EN中文

Arid Zone Research >

2025 , Vol. 42 >Issue 7: 1173 - 1183

DOI: https://doi.org/10.13866/j.azr.2025.07.02

Weather and Climate

Applicability evaluation of three kinds of precipitation products in eastern Qinghai-Xizang Plateau

  • LI Moyu ,
  • DONG Shaorui ,
  • GUO Yingxiang
Expand
  • Qinghai Climate Center, Qinghai Key Laboratory of Disaster Preventing and Reducing, Xining 810001, Qinghai, China

Received date: 2024-11-14

  Revised date: 2025-04-18

  Online published: 2025-08-13

Fold

Abstract

Based on the 2022 daily precipitation data from weather stations in the eastern Tibetan Plateau, this study evaluated the accuracy of three datasets from the China Meteorological Administration: the Multi-source Precipitation Analysis System (CMPAS), Land Data Assimilation System (CLDAS), and Global Atmospheric Reanalysis (CRA)—via error indices and grading methods. The results indicate: (1) CMPAS exhibits the lowest error and highest correlation, making it the most reliable for annual precipitation analysis. (2) CMPAS monthly data align closely with observations, while CRA overestimates and CLDAS underestimates precipitation in most months. (3) During two large-scale precipitation events, CLDAS best captures accumulated rainfall, while CMPAS more accurately reflects precipitation centers, intensities, timing, and location. Overall, CMPAS is the most effective dataset for analyzing precipitation in the region, supporting improved monitoring of sparse areas and laying a solid foundation for climate operations and disaster prevention.

Key words： precipitation; data product; applicability; quality assessment; Qinghai-Xizang Plateau

Cite this article

LI Moyu , DONG Shaorui , GUO Yingxiang . Applicability evaluation of three kinds of precipitation products in eastern Qinghai-Xizang Plateau[J]. Arid Zone Research, 2025 , 42(7) : 1173 -1183 . DOI: 10.13866/j.azr.2025.07.02

随着气象监测系统的迅猛发展，气象站、雷达、卫星等数据越来越多[1]。气象站通常被视作实际数值的可靠代表，然而站点布设的空间不均匀性导致无法精确提供区域降水数据[2-3]。雷达实现了区域性降水观测[4]，但仍受限于站点布设，未能实现全国范围覆盖，且在气候严寒、地形复杂区域观测误差较大[5]。近年来，卫星降水产品凭借全球覆盖的优势，成功填补了观测范围上的空白[6-8]，但卫星降水产品是基于云观测反演而成，精确度存在局限，尤其是在下垫面复杂的青藏高原[7]。单一数据存在各自局限，自1995年国际上提出数据融合后[9-10]，多源融合成为降水产品的发展趋势[11-12]。其中，典型的代表有全球降水气候计划GPCP（Global Precipitation Climatology Project）[13]、美国研制的CMAP（Climate Prediction Center Merging Analysis of Precipitation）[14]、CMORPH（Climate Prediction Center Morphing Technique）[15]、全球降水测量计划GPM（Global Precipitation Measurement）[16]、日本研制的GSMaP（Global Satellite Mapping of Precipitation）[17]。目前，国内也开展了诸多融合降水产品研究，沈艳等[15]使用概率密度匹配法及最优插值方法，融合全国自动气象站降水数据和CMORPH降水产品，生成了空间分辨率1 km的中国区域小时降水融合产品。宇婧婧等[14]在此基础上采用运动矢量、时间权重插值等方法，实现时间序列长度和站点稀疏区域降水分布型的进一步优化。潘旸等[18]则是引入雷达降水产品，提出三源降水融合方法，数据精度优于以往降水融合产品[19]。除数据融合外，数据同化技术也飞速发展，如美国全球陆面同化系统GLDAS（Global Land Data Assimilation System）[20-21]、欧洲陆面数据同化系统ELDAS（European Land Data Assimilation System）[22]、中国气象局陆面数据同化系统CLDAS（China Meteorological Administration Land Data Assimilation System）[23-24]。此外，大气再分析产品也广泛应用于区域气候监测，如欧洲中期天气预报中心研发的ERA5（Fifth Generation ECMWF Atmospheric Reanalysis of the Global Climate）[25-26]、美国国家环境预报中心NCEP（National Centers for Environmental Prediction）全球大气再分析资料[27]、中国自主研发的第一代全球陆面再分析产品CRA（China Meteorological Administration’s Global Atmospheric Reanalysis）[28]。
虽然，融合数据、同化数据、再分析数据可以有效整合多源数据，但其精确性极大受限于数据源以及同化或融合方法[29]。因此，针对多源降水产品的适用性评估至关重要。目前，已开展了诸多中国地区降水产品检验评估工作[14-15,28]，但仅局限于大尺度时空分布，对于局地重要降水过程的研究有所空缺。杜冰等[30]、旷兰等[31-32]、陈小婷等[33]、鲁奕岑等[34]分别开展了降水产品在四川、重庆、陕西、浙江地区重要降水过程中的适用性评估，而在气候条件特殊、地势复杂多变、站点资料匮乏的青藏高原地区相关研究较为缺乏。青藏高原对全球气候变化有着独特而明显的敏感性、超前性和调节性，是全球气候环流模式的关键区[35]。其东部海拔相对较低，是人口聚集区，该区域的极端降水事件对农牧业生产及人民生活造成诸多威胁，甚至会造成严重社会经济损失[36]。所以，亟需开展青藏高原东部地区降水产品的适用性研究。
本文基于三种高分辨率降水产品，对青藏高原东部2022年降水要素及两次典型降水过程进行评估，探究不同降水产品在青藏高原东部的适用性，以期得出最适用的高精度降水产品，弥补站点观测数据空间分布不均的缺陷，促进气候监测评估的精细化程度，为气象防灾减灾提供数据支撑。

