遥感技术与应用, 2022, 37(2): 507-514 doi: 10.11873/j.issn.1004-0323.2022.2.0507

数据论文专栏

改进频率分布和风速纠正的青藏高原格点降水数据集（1980~2009年）

马佳培,1,2, 李弘毅,1

1.中国科学院西北生态环境资源研究院，甘肃 兰州 730000

2.中国科学院大学，北京 100049

Frequency Distribution Improved and Wind-induced Undercatch Corrected Gridded Precipitation for Tibetan Plateau (1980~2009)

Ma Jiapei,1,2, Li Hongyi,1

1.Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

2.University of Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 李弘毅（1981-），男，四川南充人，研究员，主要从事融雪径流和积雪遥感研究。E⁃mail:lihongyi@lzb.ac.cn

收稿日期: 2020-12-11   修回日期: 2021-11-02  

基金资助: 国家自然科学基金项目.  41971399
青海省基础研究项目.  2020⁃ZJ⁃731

Received: 2020-12-11   Revised: 2021-11-02  

作者简介 About authors

马佳培（1993-），男，四川眉山人，硕士研究生，主要从事寒区水文气象研究E⁃mail:jiapeima@lzb.ac.cn , E-mail：jiapeima@lzb.ac.cn

摘要

青藏高原格点降水数据是该地区气象、水文、生态等多方面研究的重要支撑。然而，因青藏高原地形和观测条件的影响，常规的格点降水资料处理方法通常难以表征格网内降水的真实统计参数，也并未将风速影响的器测误差考虑在内。针对此问题，对降水数据进行降水观测损失订正和降水频率分布优化形成新的数据集。由于考虑了风引起的观测损失且使用了不易受到台站密度影响的插值方案，该数据的均值比国际同类数据平均偏大20%，方差偏大2倍。更大的方差，意味着该数据可以更大程度地减少低密度观测网给格点数据带来的平滑效应，对于研究气候的变化特征更有优势。该数据覆盖时间范围从1980年1月1日至2009年12月31日，时间分辨率为1 d，水平空间分辨率10 km。数据适合作为数值模式降水和卫星遥感降水频率纠正的参考数据源，也可作为各类陆面水文模型的输入参数。

关键词： 格点降水 ; 损失纠正 ; 频率优化 ; 青藏高原

Abstract

The gridded precipitation is an important support for the studies of meteorology， hydrology and ecology on the Tibetan Plateau. However， due to the limitations of topography and observation conditions in this region， conventional gridded precipitation products are usually difficult to reflect the actual statistical parameters of precipitation within the grid-box. Also the measurement loss casing by wind are not took into account. To solve this problem， this paper introduces a new gridded precipitation with measurement undercatch correction and frequency distribution optimization. The dataset has a temporal resolution of 1 day and a horizontal spatial resolution of 10 km， and ranges from 1 January 1980 to 31 December 2009. The dataset can be used as a reference data source for numerical model precipitation correction and as an input parameter for various ecological hydrological models. Compared with the similar gridded precipitation datasets， this dataset considers the wind-induced measurement undercatch an is more accurate in the precipitation frequency distribution.

Keywords： Gridded precipitation ; Undercatch correction ; Frequency optimization ; Tibetan Plateau

PDF (5997KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

马佳培, 李弘毅. 改进频率分布和风速纠正的青藏高原格点降水数据集（1980~2009年）. 遥感技术与应用[J], 2022, 37(2): 507-514 doi:10.11873/j.issn.1004-0323.2022.2.0507

Ma Jiapei, Li Hongyi. Frequency Distribution Improved and Wind-induced Undercatch Corrected Gridded Precipitation for Tibetan Plateau (1980~2009). Remote Sensing Technology and Application[J], 2022, 37(2): 507-514 doi:10.11873/j.issn.1004-0323.2022.2.0507

