EN中文

Arid Zone Research >

2025 , Vol. 42 >Issue 8: 1379 - 1383

DOI: https://doi.org/10.13866/j.azr.2025.08.03

Weather and Climate

Assessment of the applicability of CLDAS and GPM precipitation data for precipitation in Qinghai Province

  • SHEN Yanling , 1, 2, 3 ,
  • CAO Xiaomin , 1, 2 ,
  • MA Yuancang 1, 2 ,
  • WANG Zhenhai 4
Expand
  • 1. Qinghai Institute of Meteorological Science, Xining 810001, Qinghai, China
  • 2. Qinghai Key Laboratory of Disaster Prevention and Mitigation, Xining 810001, Qinghai, China
  • 3. Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province, Chengdu 610213, Sichuan, China
  • 4. Qinghai Meteorological Bureau, Xining 810001, Qinghai, China

Received date: 2025-03-21

  Revised date: 2025-06-18

  Online published: 2026-03-12

Fold

Abstract

Based on summer hourly station observations in Qinghai from 2005 to 2021, this study evaluated the accuracy of China Meteorological Administration Land Data Assimilation System (CLDAS) and Global Precipitation Measurement (GPM) precipitation data across multiple dimensions, including temporal scales, diurnal variation, and elevation impacts. The results showed that: CLDAS outperformed GPM in overall accuracy. Both systems tended to overestimate the amount and frequency of light precipitation but underestimate these metrics for heavy precipitation. CLDAS better captured diurnal variations in precipitation amount/frequency and elevation-dependent patterns than GPM. However, CLDAS exhibited abnormally high values near major lakes. Correlations with elevation strengthened progressively for both products with increasing altitude, with CLDAS exhibiting a more significant trend in correlation enhancement. GPM overestimated the amount and frequency of precipitation at low elevations but underestimated these metrics at high elevations.

Key words： CLDAS; GPM; precipitation evaluation; altitude impact; Qinghai

Cite this article

SHEN Yanling , CAO Xiaomin , MA Yuancang , WANG Zhenhai . Assessment of the applicability of CLDAS and GPM precipitation data for precipitation in Qinghai Province[J]. Arid Zone Research, 2025 , 42(8) : 1379 -1383 . DOI: 10.13866/j.azr.2025.08.03

青海省是“三江源”的发源地，不仅是淡水资源的补给区与关键碳汇区，更是长江中下游及周边区域生态安全和可持续发展的重要屏障[1]。青海省具有维系青藏高原生态屏障的功能，对守护“中华水塔”水源涵养能力、维护生物多样性核心区稳定、支撑国家公园群体制建设都具有重要战略意义。夏季降水是青海省水资源的主要供给时段，尤其三江源区大部分径流依赖于夏季降水[2-3]。但由于青藏高原地表复杂度高、气象观测站点稀疏，青海省降水观测数据存在空间代表性不足的问题，且传统地面观测难以精准捕捉局地暴雨的空间差异性[4-6]，所以关于青海省降水的相关研究，仍存在较大的局限性。
与地面观测降水方法相比，卫星降水产品因其高时空分辨率的优势，弥补了单个天气雷达探测范围过小和不足的问题[7-9]。目前国际上已形成了许多可业务化应用的降水产品，如美国加州大学的人工神经网络方法产生的降水资料、我国的风云气象卫星业务降水产品等[10]。由于各种卫星降水产品使用的卫星资料和反演算法等都有所不同，且数据反演过程中存在较多的干扰因素，故不同产品的精度存在差异，产品的反演精度与实际降水之间也存在一定误差。
青海省夏季暴雨常伴随强对流天气，具有突发性强、历时短、局地性突出的特点，这对降水产品的时空分辨率和地形适应性提出了更高要求。近年来有关高原降水资料的评估工作逐渐增多，然而大多是针对不同卫星反演数据的检验评估[11-16]。全球降水测量（Global Precipitation Measurement，GPM）数据的双频微波传感器（Dual-frequency Precipitation Radar，DPR）对低层暖云结构和雨滴粒径分布的敏感性使其在暴雨强度反演中具有独特优势，但其在复杂地形区的信号衰减也会产生高估问题[17-21]。中国气象局陆面数据同化系统（China Meteorological Administration Land Data Assimilation System，CLDAS）通过同化地面观测在内的多源数据，可部分修正卫星数据因时间分辨率不足和地形遮挡而出现的系统性偏差问题，能有效还原青藏高原降水特征，但在局地强降水模拟中存在低估现象[22]。
因此，为对比验证在青海省复杂地形下卫星反演降水数据与多源融合降水产品的互补性与优缺点，本研究选取GPM高精度卫星降水产品和中国自主研发的CLDAS陆面多源融合降水产品对青海省夏季降水开展对比评估，为青海省夏季降水产品算法的改进提供科学依据。

