董晓华，张庆玉，张 特，喻 丹，刘 冀，魏 冲

（1.三峡大学水利与环境学院，宜昌 443002；2.水资源安全保障湖北省协同创新中心，武汉 430072；3.西北农林科技大学水利与建筑工程学院，杨凌 712100）

0 引 言

干旱是一种破坏性强的自然灾害，对人类社会经济发展及生态环境造成了严重影响[1]。地球上每年有超过一半的陆地面积可能受到不同程度的干旱影响，这其中也包括湿润地区[2]。长期干旱会导致自然环境质量恶化，并可能威胁社会稳定[3]。由于全球气候变化，旱灾的发生频率及严重程度呈上升趋势[4]。

气象干旱灾害的主要成因是时段降水量少于多年同期[5]，近年来，由降雨数据计算的标准化降雨指数（Standardized Precipitation Index，SPI）被世界气象组织（World Meteorological Organization，WMO）推荐为标准干旱指数[6]，在世界范围内得到了广泛应用[7-9]。由于农业干旱与降雨短缺等气象干旱要素关系密切，SPI指数同样被应用于干旱影响下的农业作物生产力、作物产量等农业指标的监测及损失评估[10-11]。用于计算干旱指数的降水数据质量直接决定了指数对干旱识别的准确程度[12]。然而，目前通过雨量站点观测及地面降水雷达反演方法得到的降水数据空间分辨率有限，无法在空间上连续记录大尺度范围的降水分布，这增加了区域干旱监测的不确定性。随着卫星遥感技术以及降水反演算法的发展，分辨率高、覆盖范围广且精度高的栅格降水产品融合了多种数据，丰富了降水数据来源[13-14]。

SPI指数基于统计学方法，根据可利用水量相对多年同期平均的异常对区域干湿状况进行量化[15]。因此，在应用SPI指数进行干旱监测时，需有长期（>30 a）的月降水记录资料，以确保计算结果的可靠性[6]。多源集成降水（Multi-Source Weighted-Ensemble Precipitation,MSWEP）产品、气候灾害组融合站点的红外降水（Climate Hazards Group Infrared Precipitation with Station,CHIRPS）产品、基于人工神经网络的遥感降水估计-气候数据记录（Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record，PERSIANN-CDR）产品、热带降水计划（Tropical Rainfall Measurement Mission, TRMM）产品是具有高精度、高分辨率的定量降水产品，在近期的干旱监测研究中得到使用[16-17]。一些研究已经基于TRMM降雨数据计算SPI指数[18]，检验产品的干旱监测潜力。但TRMM降雨数据起始于1998年，数据时间跨度至今仍不足30 a，这增加了SPI指数计算的不确定性[19]。相对于TRMM，MSWEP、CHIRPS、PERSIANN-CDR产品的降水数据时间跨度均超过30 a，满足计算SPI指数的基本需求。Zhong等[12]评估了 CHIRPS、PERSIANN-CDR降水数据在中国大陆的干旱监测适用性，结果表明2种产品均适用于干旱监测。MSWEP产品在中国大陆同样表现出了优秀的干旱时空变化监测能力[7]。然而，针对上述产品的评价研究多在国家或更大尺度上进行，可能会忽略中、小尺度上的精度及干旱监测潜力差异[19]。此外，虽然产品的精度及干旱监测潜力已经在国内外已经得到了的单独评估，但在同一区域对MSWEP、CHIRPS、PERSIANN-CDR共3种定量降水产品的降水估算数据质量及干旱监测适用性进行综合对比研究却未见报道。

淮河流域总面积约 27万 km2，拥有耕地面积约14万 km2，是中国主要的粮食产区之一。1996—2015年流域年平均干旱成灾面积约为1.2万km2[20]，流域内干旱的区域性、季节性差异明显[21]。准确监测干旱有助于淮河流域旱情的早期预警，起到减轻干旱灾害影响及降低农业干旱损失的作用。本文在比较 MSWEP、CHIRPS、PERSIANN-CDR这3种长期定量降水产品在淮河流域精度的基础上，基于产品降水数据计算标准化降水指数 SPI；结合气象站实测降水数据及统计年鉴记录的干旱事件，对比3种降水产品在干旱识别、干旱等级判定方面的准确性，评估它们在淮河流域的干旱监测潜力及适用性，以期为利用定量降水产品在淮河流域进行干旱监测提供参考，为农业干旱监测降水数据选取提供依据。