1 资料与方法

1.1 资料来源

2022年青藏高原东部平均降水量与1991—2020年气候态平均值持平，能较好地反映当前天气气候状态，具有一般代表性；年内汛期降水极端性强，尤其是8月，降水时段密集且落区重叠，引发多起暴雨洪涝和山体滑坡灾害，造成人员伤亡，具有突出典型性。故选取2022年为研究时段，基于青藏高原东部50个国家气象站的逐日降水数据对三种高分辨率降水数据产品进行检验评估。评估的降水产品具体如下：
（1） 中国区域融合降水分析系统CMPAS（China Meteorological Administration Multi-source Precipitation Analysis System）是中国高时空分辨率的多源降水融合分析产品，数据集采用概率密度函数、贝叶斯模型平均、最优插值的方法，融合自动气象站降水资料、中国雷达定量降水估计、CMORPH卫星反演降水产品研制而成[37]。本文选用的近实时降水产品来自气象大数据云平台“天擎”，产品时效最快可达5 min，空间分辨率为1 km×1 km，时间分辨率为1 h。
（2） 中国气象局陆面数据同化系统CLDAS为覆盖亚洲区域的等经纬度网格融合分析产品，该数据集融合地面观测降水与CMORPH卫星反演降水产品，采用多重网格变分同化、最优插值、概率密度函数匹配等技术研制而成[38]。本文选用的近实时降水产品来自气象大数据云平台“天擎”，空间分辨率为0.0625°×0.0625°，时间分辨率为1 h。
（3） 中国第一代全球陆面再分析产品CRA是中国自主研发的第一代全球大气再分析数据集，包括全球大气再分析产品（CRA）和全球陆面再分析产品（CRA/Land）两种产品。本文选用的CRA/Land降水产品融合了卫星降水产品和地面雨量计观测数据生成[25]，来自中国气象数据网，空间分辨率为0.25°×0.25°，时间分辨率为日。
青藏高原东部地形及国家气象站分布见图1，从地形地貌、气候特征、行政区划方面考虑，将青藏高原东部进行分区，分为柴达木盆地、青海湖流域、祁连山区、三江源地区、东部农业区五个区域。
图1 青藏高原东部地形及国家气象站空间分布

注：底图采用自然资源部标准地图制作，审图号为GS(2017)3320号，对底图边界无修改。下同。

Fig. 1 Spatial distribution of terrain and meteorological stations in eastern Qinghai-Xizang Plateau

1.2 插值方法

为检验三种降水数据产品质量，将高分辨率格点数据插值到站点再进行比较评估。在格点到站点的算法上选择了双线性插值法（BI），双线性插值方法是先经（纬）向后纬（经）向进行一元一次线性插值[39]。该方法误差小、效果好[40]，广泛应用于气象领域，具体方法如下：
首先在x方向进行线性插值，得到：
f R 1 = x 2 - x x 2 - x 1 f Q 11 + x - x 1 x 2 - x 1 f Q 21
f R 2 = x 2 - x x 2 - x 1 f Q 12 + x - x 1 x 2 - x 1 f Q 22
然后在y方向进行线性插值，得到：
f P = y 1 - y y 2 - y 1 f R 1 + y - y 2 y 2 - y 1 f R 2
式中： Q 11 = x 1 , y 1 、 Q 12 = x 1 , y 2、 Q 21 = x 2 , y 1、 Q 22 = x 2 , y 2为相邻的4个网格点； f Q 11、 f Q 12、 f Q 21、 f Q 22为对应网格点的变量值； f R 1、 f R 2为 R 1 = x , y 1、 R 2 = x , y 2线性插值的结果； f P为插值到站点的变量值。

1.3 评估指标

具体产品质量评估指标包括平均值误差（ME）、平均绝对误差（MAE）、均方根误差（RMSE）、相关系数（COR）和TS评分（TS）。
（1） 平均值误差[32]：
M E = 1 N ∑ i = 1 N G i - O i
（2） 平均绝对误差[41]：
M A E = 1 N ∑ i = 1 N G i - O i
（3） 均方根误差[42]：
R M S E = 1 N ∑ i = 1 N G i - O i 2
（4） 相关系数[43]：
C O R = 1 N ∑ i = 1 N G i - G O i - O 1 N ∑ i = 1 N G i - G 2 1 N ∑ i = 1 N O i - O 2
（5） TS评分[33]：
T S = N A N A + N B + N C
式中： O i为站点观测值； G i为格点产品插值到站点的数值；N为总站次数；NA表示预报与实况均发生的站次数；NB表示预报发生而实况不发生的站次数；NC表示预报不发生而实况发生的站次数。

2 降水产品检验及评估

2.1 2022年降水检验及评估

从各项评估指标来看，2022年三种降水产品与观测相比平均值误差在-0.153~0.311之间，平均绝对误差在0.061~0.664之间，均方根误差在0.185~1.403之间，相关系数在66.297%~99.532%之间，均通过P<0.001显著性检验（表1），其中CMPAS误差最小、相关系数最高，与观测最接近。
表1 2022年青藏高原东部三种降水产品评估指标

Tab. 1 Evaluation indicators of three precipitation products in eastern Qinghai-Xizang Plateau in 2022

降水产品名称 ME MAE RMSE COR
CRA 0.311 0.631 1.305 79.281%****
CMPAS 0.041 0.061 0.185 99.532%****
CLDAS -0.153 0.664 1.403 66.297%****