1 数据与方法

1.1 数据来源

1.1.1 CLDAS数据

本研究选取青海省2005—2021年夏季（6—8月）时间序列的CLDAS数据，空间分辨率为0.0625°×0.0625°，时间分辨率为1 h。该数据融合了卫星遥感数据、地面观测数据以及数值模式，采用多重网格变分同化（Space and Time Multiscale Analysis System，STMAS）、最优插值（Optimal Interpolation，OI）、地形校正（Terrain Correction，TC）等多种技术，提高了数据的准确度和精度，在中国区域质量优于同类产品[23]。

1.1.2 GPM数据

GPM是由美国国家航空航天局（National Aeronautics and Space Administration，NA- SA）与日本宇宙航空研究开发机构（Japan Aerospa- ce Exploration Agency，JAXA）联合主导的新一代高精度降水观测数据，旨在提供全球范围内的高分辨率降水观测，其起始时间为2000年6月，空间分辨率为0.1°×0.1°，时间分辨率为0.5 h，覆盖全球从热带到高纬度的广泛区域。GPM通过整合多颗卫星的观测数据[24]，利用先进的数据同化算法，经过全球地面降水观测网络的验证，显著提高了降水数据的精度和可靠性[25-26]。本研究选取2005—2021年青海省夏季（6—8月）GPM降水反演数据进行评估。

1.1.3 站点观测数据

本研究使用的站点降水数据来自中国气象局国家气象信息中心，考虑到观测记录的连续性，选取2005—2021年夏季（6—8月）具有稳定观测记录的52个国家级地面气象站的逐小时观测数据。将数据先进行质量控制，删除无降水天气过程以及观测设备异常产生的异常值，并标记空缺部分为缺测值。这52个气象站中，有8个台站由于缺测率高而被删除。所以本研究中选用具有稳定观测记录的2005—2021年青海省夏季的44个国家级地面气象站的逐小时观测数据（图1）。
图1 研究区气象站点分布

注：底图采用自然资源部标准地图制作，审图号为GS(2019)3333号，对底图边界无修改。下同。

Fig. 1 The distribution of meteorological stations in the study area

1.2 研究方法

1.2.1 降水频率与降水强度

降水频率定义为出现可测量降水的小时占该时间段内所有有效观测小时总数的百分比，通过可测量降水小时数占全部无缺失值数据小时数的比例计算得出。降水强度则指所有可测量降水小时的平均值，公式为：
${P}_{i}=\frac{{N}_{m}}{{N}_{t}}$
式中：Pi为降水强度（mm·h-1）；Nm为小时降水量大于或等于0.1的可测量降水量（mm）；Nt为全部无缺失值数据小时数（h）。本研究在不同资料的处理中，均将小时降水量大于或等于0.1 mm·h-1作为降水发生的判据[27]。

1.2.2 评估方法与统计指标

选用皮尔逊相关系数（Pearson Correlation Coefficient，CORR）、均方根误差（Root Mean Square Error，RMSE）和偏差（BIAS）3个指标对比CLDAS与GPM在青海省的表现。其中，相关系数（CORR）能够反映数据与站点观测的线性关系；均方根误差（RMSE）能够体现两种数据的精度；偏差（BIAS）反映数据的系统偏差，绝对值越小偏差越小，正值为高估，负值为低估[26]。上述评估指标公式分别为：
皮尔逊相关系数
$\mathrm{C}\mathrm{O}\mathrm{R}\mathrm{R}=\frac{\stackrel{N}{\sum _{i=1}}\left({y}_{i}-\stackrel{-}{y}\right)\left({x}_{i}-\stackrel{-}{x}\right)}{\sqrt{\stackrel{N}{\sum _{i=1}}{\left({y}_{i}-\stackrel{-}{y}\right)}^{2}\stackrel{N}{\sum _{i=1}}{\left({x}_{i}-\stackrel{-}{x}\right)}^{2}}}$
均方根误差
$\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{\stackrel{N}{\sum _{i=1}}{\left({y}_{i}-{x}_{i}\right)}^{2}}{N}}$
偏差
$\mathrm{B}\mathrm{I}\mathrm{A}\mathrm{S}=\frac{\stackrel{N}{\sum _{i=1}}\left({y}_{i}-{x}_{i}\right)}{\stackrel{N}{\sum _{i=1}}{x}_{i}}\times 100\mathrm{\%}$
式中：N为样本总数；y为站点观测样本；x为CLDAS和GPM数据样本； $\stackrel{-}{y}$和 $\stackrel{-}{x}$分别为相应的算术平均值；yi代表第i个观测样本；xi代表第i个CLDAS和GPM数据样本。

