多源融合實況分析1 km網格降水產品在廣東省暴雨過程中的準確性評估

張春燕,鄭艷萍,王沛東,陳逸智,楊思曉,謝尚佑,向鋼

(1.廣東省氣象數據中心，廣州 510080；2.廣東省惠州市氣象局，惠州 516000；3.廣東省汕頭市氣象局，汕頭 515000；4.湖南省邵陽市氣象局，邵陽 422000)

引言

2021 年中國氣象局自主研發的中國區域多源融合實況分析1 km網格產品(ART_1 km)投入業務應用，這標志著我國進一步滿足了精細化天氣預報服務對更高分辨率實況產品的需求。ART_1 km產品由國家氣象信息中心牽頭研制，綜合利用了地面自動站、天氣雷達、風云衛星、數值模式等多源資料，采用概率密度匹配、貝葉斯模型平均、多重網格變分、最優插值等融合分析技術(潘旸等，2018；師春香等，2019)，產品種類包括中國區域逐小時降水、2 m氣溫、2 m濕度、10 m風等4個要素14種產品，空間分辨率為1 km，對于捕捉以強對流天氣為代表的小尺度災害性天氣、為精細化預報提供更優質的數據基礎具有重大意義。

其中，ART_1 km產品中的降水(簡稱為ART_1 km降水)產品已被氣象部門應用在災害性天氣監測預警、智能網格預報、智慧氣象服務等方面，為氣象現代化建設和氣象高質量發展提供了更精細的數據支撐。它是由中國區域融合降水分析系統生成(師春香等，2019)，在“概率密度函數+最優插值”兩步融合法(Xie et al.，2011)的基礎上，優化為“概率密度函數+貝葉斯模型平均+最優插值”三步融合法，并引入地面、氣象衛星和雷達定量估測降水，形成的三源融合降水產品(潘旸等，2012，2018)。在制作過程中，ART_1 km降水產品的空間分辨率由10 km 提升至5 km，最后至1 km，產品業務生成時效最快達5 min(師春香等，2019)。

潘旸等(2018)曾利用全國的國家級氣象站的觀測資料進行獨立檢驗，表明該產品在強降水監測上具有優勢，但由于地形地勢、海陸位置、降水和站點多寡的差異，ART_1 km 降水產品在不同地區的質量表現并不一致。廣東省是華南沿海典型的暴雨區域，暴雨頻繁出現在每年的5—8月，具有強度大、范圍廣、災害重的特點(劉雨佳等，2017；張柳紅等，2021a)，因此廣東省在暴雨監測和預警上對降水資料及其準確性的要求更高。本文選取廣東省2019—2022年5—8月致災嚴重的暴雨過程，利用全省未融合制作ART_1 km降水產品的區域站和水文站的觀測資料，評估ART_1 km降水產品在廣東暴雨過程中的準確性。

1 資料與方法

1.1 ART_1 km降水產品及其評估資料

ART_1 km降水產品為地面-衛星-雷達三源融合產品(潘旸等，2018)，其中融入制作的地面觀測資料為經過質量控制的全國近4 萬個氣象站的降水數據(任芝花等，2010)，并采用最優插值法插值到0.01°×0.01°網格點上(沈艷等，2010，2012，2013)。衛星資料為美國氣候預測中心研發的實時衛星反演降水系統的降水數據(Joyce et al.，2004)，在處理成逐時降水后再通過重采樣(鄰近插值)方法插值到0.01°×0.01°網格點上(潘旸等，2018)。雷達資料為中國氣象局氣象探測中心研發的雷達定量降水估測產品，該產品經氣象站降水數據校正后(劉曉陽等，2010)，時空分辨率分別為1 h 和0.01°×0.01°。潘旸等(2018)采用概率密度函數匹配法、貝葉斯模型平均方法、最優插值法和空間降尺度方法，最終將這三類資料融合成0.01°(約1 km)高分辨率降水產品，空間范圍覆蓋整個中國區域。

