How Well Can Global Precipitation Measurement (GPM) Capture Hurricanes? Case Study: Hurricane Harvey

Omranian, Ehsan; Sharif, Hatim O.; Tavakoly, Ahmad A.

doi:10.3390/rs10071150

开放式访问技术说明

全球降水测量（GPM）如何捕捉飓风？案例研究：飓风哈维

通过

Ehsan Omranian公司

^1,*

,

哈蒂姆·O·谢里夫

¹

和

艾哈迈德·塔瓦科利

²

¹

德克萨斯大学圣安东尼奥分校土木与环境工程系，美国德克萨斯州圣安东尼奥市，邮编78249

²

美国陆军工程师研发中心海岸和液压实验室，美国马里兰州大学公园5825大学研究中心4001室，邮编：20740

^*

应向其寄送信件的作者。

远程传感器。 2018,10(7), 1150;https://doi.org/10.3390/rs10071150

收到的提交文件：2018年6月12日/修订日期：2018年7月18日/接受日期：2018年7月18日/发布日期：2018年7月20日

（本文属于特刊降水遥感)

下载

浏览地物

版本注释

摘要

:

近年来，飓风和其他严重的沿海风暴越来越频繁，破坏性也越来越大。2017年8月25日至29日，飓风哈维（Harvey）演变为第四类风暴，给德克萨斯州休斯顿地区带来毁灭性降雨，是近代历史上最极端的事件之一。它造成了超过$德克萨斯州基础设施耗资1250亿美元，在很短的时间内造成多人死亡。哈维在5天内的降雨量是美国有史以来最高的。对这一历史性毁灭性事件的研究可以更好地为类似事件的深远影响做好准备并有效减少其后果。基于卫星观测的降水产品可以提供了解此类毁灭性风暴演变所需的宝贵信息。在本研究中，评估了全球降水任务（GPM-IMERG）最新综合多卫星反演（Integrated Multi-satelliteE Retrievals for Global Deposition Mission）最终运行产品捕获飓风Harvey引起的降雨量大小和空间（0.1°×0.1°）/时间（小时）模式的能力。地面雷达（4×4km）每小时网格化降雨量估算值用作参考数据集。研究了卫星降雨产品的基本统计指标和概率统计指标。结果表明，IMERG产品在探测风暴空间变异性方面的性能是令人满意的。它重建了近62%的降水量，尽管它系统性地低估了沿海地区的降雨量，并高估了高强度地区的降雨量。此外，虽然IMERG和雷达产品之间的相关性普遍较高，但风暴中心及其周围的相关性显著降低。

关键词：

飓风哈维;GPM卫星;IMERG公司;热带风暴降雨;网格雷达降水

1.简介

可靠和高质量的降水测量为水资源调查提供了不可或缺的信息，并在各种应用中发挥着重要作用，例如天气预报和气候建模、水资源和水文建模、全球水循环分析和农业发展规划[1,2,三,4,5,6,7]。然而，由于陆地和区域尺度上水资源时空分布不均的巨大异质性，获取准确和权威的数据（如降水产品）一直是科学家面临的一个挑战[8,9,10,11]。降雨量主要通过三种方法记录：地面观测（仪表）、天气雷达和卫星产品[12,13]。传统上，雨量计网络作为最直接、最可靠的测量方法，可以提供高时间频率的地表降水量[8,14,15]。然而，水尺的不均匀和稀疏分布导致较大流域的空间覆盖率较低。此外，高数据延迟阻碍了计量网络的广泛使用[11,16,17]。地面天气雷达通常以较高的时空分辨率估计降水量，这将大大有助于更好地了解风暴结构及其实时监测[18,19,20,21]。尽管存在一些限制，如空间覆盖有限、山区不准确、距离依赖和随机系统误差；雷达降水产品是目前最可靠的降水测量来源之一[22,23,24]。多卫星降水测量可能是最全面的产品，因为它们具有广阔的空间覆盖范围（几乎是全球范围）、定期和恒定的时间测量以及适度同步的性能[25,26,27,28,29]。近二十年来，热带降雨测量任务（TRMM）多卫星降水分析（TMPA）一直在提供高质量的降水记录，这些记录已用于各种应用[30]。该产品最近与其他一些半全球卫星产品集成，例如气候预测中心变形（CMORPH）和使用人工神经网络（PERSIANN）从遥感信息进行降雨量估计，以生成一种高分辨率和先进的卫星产品，称为，全球降水任务（IMERG）的综合多卫星检索[8,30].

全球降水测量（GPM）任务是一个国际卫星网络，使用核心卫星和辅助卫星，以及先进的无源微波辐射计和双频雷达系统，从太空测量雨雪。数据收集自MetOp B/C（由欧洲气象卫星利用组织（EUMESAT）运营）、全球变化观测任务-水（GCOM-W）（由日本宇宙航空研究开发机构（JAXA）运行）、，Megha Tropiques（由印度空间研究组织（ISRO）和法国国家空间研究中心（CNES）共同运营，以及其他一些卫星，主要由美国国家航空航天局管理[31,32]。与之前对GPM前身（如CMORPH）的评估研究类似[33,34]，佩尔西安[35,36]、GSMaP[37,38]，CHIRPS（颤音）[39]、和TRMM[40,41]，已经做出了一些努力来评估和表征这种基于卫星的产品的不确定性和误差[12,42,43,44,45]。与其他卫星产品相比，GPM的一个显著改进是它能够通过结合GPM微波成像仪（GMI）和双频降水雷达（DPR）仪器来检测光和固体降水[12].