1.2.3 最邻近插值法

基于气象站点降水观测数据对CLDAS和GPM降水数据进行对比评估前，需要对格点资料和站点观测进行空间匹配。考虑到高原地形复杂、站点少且分布不均匀，若把观测站资料插值为格点资料时会出现虚假信息，产生系统误差，使原本可靠的测站资料变得不可信。高原降水分布具有高度的空间不均匀性，将站点数据插值到格点可能会平滑由复杂地形和气流之间的相互作用引起的降水小尺度变化[28-29]。所以本研究对CLDAS和GPM采用的插值方法为最近邻插值法，针对每次卫星经过研究区域，定位每个观测站对应的最近像元，提取与该卫星扫描时间最接近的观测降水数据，从而建立卫星像元与雨量计观测的同步配对数据集，用于后续的评估与对比分析[30]。

2 结果与分析

2.1 降水量与降水频率分布

图2为2005—2021年青海省夏季（6—8月）平均降水量和降水频率的分布。最大降水量约为450 mm，其中最大降水频率为18%，二者总体呈“东南向西北递减”的空间分布特征，在西北部附近降水量小于50 mm，降水频率小于3%。CLDAS和GPM两种数据对观测降水量的偏差都呈相似的空间分布特征，青海省东北部地区偏差较小，青海省中部和东部边坡附近有较大的异常点。然而，两种数据在降水频率方面表现相反，CLDAS表现为对青海省大部分站点的降水频率的低估，GPM则表现为高估。
图2 2005—2021年青海省夏季不同降水数据与观测偏差的空间分布

Fig. 2 Spatial distribution of biases between precipitation data and observations in summer over Qinghai Provionce during 2005-2021

2.2 不同时间尺度降水量与降水频率对比

2.2.1 年尺度

图3结果分析表明，CLDAS在青海省夏季站点降水量与观测值之间表现为正相关特征，大部分观测站点的CORR值达到0.8以上，通过99%的信度检验，且中位数与平均值在0.8以上。GPM的CORR值与站点观测值之间也表现为正相关特征，大部分站点通过99%的信度检验，且中位数与平均值在0.7以上。相较于GPM，CLDAS的RMSE值在空间分布上整体数据估算精度更高，RMSE的中位数为34.2 mm，平均RMSE约为35.1 mm，GPM的RMSE中位数为51.2 mm，平均RMSE约为53.7 mm，且误差在青海东部和南部更为明显。对两种数据的BIAS进行分析发现，CLDAS对青海省降水量偏差靠近零，说明数据更为接近真实观测值；CLDAS对降水量在青海省西北部存在异常高估，GPM对青海降水量以高估为主，尤其在青海中部存在超过240%的异常高估现象。从箱线图可发现，CLDAS的BIAS值箱型波动范围更为集中，其系统偏差程度更小，反映出更强的误差控制能力，而GPM对青海省降水量数据偏差较大。
图3 2005—2021年青海省夏季降水量评估指标的空间分布与箱线图

注：黑色边线圆点为通过99%显著性检验的观测站点。

Fig. 3 Spatial distributions and boxplots of evaluation metrics for summer precipitation amount in Qinghai Province from 2005 to 2021

图4给出了CLDAS和GPM的夏季平均降水频率的评价指标站点分布与箱线统计图。数据分析显示，CLDAS、GPM在青海省均表现出较高的正相关关系，且大部分站点通过99%的信度检验；CLDAS与站点观测的CORR大部分高于0.7（中位数为0.8）；GPM与站点观测的CORR在0.5以上（中位数为0.5）。通过对CLDAS、GPM精度的分析发现，二者的RMSE普遍小于6.0 mm，其中CLDAS的RMSE的中位数为1.6 mm；GPM的RMSE大于CLDAS，中位数为4.9 mm，且在青海省中部、南部附近存在异常大值站点，最大值可达12.0 mm。对两种数据的偏差进行分析发现，CLDAS的BIAS程度小且大部分表现略低估，中位数为-13.8%；GPM在降水估计中表现出更明显的高估特征，这种趋势在青海省中部的部分站点尤为显著。从箱线图分析，CLDAS的RMSE、BIAS值箱型波动范围较GPM更为集中，且基本靠近零值附近。
图4 2005—2021年青海省夏季降水频率评估指标的空间分布与箱线图

Fig. 4 Spatial distributions and boxplots of evaluation metrics for summer precipitation frequency in Qinghai Province from 2005 to 2021

CLDAS与GPM数据均可有效反映青海省夏季降水量与降水频率的空间分布，但CLDAS与站点观测结果相关系数高于GPM；CLDAS和GPM对青海省降水频率偏差均接近零，但GPM异常值较多，由此可见CLDAS的数据精度更高，且系统偏差更小。