本文選取廣東省2019—2022 年5—8 月發生的雨量較大、災情較明顯的20 例暴雨過程(表1)，開展ART_1 km降水產品評估。在這些過程中，評估ART_1 km 降水產品所使用的資料為未上傳融合制作該產品的區域自動氣象站(以下簡稱“區域站”)和水文站的逐時降水觀測數據。每例暴雨過程中，區域站和水文站的數量并不完全一致，但總體而言，前者為2 200個左右，后者為2 000 個左右。由于這兩類站點的觀測降水資料獨立于ART_1 km 降水產品之外，因此統一稱為“獨立站”。

表1 廣東省2019—2020年5—8月的20例致災暴雨過程Table 1 Twenty cases of disaster-causing rainstorm processes from May to August during 2019-2022 in Guangdong Province

1.2 評估方法

本文將獨立站的降水觀測資料經質控后作為評估ART_1 km 降水產品的“真值”，檢驗該產品的準確性。采用自然鄰近插值方法，選擇ART_1 km 降水產品中距離獨立站最近的格點值插值到站點上，統計比較20 例暴雨過程中ART_1 km 降水和觀測降水的落區、強度、相關性及誤差情況。使用的檢驗指標有四個，分別是技巧評分(TS，記為TS)、相關系數(COR，記為RCO)、均方根誤差(RMSE，記為ERMS)和平均值誤差(ME，記為EM)。四個指標的計算公式如下：

式(1)中，NA為命中數，NB為誤報數，NC為漏報數；式(2)—(4)中G為ART_1 km降水產品的站點插值，O為站點觀測結果，N為樣本總數。TS和COR的值越接近1，RMSE 和ME 越接近0，則表示ART_1 km 降水產品和觀測越接近，準確性越高。

此外，本文還針對不同的小時雨量進行分級檢驗。我國國家標準GB/T 28592-2012 將24 h 降雨量<0.1 mm 定義為微量降雨，將12 h 或24 h 降雨量≥0.1 mm 的降雨劃分為小雨、中雨、大雨、暴雨、大暴雨和特大暴雨等6個等級。本文則對小時降水也相應地劃分出6個等級，在設定小時降水分級閾值時，考慮到中國氣象局將12 h 或24 h 雨量達到0.1 mm 定義為小雨，12 h雨量達到5 mm或24 h雨量達到10 mm定義為中雨，24 h雨量達到50 mm定義為暴雨，此外不少文獻將小時雨量達到≥20 mm定義為小時強降水(張小雯和諶蕓，2011；孫喜艷等，2017；伍紅雨等，2017)，當小時雨量達到≥50 mm，則普遍認為是極端降水(俞小鼎，2013)，因此基于上述0.1、5、10、20、50 mm這幾個閾值，并增加了2 mm 作為閾值之一，本文將小時降水劃分為[0.1,2)、[2,5)、[5,10)、[10,20)、[20,50)和≥50 mm這6個等級，將小時降水＜0.1 mm視為無降水。

2 全省降水準確性總體評估

為了評估ART_1 km降水產品在廣東省20例暴雨過程中的表現，本節分別檢驗該產品在暴雨過程中的空間分布及在各降水等級中的頻率分布，同時也分析ART_1 km 降水與觀測降水的相關性和誤差。其中，通過對比ART_1 km 降水和觀測降水的空間分布，評估該產品反映的降水落區及強度是否與觀測吻合；通過對比ART_1 km降水和觀測降水在各降水等級中的頻率分布，評估該產品是否準確呈現不同強度降水的發生；通過分析ART_1 km 降水和觀測降水的相關性和誤差，評估該產品與觀測降水的偏差程度。