注：*、**、***、****分别为通过0.1、0.05、0.01、0.001相关性显著检验。下同。

由图2可知，2022年青藏高原东部平均降水量364.9 mm，柴达木盆地以及循化、贵德、共和、民和等14站降水量不足300.0 mm，三江源局部以及西宁、大通、湟中、互助、门源等12站达500.0~661.7 mm，久治最多。CRA平均降水量478.2 mm，较观测偏多，除清水河偏少，其余大部分地区偏多20%以上，其中大柴旦、循化、贵德、格尔木、诺木洪、小灶火6站偏多1.0~2.7倍，小灶火偏多幅度最大。CMPAS平均降水量379.9 mm，与观测接近；大柴旦、冷湖、格尔木、班玛、海晏、小灶火6站偏多11.5%~60.9%，小灶火偏多幅度最大，其余地区偏差10%以内。CLDAS平均降水量295.1 mm，较观测偏少；班玛、囊谦、杂多偏多2.7%~27.8%，其余大部分地区偏少20%以上，冷湖偏少70.3%，偏少幅度最大。总的来说，CLDAS较观测明显偏少，CRA、CMPAS与观测在空间分布上较为相似，但CRA在柴达木盆地及东部农业区偏多明显，CMPAS与观测更为接近。
图2 2022年青藏高原东部降水量空间分布

Fig. 2 Spatial distribution of precipitation in the eastern Qinghai-Xizang Plateau in 2022

从年内变化来看，年内CRA各月降水量较观测均偏多；CLDAS除10月、11月降水量较观测略多外，其余各月明显偏少；CMPAS各月降水量与观测最为接近（图3）。从评估指标来看，CMPAS各月均是三种降水产品中误差最小，相关系数最高的；CRA和CLDAS相比，除6—7月、9—11月外，CLDAS平均绝对误差均小于CRA，除6—9月、11月外，CRA均方根误差均小于CLDAS，但CRA月降水量相关系数普遍高于CLDAS（表2）。故分析月尺度降水时，选用CMPAS最佳。
图3 2022年青藏高原东部降水量逐月变化

Fig. 3 Monthly changes of precipitation in the eastern Qinghai-Xizang Plateau in 2022

表2 2022年青藏高原东部三种降水产品各月评估指标

Tab. 2 Evaluation indicators of three precipitation products in eastern Qinghai-Xizang Plateau by month in 2022

月份 CRA CMPAS CLDAS
ME MAE RMSE COR ME MAE RMSE COR ME MAE RMSE COR
1 0.064 0.070 0.129 87.810%**** 0.005 0.007 0.011 99.697%**** -0.026 0.042 0.082 61.099%****
2 0.109 0.187 0.338 64.134%**** 0.011 0.013 0.020 99.932%**** -0.076 0.132 0.289 33.024%*
3 0.126 0.141 0.331 62.453%**** 0.012 0.013 0.039 98.779%**** -0.013 0.087 0.178 62.429%****
4 0.395 0.565 1.103 78.049%**** 0.017 0.034 0.063 99.832%**** -0.312 0.545 1.006 26.942%
5 0.399 0.780 1.231 75.362%**** 0.022 0.037 0.048 99.948%**** -0.231 0.634 1.144 56.741%****
6 0.495 1.047 1.530 72.216%**** 0.059 0.068 0.092 99.943%**** -0.146 1.320 1.708 61.704%****
7 0.591 0.994 1.501 85.055%**** 0.160 0.201 0.458 98.641%**** -0.361 1.173 1.721 76.322%****
8 0.868 2.310 3.217 47.093%*** 0.078 0.217 0.399 99.012%**** -0.685 2.294 3.289 35.563%**
9 0.338 0.838 1.387 77.625%**** 0.088 0.088 0.122 99.934%**** -0.093 1.250 1.995 52.324%***
10 0.232 0.481 0.627 63.399%**** 0.027 0.034 0.040 99.911%**** 0.0910 0.418 0.576 71.106%****
11 0.070 0.086 0.154 92.558%**** 0.008 0.012 0.021 99.808%**** 0.025 0.073 0.157 93.688%****
12 0.025 0.025 0.056 65.556%**** 0.001 0.001 0.002 99.916%**** 0.001 0.008 0.022 62.265%****
通过上述对三种降水产品在青藏高原东部的检验评估分析，可以看出CMPAS与观测误差最小、相关性最强、效果最好，CRA其次，CLDAS误差较大、相关性较弱。故在分析青藏高原东部月尺度、年尺度降水时，应优先选用CMPAS降水产品。

2.2 重要降水过程检验及评估

2022年8月青藏高原东部强降水频发，大雨及以上降水发生频次为1961年以来同期最多，西宁、平安、化隆、托勒、野牛沟降水量为当地1961年以来同期最多。极端降水事件引发暴雨洪涝及次生灾害，尤其是大通县“8·18”山洪灾害给人民群众生命财产安全造成重大损失。故选取两次典型降水过程进行检验评估，并引入729个区域自动气象站（图4）观测数据进一步提高评估的精确程度。
图4 青藏高原东部区域自动气象站空间分布

Fig. 4 Spatial distribution of automatic weather stations in eastern Qinghai-Xizang Plateau

2.2.1 2022年8月12—15日降水过程检验及评估

从各项误差评估指标来看，三种降水产品此次降水过程平均值误差在-0.294~2.828之间，平均绝对误差在0.112~6.104之间，均方根误差在0.144~7.338之间，其中CMPAS平均值误差、平均绝对误差、均方差误差分别为0.002、0.112、0.114，与实际最接近、偏差最小（表3）。
表3 2022年8月12—15日青藏高原东部三种降水产品评估指标

Tab. 3 Evaluation indicators of three precipitation products in eastern Qinghai-Xizang Plateau during August 12-15, 2022