1 方法与数据

1.1 研究区概况

研究区域选取位于中国东部 30°55′～36°36′ N，111°55′～121°25′ E 的淮河流域，流域面积约 27 万 km2，地貌形态以山丘及平原为主，对应面积比约为1:2。淮河流域处于亚热带湿润季风气候区与暖温带半湿润季风气候区分界带，年均降水量1 040 mm，主要集中于6—9月汛期。淮河流域是中国重要的农业生产基地，流域内耕地面积约14万km2；由于流域气候复杂多变且降水时空分布不均，频发的旱涝灾害对淮河流域农业造成了巨大损失[22]。淮河流域高程及气象站点分布情况见图1。

1.2 数据来源

本研究使用了淮河流域气象站实测降水数据及 3种定量降水产品数据。实测数据获取自中国气象数据网（http//data.cma.cn），共27个气象站点的1983—2016年逐日降水数据。对气象站点降水序列进行聚类分析，结果显示流域降水呈明显南北分区（图1），与淮河以北属于暖温带区、以南属北亚热带区的气候分区情况相符，各分区站点数量分布为1区13个、2区14个；基于DEM将淮河流域划分为高程<100、100～300、>300 m共3个分区，对应面积占比为80.26%、13.92%、5.82%。位于3个高程分区的站点数量分别为22、4、1个，占总数比分别81.48%、14.81%、3.7%，与各高程带站面积所占比例接近，且站点在平原、山丘等地形均有布设；位于山东、河南、安徽、江苏省份内的站点数量分别为 5、8、8、6个。本文所选取的27个气象站点在流域南北2个气候区，各高程带、行政区的分布较为均衡，具有一定的代表性。

定量降水产品数据包括：0.05°×0.05°与 0.25°×0.25°空间分辨率的 CHIRPS v2.0降水资料（下载网址：http//chg.geog.ucsb.edu/data/chirps）；0.1°×0.1°空间分辨率的 MSWEP v2.2降水资料（下载网址：http//www.gloh2o.org ） ； 0.25°×0.25°空 间 分 辨 率 的PERSIANN-CDR降水资料（下载网址：http//www.ncdc.noaa.gov）。为避免分辨率改变对各产品精度造成影响，降低对比结果的不确定性，本文对各降水产品精度评价及干旱监测潜力分析均在原分辨率下进行。研究中使用的逐月降水数据由上述逐日降水数据累加获得。定量降水产品生产方法的简要描述如下：

MSWEP产品：1）分别对6种遥感/再分析降水数据与站点实测降水数据的 3日降水滑动平均序列进行相关分析，并计算决定系数。以遥感/再分析数据在各站点的决定系数作为权值，进行空间插值处理，分别获取各数据源的全球权重图；2）基于经河道流量及潜在蒸散发估算数据校正后的WorldClim数据集，对遥感/再分析降水数据进行频率校正；3）基于全球权重图，分别对不同数据源组合逐栅格进行加权平均融合，获取多组融合降水估算数据；4）选择与参考降水累积分布函数最为匹配的数据源组合进行融合，并校正该组合融合数据的累计分布函数及时间变异性后，得到最终MSWEP数据。MSWEP产品的详细生产过程见文献[23]。

CHIRPS产品：1）使用 TRMM 多卫星降水分析（TRMM Multisatellite Precipitation Analysis 3B42，TMPA）降水数据，通过线性回归方法，校正基于红外热成像图获取的冷云持续时间数据，然后计算1981年至近期的降水估算数据。对降水估算数据逐栅格进行除以序列均值再乘以对应栅格的 CHPclim降水数据的运算后获得CHIRP数据。2）使用改进后的反距离加权方法，将CHIRP数据与雨量站点数据进行融合，得到 CHIRPS数据。CHIPRS产品的详细生产过程见文献[24]。