2.1 降水的空間分布

本文評估的20 例暴雨過程的降水不僅有冷暖空氣交綏或低空急流引起的，也有臺風登陸導致的；既有局部性暴雨，也有幾乎覆蓋全省的暴雨(伍紅雨等，2019；張柳紅等，2021b；趙嫻婷等，2021；鐘雨珊等，2023)。本節則分析了與觀測降水的TS評分最高和最低、相關系數最大和最小及均方根誤差最小和最大的6例暴雨過程中ART_1 km降水的空間分布。圖1a、b分別是廣東省2019 年8 月24 日20 時—26 日23 時(北京時，下同)的累計觀測降水和ART_1 km降水，為ART_1 km降水的TS 評分最高(約0.88)的暴雨過程。該過程由臺風“白鹿”造成，粵東、粵北和珠三角市縣出現了大范圍暴雨到大暴雨、局地特大暴雨。在該過程中，ART_1 km降水產品大致再現了全省降水的落區和強度，但未能很好地反映粵北韶關的分散性強降水。此外，ART_1 km降水產品呈現的雷州半島降水范圍也比實際大。圖1c、d分別是廣東省2019年5月19日16時—21 日00 時的累計觀測降水和ART_1 km 降水，為ART_1 km 降水的TS 評分最低(約0.75)的暴雨過程。該過程主要受北方弱冷空氣影響，粵北韶關南部至清遠南部出現了中到大雨，局部暴雨或大暴雨，粵東也有較明顯降水，粵西降水最弱，且部分地區無降水。在該過程中，ART_1 km 降水產品再現了粵北和粵東的降水，但在粵西呈現的降水范圍比實際觀測更大。

圖1 2019年8月24日20時—26日23時廣東省累計觀測降水(a)和ART_1 km降水(b)與2019年5月19日16時—21日00時累計觀測降水(c)和ART_1 km降水(d)的空間分布(單位:mm)Fig.1 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 20∶00 on August 24 to 23∶00 on August 26,2019(Beijing time,the same below),and from(c)observations and(d)ART_1 km products from 16:00 on May 19 to 00∶00 on May 21,2019,in Guangdong Province,respectively(unit:mm)

圖2a、b分別是廣東省2021年5月19日13時—20日19 時的累計觀測降水和ART_1 km 降水，為ART_1 km降水和觀測降水相關系數最大(約0.93)的暴雨過程。該過程受低空急流、切變線和冷空氣共同影響，粵北北部出現了暴雨到大暴雨，其余地區降水較弱或無降水，因此強降水的局地性很強。ART_1 km 降水產品很好地反映了此次粵北北部的強降水，也基本刻畫出了粵東和粵西局部地區弱/無降水發生的情況。圖2c、d 分別是廣東省2020 年6 月2 日02 時—3 日08時的累計觀測降水和ART_1 km降水，為ART_1 km降水和觀測降水相關系數最小(約0.84)的暴雨過程，該過程中陽江—江門—珠海的沿海一帶出現大到暴雨、局部大暴雨，同時清遠北部和韶關北部也出現了較強降水。該過程的ART_1 km降水除了在茂名西部比實際觀測弱外，在廣東省其他地區的結果和觀測十分接近。

圖2 2021年5月19日13時—20日19時廣東省累計觀測降水(a)和ART_1 km降水(b)與2020年6月2日02時—3日08時的累計觀測降水(c)和ART_1 km降水(d)的空間分布(單位：mm)Fig.2 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 13∶00 on May 19 to 19∶00 on May 20,2021,and from(c)observations and(d)ART_1 km products from 02∶00 on June 2 to 08∶00 on June 3,2020 in Guangdong Province,respectively(unit:mm)