降水产品名称 ME MAE RMSE
CRA 2.828 5.101 6.030
CMPAS 0.002 0.112 0.144
CLDAS -0.294 6.104 7.338
为进一步评估三种降水产品能否反映观测实际情况，从过程雨量、最大降水中心、最大降水中心雨量、不同等级降水站次、降水集中落区及出现时间六个方面深入分析，其中日降水量分为0.1~9.9 mm、10.0~24.9 mm、25.0~49.9 mm、50.0~99.9 mm、100.0 mm及以上五个级别，分别对应小雨、中雨、大雨、暴雨及大暴雨。
降水过程期间，青藏高原东部观测平均降水量21.7 mm；最大降水中心出现在平安洪水泉乡永安村，累积降水量143.8 mm；期间共出现小雨1607站次、中雨320站次、大雨193站次、暴雨71站次、大暴雨1站次，其中暴雨集中在14日东部农业区，大暴雨出现在14日湟中土门关乡政府，降水量达105.2 mm。CRA平均降水量30.6 mm，较观测偏多；最大降水中心出现在大通宝库乡巴音村（62.4 mm），与观测最大降水中心不一致且雨量明显偏少；期间出现小雨1968站次、中雨822站次、大雨147站次且集中出现在12日，无暴雨及大暴雨，即强降水站次较观测明显偏少。CMPAS平均降水量26.7 mm，较观测略多；最大降水中心出现在平安洪水泉乡永安村（128.1 mm），与观测一致且雨量接近；期间出现小雨1910站次、中雨315站次、大雨193站次、暴雨64站次、无大暴雨，强降水站次、落区与观测均较为一致。CLDAS平均降水量18.1 mm，较观测略少；最大降水中心出现在民和满坪镇满坪村（103.2 mm），与观测最大降水中心不一致且明显偏少；期间出现小雨1223站次、中雨167站次、大雨154站次、暴雨47站次、无大暴雨，各等级降水站次较观测均偏少（图5）。
图5 2022年8月12—15日青藏高原东部降水量空间分布

Fig. 5 Spatial distribution of precipitation in eastern Qinghai-Xizang Plateau during August 12-15, 2022

青藏高原东部降水集中出现在14日（10.4 mm）。CMPAS降水集中出现时间为14日（10.4 mm），与观测一致，CRA、CLDAS降水分别集中出现在12日（12.0 mm）、13日（15.7 mm），较观测提前1~2 d且雨量偏大（图6）。
图6 2022年8月12—15日青藏高原东部降水量逐日变化

Fig. 6 Daily variation of precipitation in eastern Qinghai-Xizang Plateau during August 12-15, 2022

计算TS评分，进一步分析对不同等级降水的反应情况。三种降水产品TS评分随降水等级增大而减小，且均未能准确体现大暴雨，其中CMPAS小到暴雨TS评分在0.82~0.98之间，明显高于CRA、CLDAS（图7）。
图7 2022年8月12—15日青藏高原东部不同等级降水TS评分

Fig. 7 TS scores of precipitation of different grades in eastern Qinghai-Xizang Plateau during August 12-15, 2022

综上所述，就过程累积雨量而言，CLDAS与观测最为接近，CMPAS次之，CRA偏差大；就最大降水中心而言，仅CMPAS准确反映了观测最大降水中心；就最大降水中心雨量而言，CMPAS与观测最为接近，CLDAS次之，CRA偏差大；就不同等级降水站次而言，CMPAS与观测最接近且能较好反映强降水情况，CRA、CLDAS强降水站次明显偏少；就降水集中出现时间而言，CMPAS准确反映了观测实际情况，CRA、CLDAS均偏早；就降水落区而言，三种降水产品与观测均较为一致。故针对2022年8月12—15日降水过程，CMPAS与观测最接近、适用性最好。

2.2.2 2022年8月17—18日降水过程检验及评估

从各项误差评估指标来看，三种降水产品此次降水过程平均值误差在-0.117~7.068之间，平均绝对误差在0.117~7.068之间，均方根误差在0.118~7.116之间，其中CMPAS平均值误差、平均绝对误差、均方根误差分别为-0.117、0.117、0.118（表4），与实际最接近、偏差最小，CLDAS次之，CRA误差最大。
表4 2022年8月17—18日青藏高原东部三种降水产品评估指标

Tab. 4 Evaluation indicators of three precipitation products in eastern Qinghai-Xizang Plateau during August 17-18, 2022

降水产品名称 ME MAE RMSE
CRA 7.068 7.068 7.116
CMPAS -0.117 0.117 0.118
CLDAS -0.796 0.796 0.956
为进一步评估三种降水产品能否反映观测实际情况，从过程雨量、最大降水中心、最大降水中心雨量、不同等级降水站次、降水集中落区及出现时间六个方面深入分析，其中日降水量分为0.1~9.9 mm、10.0~24.9 mm、25.0~49.9 mm、50.0 mm及以上四个级别，分别对应小雨、中雨、大雨及暴雨。
此次降水过程期间，青藏高原东部平均降水量7.9 mm；最大降水中心出现在祁连默勒镇老日根村，累积降水量80.9 mm；期间出现小雨652站次、中雨172站次、大雨81站次、暴雨5站次，其中暴雨出现在18日西宁及大通地区。CRA平均降水量22.1 mm，较观测偏多近2倍；最大降水中心出现在湟中甘河滩镇坡东村（58.0 mm），与观测不一致且雨量明显偏小；期间出现小雨773站次、中雨512站次、大雨201站次、无暴雨，除暴雨，各量级降水站次较观测均偏多，尤其是17日偏多明显。CMPAS平均降水量15.4 mm，较观测偏多近1倍；最大降水中心出现在祁连默勒镇瓦日尕村（78.3 mm），最大降水中心及雨量与观测较为一致；期间出现小雨734站次、中雨177站次、大雨87站次、暴雨1站次，强降水落区、站次与观测较为接近。CLDAS平均降水量6.3 mm，较观测略少；最大降水中心出现在祁连默勒镇老日根村（47.1 mm），最大降水中心与观测一致，但雨量明显偏少；期间出现小雨760站次、中雨151站次、大雨26站次、无暴雨，其中大雨主要出现在同仁地区，强降水落区与观测有所偏差，站次明显偏少（图8）。
图8 2022年8月17—18日青藏高原东部降水量空间分布