以前对IMERG产品的一些验证研究主要在中国很大的地区进行，例如[15]或印度，例如[30]。因此，基于中国量规的日降雨量分析（CGDPA）（0.25°×0.25°）、中国气象局（CMA）的小时网格化降雨量数据（0.1°×0.1°）和基于网格化印度气象局（IMD）量规的降雨量数据被用作可靠的来源（基准或地面实况）观测降水记录。这些基于计量的产品在发布前经过严格的质量控制过程[5,15]。然而，将它们与IMERG产品进行比较可能会导致一些计算问题。由于逆距离加权（IDW）方法通常用于插值规范观测值之间的降水值，以生成大面积的网格数据，因此它可能会在具有稀疏规范网络的区域内造成降水记录估计的不确定性[15]。此外，这些产品的时空分辨率通常比IMERG时空分辨率粗。因此，在将分辨率较高的产品与分辨率相对较粗的产品进行匹配时，会丢失一些数据[46]。因此，与之前的研究相比，应用更稳健的网格化降水源（更高的时空分辨率）可以更好地评估IMERG产品。

此外，为了进行全面验证，需要评估IMERG卫星产品在区域和地方范围内以及在飓风或雷暴等不利天气条件下的性能。2015年5月，美国的自然灾害造成超过$损失达10亿美元，而德克萨斯州是最脆弱的州之一[12,47]。2017年8月，飓风哈维（Harvey）作为4级飓风，造成了超过$德克萨斯州一周损失1250亿美元[48,49]。德克萨斯州未来几年可能会发生类似的事件。因此，关键是要有一个强大的跟踪机制来从空间检测事件及其特征。本研究的目的是在一个极易受洪水和飓风事件影响的区域范围内评估IMERG产品，并展示GPM核心卫星如何捕捉飓风事件。应当指出，另外两种GPM卫星产品（早期和晚期产品）也可以用于近实时应用，以进行预测。为了实现这一目标，将气象雷达数据作为观测数据与开源卫星降水产品进行了比较。第2节提供了研究领域、使用的数据集和方法。在第3节，提供了结果并进行了全面讨论，同时第4节代表了结论。

2.材料和方法

2.1. 研究区域

得克萨斯州，毗邻的美利坚合众国最大的州（268597英里²)是世界上受洪水和飓风影响最严重的地区之一[50]。它通常分为三大气候区，具有不同的水文气象条件、地形/地貌特征和土地利用/土地覆盖（LULC）类型：（1）湿润（东部地区）（2）半湿润（中部地区）（3）干旱（西部地区）[51]。西部地区通常被干旱的沙漠所覆盖，而中部和东部地区通常被森林、农田和牧场所覆盖，湿度更大。东南部主要受亚热带天气条件的影响，使该地区成为飓风、龙卷风和洪水等自然灾害最脆弱的地区之一[52]。德克萨斯州的大多数人口居住在中部和东部地区，导致该地区对更多基础设施的需求增长。此外，由于自然灾害，德克萨斯州每年都会在这些地区遭受重大的财政损失。因此，研究区域的经度为西93.4°–106.7°，北纬25.7°–36.6°。

2.2. 降雨量数据

2.2.1. NWS/NCEP第四阶段雷达数据

国家气象局/国家环境预测中心（NWS/NCEP）河流预测中心（RFC）第四阶段定量降水估算（QPEs）网格雷达降水(http://data.eol.ucar.edu/)作为降水观测数据的来源。第四业务阶段降水雷达数据制作始于2001年，此后一直在继续[53]。它包含调整后的每小时雨量计降水记录，空间分辨率为4×4公里，时间分辨率为每小时。测量值在每小时结束时以累积小时格式进行。

2.2.2. IMERG卫星产品

3级IMERG数据从降水测量任务网站下载(http://pmm.nasa.gov/data-access/downloads/gpm). IMERG产品05-B版采用半小时时间分辨率和0.1°×0.1°（11×11 km）空间分辨率。最终运行的产品通过计量网络进行调整，相对于其他两个早期和晚期运行的产品，计量网络将其转换为更准确的产品。它是在初步记录日期后近3个月制作的，主要用于研究目的。由于雷达产品具有小时时间分辨率，本研究中使用的IMERG产品也在每小时结束时转换为小时格式。

2.3. 方法

飓风哈维主要影响德克萨斯州南部和东部各县。因此，要更好地跟踪飓风哈维并准确检测事件的空间范围；只有那些雷达产品捕捉到的累积降水量超过10mm的网格在整个事件期间进行了评估。在飓风哈维期间连续五天以小时时间分辨率将网格化最终运行的IMERG产品与最近的NCEP第四阶段网格化雷达产品进行比较。基于欧几里德距离确定距离每个卫星产品最近的雷达网格，并与每个卫星网格配对。由于卫星产品的空间分辨率几乎是雷达网格的三倍，因此每个卫星产品都有一个唯一的最近雷达网格。之后，将来自IMERG网格的降水记录与对应于最近雷达网格的小时时间分辨率的降水记录进行比较，以计算统计比较指标。德克萨斯州境内有45509个NWS/NCEP雷达网格，而IMERG卫星网格只有6502个。然而，该地区只有2508个网格，累积降雨量超过10毫米。