圖3 則是廣東省ART_1 km 降水和觀測降水均方根誤差最小和最大的兩次暴雨過程。均方根誤差最小(0.6 mm)的過程發生在2019 年5 月4 日08 時—9 日08時(圖3a、b)，受低層較強偏南風、切變線和冷空氣共同影響，全省降水明顯，粵北和粵東出現了大雨到暴雨、局部大暴雨，降水范圍廣。ART_1 km降水產品很好地反映了本次過程降水的范圍和強度。均方根誤差最大(1.8 mm)的過程發生在2020 年5 月20 日11 時—22 日13 時(圖3c、d)，珠三角、粵北和粵東沿海出現了暴雨到大暴雨，其中廣州為此次過程的降水中心，粵東的梅州也出現了明顯降水，粵西降水最弱，雷州半島基本無降水發生。該過程中，ART_1 km 降水產品也基本呈現了全省強降水的落區，同時反映了粵西弱降水和無降水的情形，但對于粵北和珠三角周邊地區的分散性局地強降水并未刻畫出來。

圖3 2019年5月4日08時—9日08時廣東省累計觀測降水(a)和ART_1 km降水(b)與2020年5月20日11時—22日13時的累計觀測降水(c)和ART_1 km降水(d)的空間分布(單位:mm)Fig.3 Spatial distribution of accumulated rainfall from(a)observations and(b)ART_1 km products from 08∶00 on May 4 to 08∶00 on May 9,2019,and from(c)observations and(d)ART_1 km products from 11∶00 on May 20 to 13∶00 on May 22,2020 in Guangdong Province,respectively(unit:mm)

綜上，無論指標最高還是最低，ART_1 km降水產品都能夠較好地反映廣東省致災性暴雨過程中降水的落區和強度，并能夠成功再現累計降水量超過100 mm的強降水落區。對于粵西、尤其是雷州半島，ART_1 km降水產品呈現的降水范圍和強度相比觀測略大，這可能是因為雷州半島的觀測站點稀疏，無法反映出部分地區是否發生降水，而ART_1 km 降水產品還融合了衛星、雷達的結果，同時也因為鄰近站點插值的影響，所以使得雷州半島的ART_1 km降水比觀測大。因此本文還使用了雷達組合反射率評估ART_1 km 降水產品在無站點觀測區的表現(圖略)，發現雷達回波反映出的無站點觀測區存在強降水時，ART_1 km 降水產品也能夠有效反映出強降水的發生，并且ART_1 km降水產品對站點觀測的異常數據也有替代修正作用。另外，注意到圖1—3 呈現的站點觀測降水局地性更強，空間分布相對離散，而ART_1 km降水產品在站點插值后呈現的降水分布更為連續，塊狀分布明顯，表明該產品在反映大范圍的降水分布上具有很大優勢，但在刻畫小范圍局地分散性降水上仍存在一定不足。

2.2 各等級降水的頻率分布

廣東省兩類獨立站的觀測降水和ART_1 km降水在不同小時降水等級中的出現頻率如圖4所示。從圖中來看，ART_1 km 降水產品出現無降水(<0.1 mm)的頻率略低于觀測，其中區域站和水文站的頻率分別約低了3%和10%。但ART_1 km 降水產品的小時降水量在[0.1,2)mm 范圍內出現的頻率則略高于觀測，其中區域站和水文站的頻率分別約高了1.5%和10%。因此，獨立站觀測無降水時，ART_1 km降水產品仍可能表現出弱降水，但這種情況出現的概率很低。小時降水量在2～10 mm時，區域站的ART_1 km降水出現頻率比實際觀測略高了1%，水文站的二者頻率幾乎相等。小時降水量>10 mm時，兩類獨立站的出現頻率顯著下降，都低于0.02，此時ART_1 km降水頻率和實際觀測的幾乎相等。

圖4 2019—2022年5—8月廣東20例暴雨過程中區域站(a)和水文站(b)的觀測降水與ART_1 km降水在不同小時降水等級中的出現頻率Fig.4 Occurrence frequency of different hourly precipitation classifications for observations and ART_1 km products at(a)non-uploaded regional stations and(b)hydrometric stations during twenty disastrous rainstorm cases from May to August during 2019-2022 in Guangdong Province.