Fig. 8 Spatial distribution of precipitation in eastern Qinghai-Xizang Plateau during August 17-18, 2022

青藏高原东部降水集中出现在18日（5.0 mm）。三种降水产品降水集中出现时间均为18日，与观测一致，其中CRA（11.3 mm）较观测明显偏多，CMPAS、CLDAS分别为4.9 mm、4.8 mm，与观测接近（图9）。
图9 2022年8月17—18日青藏高原东部降水量逐日变化

Fig. 9 Daily variation of precipitation in eastern Qinghai-Xizang Plateau during August 17—18, 2022

计算TS评分，进一步分析对不同等级降水的反应情况。三种降水产品TS评分随降水等级增大而减小，CRA、CLDAS未能体现暴雨量级降水，CMPAS对暴雨的反应较观测偏小。CMPAS小到大雨TS评分在0.84~0.96之间，明显高于CRA、CLDAS（图10）。
图10 2022年8月17—18日青藏高原东部不同等级降水TS评分

Fig. 10 TS scores of precipitation of different grades in eastern Qinghai-Xizang Plateau during August 17-18, 2022

总的来说，就过程累积雨量而言，CLDAS与观测最为接近，CMPAS次之，CRA明显偏多；就最大降水中心而言，CMPAS、CLDAS反映了观测最大降水中心；就最大降水中心雨量而言，CMPAS与观测接近，CLDAS、CRA均偏小；就不同等级降水站次而言，CMPAS与观测最接近，CRA、CLDAS强降水站次明显偏少；就降水集中出现时间而言，三种降水产品均与观测一致，但CRA雨量明显偏大；就降水落区而言，三种降水产品与观测均较为一致。故针对此次降水过程，CMPAS与观测最接近、适用性最好。
青藏高原东部两次大范围降水过程中，CRA效果差，CLDAS对过程累积雨量反映最为准确，CMPAS能准确反映最大降水中心及雨量，降水集中出现时间及落区与观测一致，虽然暴雨及大暴雨站次较实际偏少，但对其余等级降水的反应明显优于另外两种降水产品。故CMPAS整体效果最佳。

3 讨论

在现今的天气气候业务中，对精细化网格降水产品的需求愈发迫切。本文评估了CRA、CMPAS、CLDAS在青藏高原东部降水刻画能力，研究发现：CMPAS能较好反映降水情况，但对暴雨以上量级降水有所低估，这与宇婧婧等[14]、潘旸等[37]的研究结果较为一致。CLDAS对于不同量级降水刻画较不稳定，这与王雅萍等[44]的研究结果较为一致。CRA对于降水量整体有所高估，这与王彩霞等[28]的研究结果较为一致。通过检验评估，了解三种降水产品在青藏高原东部不同尺度降水中的适用性，选择效果更佳的降水产品在科研和业务中使用，可为站点稀疏区的精细化监测提供数据支撑。
本文对比了三种不同降水产品，但局限于国内自主研发，未能纳入国际高质量数据进行对比，难以全面评估其性能及在全球范围内的排名。检验评估时间序列较短，难以评价长时间序列的适用性，在不同海拔、地形下的降水产品精度仍需进一步深入研究。此外，多源数据的精确性极大受限于数据源的选取、权重分配、同化或融合方法[29]，造成了数据集的不确定性，需进一步优化数据源及算法使产品效果更佳。已有降水产品多依赖于传统的数理统计模型进行数据融合[37-38]，近年来，人工智能领域持续展现创新活力，数据融合和机器学习的结合尽管在实践中面临挑战，但也提供了新的发展方向[45]。

4 结论

本文评估了三种高分辨率降水产品在青藏高原东部的适用性，主要结论如下：
（1） 对青藏高原东部而言，CMPAS年降水与观测误差最小、相关性最强，明显优于另外两种资料，CRA年降水较观测明显偏多，CLDAS年降水较观测明显偏少，误差较大、相关性较弱。在分析青藏高原东部年尺度降水时，应优先选用CMPAS降水产品。
（2） 从年内变化来看，CMPAS各月降水量与观测最为接近、误差小、相关性高，CRA各月降水量较观测均偏多、误差较大，CLDAS多数月份较观测明显偏少且相关性差。在分析青藏高原东部月尺度降水时，应优先选用CMPAS降水产品。
（3） 青藏高原东部两次大范围降水过程中，CLDAS对过程累积雨量的反映最为准确，CMPAS能准确反映最大降水中心、最大降水中心雨量、小到大雨等级降水、降水集中出现时间及落区。在分析青藏高原东部降水过程时，CMPAS降水产品效果最佳。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Li Z, Yang D, Gao B, et al. Multiscale hydrologic applications of the latest satellite precipitation products in the Yangtze River basin using a distributed hydrologic model[J]. Journal of Hydrometeorology, 2015, 16(1): 407-426.

[2]
Chappel L A, Renzullo L J, Raupach T H, et al. Evaluating geostatistical methods of blending satellite and gauge data to estimate near real-time daily rainfall for Australia[J]. Journal of Hydrology, 2013, 493: 105-114.

