英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

CMORPH，TMPA和PERSIANN降水数据在巴基斯坦平原，山区和冰川地区的表现

Yawar Hussain¹ amp; Freacute;deacute;ric Satgeacute;^2,3 amp; Muhammad Babar Hussain⁴ amp; Hernan Martinez-Carvajal^1,5 amp; Marie-Paule Bonnet^3,6 amp; Martin Caacute;rdenas-Soto⁷ amp; Henrique Llacer Roig² amp; Gulraiz Akhter⁸

收到日期：2016年7月4日/接受日期：2016年12月22日/在线发布：2017年1月12日＃Springer-Verlag Wien 2017

摘要

本研究旨在对6种卫星降雨量估计（SRES）资料在巴基斯坦地区进行评估。对于每种评估产品，包括实时（RT）和调试后（Adj）的版本都被认为在年、月和日时间尺度上强调了它们在降雨估算中的潜在益处。本文采用了巴基斯坦的三种地貌气候区，即平原，山区和冰川地区，来确定这些卫星降雨量估计资料在全球和区域尺度上的潜在相关性。总的来说，所有的SREs都能很好地捕捉到该国的典型的干旱地区的年度南北降雨量减少模式和降雨量。对于这个区域来说，相对于干旱地区，所有的SREs在高山地区表现更好。由于这6种卫星降雨量估计资料在干旱地区准确性的表现不佳，使得它们在干旱地区的可用性有待商榷。在冰川地区，所有的SREs都高估了降雨量。这种高估的一个可能原因可能是由于表面温度低和冰雪覆盖层对辐射的吸收，随着日常报警率从山区到冰川地区的增加，导致它们被确认为降雨的云。在RT产品中，CMORPH-RT是最具偏见的产品。由于量表调整，CMORPH-Adj上的偏差差不多被移除。总的来说,所有经调试版本在所考虑的时间尺度上都比实时版本表现更好，并已经证实了量表调整的积极作用。在整个研究区域中，CMORPH-Adj 和 TMPA-Adj 资料在偏差，均方根误差和CC上表现出了最好的一致性。

1.介绍

降水对地球流量周期的影响及其准确估计对于它在许多与人类相关的农业用水活动（Gebere等，2015）中具有很高的影响力是非常重要的。 这也是洪水和干旱等自然灾害发生的重要因素（Guo et al。2015）。巴基斯坦的经济主要依靠农业（Hussainetal.2016），其中国内生产总值（GDP）的大部分来自农业和农业相关产业（经济调查2009-2010）。 随着农业的发展，诸如洪水，干旱和热浪频率增加等自然灾害也是降雨的一个功能。近几十年来，气候变化加剧了这些灾害发生的频率和强度（Khanetal.2014）。随后的灾害不仅受到农业，畜牧业，粮食安全，水资源，公共卫生和整体经济状况的影响（Aslam et al2016）。2010年的极端洪水事件由于反常的水灾和非自然灾害，是自然灾害的严重破坏，严重破坏了该国的农业和基础设施。（Websteretal.2011）。洪水和干旱的频率模型表明，在未来几十年中，气候变化加剧了这两种极端情况（Khan et 2016）。 这些灾难的影响需要通过应用程序的信号处理和管理来解决。事实上，精确的时间和空间变化可能导致关键因素对水循环的理解以及趋势分析可以用来支持与应对灾难直接相关的决策。

传统的地基降水测量方法（如雷达和雨量计）意味着一种基于点的方法，该方法能够准确测量降雨量，但仍然代表了精细的空间尺度，并且在难以进入的坚硬地形上通常不会覆盖或覆盖较少（Behrangi等，2014; 2014年的全球高分辨率卫星资料表明，卫星降雨估计（SREs）已成为水文气象研究的重要组成部分（Behrangi等，2014）。

SRE因其免费提供而受到青睐，特别是对于像巴基斯坦这样的发展中国家。以前的研究已经通过将SREs与亚洲的实际降雨量数据进行比较来检验SREs的适用性（Khan et al。2014; Qin et al。2014; Prakash et al.2014），Shukla et al.2014）;非洲（Dinku等2007; Pierre等2011; Thiemig等2012; Gosset等2013），南美洲（Vila等2009; Ochoa等2014; Salio等2014 ; Blacutt等，2015;Satgeacute;等，2016）和欧洲（Kidd等，2012）。这些SRE的性能在不同的气候条件下和不同的产品之间因地区而异。 一般来说，热带降雨测量任务（TRMM）多卫星降水分析（TMPA）对中度降雨事件表现更好（Nair et al.2009），使用人工神经网络进行的遥感信息降水估计（PERSIANN）精度通常较高 （Gebere et al.2015;Satgeacute;et al。2016）和气候预测中心MORPHing（CMORPH）执行了全球气候区（Dinku et al.2007; Dinku et al.2010）。