2.3 相關性和誤差分析

圖5統計了20例暴雨過程中獨立站的ART_1 km降水在不分級和分級情形下的TS 評分及其與觀測降水的相關性、均方根誤差和平均值誤差。圖5a 表明，ART_1 km降水的TS評分在降水不分級時為0.6～0.7，在降水分級時為0.5 以下，當小時降水≥50 mm時，TS評分最低，約為0.2。但并非降水越強、ART_1 km 降水的TS 評分越低，例如小時降水量為[20,50) mm 時，ART_1 km降水的TS評分均比前后降水等級高。圖5b表明，ART_1 km 降水和觀測降水的相關系數在降水不分級時約為0.82，在降水分級后相關性顯著降低，基本為0.2～0.4。這說明在降水不分級時，ART_1 km降水和觀測降水的高相關很大程度上是由暴雨過程中無降水的站點或時次貢獻的。因此統計無降水情形下獨立站的ART_1 km 降水的準確率，發現區域站為89%，水文站為85%，說明ART_1 km 降水產品能夠較好地反映無降水的情形。

圖5 2019—2022年5—8月廣東省20例暴雨過程中區域站和水文站的ART_1 km降水的TS評分(a)及在不同降水等級中與觀測降水的相關系數(b)、均方根誤差(c)和平均值誤差(d)Fig.5 (a)TS,(b)correlation coefficient,(c)root mean square error,and(d)mean error between ART_1 km products and observations in different precipitation classifications at non-uploaded regional stations and hydrometric stations from the 20 cases in this study

區域站和水文站的ART_1 km降水和觀測降水的均方根誤差(RMSE)隨著降水增強而增大(圖5c)，在降水不分級時，RMSE 約為2.0 mm；小時降水≥50 mm時，RMSE 最大，接近31.0 mm。平均值誤差(ME)可反映ART_1 km 降水的高估或低估，圖5d 表明在降水不分級時，兩類獨立站的ME 幾乎為0；但在降水較弱時(小時降水<5 mm)，ME 略大于0，說明ART_1 km 降水略有高估；在小時降水≥5 mm 時，ME 小于0；當小時降水量≥50 mm時，ME在-26～-24 mm之間，表明隨著降水越強，獨立站的ART_1 km降水的低估越明顯。

圖6對20例暴雨過程中區域站和水文站的ART_1 km降水與觀測降水的相關系數、均方根誤差和平均值誤差進行空間分布特征分析。全省大部分獨立站的ART_1 km 降水和觀測降水的相關系數為0.5～0.9(圖6a、b)，其中珠三角、粵東東部和粵北北部的大部分站點的降水相關系數達到0.8、甚至0.9以上；而粵東西部、粵北南部和粵西大部分站點的降水相關性降低，為0.5～0.8，個別站點的相關系數小于0.5。大部分獨立站的均方根誤差為0.1～1.0 mm(圖6c、d)，其中珠三角、粵東東部、粵北北部和粵西的茂名、湛江這些地區，大部分站點的均方根誤差最小(為0.1～0.5 mm)；但在珠三角以西的江門—陽江沿海和以東的惠州及粵北南部，部分站點的均方根誤差增大至1.0～5.0 mm。此外，全省大部分獨立站的平均值誤差在±0.1 mm 內(圖6e、f)，但雷州半島較多站點的平均值誤差為0.1～0.5 mm，表明ART_1 km 降水在該站點稀疏區域存在高估。

圖6 2019—2022年5—8月廣東省20例暴雨過程中區域站(a，c，e)和水文站(b，d，f)的ART_1 km降水和觀測降水的相關系數(a，b)、均方根誤差(c，d)和平均值誤差(e，f)的空間分布Fig.6 Spatial distribution of(a,b)correlation coefficient,(c,d)root mean square error,and(e,f)mean error between ART_1 km precipitation products and observational precipitation at non-uploaded regional stations(a,c,e)and hydrometric stations(b,d,f)from the 20 cases in this study