[3]
Guo H, Chen S, Bao A M, et al. Early assessment of integrated multi-satellite retrievals for global precipitation measurement over China[J]. Atmospheric Research, 2016, 176: 121-133.

[4]
李巧, 戚友存, 朱自伟, 等. 复杂地形下C波段雷达定量降水估计算法[J]. 气象学报, 2021, 79(4): 689-702.

[Li Qiao, Qi Youcun, Zhu Ziwei, et al. Quantitative precipitation estimation algorithm for C-band radar situated in complex topographical regions[J]. Acta Meteorologica Sinica, 2021, 79(4): 689-702.]

[5]
柳云雷, 李昌兴, 张乐坚, 等. 基于高分辨率高程数据统计分析新一代天气雷达组网的地形遮挡影响[J]. 气象学报, 2020, 78(4): 705-720.

[Liu Yunlei, Li Changxing, Zhang Lejian, et al. Statistical analysis of terrain blockage impacts on the CINRAD network based on DEM data[J]. Acta Meteorologica Sinica, 2020, 78(4): 705-720.]

[6]
Ma Y, Sun X, Chen H, et al. A two-stage blending approach for merging multiple satellite precipitation estimates and rain gauge observations: An experiment in the northeastern Tibetan Plateau[J]. Hydrology and Earth System Sciences, 2021, 25(1): 359-374.

[7]
陈爱军, 张寅, 楚志刚. 基于FY-4A QPE的中亚五国降水时空分布特征[J]. 干旱区研究, 2023, 40(9): 1369-1381.

[Chen Aijun, Zhang Yin, Chu Zhigang. Spatiotemporal distribution of precipitation in five Central Asian countries based on FY-4A quantitative precipitation estimates[J]. Arid Zone Research, 2023, 40(9): 1369-1381.]

[8]
邵建, 张肃诏, 陈敏, 等. FY-4A卫星在宁夏短时强降水中的适用性研究[J]. 干旱区研究, 2023, 40(2): 163-172.

[Shao Jian, Zhang Suzhao, Chen Min, et al. Application of FY-4A satellite data in short-time severe precipitation of Ningxia[J]. Arid Zone Research, 2023, 40(2): 163-172.]

[9]
Yang M, Liu G, Chen T, et al. Evaluation of GPM IMERG precipitation products with the point rain gauge records over Sichuan, China[J]. Atmospheric Research, 2020, 246: 105101.

[10]
陈圆圆, 宋晓东, 黄敬峰, 等. 基于地面站点观测降水资料的中国区域日降水融合产品精度评价[J]. 自然资源学报, 2016, 31(6): 1004-1014.

[Chen Yuanyuan, Song Xiaodong, Huang Jingfeng, et al. Evaluation of the high-resolution daily merged precipitation product over China based on in situ observations[J]. Journal of Natural Resources, 2016, 31(6): 1004-1014.]

[11]
师春香, 潘旸, 谷军霞, 等. 多源气象数据融合格点实况产品研制进展[J]. 气象学报, 2019, 77(4): 774-783.

[Shi Chunxiang, Pan Yang, Gu Junxia, et al. A review of multi-source meteorological data fusion products[J]. Acta Meteorologica Sinica, 2019, 77(4): 774-783.]

[12]
司瑶冰, 韩经纬, 李云鹏, 等. 基于网格数据的内蒙古决策气象服务技术研究与实现[J]. 沙漠与绿洲气象, 2020, 14(6): 127-133.

[Si Yaobing, Han Jingwei, Li Yunpeng, et al. Technology and implementation of meteorological decision-making services based on grid data in Inner Mongolia[J]. Desert and Oasis Meteorology, 2020, 14(6): 127-133.]

[13]
Adler R F, Mathew S, George H, et al. The Global Precipitation Climatology Project (GPCP) monthly analysis (New Version 2.3) and a review of 2017 global precipitation[J]. Atmosphere, 2018, 9(4): 138.

[14]
宇婧婧, 沈艳, 潘旸, 等. 中国区域逐日融合降水数据集与国际降水产品的对比评估[J]. 气象学报, 2015, 73(2): 394-410.

[Yu Jingjing, Shen Yan, Pan Yang, et al. Comparative assessment between the daily merged precipitation dataset over China and the worlds popular counterparts[J]. Acta Meteorologica Sinica, 2015, 73(2): 394-410.]

[15]
沈艳, 潘旸, 宇婧婧, 等. 中国区域小时降水量融合产品的质量评估[J]. 大气科学学报, 2013, 36(1): 37-46.

[Shen Yan, Pan Yang, Yu Jingjing, et al. Quality assessment of hourly merged precipitation product over China[J]. Transactions of Atmospheric Sciences, 2013, 36(1): 37-46.]

[16]
尹瑞琪, 李琼芳, 陈启慧, 等. 伊犁河上游流域三种日尺度降水产品性能评估[J]. 干旱区研究, 2024, 41(4): 540-549.

[Yin Ruiqi, Li Qiongfang, Chen Qihui, et al. Performance evaluation of three daily precipitation products in the upper reaches of the Ili River[J]. Arid Zone Research, 2024, 41(4): 540-549.]

[17]
曾岁康, 雍斌. 全球降水计划IMERG和GSMaP反演降水在四川地区的精度评估[J]. 地理学报, 2019, 74(7): 1305-1318.

[Zeng Suikang, Yong Bin. Evaluation of the GPM-based IMERG and GSMaP precipitation estimates over the Sichuan region[J]. Acta Geographica Sinica, 2019, 74(7): 1305-1318.]