PERSIANN-CDR产品：1）使用人工神经网络算法，结合多个对地静止轨道、近地轨道卫星的热红外、被动微波组合信息建立PERSIANN全球降水估算模型；2）将热红外数据输入经国家环境预测中心（National Centers for Environmental Prediction，NCEP）第四阶段小时降水数据预训练后的PERSIANN模型，获取PERSIANN降水估算值；3）使用全球降水气候学项目（Global Precipitation Climatology Progect, GPCP）降水数据对PERSIANN进行偏差校正，最终获得 PERSIANN-CDR降水数据。PERSIANN-CDR的详细生产过程见文献[25]。

1.3 研究方法

1.3.1 定量降水产品数据精度评价方法

SPI指数可基于不同时间尺度的累计降水量序列进行计算，以对不同时间尺度干旱事件进行监测[26]。例如：由月累积降水量计算的月SPI对降水变化敏感，多用于监测研究区月干旱状况；基于季节累积降水量计算的季SPI与土壤干湿状况的相关性较高，常被用于进行农业气象干旱监测；由年累积降水量计算的年SPI对降水变化的响应相对缓慢，可用于年尺度气象干旱及水文干旱区分[27]。前人研究表明，定量降水产品在不同时间尺度下的干旱监测效果存在差异[6]，因此本文对干旱监测中最为常用的月、季、年3种时间尺度的产品降水数据精度及干旱监测潜力进行针对性评估。

由于不同时间尺度的 SPI指数是基于对应尺度的累积降水量计算，因此本文首先对月、季、年时间尺度的降水产品累积降水量序列进行精度检验。定量降水产品降水数据由气象站点坐标所在栅格对应提取。用相关系数（Correlation Coefficient，r）量化各产品降水估算数据与气象站点实测数据间线性相关程度，r的绝对值越接近1，代表数据序列间的相关性越高；使用均方根误差（Root Mean Square Error，RMSE）评价定量产品降水数据精度，RMSE值越接近0，代表数据精度越高；使用定量产品降水数据与气象站点实测数据间线性拟合方程的斜率（Slope,k），表征产品估算值较实测数据的偏离程度。指标计算公式如下：

式中G为降水产品估算值；为降水产品估算序列均值；P为气象站点实测值；为气象站点实测序列均值；n为样本数；b为线性拟合方程常数。

降水异常短缺造成的土壤水分亏缺是农业干旱灾害的成因之一[28]，长期且极端的雨量短缺往往导致损失巨大的极端干旱事件。本文基于气象站点降水实测数据，计算月、季、年尺度的降水距平百分率（Precipitation anomaly percentage, PA）序列。以 PA≤−95%、≤−80%、≤−45%分别作为月、季、年尺度降水异常短缺发生的判别标准[29]，识别并提取降水异常短缺月，以对定量降水产品在极端短缺月的降水数据精度进行针对性评估。PA计算公式如下：

1.3.2 定量降水产品干旱监测潜力评价方法

使用基于定量降水产品及气象站点降水数据计算的SPI，对各产品在淮河流域的干旱监测潜力进行评估。SPI由McKee等[30]于1993年提出，是一种表征时段降水量出现概率多少的无量纲指数，由长期降水序列经统计学方法计算获得。该指数可在多种时间尺度对干旱进行监测，用于反映多时间尺度的干旱状况，有助于气象、水文、农业干旱监测。本文首先使用 Γ分布函数拟合降水序列，获取概率密度函数的最优形状参数及尺度参数。

式中g(x)为降水概率密度；α为形状参数；β为尺度参数；x为降水样本，mm。

降雨概率密度g(x)的累积概率G(x)可通过对x积分获得：

考虑无降水概率后的累积概率H(x)为

式中q为无降水概率；m为序列中的无降水月数。

将累积概率H(x)进行标准正态化处理后即可获得SPI值。

式中d1、d2、d3、c0、c1、c2为Γ分布函数转换为累积频率，简化近似求解公式的计算参数[29]，d1=1.433，d2=0.189，d3=0.001，c0=2.516，c1=0.803，c2=0.010；t为降水数据序列的概率加权矩。