很多研究表明，在过去的季风期间，每日时间步长中有一项研究由Khanetal（2014）进行，以评估TMPAv7实时（RT）和调整（Adj）版本和CMORPHRT。 与TMPA-Adjv7发现最好的一致性测量测量。 最近，Anjum等人 （2016年）评估了TMPA-v7在Swat河流域（14399平方公里）范围内比当地规模更大的改进。结果表明，与TMPA-Adjv6比较，TMPA-Adj v7的降雨估计有所改善。这两种产物对于每月的降水量估计都比每日降水估计更准确。

目前的研究是关于SRE在该地区的一个前进方向，因为它首次比较了整个巴基斯坦的PERSIANN，CMORPH和TMPA表演。 它还包括对PERSIANN和新CMORPH产品的第一次评估。 每种产品的RTand Adj版本都被认为是欣赏由调整引起的潜在收益。这种考虑是必要的，因为调整过程可能会增加SRE估计的不确定性（Bitew and Gebremichael 2011; Gosset et al.2013; Xue et al。2013;Satgeacute;et al。2016）。 为了解先前发现的SRE误差地形依赖性，考虑了不同的造山区域（Khan et al。2014; Anjumetal.2016）。此外，三个定义的类别中的每一个都对应于特定的地貌气候环境：干旱平原，干燥半湿润山脉和冰川 该研究将极大地支持评估位于喜马拉雅山冰川地区的11个降雨站的SREs，并将首次全面反馈SRE在巴基斯坦冰川地区的能力。

1.1研究区域

巴基斯坦在南北纬24°和37°，东经62°至75°之间，分布在南亚西部地区。 从地理位置来看，中国北部与印度毗邻，阿富汗与伊朗则位于西部。 阿拉伯海岸海岸线（图1）。海拔803,940平方公里，海拔高度从最大值8011m最大值K2（secondelevated peakonearth）到阿拉伯海约0米。

印度河是巴基斯坦最重要的河流。 它从位于西藏（中国）凯拉什山的来源穿过国家到阿拉伯海（巴基斯坦）。 巴基斯坦北部由非常高的山脉组成，有永久的积雪和冰川（图1）。 干燥的山脉（Koh-eSuleman）位于西部，有许多小纳拉（降雨后形成的排水沟），在雨季导致这些地区洪水泛滥。 沙漠是巴基斯坦地理的重要组成部分。 巴基斯坦的主要沙漠是塔尔（东南部），乔尔斯坦（东南部），塔尔（中部）和哈兰（西南部）。

巴基斯坦在不同海拔高度区和降水模式下受到成因分区的影响而产生气候变化（Hanif et al.2013）。 地形和温度变化导致巴基斯坦北部和南部山区的各种降雨模式（Hanif等，2013）。 在亚洲大陆这样的亚热带气候区，上层大气中的空气环流对降水模式有很大影响（Hanif et al.2013）。巴基斯坦南部地区7 - 9月份降雨量达60％，北部地区为季风季节，冬季（12月 - 3月）降雨量约为30％（Sarfaraz等，2014）。 两个干旱高原Potwar和俾路支省仅依靠农业，牲畜和人口的降雨量。波特瓦尔位于伊斯兰堡附近，俾路支省位于俾路支省（西南部）。 雨水的一点点延迟可能会给这些土地肥沃的地区带来巨大的损失，并为该国的农业总产值贡献约13％（Adnan et al.2009）。准确的降雨估计可以赢得当地农民失去的信任，所以他们可以越来越多地投资于农业，而不用担心因降雨量少而造成的损失（Adnan et al.2009）。图2详细描述了三种不同的地形类型，如冰川，山脉和平原的降雨模式。 就像降雨模式一样，北部和南部山区的气候脆弱性也不同。 北部受到洪涝和南部地区的干旱频繁发生的影响。 这些南北气候脆弱性也是降雨的一个功能。