1 引 言

格点降水被广泛地应用于驱动各类陆面水文模型，以及验证和校正区域气候模式的模拟的降水［1-3］。Beguería等［4］发现那些在均值上验证效果良好的格点降水数据并不一定在方差上也有良好的验证效果，方差上的偏差可能会导致在气候变化和极端事件研究上得出错误的结论。用频率分布来验证格点降水比单纯验证均方根误差或者相关系数更能反映数据的真实质量，因为频率分布同时包含了均值、方差、分位数等特征。作为降水频率的重要特征，方差、分位数等也有着广泛的应用，例如方差有关的指数被用来监测极端气候［5］，分位数被用来进行数值模式统计降尺度［6， 7］。可以说，格点降水频率分布的准确性对于理解生态水文过程至关重要。

在青藏高原，格点降水的频率会受到仪器设备、气象条件、地形条件、插值算法等的综合影响。首先，青藏高原上固态降水的比例比平原地区更高，加上风吹雪、蒸发以及微量损失等的影响，雨量筒所观测到的降水量会比实际更低［8-11］。Goodison等［12］指出，雨量筒的对降水的低估可达到50%；其次，青藏高原上台站的密度极低，因距离越远的站点之间的协方差越小，通常台站插值得到的格点数据的方差都会比真实值小很多［2］；再次，青藏高原地形条件极为复杂，海拔与降水的关系也不完全是简单的线性关系［13］，在插值方法中如何考虑地形对降水的影响也会对插值结果造成显著的影响［14-16］。

针对以上问题，本研究首先对青藏高原周边国家不同类型降水器测误差进行校正，然后采用考虑海拔影响的样条函数插值方法对来自164个台站的降水进行插值，最终获得一套在降水频率上更优、适合青藏高原的逐日格点降水数据集［17］。本文是对该数据集的系统介绍。

2 数据生产方法

数据的生产过程总体上分为质量控制、降水损失订正、插值以及后处理4步，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   数据生产流程图

Fig.1   The process to produce the dataset


（1） 站点观测数据首先经过质检，去除缺失值和坏值。

（2） 结合温度数据和风速数据对不同类型的雨量筒所观测的降水进行订正。

（3） 分别对月降水量和日降水相对月降水的比值进行插值，将两部分相乘。

（4） 将降水值中由插值引起的虚假微量降水（<0.1 mm）归零［18］，均值聚合到10 km，再进行相应的格式和属性处理，得到最终的产品数据。

2.1　数据源及质量控制

本数据使用了两种观测数据源，其中中国境内的台站观测数据来自中国气象局（Chinese Meteorological Admiration，CMA），中国境外观测数据来自GSOD（Global Surface Summary of Day）（ftp：∥ftp.ncdc.noaa.gov/pub/data/gsod/），共有164个站点（图2）。在降水损失校正效果验证和插值方法选取中选择10个站点来进行独立检验（表1）。数据的时间是从1980年1月1日至2009年12月31日，观测变量包括气温、风速以及降水等。GSOD数据采用的单位是英制单位，因此在处理前需要将长度单位英寸（in）转换为毫米（mm），温度单位华氏度（F°）转换为（C°），速度单位（kn）转换为（m/s）。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   研究区及数据所用台站，数据范围示意图 审图号：GS（2005）260

Fig.2   The study area， the used stations （yellow point） and the spatial extent （red dotted line） of the dataset


表1   独立验证站点信息

Table 1  The stations used for independent validation

名称经度/°E纬度/°N海拔/m
乌恰75.2539.722 173
策勒80.8037.021 378
希萨尔75.7329.17211
戈勒克布尔83.3726.7583
玛沁100.1434.543 678
班玛100.5732.973 650
加查92.5829.153 260
福贡98.8426.991 241
色达100.3332.283 894
阿姆利则74.8031.71230

新窗口打开| 下载CSV


首先，数据质量控制过程去除了缺失值、重复值、异常值。缺失值这里被定义为连续5个一样的值，异常值被定义为降水超过500 mm/day或气温超过70 ℃［19］。其次，观测数据被聚合成月降水，如果这个月的降水值小于多年月平均降水值的10倍及以上，那么这个月的数据就舍弃，此举是为了解决GSOD数据中可能存在的缺失值被记录为0的情况。

