从TRMM到GPM：如何对强降雨进行空间观测？外文翻译资料

 2022-12-10 03:12

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

从TRMM到GPM：如何对强降雨进行空间观测？

Satya Prakasha,b, Ashis K. Mitraa, D.S. Paic, Amir AghaKouchakd

a National Centre for Medium Range Weather Forecasting, Earth System Science Organization, Ministry of Earth Sciences, Noida, India

b New York City College of Technology, The City University of New York, Brooklyn, NY, USA

c India Meteorological Department, Pune, India

d Centre for Hydrometeorology and Remote Sensing, Department of Civil amp; Environmental Engineering, University of California, Irvine, CA, USA

摘要：本文中，我们调查了热带降雨测量任务（TRMM）多卫星降水分析（TMPA）产品和最近发布的GPM综合多卫星反演（IMERG）产品对印度各地探测估计强降雨的能力。首先，研究分析了超过17年（1998年至2014年）的TMPA数据产品。尽管TMPA数据和参考雨量计观测数据都表现出它们对强降雨事件有相似的月平均变化，但是多卫星产品整体高于年变化。分类以及体积技能分数显示TMPA过度地探测了强降雨事件（高于参考数据的第75个百分位数），但它在捕捉全国各地的强降雨量方面有很好的表现。相比TMPA，GPM多卫星的IMERG在西南季风时期降水估计的初步评估显示，其对于捕捉印度各地强降雨的能力有显着地改善。最近发布的IMERG显示了可喜的结果，使用卫星观测有助于改善水文极端现象模型（如洪水和山体滑坡）。

关键词：全球降水测量任务；热带降水测量任务；多卫星降水估测；强降水

  1. 引言

对强降水的准确估测和预报对于水资源管理、洪水预报和预警以及灾害管理和减灾等方面有至关重要的价值。极端降水事件引起的山洪暴发造成很大的社会经济损失[9,21,34,36]。鉴于地球观测卫星测量数据的有效性，目前可以追踪监视强降水系统。然而，卫星反演的降水产品仍然是非量化的，存在较大的不确定性，尤其是对强降水事件而言[4,16-18,31,35]。这些不确定性限制了其在实际应用中的使用[1,5,20,25]。

印度是一个具有独特地理和地形特征的国家。受每年西南季风（北半球夏季）影响，印度地区在此期间都产生降水，并经历了多次强降水事件，在洪水易发地区可能会导致灾难性的山洪爆发事件。强降水事件的可靠估计和探测对于其广泛的应用研究来说是一个颇具挑战的项目[32]。近几十年来，印度各地的强降雨事件发生频率以及空间变化有明显地增加[7,8,23]。类似全球的其他区域，相比同时期代的其他多卫星降水产品对印度地区平均季风降水估测的代表性和可变性，热带降雨测量任务（TRMM）多卫星降水分析（TMPA）更可靠[25-29]。我们现在有超过17年的TMPA回顾处理第7版（V7）数据集。受TRMM卫星辉煌成功的启发，在2014年年初发射了更精细和先进的全球降水测量（GPM）核心观测平台[10,17]。近期发布的先进的高分辨率GPM融合多卫星反演（IMERG）数据集把TMPA估测值在全球以及区域的误差特性作为基准[14,35]。这个数据集还融合了其他多卫星降水产品的优势，包括CMORPH（NOAA Climate Prediction Center Morphing Method）以及PERSIANN（Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks）[11,15,30]。在这项研究中，我们首先用密集的雨量计日观测数据网络评估TMPA当前版本（V7）估测的印度各地17年（1998年1月—2014年12月）的条件性强降水量。我们使用多种传统以及最近提出的针对极端降水验证的性能指标和体积技能分数进行评估。我们还使用有限的有效数据来检测IMERG对探测印度地区强降雨事件估测能力，将其作为初步评估。