將廣東省劃分為0.25°×0.25°網格，統計每個網格內上傳制作ART_1 km 降水產品的非獨立站點數，網格內站點數從1～29個不等，網格內有20個及以上站作為高密度網格，10～20 個站作為中密度網格，10 個以下作為低密度網格。其中，高密度區往往也是強降水易發區，以珠三角為代表；中密度區主要在珠三角部分區域及粵東東部。從不同站點密度區的降水評估結果來看（圖略），各項檢驗指標表現為：高密度區>中密度區>低密度區，其中高密度區的ART_1 km降水的TS 評分大于0.64，和觀測降水的相關系數大于0.8。這表明，區域的站點越密集，則上傳制作ART_1 km 降水產品的站點觀測越多，該區域的ART_1 km降水產品的質量也越高。

表2—4列出了20例暴雨過程中區域站和水文站等兩類獨立站的ART_1 km降水和觀測降水的相關系數、均方根誤差和平均值誤差的不同范圍在各等級降水中的站點占比。表2表明，在降水不分級時，60%～63%的獨立站的降水相關系數≥0.8，約98%的獨立站相關系數≥0.5。降水分級后，在相關系數≥0.5、≥0.8、≥0.9 和≥0.99 這些范圍內，可以看到隨著降水增大，站點占比總體增大，說明ART_1 km 降水和觀測降水的相關性隨著降水增大而增大。當小時降水<20 mm，大部分獨立站的相關系數<0.5；當小時降水≥20 mm，42%～56%的站點的降水相關系數≥0.5，且30%～32%的站點相關性≥0.99，表明在強降水情形下ART_1 km降水和觀測降水的相關性增大。

表2 廣東ART_1 km降水與觀測降水的不同小時降水等級的相關系數(COR)在≥0.99、≥0.9、≥0.8、≥0.5和<0.5范圍下的站點占比(PCOR)Table 2 Station ratios of different precipitation classifications in different correlation efficient ranges of ≥0.99,≥0.9,≥0.8,≥0.5,and<0.5 between ART_1 km products and observations

表3 表明，降水不分級時，超出90%的獨立站的ART_1 km降水和觀測降水的均方根誤差為[1.0,5.0)mm。降水分級后，當小時降水<10 mm，66%～96%的站點的均方根誤差為[1.0,5.0)mm；當小時降水為[10,20)mm，77%～82%的站點的均方根誤差為[5.0,10.0) mm；當小時降水≥20 mm，75%～86%的站點的均方根誤差≥10.0 mm。此外，從均方根誤差≥10.0 mm的站點占比來看，區域站和水文站的站點占比隨降水增強而增大，尤其當小時降水≥20 mm，兩類獨立站的站點占比都超出75%，說明隨著降水增強，獨立站的ART_1 km降水和觀測降水的均方根誤差增大。

表3 廣東ART_1 km降水與觀測降水的不同小時降水等級的均方根誤差(RMSE)在≤1.0、[1.0,5.0)、[5.0,10.0)和≥10.0 mm范圍下的站點占比(PRMSE)Table 3 Station ratios of different precipitation classifications in different root mean square error ranges of ≤1.0,[1.0,5.0),[5.0,10.0)and ≥10.0 mm between ART_1 km products and observations

表4 表明，降水不分級時，約65%的區域站和約70%的水文站的ART_1 km降水和觀測降水的平均值誤差在±0.1 mm 內。降水分級后，當小時降水<5 mm，68%～83%的站點的平均值誤差在±0.5 mm 內，且70%～99%的站點的平均值誤差≥0 mm，即大部分站點的平均值誤差在[0.0,0.5]mm范圍內；當小時降水≥20 mm，94%以上的站點的平均值誤差<0 mm；當小時降水≥50 mm，接近81%的站點的平均值誤差在-10 mm以下，即此時ART_1 km降水總體弱于實際觀測10 mm以上。實際上，從平均值誤差≥0、<0的站點占比來看，當小時降水≥5 mm時，73%以上的站點的平均值誤差小于0，說明ART_1 km降水低估較明顯。