2.2　损失校正方法及效果验证

通常来自台站观测的降水都会受到一些系统误差的影响，这些系统误差包括风速损失、微量损失、湿润损失和蒸发损失。因此实际的降水量可以表示为：

Pc=KPg+∆Pw+∆Pe+∆Pt

其中：Pc是订正后的降水；Pg代表观测降水；∆Pw和∆Pe分别代表湿润损失和蒸发损失；∆Pt代表微量损失（当日降水小于0.1 mm时使用）。K是雨量筒捕捉效率的倒数，通常大于1。

捕捉率K与用来分离固液态降水的阈值温度有关，通常情况下这个温度阈值取-2 ℃和2 ℃［11，20-21］。然而Ding等［22］发现固液态降水的分离温度会随着海拔的升高而变大，Kang等［23］通过在天山北坡大西沟站的野外实测获得了2.8°C和5.5°C的固液态降水分离阈值，Ma等［8］也建议采用2.8°C和5.5°C作为高原的固液态降水分离阈值。因为两地的海拔更接近，这里采用Ma等的观点。∆Pw，∆Pe，∆Pt 3个量只与雨量筒的类型有关，且均为常数，这里也采用Ma等［8］获取的青藏高原周边各国的6种类型雨量筒的参数。

降水的校正需要日最高2 m气温、日最低2 m气温、日平均2 m气温、10 m高度处风速作为辅助输入。为了充分利用数据，在观测损失订正过程中，如果最大气温、最低气温、平均气温和风速中有一个量缺失，那么这一天的降水不做订正。只有所有变量都有值时，才做观测损失订正。

独立检验的效果显示，格点降水的频率误差在观测降水做了损失订正之后得到了改善。除乌恰和福贡，剩下的8个站点均显示了频率误差的降低，最大降低出现在策勒，达到了31%（表2）。

表2   不同台站上观测损失订正前后的WD

Table 2  The WD at different sites before and after the loss correction

订正前订正后下降率/%是否改善
阿姆利则8.778.730.46是
希萨尔5.585.452.33是
戈勒克布尔10.9910.435.10是
乌恰0.810.87-7.41否
策勒0.410.2831.71是
玛沁1.381.2112.32是
班玛1.351.0621.48是
色达1.601.3615.00是
加查2.182.065.50是
福贡3.874.68-20.93否

新窗口打开| 下载CSV


2.3　插值方法的选取

作为频率分布准确性的评价因子，WD（Wasserstein Distance）［24］不仅可以像均方根误差、相关系数一样反映降水值的准确性，还能反映降水值在时间上的变化特征。研究对比了6种格点降水常用的插值方法（表3），TPSD3D_OK和TPS3D_OK拥有相对更小的WD值，而在10个站点中除了戈勒克布尔和福贡之外，TPS3D_OK的WD都小于TPSD3D_OK（表4），这也说明TPS3D_OK在频率分布上的表现更优，能够最大程度地保留降水频率特征。

表3   6种插值方法介绍

Table 3  The descriptions of 6 interpolation schemes

名称描述
IDW反距离权重直接插值日降水，权重是距离2次方的倒数
OK普通克里金直接插值日降水
TPS3D_OK考虑海拔的样条函数插值月降水，普通克里金插值日相对于月降水的比例，最后将两部分相乘
TPS3D_IDW考虑海拔的样条函数插值月降水，距离权重插值日相对于月降水的比例，最后将两部分相乘
TPS2D_OK不考虑海拔的样条函数插值月降水，普通克里金插值日相对于月降水的比例，最后将两部分相乘
TPSD3D_OK考虑海拔的样条函数插值多年日平均降水场，普通克里金插值日降水的距平，最后将两部分相加

新窗口打开| 下载CSV


表4   10个独立验证站点上6种插值方法的WD

Table 4  The WD from 6 interpolation methods in 10 independent sites

TPS2D_OKTPS3D_IDWTPS3D_OKANOIDWOK
平均3.404.053.523.624.713.54
阿姆利则8.899.648.829.199.998.23
希萨尔5.707.295.556.417.755.02
戈勒克布尔10.6412.3610.4910.3214.3911.55
乌恰0.910.840.870.891.110.88
策勒0.290.340.280.450.630.22
玛沁1.401.731.111.632.061.42
班玛1.431.561.061.332.281.82
色达1.521.831.261.642.291.59
加查1.962.372.062.172.342.08
福贡1.262.533.682.164.252.58