  1. 数据和方法

我们已经使用了3小时0.25°times;0.25°TMPA-3B42 研究质量的产品（版本7，以下称为V7）来对陆地进行估测分析，这种产品结合了各类当代微波和红外卫星传感器观测结果[12,13]。使用的参考数据集是格点化的有效日降水产品，是一个由印度气象局（IMD）开发的很好地覆盖全国各地的雨量计观测网络，它的空间分辨率为0.25°纬度times;0.25°经度，[22]。这种格点化的雨量计降雨数据集比其它现有的降雨数据集更真实地再现了地形雨梯度大的特点，同时还表现了更精细的季风降水特点。这两个数据集17年的记录（1998年1月—2014年12月）被用于本文的研究分析中。值得注意的是，由于2014年10月后降水雷达数据不可用，2014年10月到12月的TMPA数据有一个稍微不同的校准。我们还采用了在2015年1月发布的实时后的版本03D IMERG研究产品，用于分析2014年西南季风时期（6月至9月，JJAS）的强降水[14]。

由于IMD雨量计观测数据集的累积降雨量在0300 UTC结束，日降雨量是用同一时间结束的三小时TEMP数据和半小时IMERG数据计算而得。实验时，仅仅考虑在印度陆地降雨量。如果日降雨量超过2.5毫米，IMD定义为雨天，如果日降雨量超过64.5毫米，定义为强降雨事件[8,23]。全国各地的强降雨事件不是很频繁，所以强降水的这种定义仅仅用于长期分析中（本文中指图1）。我们定义一个附加的强降雨阈值，它与印度地区参考数据降水的第75个百分位数一致的（图2和图3）[19]。此外，条件性强降雨计算与雨天有关，因为强降雨事件是研究阶段总天数中的一小部分。使用下面的等式计算条件性强降雨事件的频率：

（1）

为了验证TMPA研究质量产品捕捉条件性强降雨事件的能力，两项最新提出的分类技能指数：极值相关指数EDI（Extremal Dependence Index）和对称的极值相关指数SEDI（Symmetrical EDI）。这些指数被认为是非退化的，与基率相关，渐近平衡的并且适于罕见事件验证[6]：

（2）

（3）

式中，F和H分别是误报率和命中率。EDI和SEDI范围从-1至1，1是理想分数。

根据2times;2列联表，几个传统分类技能指标，如探测可能性POD（probabilityof detection），误报率FAR（false alarm ratio），未命中率MR（miss rate），频率偏置指数FBI（frequency bias index）和临界成功指数CSI（critical success index），用于检验TMPA和IMERG数据探测强降雨的能力[33]。进一步，AghaKouchak和Mehran引入了四个容积技能分数：容积命中指数VHI（volumetrichitindex）、容积误报率VFAR（volumetricfalse alarmratio）、容积未命中指数VMI（volumetricmissindex）和体积临界成功指数VCSI（volumetriccriticalsuccessindex），它们用于评估TMPA和IMERG估算印度强降雨时的体积性能[2]。 POD、FAR、MR、CSI、VHI、VFAR、VMI和VCSI数值范围从0到1，1是POD，CSI，VHI和VCSI的理想分数，而0是为FAR，MR，VFAR和VMI理想分数。卫星反演降水估算值的总体积误差（偏差）可以根据VHI，VFAR和VMI进行分解[2]。

  1. 结果

图1（a）显示雨天和条件性强降水事件（ge;64.5mm/day）的月贡献率，数据分别来自在研究时间经过在印度地区的均值计算后的IMD雨量计数据和TMPA-3B42数据。从图中可以看出，基于雨量计和卫星的降雨估计在雨天以及条件性强降雨事件中都表现出相似的变化。在7月和8月的季风高潮时期（每个月约占20%），印度受到了最大的降雨袭击。大部分强降雨事件发生在七月，约占30%，8月约占23%。印度主要从5月到10月遭到了相当大的强降水袭击。受西南季风影响，6月到9月发生的强降水事件占82％左右。这一阶段约占全国阴雨天数的68%。图1（b）显示了强降水相对降雨天的发生频率的年际变化，数据分别来源于IMD雨量计数据和TMPA-3B42数据集。从图中可以看出，多卫星数据集估计整体偏高。根据雨量计测量数据，印度阴雨天中平均约3.31%是强降雨，然而卫星数据得出的平均值约为4.43%。注意为了作进一步的分析，这里使用的TMPA数据没有进行偏差校正。