累积降雨量显示了研究期间相同网格的第四阶段网格产品和IMERG卫星产品之间的空间模式差异(图1). IMERG显示，该州东南部的总降雨量约为NCEP第四阶段雷达的两倍。

指标分类

IMERG产品的评估使用了两套性能指标(表1). 第一组包括皮尔逊相关系数（CC）、平均误差（ME）、相对偏差（Bias）、平均偏差因子（MBF）和均方根误差（RMSE）。这些统计标准主要研究基于参考降水雷达数据的数据一致性。第二组指数提供了与参考雷达产品相比IMERG产品检测降水的概率和准确性的信息。降雨检测概率（POD）、虚警率（FAR）、关键成功指数（CSI）和皮尔斯技能评分（PSS）被广泛用于评估此类卫星产品的概率质量[12,30]。POD表示卫星探测降雨量的概率，而参考雷达数据报告降雨量。FAR指数解释了当雷达没有探测到降雨时，卫星错误探测降雨的不准确性。CSI结合了卫星和雷达捕获的所有事件，包括根据参考雷达观测的卫星遗漏和虚假事件。它显示了雷达和卫星雨量探测之间的更协调，同时基于各种时空分辨率提供了更确定的卫星数据视觉[12]。PSS是检测概率和错误检测概率之间的差异，表示系统捕获降雨量值的能力。该指数的理想值为1，而其范围在-1和1之间[54,55].

3.结果和讨论

这两种产品的累积降水空间模式提供了更多关于卫星和雷达产品如何捕获极端降水的信息(图1). 雷达产品捕获的累积降水量在10至770 mm之间；而相同地区的IMERG产品范围在0到1260 mm之间(图1). 两个数据产品的比较表明，卫星产品通常高估了降雨量，而在某些地区却没有检测到降雨量记录。这两种产品都探测到了德克萨斯州东部哈里斯县（休斯顿大都会）附近的飓风中心，而它们的空间模式显示出一些差异。一般来说，虽然雷达产品更集中在飓风中心；卫星产品的范围更广，探测到更多受飓风影响的南部城市（罗克波特、阿兰萨斯港和科珀斯克里斯蒂）。根据当地观察和报告，卫星产品可能比雷达产品更可靠地追踪飓风的空间模式和路径。此外，它表明，与降水率较低的网格相比，卫星产品在降水率较高的网格上通常具有更好的性能。

3.1. 基本统计指标

飓风哈维期间（2018年8月25日至29日）雷达和卫星产品之间的CC空间模式提供了卫星产品一致性的更多细节(图2). 由于飓风期间的空间变异率较高，跟踪相关系数可以揭示卫星产品的性能并说明飓风特征。

卫星产品与飓风中心附近雷达产品的一致性较低；而远离中心，一致性得到了改善(图2). 此外，它表明，尽管第二天具有完美CC值（1）的网格数量较高，但卫星产品记录的最低CC值（−0.57）的不一致程度也较高。它可以揭示，复杂的风暴结构可能会导致IMERG产品测量降水率的不一致性，即使是在同一天和附近的单元格。应注意两个重要问题：（1）与降水率下降约50%的三天相比，前两天的CC值更理想，降水率更高；（2）飓风复杂结构会严重影响卫星性能，尤其是在飓风中心。

飓风哈维期间IMERG卫星产品和NCEP第四阶段雷达产品之间的散点图提供了事件期间两种产品之间一致性的更多细节(图3). 它表示飓风期间每天观测值和估计值之间的相关性。8月26日和27日期间，较高的强度率导致散点图扩大，卫星数据和观测数据之间的相关率降低。因此，该散点图提供了一个更好的视角，以了解飓风在这段时间内如何发展到第四类风暴，并随后被公认为美国最具破坏性的飓风之一。8月26日，即该事件发展到强度和持续时间最大的四级飓风的当天，卫星产品与雷达观测的相关性最低(图3). 它表明，卫星产品在捕获飓风造成的过量降雨时效率较低。在5天跨度结束时（8月29日），相关性略有改善。这表明IMERG乘积算法仍需改进，以充分捕捉极端降雨事件。

IMERG小时降水量产品网格框上的概率（POD、FAR、CSI和PSS）和基本（ME、MBF、BIAS和RMSE）统计指数的方框图提供了卫星数据分布的更多细节(图4). 中央框的上边缘和下边缘是表示四分位范围（IQR）的第一个（25%）和第三个（75%）分位数，而中央内带和交叉符号分别表示中值和平均值。通常在10%到90%的测量值中选择的最小和最大观测值是上四分位数和下四分位数的1.5倍（IQR）。较远的观测值显示了离群值，可以揭示卫星和雷达观测值之间的不一致程度。基本指数对中间带具有很强的对称性，而概率指数显示出更宽的分布范围。然而，与概率指数相比，基本指数的离群值更多。此外，基本指数通常具有上限离群值（ME除外），而概率指数通常与下限离群值相关(图4). 它解释说，卫星产品高估了降水量值，而通常低估了事件的频率和错过的事件。FAR和CSI没有异常值，而POD和PSS只有较低的异常值。结果表明，尽管IMERG产品可能会错误报告不存在的事件或遗漏真实事件，但其在检测降水事件方面的总体性能是可以接受的，因为POD的上分位数、中位数和平均值非常接近其理想阈值。在基本指数的情况下，分布更宽，但更对称。上下分位数之间的距离较小，而异常值表明，在飓风等严重事件期间，IMERG的性能可能比更频繁的事件弱。虽然ME显示出双向异常值，但MBF、BIAS和RMSE仅具有较高的异常值，并且通常显示出对卫星产品的过高估计。方框图的总体视图显示，在飓风期间，IMERG生成了更多截断的数据，并明显高估了测量值。

ME、BIAS、MBF和RMSE空间变异性及其值说明了飓风哈维期间IMERG产品的更多细节(图5).