注：加粗的数字代表其在对应行中最小

新窗口打开| 下载CSV


TPS3D_OK插值方法分为4步：

（1）在1 km空间分辨率上，采用考虑海拔影响的样条函数插值法来插值月降水总量，同时采用普通克里金方插值日降水相对月降水的比例。Haylock等［14］认为统一的半方差函数比只采用一天的数据拟合得到的半方差函数更稳定，因此这里普通克里金插值法采用的是统一的各向同性的半方差函数。

（2）将插值得到的月降水与日降水相对于月降水的比例相乘。

（3）将小于0.1 mm的降水设置为0，以去除虚假微量降水。

（4）采用均值聚合将1 km分辨率的网格聚合为10 km分辨率。

最后将数据的格式转换为NETCDF，并设置时间属性得到了最终的产品数据。

3 同类数据的对比

这里将该数据同两种同类的基于台站插值的格点降水数据进行对比。第一个是CPC-UNI（NOAA Climate Prediction Center， Unified Gauge Based Analysis of Daily Precipitation）数据［25， 26］。此数据覆盖全球，空间分辨率是0.5°，采用了超过30 000个台站的资料，时间范围从1979年至今；第二个是APHRODITE（Asian Precipitation Highly Resolved Observational Data Integration Towards the Evaluation of Water Resources）数据［27， 28］，版本是V1101。其覆盖范围是整个亚洲，空间分辨率0.25°，时间范围从1979年至2007年。 APHRODITE数据使用了5 000到12 000个台站的观测资料，在青藏高原的台站密度大约是CPC-UNI的数据的3倍，与本数据的空间分布密度接近。因为3个数据空间分辨率和范围均不同，首先采用均值聚合将三者的分辨率统一到0.5°，然后再采用邻近插值将三者统一到同样的空间区域。对比的时间范围是1980年1月1号至2009年12月31号。

该数据（GPQM， Gridded Precipitation for Quantile Mapping）的日降水均值比APHRODITE和CPC-UNI略大。从表5可知，GPQM的日降水均值比CPC-UNI大了7%，比APHRODITE大了38.9%。从图3（a）和3（d）可以看出，GPQM数据比CPC-UNI大的区域集中在青藏高原东面的青海高原和南面的东喜马拉雅山南麓，以及西面的喀喇昆仑山区。而对于APHRODITE数据，GPQM则大面积的偏大。除了喜马拉雅山南麓以外，其他区域GPQM都偏大，大部分偏大集中在0~50%，个别超过100%。对于APHRODITE偏小的现象，韩振宇等［29］在研究APHRODITE在中国大陆的适用性时也发现，与台站观测相比，这套资料的降水次数偏多，而降水值偏小。GPQM并不总是比APHRODITE和CPC-UNI大，如在喜马拉雅山南麓的大部分地方，GPQM就出现了明显的偏小。

表 5   本数据与同类数据频率特征参数对比

Table 5  The difference of the frequency characters between our dataset and similar international gridded datasets

日均值/%98%分位数/%方差/%
CPC-UNI7.112.368.2
APHRODITE38.969.7335.0

新窗口打开| 下载CSV


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   本数据（GPQM）同CPC-UNI（CPC）和APHRODITE（APHRO）数据在日均值、98%分位数、方差上的差异

审图号：GS（2005）260

Fig.3   The difference in daily mean， 98% quantile and temporal variance between our dataset （GPQM）， CPC-UNI （CPC） and AHHRODITE （APHRO）


在空间分布上，GPQM和APHRODITE及CPC-UNI的日降水均值都很相似。在喜马拉雅山南麓，呈现出一条东西走向的高值带。低值区集中在塔里木盆地和柴达木盆地。不同之处在于，GPQM的高值带在尼泊尔和不丹处更偏南（图4（a）、4（d）和4（g）。