2.2.2 月尺度

图5为青海省夏季平均降水量与降水频率各项统计指标的逐月分布图。对夏季各月降水量的评估中发现，CLDAS在各月的平均CORR值均超过0.9，其中7月的CORR值最高；GPM在各月的平均CORR值均小于CLDAS的CORR值，同样，GPM 6月的CORR值小于7月、8月，不足0.8（图5a）；CLDAS在各月的RMSE值均小于GPM，可见CLDAS的数据精度普遍高于GPM，且7月RMSE最小，数据精度最高（图5c）；通过BIAS的分析发现，CLDAS对降水量均存在高估，GPM存在低估，但CLDAS的表现相对较好，从不同月份的对比来看，CLDAS在7月偏差最小，而GPM在6月偏差最大，达到2.9%（图5e）。对夏季各月降水频率的评估发现，两种数据的CORR与RMSE的分布特征与针对降水量的评估结果基本一致，但对于BIAS的评估表现相反，CLDAS对降水频率存在低估，GPM对降水频率存在明显高估，8月高估程度最高，可达34.55%（图5f）。
图5 2005—2021年青海省夏季月尺度降水评估指标特征

Fig. 5 Characteristics of evaluation indicators for summer monthly precipitation in Qinghai Province from 2005 to 2021

CLDAS与GPM在青海省夏季各月的表现均很出色，CORR普遍超过0.8。从不同月份来看，CLDAS和GPM在7月时CORR的一致性最高；两种数据在降水量和降水频率对于BIAS的评估表现相反。总体来看，CLDAS在各月的表现均优于GPM，CLDAS对降水量、降水频率在7月的表现最优。

2.2.3 日尺度

图6为CLDAS、GPM与44个站点观测的日平均降水量、降水频率的拟合散点图。由图6可知，不论针对降水量还是降水频率，CLDAS与站点观测的相关性均更优，CORR值均大于0.97，这可能与CLDAS已融合了观测资料有关。对于两种数据在降水量和降水频率的RMSE的分析发现，CLDAS数据的精度均高于GPM。两种数据对于BIAS的评估表现相反，CLDAS对降水频率存在低估，而GPM对降水频率存在明显高估。
图6 2005—2021年青海省夏季日尺度降水数据与站点观测线性拟合

注：CORR为皮尔逊相关系数，RMSE为均方根误差，BIAS为偏差；图中黑色虚线和实线分别表示最佳拟合性能（y=x）和数据与观测值的线性拟合；*代表通过99%的置信水平检验。下同。

Fig. 6 Linear fit between daily-scale summer precipitation data and observations in Qinghai Province from 2005 to 2021

2.2.4 小时尺度

为分析两种数据对不同小时降水强度的累计频次和累计降水量的差异，统计不同小时降水强度的降水频次及对应降水量（图7）。根据降水强度公式（1），对2005—2021年夏季（6—8月）所有降水时刻计算降水强度。不同强度降水频次分布对应关系可知，两种降水产品的降水频次均随降水强度增强而减少，且对弱降水的降水发生频率均存在明显高估（图7a）。当降水强度为大于1.5 mm·h-1时，GPM开始对降水频次存在明显低估。对于小于1.7 mm·h-1的降水强度，两种降水产品均对降水频次表现为高估。而对大于1.7 mm·h-1的降水强度，GPM产品表现为明显低估，CLDAS产品则更加接近观测值。
图7 2005—2021年青海省夏季小时尺度降水强度对应关系

注：图（a）中虚线表示左侧特定区间对应实线数据的放大显示。

Fig. 7 Correspondence of hourly-scale summer precipitation intensity in Qinghai Province from 2005 to 2021

两种降水产品的降水量也随降水强度的增加而减少，当降水强度小于0.3 mm·h-1时，GPM产品对降水量表现为高估，CLDAS表现为低估。对于小于1.5 mm·h-1的降水强度，两种降水产品均表现为高估，GPM对降水量大于1.5 mm·h-1且小于4.5 mm·h-1的降水强度表现出明显的低估，而CLDAS产品更加接近站点观测值（图7b）。

2.3 降水量与降水频率日变化

不同的气象变量均有较为明显的日变化特征[31-32]。研究发现，高原不同地区的夏季降水具有不同的日变化特征[33-36]，且不同资料对不同地区降水日变化特征的揭示也存在差异。从日变化角度，对比分析CLDAS与GPM对高原夏季降水日变化数值的精确程度。
对青海省2005—2021年夏季两种数据的降水量日变化进行分析（图8a）。日变化中，CLDAS降水量日峰值出现在18:00（北京时间，下同），GPM出现在16:00，相较于观测20:00分别提前2 h和4 h；CLDAS降水量日谷值出现在10:00，GPM出现在09:00，相较于观测10:00分别为相同和提前1 h。CLDAS和GPM降水量与站点观测降水量的相关性约为0.98和0.67，均通过了99%的信度水平检验。两种降水产品基本表现为在10:00—20:00时段高估降水量，在06:00—09:00时段、00:00—05:00时段低估降水量，10:00和20:00两种产品最接近观测值。
图8 2005—2021年青海省夏季降水日变化小时尺度特征