根据 SPI对干旱事件等级进行划分[29]， SPI＞−0.5时，定义干旱等级为无旱；−1＜SPI≤−0.5时，定义干旱等级为轻旱；−1.5＜SPI≤−1时，定义干旱等级为中旱；−2＜SPI≤−1.5时，定义干旱等级为重旱；SPI≤−2时，定义干旱等级为特旱。

使用r、RMSE分别对基于定量降水产品与站点实测降水数据计算的 SPI序列之间的相关程度、误差进行评估。此外，使用临界成功指数（Critical Success Index，CSI）对基于定量降水产品计算SPI的干旱月识别正确率进行统计检验，临界成功指数CSI值最优值为1，指数值越大，表明被错报及漏报的样本数量越少，干旱月的捕捉越精确；选取准确率（Accuracy，ACC）评价基于定量降水产品计算的SPI对干旱等级判定的精度，ACC值越大，代表对干旱等级判定越准确。CSI与ACC指数计算方法见式（15）、式（16）。

式中NA为同时被基于气象站点数据计算的SPI观测，并被基于定量降水产品计算的 SPI监测到干旱发生的样本数量；NB为被观测到但并未被监测到的样本数量；NC为未被观测但被监测到的样本数量；N为使用气象站点与定量降水产品监测到相同SPI干旱等级的样本数量；M为样本总数。

由于拉尼娜现象（La-Nin~a），2000年淮河流域3—5月遭遇少雨大旱，流域内河南省、安徽省、江苏省部分地区降水量较多年同期偏少63%～90%，旱情严重程度多年罕见[20]。为进一步评价定量降水产品在实际干旱监测中的表现，本文使用基于定量降水产品数据及站点实测降水数据计算的季SPI，对上述典型干旱事件进行监测。使用反距离加权方法，将淮河流域27个气象站点实测降水计算的季 SPI进行 0.05°×0.05°分辨率的空间插值，对比站点插值结果与定量降水产品在空间干旱监测上的差异。

2 结果与分析

2.1 定量降水产品降水估算精度评估

2.1.1 整体精度评价

定量降水产品降水估算精度整体评价指标见表1。由表可知，月、季、年尺度的 MSWEP累计降水数据与站点实测的r分别为0.96、0.97、0.92，RMSE分别为26.38、50.01、124.73 mm，精度优于其他定量降水产品。这可能是由于 MSWEP使用了融合多种降水数据的再分析数据集，数据源较其他定量降水产品更具有优势[31]。CHIRPS产品的精度表现弱于 MSWEP，CHIRPS在 0.25°×0.25°分辨率下的各项评价指标小于 0.05°×0.05°，精度表现基本一致，表明分辨率的改变未对 CHIRPS产品降水数据精度产生显著影响[32]。定量降水产品估算降雨量与气象站点实测降雨量线性拟合方程斜率k值均小于1，表明定量降水产品对实测降雨量在整体上呈低估趋势。在 3种定量降水产品中，PERSIANN-CDR产品RMSE均为最高，精度表现最差，但该产品r与CHIRPS接近，且在各时间尺度下与站点的r高于0.88，表明PERSIANN-CDR降水数据同样具有较高的精度。

表1 定量降雨产品降水量估算精度评估Table 1 Assessment of precipitation estimation accuracy of quantitative precipitation products

MSWEP的月、季、年尺度降水估算值与实测值相关系数大于0.9的站点数量分别为27、27、18个，相对于其他定量降水产品与站点的实测降水数据的一致性更高。3种产品在不同时间尺度下的降水量估算值与站点实测值的r排序由大到小为均为季、月、年，具有相同变化规律。这可能是由于降水累计时长由月增加至季，定量降水产品数据的随机性误差被平滑，致使与站点实测值的相关性有所提高。而随着降水累计时长继续增加，降水数据的系统性误差逐步累积，导致相关性下降[12]。