图一 研究区域的像素位置至少包括雨量计和所有三个考虑DEM值的区域的平均月降雨量。 左上角是巴基斯坦的地区位置

2.资料

2.1原始数据

巴基斯坦计量部门（PMD）负责气象网络。 从2008年到2010年期间共有76个电台可用。 数据集被分成不同的区域，以解决先前在SRE准确度依赖性方面的问题。 事实上，由于发射率/温度对比和/或暖雨云过程，可以在限定的区域观察到SRE性能对比。 例如，由于在湖泊上方观测到强烈的发射率和温度对比，在大型的喀喀湖上观测到了PERSIANN和TMPA测量值的降雨量不足（Satgeacute;et al.2016）。巴基斯坦冰川地区应该观察到类似的影响，这是由与冰雪覆盖有关的高发射率引起的。 同样，由于温暖的雨云过程，山区可能会被误认为没有下雨云（Dinku et al.2010），因此山区具有挑战性。 最后，干旱地区具有挑战性，因为SREs不能很好地捕获降雨事件的优势（Tian et al.2009; Gebregiorgis and Hossain 2013）。

三个地貌气候带被认为是SREs中所提及的与SRE有关的因素。 平原，山地和冰川地区分别有10个，24个和41个台站（图1）。BPlain ^类包括站点，地势低缓，没有山脉影响，涉及雨量关系和发射率/温度对比。BMountain ^级包括位于没有积雪或冰川覆盖的山区的站点，以观察温暖的雨云过程对SREs的潜在影响。 最后，由于冰川和积雪优势，BG级被认为在对比的发射率/温度区域观察到SRE潜在性。

月平均降水量（毫米/月）

平原 山地 冰川

月平均降水量（毫米/月）

图2. 2008-2010年期间初始场和SREs的月降雨量

2.2卫星降水量估计产品

在上述分析中考虑了六个SREs。 所有SRE分别使用被动微波（PMW）辐射计和来自低地球轨道（LEO）和地球同步卫星的红外数据的组合，以0.25°空间分辨率估算降雨率。

TMPA是美国国家航空航天局（NASA）与日本宇宙航空研究开发机构（JAXA）合作开发的产品。 6个PMW辐射计分别命名为TRMM微波成像仪（TMI），SpecialSensor微波成像仪（SSM / I），高级微波扫描辐射计EOS（AMSR-E），高级微波探测单元-B（AMSU-B），特殊传感器微波成像仪/ （SSMIS）和微波湿度测深仪（MHS）用于估算降雨率。来自国家气象局/ NOAA气候预测中心（CPC）（此后为CPC-IR），气象业务卫星计划（MetOp）和0.07°GridSat-B1的IR数据用于填补 PMW测量（Janowiak等人2001; Huffman等人2010; Huffman和Bolvin 2014）。 仅基于PMWand IR数据和调整版本（TMPA-Adjv7）存在实时版本（TMPA-RT v7）。根据来自全球降水气候中心（GPCC）的基于尺度的数据的调整，TMPA-Adjv7来自TMPA-RT v7并且 气候评估和监测系统（CAMS）（Janowiak等，2001; Huffman等，2010; Huffman和Bolvin，2014）。

CMORPH是NOAA /气候预测中心（NOAA / CPC）的产品。 降雨估计值来自PMW辐射计（AMSU-B，SSM / I，TMI和AMSR-E），并且来自CPC-IR数据的运动矢量用于在空间和时间上传播PMW降雨估计值（Joyce等2004）。 第一个版本（CMORPH v0.x）根据输入数据使用了演化算法，这些数据产生了不均匀性，特别是2003-2016年期间。因此，它最近被CMORPH v1版本使用固定算法和同类输入数据（NOAA 2012）取代。 此后，我们参考使用CMORPH的CMORPH v1和使用CMORPH-RT的唯一基于卫星的版本。 在CMORPH-RT上应用偏差校正方法产生称为CMORPH-Adj的调整版本。该程序使用来自陆地上的CPC统一规范分析和海洋上的候补全球降水气候项目（GPCP）的数据（Xie et al.2011）。

PERSIANN是水文气象和遥感中心（CHRS）的产品。将网络技术（Hsu et al。（1997）和Sorooshian et al。（2000））用于估算CPCIR数据的降雨率。 PMW数据（TMI，AMSU-B和SSM / I）用于调整神经网络参数以提高降雨估计精度， 存在仅基于卫星数据和派生的调整版本（PERSIANN-Adj）的实时版本（PERSIANN-RT）。 每月GPCP数据用于调整PERSIANN-RT并提供PERSIANN-Adj。值得注意的是，最近还有另一款PERSIANN降雨产品，PERSIANN-CDR。 PERSIANN-CDR使用与先前使用的相同的神经网络，但是

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22791]，资料为PDF文档或Word文档，PDF文档可免费转换为Word