]
Tabari H, Talaee P H. Temporal variability of precipitation over Iran: 1966-2005. Journal of Hydrology, 2011, 396(3-4): 313-320. DOI: 10.1016/j.jhydrol.2010.11.034.

DOI

[26]
Darand M, Amanollahi J, Zandkarimi S. Evaluation of the performance of TRMM Multi-satellite Precipitation Analysis (TMPA) estimation over Iran. Atmospheric Research, 2017, 190: 121-127. DOI: 10.1016/j.atmosres.2017.02.011.

DOI

[27]
Some'e B S, Ezani A, Tabari H. Spatiotemporal trends and change point of precipitation in Iran. Atmospheric Research, 2012, 113: 1-12. DOI: 10.1016/j.atmosres.2012.04.016.

DOI

[28]
Raziei T, Daryabari J, Bordi I, et al. Spatial patterns and temporal trends of precipitation in Iran. Theoretical and Applied Climatology, 2014, 115(3): 531-540. DOI: 10.1007/s00704-013-0919-8.

DOI

[29]
Javanmard S, Yatagai A, Nodzu M I, et al. Comparing high-resolution gridded precipitation data with satellite rainfall estimates of TRMM_3B42 over Iran. Advances in Geosciences, 2010, 25: 119-125. DOI: 10.5194/adgeo-25-119-2010.

DOI

[30]
Zhao T B, Fu C B. Comparison of products from ERA-40, NCEP-2, and CRU with station data for summer precipitation over China. Advances in Atmospheric Sciences, 2006, 23(4): 593-604. DOI:10.1007/s00376-006-0593-1.

DOI

[31]
赵天保, 符淙斌, 柯宗建, 等. 全球大气再分析资料的研究现状与进展. 地球科学进展, 2010, 25(3): 242-254.

[Zhao Tianbao, Fu Congbin, Ke Zongjian, et al. Global atmosphere reanalysis datasets current status and recent advances. Advances in Earth Science, 2010, 25(3): 242-254.]

[32]
Hosseini-Moghari S M, Araghinejad S, Ebrahimi K. Spatio-temporal evaluation of global gridded precipitation datasets across Iran. Hydrological Sciences Journal, 2018, 63(11): 1669-1688. DOI: 10.1080/02626667.2018.1524986.

DOI

[33]
Darand M, Khandu K. Statistical evaluation of gridded precipitation datasets using rain gauge observations over Iran. Journal of Arid Environments, 2020, 178: 104172. DOI: 10.1016/j.jaridenv.2020.104172.

DOI

[34]
Schneider U, Becker A, Finger P, et al. GPCC full data monthly product version 2020 at 0.5°: Monthly land-surface precipitation from rain-gauges built on GTS-based and historical data. https://opendata.dwd.de/climate_environment/GPCC/html/fulldata-monthly_v2020_doi_download.html, 2021-08-30. DOI: 10.5676/DWD_GPCC/FD_M_V2020_050.

DOI

[35]
Chen M Y, Xie P P, Janowiak J E, et al. Global land precipitation: A 50-yr monthly analysis based on gauge observations. Journal of Hydrometeorology, 2002, 3(3): 249-266. DOI: 10.1175/1525-7541(2002)003<0249:GLPAYM>2.0.CO;2.

DOI

[36]
Willmott C, K Matsuura. Terrestrial precipitation: 1900-2017 gridded monthly time series (version 5.01). http://climate.geog.udel.edu/-climate/html_pages/Global2017/README.GlobalTsP2017.html, 2021-08-30.

[37]
Willmott C J, Robeson S M. Climatologically Aided Interpolation (CAI) of terrestrial air temperature. International Journal of Climatology, 1995, 15(2): 221-229. DOI: 10.1002/joc.3370150207.

DOI

[38]
Harris I, Osborn T J, Jones P, et al. Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Scientific Data, 2020, 7(1): 1-18. DOI: 10.1038/s41597-020-0453-3.

DOI

[39]
Sharifi E, Steinacker R, Saghafian B. Assessment of GPM-IMERG and other precipitation products against gauge data under different topographic and climatic conditions in Iran: Preliminary results. Remote Sensing, 2016, 8(2): 135. DOI: 10.3390/rs8020135.

DOI

[40]
Sodoudi S, Noorian A, Geb M, et al. Daily precipitation forecast of ECMWF verified over Iran. Theoretical and Applied Climatology, 2010, 99(1): 39-51. DOI:10.1007/s00704-009-0118-9.

DOI

[41]
孟欣宁, 焦瑞莉, 刘念, 等. 基于随机森林插值的中亚夏季极端高温变化特征. 干旱区研究, 2020, 37(4): 966-973.

[Meng Xinning, Jiao Ruili, Liu Nian, et al. Extreme summer high-temperature changes in Central Asia based on interpolated data from random forest. Arid Zone Research, 2020, 37(4): 966-973.]. DOI: 10.13866/j.azr.2020.04.17.

DOI

Options
文章导航

/

〈 〉