Fig. 8 Hourly scale characteristics of diurnal variation of summer precipitation in Qinghai Province from 2005 to 2021

对比两种数据的降水频率日变化（图8b），CLDAS降水频率日峰值出现在19:00，GPM出现在14:00，相较于观测20:00分别提前1 h和6 h；CLDAS降水频率日谷值出现在10:00，GPM出现在9:00，相较于观测11:00分别为提前1 h和提前2 h。CLDAS和GPM降水频率与站点观测的相关性约为0.67和0.23，均通过了99%的信度水平检验。两种降水产品基本表现为在11:00—18:00时段高估降水频率，04:00—05:00时段、06:00—09:00时段低估降水频率。
图9显示降水量、降水频率各统计指标的日变化情况，CLDAS与站点观测的降水量的CORR均高于GPM，其中，CLDAS与站点降水量的CORR在08:00最小，22:00最高，GPM与站点降水量的CORR大值主要在14:00—21:00时段（图9a）；CLDAS对降水量的RMSE均小于GPM，更加接近于0，其中，CLDAS在10:00—11:00时段的精度相对较高，GPM在08:00—11:00时段的数据精度相对较高，在13:00—17:00时段精度最差（图9b）；CLDAS对降水量的高、低估程度均小于GPM，CLDAS对10:00—20:00时段的降水量存在弱高估，其他时段则以弱低估为主（图9c）。
图9 2005—2021年青海省夏季降水评估指标日变化特征

注：图(c)中黑色虚线代表0值线。

Fig. 9 Summer diurnal variation characteristics of precipitation evaluation metrics in Qinghai Province from 2005 to 2021

CLDAS与站点降水频率的CORR在08:00最小，GPM与站点降水频率的CORR小值主要在00:00—05:00时段（图9d）；CLDAS对降水频率的RMSE基本小于GPM，更接近于0，其中，CLDAS在11:00—12:00时段的精度相对较高，GPM在06:00—09:00时段数据精度相对较高，13:00—18:00时段的精度最差（图9e）；CLDAS对降水频率的高、低估程度均小于GPM，CLDAS对09:00—04:00时段的降水频率为弱高估，其他时段表现弱低估（图9f）。
综上所述，CLDAS在降水量、降水频率日变化评估指标方面的表现均优于GPM。不论降水量还是降水频率，CLDAS在数据一致性、精度及偏差方面均优于GPM。

2.4 海拔对两种降水产品数据精度的影响

复杂山地地形对降水的发生和强度有显著影响[37]，并且卫星反演降水产品在高原复杂地形下比平原地区的偏差更大[38-39]。青海地处青藏高原东北部，山脉纵横交错，柴达木盆地低陷，盐湖广布，地势险峻复杂，所以海拔是对降水产品精度产生重要影响的因素之一。
对比青海省不同海拔两种产品降水量和降水频率的海拔相关性（图10~图11），对降水量的评估表明，CLDAS与GPM的CORR值随海拔升高而升高，其中CLDAS升高更加明显，且通过95%的信度检验（图10a~图10b），但RMSE值几乎不随海拔变化（图10c）。GPM的RMSE值随海拔升高略增（图10d），说明其在低海拔地区的数据精度相对较高。CLDAS和GPM的BIAS值均随海拔升高而减小，说明二者倾向于高估低海拔地区的降水量，但低估高海拔地区的降水量，其中CLDAS通过了信度检验（图10e~图10f）。
图10 2005—2021年青海省夏季降水量评估指标与海拔的关系

Fig. 10 Relationship between summer precipitation amount indicators and elevation in Qinghai Province from 2005 to 2021

图11 2005—2021年青海省夏季降水频率评估指标与海拔的关系

Fig. 11 Relationship between summer precipitation frequency indicators and elevation in Qinghai Province from 2005 to 2021

对降水频率的评估与降水量表现一致（图11），CLDAS与GPM的CORR值随海拔升高而升高，其中CLDAS升高更加明显，且通过95%的信度检验（图11a~图11b），RMSE值几乎不随海拔变化（图11c）。GPM的RMSE值随海拔升高而增加，说明其在低海拔地区的数据精度更高（图11d）。CLDAS的BIAS值几乎不随海拔变化（图11e），GPM的BIAS值随海拔升高而降低，且通过信度检验，说明GPM倾向于高估低海拔地区的降水频率（图11f）。