3 極值站點降水準確性評估

表5 和表6 分別統計了每例暴雨過程中ART_1 km 降水與觀測降水偏差最大的區域站和水文站。兩類獨立站在每例暴雨過程中降水偏差最大的站點并不相同，每個站的偏差值大小也不同，這可能是由于每例過程的降水強度和落區不同導致的，也說明ART_1 km降水的表現存在站點差異。

表5 廣東省20例暴雨過程中ART_1 km降水與觀測降水偏差最大的區域站及其降水信息Table 5 Non-uploaded regional meteorological stations with the maximum deviation between ART_1 km products and observations in each rainstorm case

表6 廣東省20例暴雨過程中ART_1 km降水與觀測降水偏差最大的水文站及其降水信息Table 6 Hydrometric stations with the maximum deviation between ART_1 km products and observations in each rainstorm case

區域站(表5)的最大降水偏差達到106.7 mm，發生在2020 年5 月22 日03 時的G1970 站點，此時該站觀測降水為0 mm，ART_1 km 降水在該站該時次的表現存在嚴重高估。但從20例暴雨過程的統計來看，15例的區域站存在低估，其中最大低估值為101.9 mm，發生在2019 年5 月27 日05 時的G2187 站點，此時該站觀測降水為141.6 mm，ART_1 km降水為39.7 mm。水文站(表6)的最大降水偏差達到108.9 mm，發生在2022年5月11日03時的站點81701270，此時該站觀測降水為128.5 mm，ART_1 km 降水為19.6 mm，后者明顯低估。此外，表6呈現出14例的水文站存在低估。

然而，表5 和表6 的統計是針對每例暴雨過程中降水偏差最大的時刻，對于整個暴雨過程中是否存在較多的低估時次不確定。為了進一步檢驗ART_1 km降水產品在整個暴雨過程中的表現，圖7a 給出了表5中低估最明顯的區域站G2187 在2019 年5 月23 日08時—30 日22 時暴雨過程的觀測降水和ART_1 km 降水及二者偏差的時間演變，發現該站ART_1 km 降水在該過程的顯著降水時期(如5月26日05時—27日05時和29 日04 時—16 時)表現為明顯低估。但總體來看，G2187 的ART_1 km 降水仍然成功再現了降水的發生發展過程和強弱演變趨勢。圖7b 則給出了表6中低估最明顯的水文站81701270在2022年5月10日06 時—14 日08 時暴雨過程的降水演變，發現該站的ART_1 km降水峰值的發生時間比觀測降水峰值的發生時間滯后了1 h，從而導致了ART_1 km降水的嚴重低估，但在后續過程中，ART_1 km降水產品仍較好地再現了降水的強弱變化。圖7c、d則分別是20例暴雨過程中小時觀測降水最大的區域站和水文站的降水演變，其中區域站的最大小時降水為167.8 mm，發生在2020 年5 月22 日03 時的G9502 站，水文站的最大小時降水為149.0 mm，發生在2022 年5 月11 月06 時的81720610 站。從圖7c、d 可見，在小時降水最大的過程中，ART_1 km降水低估仍然明顯，但也再現了觀測降水的發展趨勢。

圖7 區域站G2187在2019年5月23日08時—30日22時(a)、水文站81701270在2022年5月10日06時—14日08時(b)、區域站G9502在2020年5月20日11時—22日13時(c)、和水文站81720610在2022年5月10日06時—14日08時(d)的觀測降水、ART_1 km降水及二者偏差的時間演變Fig.7 Temporal variations of observed precipitation(O,black solid lines),ART_1 km precipitation(G,gray solid lines),and their deviation(G-O,dashed lines)(a)at the non-uploaded regional station G2187 from 08∶00 BT May 23 to 22∶00 BT May 30,2019,(b)at the hydrometric station 81701270 from 06∶00 BT May 10 to 08∶00 BT May 14,2022,(c)at the non-uploaded regional station G9502 from 11∶00 BT May 20 to 13∶00 BT May 22,2020,and(d)at the hydrometric station 81720610 from 06∶00 BT 10 May to 08∶00 BT May 14,2022,respectively