平均误差（ME）指数提供了飓风影响地区卫星产品的估计性能(图5a） ●●●●。一般来说，卫星产品高估了降雨量较高地区（主要是墨西哥湾附近）的降雨量。对于降水量较低的地区，ME大多接近其理想值（0）或出现负值，这表明卫星产品低估了ME。基于飓风哈维的空间变异性(图1)，ME空间变异性表明IMERG最终运行产品通常遵循相同的模式。此外，尽管IMERG在飓风哈维期间显示了过高和过低的估计，但范围（−6至10毫米）在合理范围内，这表明IMERG产品在飓风期间表现良好。图5b显示了受哈维飓风影响地区BIAS的空间变异性。该指数也遵循与ME指数相同的模式，但在超临界降水地区表现出很好的表现。BIAS指数接近于零或在受飓风影响较大的地区为正值，而其他地区主要为负值。平均偏差因子（MBF）通常显示了基于雷达观测的IMERG产品的良好性能(图5c） ●●●●。结果表明，IMERG产品对降水量的估计总体上是合理的。图5d提供了事件期间均方根误差（RMSE）的空间分布。它表明，在具有超临界降水的东部地区和墨西哥湾附近，RMSE误差率较高。RMSE空间模式也加强了这一要求/发现IMERG最终运行乘积算法需要改进，以更好地估计飓风期间的降雨量。

3.2. 概率统计指数

飓风哈维期间IMERG产品的POD、CSI、FAR和PSS空间模式及其值提供了卫星产品概率特性的更多详细信息(图6).

IMERG产品能够令人满意地检测到受该事件影响的大部分地区的降雨量(图6a） ●●●●。大多数网格显示（几乎）完美的POD值。然而，在南部和中部地区（奥斯汀和圣安东尼奥之间），检测率的概率低于其他地区，这可能是因为这些地区的降水率较低，IMERG检测低降水率的能力较弱。此外，边界线以外的POD值（飓风期间降雨量小于10mm的网格）明显较低，这表明卫星产品无法正确检测飓风期间强度较低的降雨事件。图6b显示CSI值。它几乎遵循与POD相同的空间模式，具有更平滑的值。南部地区的CSI值（与POD值相反）并不接近其理想值。POD和CSI值表明，与远离飓风中心的地区相比，IMERG产品可以在强度较高的地区显著捕捉飓风事件。飓风影响区的FAR值接近其理想值，0(图6c） ●●●●。这表明，在其他地区，卫星探测到的大多数命中也被雷达捕获。它表明，IMERG产品具有在飓风期间正确检测降雨量的一般能力。PSS值如所示图6d.通常表明，IMERG产品在估算降雨量方面具有合理的性能。然而，降水率较高地区（东部地区——飓风眼）的PSS值为负值，说明IMERG算法在捕捉极端降水率方面相对较弱。此外，距离飓风中心越远，PSS值越接近其理想值。这可以得出这样的结论：IMERG在估计受飓风影响的大多数地区的降雨量方面的能力是合理的。

4.结论

在本研究中，分析了GPM-IMERG卫星最终运行产品在飓风期间的降水监测性能。飓风哈维于2017年8月25日至29日发生，被国家飓风中心（NHC）、国家海洋和大气管理局（NOAA）认定为4级风暴。评估了IMERG产品在每小时和0.1°×0.1°分辨率下的质量，以捕获飓风期间的降雨量。为此，使用了NCEP第四阶段雷达产品的逐时降水观测数据，这些数据通过地面仪表进行了调整。为了更好地捕捉飓风事件，分析仅在累计降雨量超过10毫米的雷达网格上进行。由于飓风的空间变异率很高，数据在连续五天内进行了综合分析。飓风在8月26日和27日期间增加到4级。结果表明，IMERG可以适当地检测和跟踪飓风的空间路径和变化，同时需要更好的降水率性能。主要结论如下：

综合评估表明，IMERG产品能够准确检测和跟踪飓风的空间模式，而估计算法需要改进，以更好地测量降水强度。
IMERG小时降水量产品显示，在主要靠近海岸的风暴高峰期地区，出现了明显的高估。这种高估在远离飓风中心的地方逐渐减少。基本统计指数通常反映了对卫星产品的这种高估，然而，降雨峰值区域的小偏差（±10%）可以消除基于这些指标的卫星产品的不令人满意的性能。
统计指数表明，卫星产品在探测受飓风影响地区的降雨量方面表现良好。大部分地区显示出与低FAR（<0.2）相关的高POD（>0.8）值，这验证了卫星在降雨命中可预测性方面的性能，并且没有报告错误命中。
连续五天的CC空间分布表明，当飓风发展到4级风暴时（第2天/8月26日）；虽然大多数分区显示出较高的CC值，但在飓风中心（飓风眼）附近，存在负相关。这表明卫星没有很好地捕捉到风暴复杂的内部结构和空间变化。此外，来自多个传感器的低质量输入数据会加剧卫星产品的不一致性。因此，深入了解IMERG产品的日循环有助于生成更好的算法来估计未来的降雨量记录。
CSI和PSS指数总体上反映了卫星产品的良好表现，然而，对于特别靠近东海岸的次区域，IMERG无法适当捕捉风暴。