3 讨论

CLDAS在不同时间尺度、不同海拔的表现均优于GPM。CLDAS优于单一的卫星降水产品的总体表现，使其成为数值模拟更加理想的驱动场，在陆面大气相互作用研究中，其高时空分辨率数据可为边界层参数化方案提供更精确的输入源，特别是在三江源生态屏障区，GPM与CLDAS的协同使用可为“亚洲水塔”降水预报预警提供更加强有力的技术支撑。但同时，由于CLDAS是多种资料的融合结果，其受不同来源资料的影响及融合算法的影响大，尤其在青海中部的湖泊群附近以及青海南部存在异常大值（图12a），这可能与湖泊区域降水量大于周边地区有关。GPM数据在青海南部也存在异常大值的情况（图12b）。本研究也进一步验证了融合算法对输入数据系统性误差的敏感性，为改进陆面数据同化算法提供了依据。所以使用CLDAS降水产品时，需要结合地面雷达或加密观测，对青海湖等湖泊附近区域进行人工质量控制，提高数据准确性。
图12 2005—2021年青海省夏季年平均降水量空间分布

Fig. 12 Spatial distributions of annual mean summer precipitation amount in Qinghai Province from 2005 to 2021

本研究表明，GPM和CLDAS产品在青海省展现出较为优秀的降水表现能力。随着风云四号卫星组网观测的实现，发展静止卫星红外信息、极轨卫星微波观测和地面降水实况融合产品，将成为高原降水监测能力提升的战略方向，为破解上述难题提供有效的突破口。

4 结论

本研究采用2005—2021年青海省夏季有连续观测记录的44个站点小时观测降水资料，从不同时间、空间尺度、海拔高度影响等方面，对比分析CLDAS与GPM降水产品在夏季降水监测中的准确性，得出以下结论：
（1） CLDAS数据在不同时间尺度表现精度较高，偏差较小。两种降水产品在<1.0 mm·h-1和<1.5 mm·h-1强度的弱降水的发生频次、降水量方面均存在明显高估，其中CLDAS对<0.3 mm·h-1强度的弱降水的发生频率和降水量均存在较为明显的低估，GPM表现相反。但总体来看，CLDAS降水产品更加接近站点观测值。
（2） 在日变化方面，CLDAS在降水量、降水频率指标日变化的数据一致性、精度及偏差方面均优于GPM。但其与观测降水在日变化位相仍存在一定差异。
（3） CLDAS数据在不同海拔的表现总体均优于GPM，但在青海湖、东西台吉乃湖、扎陵湖、鄂陵湖等湖泊群附近以及青海南部存在异常大值。在青海省不同海拔高度的情况下，GPM数据对降水量和降水频率在低海拔地区精度更高。两种数据均表现出高估低海拔地区的降水量、低估高海拔地区的降水量的特点。
综上所述，CLDAS由于融合了站点观测资料，与GPM对比评估后，在青海省夏季降水量、降水频率数据的准确性方面表现较为优秀，在不同时间、空间尺度方面总体优于GPM。本研究为青海复杂地形下降水产品的应用评估提供了有力的支撑。

此次研究数据获取得到了中国气象科学研究院刘俏华同志的帮助，在此表示衷心的感谢！

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
黄建平, 刘玉芝, 王天河, 等. 青藏高原及周边地区气溶胶、云和水汽收支研究进展[J]. 高原气象, 2021, 40(6): 1225-1240.

DOI

[Huang Jianping, Liu Yuzhi, Wang Tianhe, et al. An overview of the aerosol and cloud properties and water vapor budget over the Qinghai-Xizang Plateau[J]. Plateau Meteorology, 2021, 40(6): 1225-1240.]

DOI

[2]
尹泓琳. 三江源典型流域降雨—径流模拟及驱动因素研究[D]. 西宁: 青海大学, 2019.

[Yin Honglin. Study on Rainfall-runoff Simulation and Driving Factors in Typical Watersheds of the Three-river Headwaters[D]. Xining: Qinghai University, 2019.]

[3]
谷昌军, 张镱锂, 刘林山, 等. 2000—2020年三江源草地绿度变化及其对气候变化的响应[J]. 地理科学, 2025, 45(1): 214-226.

DOI

[Gu Changjun, Zhang Yili, Liu Linshan, et al. Grassland greenness change and its response to climate change in Three River Headwater region in 2000-2020[J]. Geographical Science, 2025, 45(1): 214-226.]

[4]
Zheng Y, Xue M, Li B, et al. Spatial characteristics of extreme rainfall over China with hourly through 24-hour accumulation periods based on national-level hourly rain gauge data[J]. Advances in Atmospheric Sciences, 2016, 33(11): 1218-1232.

DOI

[5]
Yao X, Zhang X, Ma J. Characteristics of the meridionally oriented shear lines over the Tibetan Plateau and its relationship with rainstorms in the boreal summer half-year[J]. Journal of Tropical Meteorology, 2020, 26(1): 95-104.