總體對比了每例暴雨過程中降水低估顯著的獨立站的觀測降水和ART_1 km 降水的演變，發現不少獨立站的ART_1 km降水峰值的發生相比觀測降水峰值的發生提前或滯后1～2 h，但也存在不少獨立站的ART_1 km 降水峰值并未發生提前或滯后的情形，其ART_1 km降水仍弱于觀測降水。

4 結論與討論

本文選取廣東省2019—2022年5—8月的20例致災暴雨過程，以未上傳融合制作ART_1 km 降水產品的區域站和水文站等兩類獨立站的觀測降水資料作為“真值”，對ART_1 km 降水產品在暴雨過程中的準確性進行量化評估。主要結論如下：

(1)ART_1 km降水產品較好地再現了廣東省暴雨過程的降水落區、強度和變化趨勢，在反映大范圍的降水分布上具有很大優勢，但對于站點較稀疏的地區如雷州半島，ART_1 km 降水產品呈現的降水范圍和強度相比實測略大，在反映小范圍局地分散性降水上仍存在不足。此外，ART_1 km 降水產品也能夠較好地反映無降水的情形。

(2)ART_1 km 降水和觀測降水在珠三角、粵東東部和粵北北部的相關系數最大(≥0.8)、均方根誤差最小(0.1～0.5 mm)；而粵東西部、粵北南部和粵西的降水相關性降低，均方根誤差增大。全省大部分獨立站的ART_1 km 降水和觀測降水的平均值誤差在±0.1 mm內，但雷州半島總體表現為降水略有高估。

(3)降水越強，獨立站的ART_1 km 降水和觀測降水的相關性越高，但均方根誤差和平均值誤差也越大。降水不分級時，全省約60%的獨立站的ART_1 km降水和觀測降水的相關系數≥0.8，超90%的獨立站的均方根誤差在[1.0,5.0)mm范圍內，超60%的獨立站的平均值誤差在±0.1 mm 內。降水分級后，當小時降水較弱時(<5 mm)，全省大部分獨立站的相關系數<0.5、均方根誤差在[1.0,5.0) mm 范圍內、平均值誤差在[0.0,0.5]mm范圍內；當小時降水很強時(≥20 mm)，全省42%～56%的獨立站的相關系數≥0.5，大部分獨立站的均方根誤差≥10 mm、平均值誤差<0 mm，且當小時降水≥50 mm，平均值誤差<-10 mm。

(4)隨著降水增強，ART_1 km 降水產品總體表現為低估。20 例暴雨過程中，區域站的ART_1 km 降水最大低估值達101.9 mm，水文站達108.9 mm。分析低估最明顯及降水最強的站點在相應暴雨過程中的降水演變發現，ART_1 km 降水在強降水發生時存在明顯低估，甚至其峰值降水的時間相比觀測提前或滯后1～2 h，但仍較好地反映了整個過程降水的發生消亡和強弱演變趨勢。

獨立站ART_1 km降水與觀測降水的偏差與這些站點的觀測資料未融合制作降水產品密切相關。由于ART_1 km降水產品是由每個格點附近的站點觀測資料融合分析得到，因此ART_1 km 降水低估情況的出現可能與獨立站周圍的降水分布不均勻性有關。站點分布也存在不均勻性，站點越密集的區域，融合制作ART_1 km 降水產品的觀測資料就越多，產品的準確性越高。但如果獨立站周圍參與融合制作的實況站點太少，則可能導致ART_1 km 降水的低估。因此，若有更多的獨立站觀測融入制作ART_1 km 降水產品，有助于進一步提升該產品的準確性。