根据本研究的结果，IMERG产品的质量可以提高，以估计飓风等极端事件期间或降雨强度极高的次区域的降雨量。大气和地球科学家可以利用本研究中的详细分析结果，更好地评估飓风期间卫星产品的性能，并改进预测算法。准确估计飓风（第四类/第五类）无疑有助于提高社会安全，并计划更好地从受危险风暴影响的地区疏散居民。

作者贡献

E.O.和H.O.S.构思并设计了该方法；E.O.分析了数据；A.A.T.提供的审查和建议；E.O.准备并撰写了这篇论文，其中包含H.O.S.和A.A.T.的多种输入和评论。

基金

这项研究的部分资金由美国陆军研究办公室（Grant W912HZ-14-P-0160）和UTSA（德克萨斯大学圣安东尼奥分校）开放云研究所（OCI）提供，题为“德克萨斯州公路交通事故发生率和严重程度预测”。

致谢

我们衷心感谢这些支持。

利益冲突

作者声明没有利益冲突。

工具书类

基德，C。；全球降水量测量。美托洛尔。申请。 2011,18, 334–353. [谷歌学者][交叉参考][绿色版本]
基德，C。；鲍尔，P。；Turk，J。；G.J.哈夫曼。；Joyce，R。；Hsu，K.L。；Braithwaite，D.西北欧高分辨率降水产品的相互比较。J.水文气象。 2011,13, 67–83. [谷歌学者][交叉参考]
马云（Ma，Y.）。；Zhang，Y。；Yang，D。；Farhan，S.B.在第三极环境（tpe）区域不同气候条件下，降雨量偏差变化与各种量规的关系。国际气候杂志。 2015,35, 1201–1211. [谷歌学者][交叉参考]
马云（Ma，Y.）。；唐，G。；Long，D。；Yong，B。；钟，L。；Wan，W。；Hong，Y.使用青藏高原上可用的最佳小时雨量网络对gpm及其前一代rmm多卫星降水分析进行相似性和误差比较。远程传感器。 2016,8, 569. [谷歌学者][交叉参考]
Prakash，S。；Mitra，A.K。；AghaKouchak，A。；刘，Z。；诺鲁齐，H。；Pai，D.S.季风主导地区基于gpm的多卫星降水估计的初步评估。J.水文学。 2018,556, 865–876. [谷歌学者][交叉参考]
阿夫沙里，S。；塔瓦科利，A.A。；Rajib，文学硕士。；郑，X。；卵泡，M.L。；Omranian，E。；Fekete，B.M.新一代低复杂性洪水淹没绘图工具与水动力模型的比较。J.水文学。 2018,556, 539–556. [谷歌学者][交叉参考]
莱恩，J。；卡斯帕里斯，T。；Michaelides，S。；Metzger，P.垂直空气运动和离港仪之间的现象学关系导出了A-b系数。大气。研究。 2018,208, 94–105. [谷歌学者][交叉参考]
郭，H。；陈，S。；鲍，A。；Behrangi，A。；Y.Hong。；恩达伊萨巴，F。；胡，J。；Stepanian，P.M.中国全球降水测量多卫星综合反演的早期评估。大气。研究。 2016,176, 121–133. [谷歌学者][交叉参考]
刘，G。；Schwartz，F.W.草原坑洼地区湖泊和湿地分布的气候变化：从现代观测到时空替代的长期重建。水资源。研究。 2012,48. [谷歌学者][交叉参考]
贾瓦赫里，A。；Nabatian，M。；Omranian，E。；Babbar-Sebens，M。；Noh，J.S.将实时信道传感器网络与大陆尺度水文模型合并：用于提高洪水深度预测准确性的数据同化方法。水文学 2018,5. [谷歌学者][交叉参考]
Michaelides，S。；列维扎尼，V。；阿纳格诺斯托，E。；鲍尔，P。；Kasparis，T。；雷恩，J.E.降水：测量、遥感、气候学和建模。大气。研究。 2009,94, 512–533. [谷歌学者][交叉参考]
Omranian，E。；Sharif，H.O.德克萨斯州科罗拉多河下游流域全球降水测量（gpm）卫星降水产品评估。J.Am.水资源。协会。 2018. [谷歌学者][交叉参考]
阿夫沙里，S。；Omranian，E。；Feng，D.不同物理和半经验模型对洪水淹没程度的相对敏感性。国家。Innov水务中心。课程暑期学院技术代表。 2016, 19–24. [谷歌学者][交叉参考]
谢鹏。；Arkin，P.A.利用测量观测、卫星估计和数值模型预测对全球月降水量进行分析。J.攀登。 1996,9, 840–858. [谷歌学者][交叉参考]
唐·G。；马云（Ma，Y.）。；Long，D。；钟，L。；Hong，Y.在中国大陆多个时空尺度上对gpm第1天imerg和tmpa第7版遗留产品的评估。J.水文学。 2016,533, 152–167. [谷歌学者][交叉参考]
李，Z。；Yang，D。；Hong，Y.长江流域高分辨率多传感器混合全球降水产品的多尺度评估。J.水文学。 2013,500, 157–169. [谷歌学者][交叉参考]
米什拉，A.K。；Coulibaly，P.水文网络设计的发展：综述。地球物理学评论。 2009,47. [谷歌学者][交叉参考][绿色版本]