[6]
Chen H, Yu R, Shen Y. A new method to compare hourly rainfall between station observations and satellite products over central-eastern China[J]. Journal of Meteorological Research, 2016, 30(5): 737-757.

DOI

[7]
金晓龙, 邵华, 张弛, 等. GPM 卫星降水数据在天山山区的适用性分析[J]. 自然资源学报, 2016, 31(12): 2074-2085.

[Jin Xiaolong, Shao Hua, Zhang Chi, et al. The applicability evaluation of three satellite products in Tianshan Mountains[J]. Journal of Natural Resources, 2016, 31(12): 2074-2085.]

DOI

[8]
Kidd C, Levizzani V. Status of satellite precipitation retrievals[J]. Hydrology and Earth System Sciences, 2011, 15(4): 1109-1116.

DOI

[9]
Zhang S, Wang D, Qin Z, et al. Assessment of the GPM and TRMM precipitation products using the rain gauge network over the Tibetan Plateau[J]. Journal of Meteorological Research, 2018, 32(2): 324-336.

DOI

[10]
师春香, 谢正辉. 基于静止气象卫星观测的降水时间降尺度研究[J]. 地理科学进展, 2008, 27(4): 15-22.

DOI

[Shi Chunxiang, Xie Zhenghui. A time downscaling scheme of precipitation by using geostationary meteorological satellite data[J]. Journal of Advances in Geographic Sciences, 2008, 27(4): 15-22.]

[11]
张蒙, 黄安宁, 计晓龙, 等. 卫星反演降水资料在青藏高原地区的适用性分析[J]. 高原气象, 2016, 35(1): 34-42.

[Zhang Meng, Huang Anning, Ji Xiaolong, et al. Validation of satellite precipitation products over Qinghai-Xizang Plateau region[J]. Plateau Meteorology, 2016, 35(1): 34-42.]

[12]
Wu L, Zhai P. Validation of daily precipitation from two high-resolution satellite precipitation datasets over the Tibetan Plateau and the regions to its east[J]. Journal of Meteorological Research, 2012, 26(6): 735-745.

[13]
余坤伦, 张寅生, 马宁, 等. GPM和TRMM遥感降水产品在青藏高原中部的适用性评估[J]. 干旱区研究, 2018, 35(6): 1373-1381.

DOI

[Yu Kunlun, Zhang Yinsheng, Ma Ning, et al. Applicability of GPM and TRMM remote sensing precipitation products in the central Xizang Plateau[J]. Arid Zone Research, 2018, 35(6): 1373-1381.]

DOI

[14]
Mou T, Zheng D. Assessment of GPM and TRMM precipitation products over Singapore[J]. Remote Sensing, 2017, 9(7): 720-742.

DOI

[15]
Gao C, Liu F. Evaluation of high-resolution satellite precipitation products using rain gauge observations over the Tibetan Plateau[J]. Hydrology and Earth System Sciences, 2013, 17(2): 837-859.

DOI

[16]
Lin Z, Yao X, Du J, et al. Refined evaluation of satellite precipitation products against rain gauge observations along the Sichuan railway[J]. Journal of Meteorological Research, 2022, 36(5): 779-797.

DOI

[17]
Habib E, Elsaadani M, Haile A T. Climatology-focused evaluation of CMORPH and TMPA satellite rainfall products over the Nile basin[J]. Journal of Applied Meteorology and Climatology, 2012, 51(12): 2105-2121.

DOI

[18]
Wang H, Yuan Y, Zeng S, et al. Evaluation of satellite-based precipitation products from GPM IMERG and GSMaP over the Three-River Headwaters region, China[J]. Hydrology Research, 2021, 52(6): 1328-1343.

DOI

[19]
Wang Y, Miao C, Zhao X, et al. Evaluation of the GPM IMERG product at the hourly timescale over China[J]. Atmospheric Research, 2023, 10(285): 106-126.

[20]
Tian F, Hou S, Yang L, et al. How does the evaluation of the GPM IMERG rainfall product depend on gauge density and rainfall intensity[J]. Journal of Hydrometeorology, 2018, 19(2): 339-349.

DOI

[21]
Hou A Y, Kakar R K. The global precipitation measurement mission[J]. Bulletin of the American Meteorological Society, 2014, 95(5): 701-722.

DOI

[22]
粟运, 师春香, 毛文书, 等. 基于CLDAS-Prcp多源融合降水产品的WRF-Hydro模式在綦江流域的水文效用[J]. 高原气象, 2022, 41(3): 617-629.

DOI

[Su Yun, Shi Chunxiang, Mao Wenshu, et al. Hydrological utility of CLDAS-Prcp multi-source fusion precipitation products in Qijiang River Basin: Taking WRF-Hydro Model as an example[J]. Plateau Meteorology, 2022, 41(3): 617-629.]