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   本数据（GPQM）、CPC-UNI（CPC）、APHRODITE（APHRO）数据在日均值、98%分位数和方差上的空间分布

审图号：GS（2005）260

Fig. 4   The spatial pattern of daily mean， 98% quantile and temporal variance between our dataset （GPQM）， CPC-UNI （CPC） and AHHRODITE （APHRO）


GPQM日降水量比APHRO和CPC-UNI高的原因可以归结于对降水做了损失订正，使得整体的降水量变大。Ma等［8］指出在青藏高原上，考虑降水损失之后，年降水会增加27%。叶柏生等［20］也给出了西部地区年降水在考虑损失之后增量大于30%的结论。因此可以认为均值的增加在合理的范围内。

在98%分位数上，GPQM则明显大于APHRODITE和CPC-UNI。表5显示在98%分位数上，GPQM比CPC-UNI和APHRODITE分别大了12.3%和69.7%。以更大的98%分位数值就意味着对极端降水更好的保留作用。更大的98%分位数值在水文模型中的意义是重要的。水文预报一般更关注于径流洪峰，如果采用在98%分为数上具有更小值的格点降水来订正模拟降水，就会造成订正降水偏低，进而造成对洪峰流量的低估［30］。

对于方差，依然是GPQM比CPC-UNI和APHRODITE大，说明GPQM比CPC-UNI和APHRODITE对平滑效应（Smoothing Effect）的抑制更强（图3（c）和3（f））。GPQM的方差分别比CPC-UNI和APHRODITE的大了68.2%和335.0%。平滑效应意味着低值降水偏大，高值降水偏小。以往研究指出在台站稀疏的情况下，因台站之间共享方差更小，插值后格点上的方差也会更小。平滑效应的强弱取决于台站的密度，台站越是稀疏，极端降水的减弱越明显［14， 30］。

4 数据价值

在网格尺度上，长时间序列的降水值通常呈现伽马分布，当均值和方差唯一之后，这个伽马分布就是唯一的。这意味着，当均值和方差得到改善之后，网格上的降水统计分布也会得到改善［17］。该数据的价值也正是体现在其相比同类产品对均值和方差的改善上。

无论是将格点降水数据应用于模拟降水验证还是驱动其他模型，不准确的均值或者方差总是会对研究结果造成不可预见的影响。例如，对于均值，众多研究显示，在青藏高原上，数值模式模拟得到的降水几乎总是会呈现湿偏差［31-32］，出现这种现象的原因除了模式本身的偏差之外，另一个重要的原因就是用于验证数值模式降水的格点降水数据本身就存在偏差。而对于方差，研究显示，插值过程会不可避免地造成格点降水的平滑效应，这可能造成在研究一些变化相关的特征（分位数、极端天气指数）时得出错误的结论［4］。

目前已有的同类数据数据产品大都未考虑风速引起的观测损失，该产品对于风速引起的观测损失的补偿可以在一定程度上减少验证数据的均值偏差，这对于数值模式降水的验证具有极为重要的意义。数据生产所使用的最优的插值方法，能够最大程度地克服台站密度对于格点降水方差的影响。在不超过真实值得情况下，更大的方差意味着对插值带来的平滑效应抑制的更好［2］，对研究气候的变化特征更具有优势。

5 数据使用说明

改进频率分布和风速纠正的青藏高原格点降水数据集（1980~2009年）目前可以通过国家青藏高原科学数据中心https：∥data.tpdc.ac.cn/zh-hans/data/0648c1db-ea04-4cc5-8a31-2ca4a017a258/）和国家冰川冻土沙漠科学数据中心（http：∥www.ncdc.ac.cn/portal/metadata/e02da0b1-28bd-4790-9adf-d39c4f355b49）网站下载。国家冰川冻土沙漠科学数据中心是国家科技资源共享服务平台，提供数据管理与开放共享服务。下载的数据为NETCDF格式，可使用Panoply可视化软件查看，处理可使用开源命令行软件CDO（https：∥code.mpimet.mpg.de/projects/cdo）或Python的xarray库（http：∥xarray.pydata.org/en/stable/）。

参考文献

Christopher D， Melissae S， Joshuaa R，et al.