Germann，美国。；加利，G。；博斯卡奇，M。；Bolliger，M.山区的雷达降水测量。Q.J.R.Meteorol公司。Soc公司。 2006,132, 1669–1692. [谷歌学者][交叉参考][绿色版本]
海森曼，P.L。；Priegnitz，D.L。；曼罗斯，K.L。；T.M.史密斯。；美国国家气象雷达试验台相控阵雷达对严重风暴进行快速采样。天气预报。 2008,23, 808–824. [谷歌学者][交叉参考]
Aksoy，A。；Dowell，哥伦比亚特区。；Snyder，C.雷达观测同化用集合卡尔曼滤波器的多案例比较评估。第一部分：风暴尺度分析。周一。天气Rev。 2009,137, 1805–1824. [谷歌学者][交叉参考]
加贝拉，M。；莫林，E。；Notarpietro，R。；ku波段星载天气雷达和两台c波段地基雷达观测到的地中海东南部冬季降水场。大气。研究。 2013,119, 120–130. [谷歌学者][交叉参考]
谢里夫，H.O。；奥格登，F.L。；W.F.克拉耶夫斯基。；薛，M.雷达降雨误差传播的数值模拟。水资源。研究。 2002,38, 15-11–15-14. [谷歌学者][交叉参考]
梅，Y。；阿纳格诺斯托，E.N。；尼科洛普洛斯，E.I。；Borga，M.山地盆地卫星降水产品的误差分析。J.水文气象。 2014,15, 1778–1793. [谷歌学者][交叉参考]
谢里夫，H.O。；Ogden，F.L.将雷达数据保存在二维笛卡尔坐标系上的质量守恒重映射，用于水文应用。J.水文气象。 2014,15, 2190–2202. [谷歌学者][交叉参考]
F.J.塔皮亚多尔。；F.J.Turk。；彼得森，W。；Hou，A.Y。；加西亚·奥尔特加，E。；L.A.T.马查多。；安吉利斯，C.F。；萨利奥，P。；基德，C。；G.J.哈夫曼。；等，《全球降水量测量：方法、数据集和应用》。大气。研究。 2012,104, 70–97. [谷歌学者][交叉参考]
侯赛因，F。；Katiyar，N.推进卫星降雨数据集在未测量流域洪水预测中的应用：尺度、水文过程控制和全球降水测量任务的作用。在水文科学定量信息融合; Cai，X.，Yeh，T.C.J.，编辑。；施普林格：德国柏林/海德堡，2008年；第79卷，第163-181页。[谷歌学者]
Hobouchian，医学博士。；萨利奥，P。；García Skabar，Y。；维拉，D。；Garreaud，R.亚热带安第斯山脉斜坡上卫星降水估计的评估。大气。研究。 2017,190, 43–54. [谷歌学者][交叉参考]
萨利奥，P。；Hobouchian，医学博士。；García Skabar，Y。；Vila，D.使用密集雨量计网络评估南美洲南部高分辨率卫星降水量估计。大气。研究。 2015,163, 146–161. [谷歌学者][交叉参考]
Retalis，A。；Tymvios，F。；Katsanos，D。；Michaelides，S.降尺度啁啾降水数据：一种人工神经网络建模方法。《国际遥感杂志》。 2017,38, 3943–3959. [谷歌学者][交叉参考]
Prakash，S。；Mitra，A.K。；Pai，D.S。；AghaKouchak，A.从trmm到gpm：从太空探测暴雨的能力如何？高级水资源。 2016,88, 1–7. [谷歌学者][交叉参考]
北卡罗来纳州卡尔巴莱。；Hsu，K。；Sorooshian，S。；Braithwaite，D.利用被动微波卫星降雨量数据对基于红外的降雨量估算进行偏差调整。《地球物理学杂志》。Res.-大气。 2017,122, 3859–3876. [谷歌学者][交叉参考]
沙里菲，E。；Steinacker，R。；Saghafian，B.根据伊朗不同地形和气候条件下的测量数据评估gpm-imerg和其他降水产品：初步结果。远程传感器。 2016,8, 135. [谷歌学者][交叉参考]
高纳，M.F.R。；Overeem，A。；Leijnse，H。；Uijlenhoet，R.荷兰gpm降雨量第一年评估：Imerg第1天最终运行（v03d）。J.水文气象。 2016,17，2799–2814。[谷歌学者][交叉参考]
王，Z。；钟，R。；赖，C。；Chen，J.基于gpm imerg卫星的降水产品和水文效用评估。大气。研究。 2017,196, 151–163. [谷歌学者][交叉参考]
Xu，R。；田，F。；Yang，L。；胡，H。；卢，H。；Hou，A.基于高密度雨量计网络对青藏高原南部gpm-imerg和trmm 3b42v7降雨产品进行地面验证。《地球物理学杂志》。Res.-大气。 2017,122, 910–924. [谷歌学者][交叉参考]
李，N。；唐·G。；赵，P。；Y.Hong。；郭，Y。；Yang，K.赣江流域最新多卫星降水分析时间的统计评估和水文效用。大气。研究。 2017,183，212–223。[谷歌学者][交叉参考]