2.1.2 极端短缺降水估算精度评价

定量降水产品对极端短缺降水量的估算精度评价指标见表2。

表2 定量降水产品在极端雨量短缺月的精度评价Table 2 Accuracy evaluation of quantitative precipitation products in extreme precipitation shortage month

由表2可知，在降水极端短缺月，3种产品降水估算值与站点实测值的r较为接近，差距不超过0.1，且均为季尺度的r值最高。月、季、年时间尺度下r最高的定量降水产品分别为：PERSIANN-CDR（r=0.75）、MSWEP（r=0.95）以及 0.25°×0.25°分辨率的 CHIRPS（r=0.81）。与r的表现不同，MSWEP降水估算值与站点实测值的RMSE在3种时间尺度下分别为5.09、10.22、75.92 mm，不足其他定量降水产品同期RMSE的50%，在精度上具有明显优势。除年尺度的MSWEP外，其余产品均高估了降水极端短缺月的降水量（k>1），但幅度随时间尺度增大而减小。相对其他定量降水产品，MSWEP估算降水量与实测值的线性拟合方程斜率k在各时间尺度均更加接近于 1，偏差幅度更小。PERSIANN-CDR的各项评价指标在月、季尺度优于CHIRPS，在年尺度弱于CHIRPS。综合考虑r、RMSE、k三种指标评价结果，MSWEP对极端短缺降水量估算精度要显著优于其他定量降水产品。

2.2 定量降水产品干旱监测潜力评价

2.2.1 定量降水产品多时间尺度干旱监测潜力评价

用1984－2016年27个气象站点实测降水数据及定量降水产品栅格降水数据分别计算月、季、年尺度的 SPI，结果见表3。

表3 基于定量降水产品计算的SPI精度评估Table 3 Accuracy evaluation of SPI based on quantitative precipitation products

整体上看（表3），基于定量降水产品计算的SPI评价指标排序与其对应的降水数据精度排序相一致，这是由于降水数据是计算 SPI的唯一输入变量，直接影响了结果精度。由表可知，3种定量降水产品在各时间尺度的拟合方程斜率k值均小于1，说明基于各产品计算的SPI在负值区域较站点实测降水计算结果有所高估，总体上对淮河流域旱情有所低估。各站点 SPI与定量降水产品计算的SPI拟合方程斜率k排序为：MSWEP（0.92～0.95）>CHIRPS（0.80～0.82）>PERSIANN-CDR（0.76～0.82），r排序为 MSWEP（0.92～0.95）>CHIRPS（0.80～0.85）>PERSIANN-CDR（0.76～0.83），RMSE 排序为MSWEP（0.33～0.39）

基于定量降水产品计算的 SPI在不同时间尺度的临界成功指数CSI及干旱等级监测准确率ACC见表4。

表4 基于定量降水产品计算的SPI在不同时间尺度的CSI及ACCTable 4 CSI and ACC of SPI based on quantitative precipitation products at different time scales

由表4可知，基于各产品计算的SPI在3种时间尺度下的各项评价指标均较为接近，月SPI、季SPI的CSI及ACC略高于年SPI，表明定量降水产品在月及季尺度下的干旱监测准确率更高，但差距并不明显。同在降水精度上的表现相同，两种分辨率的CHIRPS产品的同种评价指标差值在干旱监测上的表现同样高度一致。定量降水产品的SPI计算结果均能准确捕捉到淮河流域大部分干旱发生（CSI≥0.80），但干旱等级监测的准确率ACC较CSI有所下降，说明定量降水产品对干旱等级的判别能力稍弱，这可能是由降水极值偏差导致。CHIRPS估算SPI的CSI及ACC评价指标高于PERSIANN-CDR产品，表明CHIRPS在淮河流域的干旱监测潜力略优于PERSIANN-CDR。尽管PERSIANN-CDR表现不如其余产品，但其CSI≥0.80，ACC≥67.7%，表明该产品同样能够对淮河流域干旱情况进行良好监测。综合来看，MSWEP在所有定量降水产品中表现出了最好的干旱监测潜力，由该降水数据计算的 SPI的干旱月识别（CSI≥0.89）及干旱等级监测（ACC≥80.3%）最为准确。