[18]
潘旸, 沈艳, 宇婧婧, 等. 基于贝叶斯融合方法的高分辨率地面-卫星-雷达三源降水融合试验[J]. 气象学报, 2015, 73(1): 177-186.

[Pan Yang, Shen Yan, Yu Jingjing, et al. An experiment of high-resolution gauge-radar-satellite combined precipitation retrieval based on the Bayesian merging method[J]. Acta Meteorologica Sinica, 2015, 73(1): 177-186.]

[19]
许冠宇, 李琳琳, 田刚, 等. 国家级降水融合产品在长江流域的适用性评估[J]. 暴雨灾害, 2020, 39(4): 400-408.

[Xu Guanyu, Li Lingling, Tian Gang, et al. Assessing the applicability of national precipitation merged products in the Yangtze River Basin[J]. Torrential Rain and Disasters, 2020, 39(4): 400-408.]

[20]
Rodell M, Houser R, Jambor U, et al. The global land data assimilation system[J]. Bulletin of the American Meteorological Society, 2004, 85(3): 381-394.

[21]
崔园园, 覃军, 敬文琪, 等. GLDAS和CLDAS融合土壤水分产品在青藏高原地区的适用性评估[J]. 高原气象, 2018, 37(1): 123-136.

[Cui Yuanyuan, Qin Jun, Jing Wenqi, et al. Applicability evaluation of merged soil moisture in GLDAS and CLDAS products over Qinghai-Tibetan Plateau[J]. Plateau Meteorology, 2018, 37(1): 123-136.]

[22]
齐媛媛, 陈莹莹, 施建成. 欧洲陆面数据同化系统组成,系统设计和原理简介[J]. 遥感信息, 2007(4): 93-97.

[Qi Yuanyuan, Chen Yingying, Shi Jiancheng. Review on European land data assimilation system[J]. Remote Sensing Information, 2007(4): 93-97.]

[23]
师春香, 张帅, 孙帅, 等. 改进的CLDAS降水驱动对中国区域积雪模拟的影响评估[J]. 气象, 2018, 44(8): 985-997.

[Shi Chunxiang, Zhang Shuai, Sun Shuai, et al. Effect of improved precipitation CLDAS on snow simulation in China[J]. Meteorological Monthly, 2018, 44(8): 985-997.]

[24]
韩帅, 师春香, 姜志伟, 等. CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及进展[J]. 气象科技进展, 2018, 8(1): 102-108, 116.

[Han Shuai, Shi Chunxiang, Jiang Zhiwei, et al. Development and progress of high resolution CMA land surface data assimilation system[J]. Advances in Meteorological Science and Technology, 2018, 8(1): 102-108, 116.]

[25]
王旻燕, 姚爽, 姜立鹏, 等. 我国全球大气再分析(CRA-40)卫星遥感资料的收集和预处理[J]. 气象科技进展, 2018, 8(1): 158-163.

[Wang Minyan, Yao Shuang, Jiang Lipeng, et al. Collection and pre-processing of satellite remote-sensing data in CRA-40 (CMA’s Global Atmospheric ReAnalysis)[J]. Advances in Meteorological Science and Technology, 2018, 8(1): 158-163.]

[26]
徐柳昕, 王文雨, 王晓燕, 等. 多源降水产品在高寒内陆河流域的适用性和误差组分[J]. 干旱区研究, 2025, 42(1): 51-62.

[Xu Liuxin, Wang Wenyu, Wang Xiaoyan, et al. Evaluation and error decomposition of multisource precipitation data in an alpine and endorheic river watershed[J]. Arid Zone Research, 2025, 42(1): 51-62.]

[27]
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[J]. 地球科学进展, 2010, 25(3): 242-254.

[Zhao Tianbao, Fu Congbin, Ke Zongjian, et al. Research status and progress of global atmospheric reanalysis data[J]. Advances in Earth Science, 2010, 25(3): 242-254.]

[28]
王彩霞, 黄安宁, 郑鹏, 等. 中国第一代全球陆面再分析(CRA40/Land)气温和降水产品在中国大陆的适用性评估[J]. 高原气象, 2022, 41(5): 1325-1334.

[Wang Caixia, Huang Anning, Zheng Peng, et al. Applicability evaluation of China’s first generation of global land surface reanalysis(CRA40/Land)air temperature and precipitation products in China’s mainland[J]. Plateau Meteorology, 2022, 41(5): 1325-1334.]

[29]
Hodges K I, Lee R W, Bengtsson L. A comparison of extratropical cyclones in recent reanalyses ERA-Interim, NASA MERRA, NCEP CFSR, and JRA-25[J]. Journal of Climate, 2011, 24(5): 4888-4906.

[30]
杜冰, 吴薇, 黄晓龙, 等. 多种融合降水实况分析产品在雅安宝兴暴雨过程中的适用性评估[J]. 高原山地气象研究, 2023, 43(1): 111-118.

[Du Bing, Wu Wei, Huang Xiaolong, et al. Applicability assessment of merged precipitation real-time products in the process of flood disaster in Baoxing, Ya’an[J]. Plateau Mountain Meteorology Research, 2023, 43(1): 111-118.]

[31]
旷兰, 田茂举, 翟丹华, 等. 基于2021年重庆市暴雨监测数据的CMPAS产品精度评估[J]. 水电能源科学, 2022, 40(12): 6-10.

[Kuang Lan, Tian Maoju, Zhai Danhua, et al. CMPAS product accuracy evaluation based on Chongqing City rainstorm monitoring data in 2021[J]. Water Resources and Power, 2022, 40(12): 6-10.]

[32]
旷兰, 田茂举, 李强, 等. 多源降水融合分析产品在重庆复杂地形下的精度评价[J]. 中国农业气象, 2023, 44(1): 71-81.