哈比卜，E。；A.T.海尔。；田，Y。；Joyce，R.J.使用密集雨量计观测和基于雷达的估计对高分辨率cmorph卫星降雨产品进行评估。J.水文气象。 2012,13, 1784–1798. [谷歌学者][交叉参考]
陈，S。；刘，H。；你，Y。；马伦，E。；胡，J。；袁，Y。；黄，M。；He，L。；罗，Y。；曾，X。；等。使用密集雨量计观测，评估2012年7月北京洪水事件期间卫星的高分辨率降水估计。公共科学图书馆 2014. [谷歌学者][交叉参考][公共医学]
Miao，C。；阿苏里，H。；Hsu，K。；Sorooshian，S。；Duan，Q.在捕捉中国极端降水事件行为时对波斯人cdr日降雨量估计的评估。J.水文气象。 2015,16, 1387–1396. [谷歌学者][交叉参考]
Katiraie-Boroujerdy，P.-S。；Nasrollahi，N。；Hsu，K。；Sorooshian，S.伊朗卫星降水量估算评估。J.干旱环境。 2013,97，205–219。[谷歌学者][交叉参考]
陈，Z。；秦，Y。；沈毅。；Zhang，S.中国大陆降水项目每日降水量估算全球卫星制图评估。高级Meteorol。 2016,2016. [谷歌学者][交叉参考]
田，Y。；彼得·利达尔，C.D。；阿德勒，R.F。；久保田，T。；Ushio，T.对美国邻近地区gsmap降水量估算的评估。J.水文气象。 2009,11, 566–574. [谷歌学者][交叉参考]
Katsanos，D。；Retalis，A。；Tymvios，F。；michaelides，S.基于卫星（chirps）和塞浦路斯现场数据集的极端降雨量分析。自然危害 2016,83, 53–63. [谷歌学者][交叉参考]
陈，S。；Y.Hong。；曹琦。；Gourley，J.J。；Kirstetter，P。；Yong，B。；田，Y。；张，Z。；沈毅。；胡，J。；中国上空连续两颗V6和V7 TRMM多卫星降水分析性能的相似性和差异性。《地球物理学杂志》。Res.-大气。 2013,118, 13–060. [谷歌学者][交叉参考]
陈，Y。；Ebert，E.E。；沃尔什，K.J.E。；Davidson，N.E.使用pacrain数据评估热带气旋降雨的trmm 3b42降雨量估计值。《地球物理学杂志》。Res.-大气。 2013,118, 2184–2196. [谷歌学者][交叉参考]
Shrestha，R。；Houser，P.R。；Anantharaj，V.G.高分辨率降水产品的最佳合并技术。J.高级模型。地球系统。 2011,三. [谷歌学者][交叉参考][绿色版本]
Wolter，K。；Eischeid，J.K。；Cheng，L。；Hoerling，M.历史告诉我们2015年美国每日极端降雨量的情况。牛市。Am.Meteorol公司。Soc公司。 2016,97，S9–S13。[谷歌学者][交叉参考]
Craig、R.K.Harvey、Irma和NFIP：2017年飓风季节对洪水保险重新授权有影响吗？在线可用：https://ssrn.com/abstract=3129088（网址：https://ssrn.com/abstract=3129088）（2018年2月23日访问）。
更新了最昂贵的美国热带气旋表。在线可用：https://www.nhc.noaa.gov/news/UpdatedCostliest.pdf（2018年1月26日访问）。
Omranian，E。；谢里夫，H。；Dessouky，S。；Weissmann，J.《探索降雨对德克萨斯州公路交通事故风险的影响：基于碰撞的配对分析方法》。Accid公司。分析。上一页。 2018,117, 10–20. [谷歌学者][交叉参考][公共医学]
尼尔森-加蒙，J.W。；张，F。；奥丁斯，A.M。；Myoung，B.德克萨斯州极端降雨：模式和可预测性。物理学。地理位置。 2005,26, 340–364. [谷歌学者][交叉参考]
Furl，C。；谢里夫，H。；Zeitler，J.W。；哈桑，A.E。；2015年5月，Joseph，J.德克萨斯州南部布兰科河灾难性洪水的水文气象。J.水文学。调节螺柱。 2018,15, 90–104. [谷歌学者][交叉参考]
Lin，Y。；Mitchell，K.E.《NCEP第II/IV阶段小时降雨量分析：发展与应用》。在线可用：https://ams.confex.com/ams/Annual2005/techprogram/paper_83847.htm（2018年6月12日访问）。
道斯·里斯，B.J。；雷诺，哥伦比亚特区。；Lopes，S.E.巴西湿润亚热带气候区山区流域卫星降雨产品验证。远程传感器。 2017,9. [谷歌学者][交叉参考]
Manzato，A.关于最高佩尔斯技能分数的注释。天气预报。 2007,22, 1148–1154. [谷歌学者][交叉参考]