干旱灾害产生的影响及造成的损失与其严重程度成正比，极端干旱会对自然环境产生异常严重的影响，并对社会经济造成巨大损失[33]。选取准确率 ACC分别评价定量降水产品对不同干旱等级的监测能力，评价指标计算结果见表5。基于定量降水产品计算的SPI的特旱等级准确率 ACC时间尺度排序由大到小为季、年、月，与定量降水产品在极端雨量短缺月的相关系数排序相同，表明定量降水产品在极端雨量短缺月份的降水数据精度直接影响了极端干旱等级判定的准确率。基于MSWEP计算的SPI各干旱等级判定准确率 ACC为 49.7%～81.2%，也比PERSIANN高，对各时间尺度下的干旱等级判定均最为准确。且在所有干旱等级中，MSWEP产品对特旱等级的判定最为准确（ACC为61.6%～81.2%），在极端干旱的旱情监测上具有显著优势。

表5 基于定量降水产品计算的SPI在不同旱情等级的ACCTable 5 ACC of SPI based on quantitative precipitation products in different drought grades

2.2.2 定量降水产品空间干旱监测潜力评价

选取相关系数r、干旱等级判定准确率ACC两种评价指标，比较定量降水产品在淮河流域的空间干旱监测潜力，结果见表6。基于 MSWEP、PERSIANN-CDR、0.05°×0.05°及 0.25°×0.25°分辨率下的 CHIRPS 数据与站点实测降水数据计算的SPI相关系数r随时间尺度上升而逐步增加的站点数量均为1个，随时间尺度上升而逐步减小的站点数量分别为 2、8、12、14个。随着时间尺度的增加，定量估算降水产品降水数据随机性误差被平滑、系统性误差逐步累积是造成r变化的可能原因[12]。CHIRPS与PERSIANN-CDR在淮河流域干旱监测整体表现接近，基于CHIRPS与实测降水计算的SPI序列，相关系数更高的站点数量更多。基于MSWEP与气象站点计算的3种时间尺度SPI之间的相关系数r全部高于其他定量降水产品。对砀山、莒县两站点在年尺度下干旱等级判定准确率ACC最高的产品为PERSIANN-CDR，其余ACC最高的产品均为MSWEP。同时，MSWEP在不同站点、不同时间尺度下的干旱等级判定准确率变化幅度也最大（ACC为62%～93%）。与在相关系数r上的表现相同，CHIRPS与PERSIANN-CDR在27个站点干旱等级判定准确率各有高低，但CHIRPS准确率高的站点数量相对更多。

表6 定量降水产品的站点干旱监测结果统计Table 6 Stations drought monitoring effect statistics of quantitative precipitation products

基于定量降水产品与站点实测降水数据计算的 3种时间尺度SPI的r、ACC在空间上均无明显的分布规律。这可能是由于气象站点高程、站点所在栅格的地形复杂度、站点与栅格之间由点到面的雨量转换、以及定量降水产品自身插值误差等综合因素造成的[6]。同流域整体干旱监测表现相同，基于MSWEP计算的3种时间尺度SPI，与淮河流域内27个站点实测降水数据计算的SPI之间的r及ACC均值全部高于其他产品，表明MSWEP在空间上的干旱监测潜力更为优秀。

2.2.3 典型干旱事件分析

利用定量降水产品降水数据，对淮河流域历史干旱事件进行空间监测，进一步评价各产品对旱情强度、持续时间、空间分布等方面的监测能力。定量降水产品及站点实测降水数据对2000年2—6月淮河流域旱情空间分布监测结果见图2。