High-resolution precipitation mapping in a mountainous watershed： ground truth for evaluating uncertainty in a national precipitation dataset

［J］.International Journal of Climatology，2017，37（sup.1）：124-137.

[本文引用: 1]

Sixto H， Sven K， Pedromm S， et al.

Uncertainty in gridded precipitation products： Influence of station density， interpolation method and grid resolution

［J］. International Journal of Climatology， 2019，39（9）：3717-3729.

[本文引用: 2]

Huffman G J， Adler R F， Morrissey M M， et al.

Global precipitation at one-degree daily resolution from multisatellite observations

［J］. Journal of Hydrometeorology，2001，2（1）：36-50.

[本文引用: 1]

Santiago B， Sergiom V S， Miquel T B， et al.

Bias in the variance of gridded data sets leads to misleading conclusions about changes in climate variability

［J］. International Journal of Climatology， 2016，36（9）：3413-3422.

[本文引用: 2]

Alexander L V， Zhang X， Peterson T C，et al.

Global observed changes in daily climate extremes of temperature and precipitation

［J］. Journal of Geophysical Research： Atmospheres，2006，111（D5）：D05109. DOI：10.1029/2005JD006290 .

[本文引用: 1]

Matthiasjakob T， Andreas G， Georg H.

Empirical-statistical downscaling and error correction of regional climate models and its impact on the climate change signal

［J］. Climatic Change， 2012，112（2）：449-468.

[本文引用: 1]

Thomas L， Simon D， Gwen B， et al.

Bias correction of daily precipitation simulated by a regional climate model： A comparison of methods

［J］. International Journal of Climatology， 2013，33（6）：1367-1381.

[本文引用: 1]

Ma Y Z， Zhang Y S， Yang D Q， et al.

Precipitation bias variability versus various gauges under different climatic conditions over the Third Pole Environment （TPE） region

［J］. International Journal of Climatology， 2015，35（7）：1201-1211.

[本文引用: 4]

Pan X C， Yang D Q， Li Y P， et al.

Bias corrections of precipitation measurements across experimental sites in different ecoclimatic regions of western Canada

［J］. The Cryosphere， 2016，10（5）：2347-2360.

Yang D Q.

An improved precipitation climatology for the Arctic Ocean

［J］. Geophysical Research Letters， 1999，26（11）：1625-1628.

Yang D Q， Ohata T.

A bias-corrected Siberian regional precipitation climatology

［J］. Journal of Hydrometeorology， 2001，2（2）：122-139.

[本文引用: 2]

Barryedward G， Paulyt L， Daqing Y.

WMO solid precipitation intercomparison measurement

［R］. WMO CIMOLOM Report， WMO/TD-NO.872，1998.

[本文引用: 1]

Bodo Bookhagen， Douglasw Burbank.

Topography， relief， and TRMM-derived rainfall variations along the Himalaya

［J］. Geophysical Research Letters， 2006，33（8）：L8405. DOI：101029/2006GL026037 .

[本文引用: 1]

Mr Haylock， Hofstra N， Klein T A， et al.

A European daily high-resolution gridded data set of surface temperature and precipitation for 1950–2006

［J］. Journal of Geophysical Research， 2008，113（D20）：D20119. DOI：10.1029/2008 JD010201 .

[本文引用: 3]

Gerardh r.

Precipitation O

［J］. Annual Review of Earth and Planetary Sciences， 2005，33（1）：645-671.

Pauld Wagner， Peter Fiener， Florian Wilken， et al.

Comparison and evaluation of spatial interpolation schemes for daily rainfall in data scarce regions

［J］. Journal of Hydrology， 2012，448（2012）：388-400.

[本文引用: 1]

Ma J P， Li H Y， Wang J， et al.

Reducing the Statistical Distribution Error in Gridded Precipitation Data for the Tibetan Plateau

［J］.Journal of Hydrometeorology，2020，21（11）：2641-2654.

[本文引用: 2]

Pan Yang， Shen Yan， Yu Jingjing， et al.

Analysis of the combined gauge-satellite hourly precipitation over China based on the OI technique

［J］. Acta Meteorologica Sinica， 2012， 70（6）： 1381-1389.