图1中（c）和（d）所示的是基于印度地区IMD雨量计数据和TMPA-3B42数据集的条件性强降雨事件（ge;64.5mm/day）发生频率的空间分布。印度有两个地区很容易发生强降雨事件，分别是：（a）西海岸，包括古吉拉特邦; （b）印度东北部的西部地区，包括锡金，梅加拉亚邦。印度西海岸是西高止山脉的迎风面，受西南季风影响，联系低空急流，降雨量较大。而背风面降水量很少被称为雨影区域。从参考IMD雨量计数据可以看到，印度中部、东部沿海及喜马拉雅山麓地区有条件强降雨事件概率为3-5％。总的来说，TMPA显示的印度各地条件性强降雨事件发生频率更大。此外，与雨量计观测数据相比，TMPA中条件性强降雨事件的范围更大。

图1（e-g）显示了同一研究时间和范围对条件性强降水事件探测的TMPA-3B42数据相对于雨量计观测数据的FBI、EDI和SEDI的空间分布。在研究阶段，对于技能分数计算来说不考虑变得不重要的强降雨地区。FBI显示了在强降雨环境的大部分区域相比雨量计观测TMPA对条件性强降雨事件的过度探测。沿着印度东海岸及季风槽上，TMPA对条件性强降雨事件的探测不足。EDI和SEDI是最新提出的两项用于验证既考虑命中也考虑误报的罕见事件的指标。虽然EDI和SEDI表现相同的特性，但是EDI既不是转置对称也不是互补对称，而SEDI是互补对称的[6]。由EDI和SEDI 图像可以看出，除了在北部古吉拉特邦和印度东北的某些部分，TMPA对于探测全国各地的强降雨事件的表现相当不错（见图1（f和g））。这表明对于探测全球不同位置的极端事件，V7相比TMPA前一版本（例如版本6）有了实质性改善[例如，[3，24，26]]。在季风槽区和沿印度东海岸地区，相比雨量计观测数据，TMPA有明显较高的EDI和SEDI指数，达到0.6至0.8。

图1(a）基于IMD雨量计日观测数据以及TMPA-3B42数据集的印度地区雨天和条件性强降雨事件的月变化。每月雨天和条件性强降雨事件相对于他们各自的年平均值的贡献率（1998年1月- 2014年12月）；(b）基于IMD雨量计观测数据以及TMPA-3B42数据集，印度地区条件性强降雨事件发生频率的年变化。由日数据推导出的印度地区条件性性强降水事件频率；(c）IMD雨量计观测数据；(d）TMPA-3B42数据集；(e）频率偏置指数（FBI）；(f）极值相关指数（EDI）；（g）相比于IMD雨量计数据对强降水事件探测，TMPA-3B42产品的对称EDI（SEDI）。

一些其他分类和容积指标也用于强降水的进一步评估。为了确保较大的样本量，我们将雨天（降雨量大于1mm/day）参考降水的第75个百分位数作为强降水阈值[19]。图2显示了相对于IMD雨量计观测数据的第75百分位数以上，在研究区域基于TMPA-3B42数据的传统分类技能指标及其相应的容积指数的空间分布。除了在印度北部（例如查谟和克什米尔邦），TMPA显示了全国大部分地区有很高的POD。尽管TMPA能够探测沿西高止山脉的迎风坡的强降雨，但是背风坡（例如印度半岛东南部）雨影区有相当大的FAR。比较FAR和VFAR后发现，虽然一些地区FAR很大，但是对应于那些错误估计量位置的雨量相对较小（即相比FAR而言，VFAR蓝色区域更大）。在印度北部和西北部有较低的POD、CSI和较高的FAR、MR，这表明了在这些地区TMPA对强降雨的初步探测存在问题。容积技能指标（图2）的空间分布类似于分类技能指标，但是它们的量级是不同的。VHI表明TMPA捕捉到了大部分探测到的雨天的降雨。除了印度半岛北部、东北部、东南部，在全国大部分地区TMPA对强降雨估测有很好地表现。我们还应该注意，在查谟和克什米尔地区雨量计的密度不足够进行有效的比较[22]。因此，这些地区的结果有更多的不确定性。

<p

剩余内容已隐藏，支付完成后下载完整资料</p

资料编号：[31224]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章