图1。累积降雨量测量（mm）和空间模式(一)NCEP第四阶段雷达(b)2018年8月25日至29日飓风哈维期间，GPM-IMERG卫星最终运行产品。

图1。累积降水量测量值（mm）和由(一)NCEP第四阶段雷达(b)2018年8月25日至29日飓风哈维期间，GPM-IMERG卫星最终运行产品。

图2。2017年8月25日至29日德克萨斯州上空0.1°×0.1°分辨率下每小时IMERG降水产品的相关系数（CC）因子的空间分布。

图2。2017年8月25日至29日，德克萨斯州上空0.1°×0.1°分辨率的小时IMERG降水产物的相关系数（CC）因子的空间分布。

图3。2017年8月25日至29日期间每小时时间分辨率的IMERG卫星产品和第四阶段NCEP雷达降水产品的散点图。

图4。IMERG小时降水量产品网格框上概率（POD、FAR、CSI和PSS）和基本（ME、MBF、BIAS和RMSE）统计指数的方框图。

图5。飓风哈维期间最终运行的IMERG小时产品的基本统计指数的空间分布(一)我(b)BIAS公司(c（c）)抵押贷款基金(d日)RSME公司。

图6。飓风哈维期间最终运行IMERG的概率统计指数的空间分布(一)POD公司(b)犯罪现场调查(c（c）)FAR公司(d日)PSS系统。

图6。飓风哈维期间最终运行IMERG的概率统计指数的空间分布(一)POD公司(b)犯罪现场调查(c（c）)FAR公司(d日)PSS。

表1。评估和比较中使用的统计性能度量。

索引	公式	范围	完美的价值
类别1¹（基本统计指数）
相关系数（CC）²	$\frac{\frac{1}{N个} \sum_{n个 = 1}^{N个} (S公司一 {t吨}_{n个} - \bar{S公司一 t吨}) (R（右）一 {d日}_{n个} - \bar{R（右）一 d日})}{(S公司天_{S公司一 t吨}) (S公司天_{R（右）一 d日})}$	(−1)–(+1)	1
平均误差（ME）	$\frac{1}{N个} \sum_{n个 = 1}^{N个} (S公司一 {t吨}_{n个} - R（右）一 {d日}_{n个})$	$−∞ / +∞$	0
相对偏差（RBIAS）	$\frac{\sum_{n个 = 1}^{N个} (S公司一 {t吨}_{n个} - R（右）一 {d日}_{n个})}{\sum_{n个 = 1}^{N个} R（右）一 {d日}_{n个}}$	$−∞ / +∞$	0
平均偏差系数（MBF）	$\frac{\sum_{n个 = 1}^{N个} R（右）一 {d日}_{n个}}{\sum_{n个 = 1}^{N个} S公司一 {t吨}_{n个}}$	0–+∞	1
均方根误差（RMSE）	$\sqrt{\frac{1}{N个} \sum_{n个 = 1}^{N个} {(S公司一 {t吨}_{n个} - R（右）一 {d日}_{n个})}^{2}}$	0–+∞	0
第2类¹（概率统计指数）
检测概率（POD）	$\frac{{C类}_{S公司 R（右）}}{{C类}_{S公司 R（右）} + {C类}_{R（右）} {M（M）}_{S公司}}$	0–1	1
误报率（FAR）	$\frac{{C类}_{S公司} {M（M）}_{R（右）}}{{C类}_{S公司 R（右）} + {C类}_{S公司} {M（M）}_{R（右）}}$	0–1	0
关键成功指数（CSI）	$\frac{{C类}_{S公司 R（右）}}{{C类}_{S公司 R（右）} + {C类}_{S公司} {M（M）}_{R（右）} + {C类}_{R（右）} {M（M）}_{S公司}}$	0–1	1
皮尔士技能得分	$\frac{{C类}_{S公司 R（右）}}{{C类}_{S公司 R（右）} + {C类}_{R（右）} {M（M）}_{S公司}} - \frac{{C类}_{S公司} {M（M）}_{R（右）}}{{M（M）}_{S公司 R（右）} + {C类}_{S公司} {M（M）}_{R（右）}}$	(−1)–(+1)	1

¹n：样品数量；

S公司 一 {t吨}_{n个}

：卫星降雨量估算；

R（右） 一 {d日}_{n个}

：雷达观测降雨量；

\bar{S公司 一 t吨}

：平均卫星降雨量；

\bar{R（右） 一 d日}

：雷达平均降雨量；

S公司 天_{S公司 一 t吨}

：卫星降雨量的标准偏差；

S公司 天_{R（右） 一 d日}

：雷达降雨量的标准偏差；

{C类}_{S公司 R（右）}

：卫星和雷达捕获的事件；

{C类}_{S公司} {M（M）}_{R（右）}

卫星捕捉到的事件和雷达错过的事件；

{C类}_{R（右）} {M（M）}_{S公司}

：雷达捕捉到的事件和卫星错过的事件；

{M（M）}_{S公司 R（右）}

：雷达和卫星错过的事件（无事件）。²CC的范围通常为0到1。然而，为了更好地显示差异，本研究中使用了负相关系数。

分享和引用

MDPI和ACS样式

Omranian，E。；谢里夫，H.O。；A.A.塔瓦科利。全球降水测量（GPM）如何捕捉飓风？案例研究：飓风哈维。远程传感器。 2018,10, 1150.https://doi.org/10.3390/rs10071150

AMA风格

Omranian E、Sharif HO、Tavakoly AA。全球降水测量（GPM）如何捕捉飓风？案例研究：飓风哈维。遥感. 2018; 10(7):1150.https://doi.org/10.3390/rs10071150

芝加哥/图拉宾风格

Omranian、Ehsan、Hatim O.Sharif和Ahmad A.Tavakoly。2018年，“全球降雨量测量（GPM）如何捕捉飓风？案例研究：飓风哈维”遥感10，7号：1150。https://doi.org/10.3390/rs10071150

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单