[本文引用: 1]

潘旸，沈艳，宇婧婧，等.

基于最优插值方法分析的中国区域地面观测与卫星反演逐时降水融合试验

［J］. 气象学报， 2012，70（6）：1381-1389.

[本文引用: 1]

Francescoa I， Christoph F， Viktor W， et al.

The climate of daily precipitation in the Alps： Development and analysis of a high-resolution grid dataset from pan-Alpine rain-gauge data

［J］. International Journal of Climatology， 2014，34（5）：1657-1675.

[本文引用: 1]

Ye Baisheng， Yang Daqing， Ding Yongjian， et al.

A bias-corrected precipitation climatology for China

［J］. Acta Geographica Sinica， 2007，61（1）：3-13.

[本文引用: 2]

叶柏生，杨大庆，丁永建，等.

中国降水观测误差分析及其修正

［J］. 地理学报， 2007，62（1）：3-13.

[本文引用: 2]

Zhang Y S， Ohata T， Yang D Q.

Bias correction of daily precipitation measurements for Mongolia

［J］. Hydrological Processes， 2004，18（16）：23005-29991.

[本文引用: 1]

Ding B H， Yang K， Qin J， et al.

The dependence of precipitation types on surface elevation and meteorological conditions and its parameterization

［J］. Journal of Hydrology， 2014，513：154-163.

[本文引用: 1]

Ershi K， Shi Y F， Yang D Q， et al.

An experimental study of runoff formation in the mountains basin of the Urumqi River

［J］. Quaternary Sciences，1997，17（2）：44-51.

[本文引用: 1]

Jonas M， Tommi J.

Principal differences analysis： interpretable characterization of differences between distributions

［J］. Advances in Neural Information Processing Systems， 2015，18：1702-1710.

[本文引用: 1]

Chen M Y， Shi W， Xie P P， et al.

Assessing objective techniques for gauge-based analyses of global daily precipitation

［J］. Journal of Geophysical Research， 2008，113（D4）：D4110. DOI：10.1029/2007JD009132 .

[本文引用: 1]

Xie P P， Chen M， Shi W.

CPC unified gauge-based analysis of global daily precipitation：Preprints，24th Conf.2010

［C］∥Hydrologyon，Atlanta，GA，Amer.Meteor.Soc，Cairns，Australia.

[本文引用: 1]

Akiyo Y， Osamu A， Kenji K， et al.

A 44-year daily gridded precipitation dataset for Asia based on a dense network of Rain Gauges

［J］. SOLA，2009，5：137-140. DOI：10.2151/sola. 2009-035 .

[本文引用: 1]

Akiyo Y， Kenji K， Osamu A.

Aphrodite constructing a long-term daily gridded precipitation dataset for Asia based on a dense network of rain gauges

［J］. Bulletin of the American Meteorological Society，2012，93（9）：1401-1415.

[本文引用: 1]

Han Zhenyu， Zhou Tianjun.

Assessing the quality of APHRODITE high-resolution daily precipitation dataset over contiuous China

［J］ Chinese Journal of Atomspheric Sciences， 2012，36（2）： 361-373.

[本文引用: 1]

韩振宇，周天军.

APHRODITE高分辨率逐日降水资料在中国大陆地区的适用性

［J］. 大气科学， 2012，36（2）：361-373.

[本文引用: 1]

Hosftra N， New M， McSweeney C.

The influence of interpolation and station network density on the distributions and trends of climate variables in gridded daily data

［J］. Climate Dynamics， 2010，35（5）：841-858.

[本文引用: 2]

Wang X， Pang G， Yang M.

Precipitation over the Tibetan Plateau during recent decades： A review based on observations and simulations

［J］. International Journal of Climatology， 2018，38（3）：1116-1131.

[本文引用: 1]

Gao Y， Xu J， Chen D.

Evaluation of WRF Mesoscale Climate simulations over the Tibetan Plateau during 1979~2011

［J］. Journal of Climate， 2015，28（7）：2823-2841.

[本文引用: 1]

/

〈 〉