[Kuang Lan, Tian Maoju, Li Qiang, et al. Study on accuracy evaluation of multi-source precipitation fusion analysis products under complex terrain in Chongqing[J]. Chinese Journal of Agrometeorology, 2023, 44(1): 71-81.]

[33]
陈小婷, 刘瑞芳, 梁绵, 等. 三源融合降水产品在陕西省的适用性评估[J]. 陕西气象, 2023(1): 1-7.

[Chen Xiaoting, Liu Ruifang, Liang Mian, et al. Applicability evaluation of CMPAS in Shaanxi Province[J]. Journal of Shaanxi Meteorology, 2023(1): 1-7.]

[34]
鲁奕岑, 徐宁, 王丽吉, 等. 浙江多源融合实况分析产品质量评估及应用[J]. 科技通报, 2021, 37(9): 23-28.

[Lu Yicen, Xu Ning, Wang Liji, et al. Analysis of real time product quality evaluation and application in Zhejiang[J]. Bulletin of Science and Technology, 2021, 37(9): 23-28.]

[35]
Dai L, Che T, Ding Y, et al. Evaluation of snow cover and snow depth on the Qinghai-Tibetan Plateau derived from passive microwave remote sensing[J]. The Cryosphere, 2017, 11(4): 1933-1948.

[36]
陈权亮, 刘皓, 胡淼, 等. 青藏高原东侧复杂地形区极端降水研究进展[J]. 暴雨灾害, 2024, 43(3): 255-265.

[Chen Quanliang, Liu Hao, Hu Miao, et al. A review of the studies on extreme precipitation in the complex terrain region on the eastern side of the Tibetan Plateau[J]. Torrential Rain and Disasters, 2024, 43(3): 255-265.]

[37]
潘旸, 谷军霞, 宇婧婧, 等. 中国区域高分辨率多源降水观测产品的融合方法试验[J]. 气象学报, 2018, 76(5): 755-766.

[Pan Yang, Gu Junxia, Yu Jingjing, et al. Test of merging methods for multi-source observed precipitation products at high resolution over China[J]. Acta Meteorologica Sinica, 2018, 76(5): 755-766.]

[38]
孙小龙, 宋海清, 李平, 等. 基于CLDAS资料的内蒙古干旱监测分析[J]. 气象, 2015, 41(10): 1245-1252.

[Sun Xiaolong, Song Haiqing, Li Ping, et al. Analysis of drought monitoring in inner mongolia based on CLDAS data[J]. Meteorological Monthly, 2015, 41(10): 1245-1252.]

[39]
饶莉娟, 王健林, 张星. 不同插值方法对精细化预报产品在青岛地区的检验比较[J]. 中国农学通报, 2020, 36(32): 100-108.

[Rao Lijuan, Wang Jianlin, Zhang Xing. Different interpolation methods: Comparison for refined forecast products in Qingdao area[J]. Chinese Agricultural Science Bulletin, 2020, 36(32): 100-108.]

[40]
蒋雨荷, 黄晓龙, 李施颖, 等. 四川CLDAS 5 km小时能见度实况产品与能见度观测站资料质量对比评估[J]. 高原山地气象研究, 2020, 40(3): 73-78.

[Jiang Yuhe, Huang Xiaolong, Li Shiying, et al. Comparison and evaluation of the data quality between CLDAS 5 km hourly visibility products and visibility observation stations in Sichuan Province[J]. Plateau and Mountain Research, 2020, 40(3): 73-78.]

[41]
于洋, 卫伟, 陈利顶, 等. 黄土高原年均降水量空间插值及其方法比较[J]. 应用生态学报, 2015, 26(4): 999-1006.

[Yu Yang, Wei Wei, Chen Liding, et al. Comparison on the methods for spatial interpolation of the annual average precipitation in the Loess Plateau region[J]. Chinese Journal of Applied Ecology, 2015, 26(4): 999-1006.]

[42]
李依瞳, 慕秀香, 朴美花, 等. 2019—2020年1—3月降水和气温的多源数据融合产品检验评估及对比分析[J]. 气象灾害防御, 2021, 28(3): 1-5.

[Li Yitong, Mu Xiuxiang, Piao Meihua, et al. Evaluation and comparative analysis of multi-source data fusion products of precipitation and temperature from January to March in 2019-2020[J]. Meteorological Disaster Prevention, 2021, 28(3): 1-5.]

[43]
龙柯吉, 师春香, 韩帅, 等. 中国区域高分辨率温度实况融合格点分析产品质量评估[J]. 高原山地气象研究, 2019, 39(3): 67-74.

[Long Keji, Shi Chunxiang, Han Shuai, et al. Quality assessment of high resolution temperature merged grid analysis product in China[J]. Plateau and Mountain Meteorology Research, 2019, 39(3): 67-74.]

[44]
王雅萍, 王遂缠, 孔令旺. CLDAS降水产品的适用性分析及机器学习订正应用[J]. 气象水文海洋仪器, 2024, 41(3): 111-115.

[Wang Yaping, Wang Suichan, Kong Lingwang. Application analysis and machine learning correction of CLDAS precipitation product[J]. Meteorological, Hydrological and Marine Instruments, 2024, 41(3): 111-115.]

[45]
陈科文, 张祖平, 龙军. 多源信息融合关键问题、研究进展与新动向[J]. 计算机科学, 2013, 40(8): 6-13.

[Chen Kewen, Zhang Zuping, Long Jun. Multisource information fusion: Key issues, research progress and new trends[J]. Computer Science, 2013, 40(8): 6-13.]

Options
Outlines

/

〈 〉