DOI

[23]
Sun S, Shi C, Pan Y, et al. Applicability assessment of the 1998-2018 CLDAS multi-source precipitation fusion dataset over China[J]. Journal of Meteorological Research, 2020, 34(4): 879-892.

DOI

[24]
Zhang X, Yao X, Ma J, et al. Climatology of transverse shear lines related to heavy rainfall over the Tibetan Plateau during boreal summer[J]. Journal of Meteorological Research, 2016, 30(6): 915-926.

DOI

[25]
唐国强, 万玮, 曾子悦, 等. 全球降水测量(GPM)计划及其最新进展综述[J]. 遥感技术与应用, 2015, 30(4): 607-615.

DOI

[Tang Guoqiang, Wan Wei, Zeng Ziyue, et al. An overview of the global precipitation measurement (GPM) mission and its latest development[J]. Remote Sensing Technology and Application, 2015, 30(4): 607-615.]

[26]
任鹏臻, 邸少宇, 刘锐, 等. GPM IMERG卫星降水数据在青海的适用性评价[J]. 青海大学学报, 2024, 42(4): 56-63.

[Ren Pengzhen, Di Shaoyu, Liu Rui, et al. Applicability evaluation of GPM IMERG satellite precipitation data in Qinghai[J]. Journal of Qinghai University, 2024, 42(4): 56-63.]

[27]
中国气象局. 地面气象观测规范[M]. 北京: 气象出版社, 2003.

[China Meteorological Administration. The Criterion of Surface Meteorological Observation[M]. Beijing: China Meteorological Press, 2003.]

[28]
Zhang S, Wang D, Qin Z, et al. Assessment of the GPM and TRMM precipitation products using the rain gauge network over the Tibetan Plateau[J]. Journal of Meteorological Research, 2018, 32(3): 324-336.

DOI

[29]
Ebert E, Elizabeth J, Kidd C, et al. Comparison of near-real-time precipitation estimates from satellite observations and numerical models[J]. Bulletin of the American Meteorological Society, 2007, 88(8): 47-64.

DOI

[30]
Szolgay J, Parajka J, Kohnova S, et al. Comparison of mapping approaches of design annual maximum daily precipitation[J]. Atmospheric Research, 2009, 92(3): 289-307.

DOI

[31]
Yu R, Li J, Chen H, et al. Progress in studies of the precipitation diurnal variation over contiguous China[J]. Journal of Meteorological Research, 2014, 28(5): 877-902.

DOI

[32]
吴璐. 青藏高原与其东侧四川盆地降水日变化差异研究[D]. 北京: 中国气象科学研究院, 2012.

[Wu Lu. Discrepancy of Precipitation Diurnal Cycles between the Tibetan Plateau and its Neighboring Sichuan basin in Warm Season[D]. Beijing: Chinese Academy of Meteorological Sciences, 2012.]

[33]
白爱娟, 刘长海, 刘晓东, 等. TRMM多卫星降水分析资料揭示的青藏高原及其周边地区夏季降水日变化[J]. 地球物理学报, 2008, 51(3): 704-714.

[Bai Aijuan, Liu Changhai, Liu Xiaodong. Diurnal variation of summer rainfall over the Tibetan Plateau and its neighboring regions revealed by TRMM multi-satellite precipitation analysis[J]. Chinese Journal of Geophysics, 2008, 51(3): 704-714.]

[34]
Liu X, Bai A, Liu C. Diurnal variations of summertime precipitation over the Tibetan Plateau in relation to orographically-induced regional circulations[J]. Environmental Research Letters, 2009, 4(4): 45-73.

[35]
Li J. Hourly station-based precipitation characteristics over the Tibetan Plateau[J]. International Journal of Climatology, 2018, 38(3): 1560-1570.

DOI

[36]
Wu Y, Huang A, Huang D, et al. Diurnal variations of summer precipitation over the regions east to Tibetan Plateau[J]. Climate Dynamics, 2018, 5(1): 4287-4307.

[37]
Yu L, Ma L, Li H, et al. Assessment of high-resolution satellite rainfall products over a gradually elevating mountainous terrain based on a high-density rain gauge network[J]. International Journal of Remote Sensing, 2020, 41(14): 5620-5644.

DOI

[38]
Tang G, Long D, Hong Y, et al. Documentation of multifactorial relationships between precipitation and topography of the Tibetan Plateau using spaceborne precipitation radars[J]. Remote Sensing of Environment, 2018, 208(1): 82-96.

DOI

[39]
Li Q, Wei J, Yin J, et al. Multiscale comparative evaluation of the GPM and TRMM precipitation products against ground precipitation observations over Chinese Tibetan Plateau[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 14: 2295-2313.

DOI

Options
Outlines

/

〈 〉