由图2可知，3种定量降水产品均表现出了优秀的干旱监测潜力，与气象站点对淮河流域旱情空间分布、旱情发展的监测结果相一致，但在局部区域仍有差异。2002年2月淮河流域南部出现轻度干旱旱情，CHIRPS降水数据计算的季 SPI对流域受旱面积及旱情等级出现明显高估；3月流域西部及南部出现轻度及中度干旱，CHIRPS计算结果高估了淮河流域中部及西部区域旱情，而MSWEP及PERSIANN-CDR与基于气象站点实测降水数据的监测结果更为接近。淮河流域旱情于 4月份进一步加剧，流域内大部分站点均监测到特旱等级旱情。3种产品均有效反映了该旱情强度的空间分布，并准确识别了极端干旱事件的旱情等级。5月份淮河流域旱情开始减轻，同气象站点监测结果相比，基于 CHIRPS计算的季SPI低估了中北部区域，高估了中南部区域的部分站点的旱情等级。PERSIANN-CDR低估了淮河流域中南部的旱情等级，并高估了东北部的旱情等级。6月份淮河流域大部分区域已无旱情，所有定量降水产品均监测到该月的旱情变化。

反距离加权是一种相对简单但精度较高的确定性插值方法，已被广泛应用于降水空间插值。但由于该方法插值效果往往与观测站网的空间密度直接相关，这限制了它在气象站点分布密度低区域的插值精度。例如：淮河流域东南部区域 4月份旱情等级为重旱，插值结果仅在盱眙、高邮、东台 3站周边环装闭合区域监测到了重旱旱情，闭合区域外部分监测到的干旱等级仍为特旱，与现实规律不符。6月流域中北部仍有旱情存在，但由于该区域仅有开封及兖州 2个站点，插值结果未能监测到旱情。相比之下，定量降水产品融合了卫星遥感等信息源，监测到的旱情空间分布更为连续、准确，符合现实规律。

整体上看，MSWEP产品准确识别了2000年2—6月的典型干旱事件时空发展过程，表现出了最为优秀的干旱监测潜力。CHIRPS及PERSIANN-CDR产品所表现出的干旱监测能力较为接近，对部分月份的旱情有所误判，但同样可以接受。0.05°×0.05°与 0.25°×0.25°空间分辨率的 CHIRPS数据监测到的旱情空间分布及发展趋势较为一致，与其精度上的表现相同。

3 讨 论

定量降水产品在淮河流域的精度并未表现出明显的空间分布规律，这可能是由于产品降水估算数据受传感器类型、反演算法等检索误差和抽样误差的影响，存在一定的不确定性[34]，导致在不同地形条件下的精度表现不一[35]。为进一步探究地形因素对定量降水产品数据精度的影响，使用相关性分析方法，对产品精度受栅格高程影响程度进行评价。MSWEP产品的降水估算误差RMSE与栅格高程的r为−0.28，表明随栅格高程增加，MSWEP产品的估算误差有所降低，这与黄琦等[36]在祁连山地区的研究结果相一致；CHIPRS产品 RMSE与高程的r为−0.20，同样在高海拔地区的误差更低，与其在雅砻江流域的规律相同[37]；PERSIANN-CDR的RMSE与高程的r为−0.46，是唯一通过了0.05水平显著性检验的定量降水产品，栅格高程变化对其降水估算精度影响较大，这与An等在黄河流域的研究结果相一致[38]。CHIRPS及MSWEP数据精度与高程关系未能通过显著性检验，影响上述 2种产品精度空间分布的因素较为复杂，可能受到如地形复杂度等其他因素的影响。

本文选取SPI指数对3种长期定量降水产品的气象干旱监测潜力进行评估，相比与 CHIRPS与PERSIANN-CDR，MSWEP在流域整体、站点、各时间尺度及典型干旱事件监测中的表现均更为优秀，可作为淮河流域农业干旱监测降水数据来源。但除降水外，农业干旱还与高温、过量蒸散发等气象干旱要素[1]关系密切，因此结合定量降水产品与其他气象遥感监测数据进行农业干旱监测的效果还需进一步评估。

4 结 论

本文选取了 0.10°×0.10°分辨率的多源集成降水（Multi-Source Weighted-Ensemble Precipitation，MSWEP）产品、0.05°×0.05°与 0.25°×0.25°分辨率的气候灾害组融合站点的红外降水（Climate Hazards Group Infrared Precipitation with Station，CHIRPS）产品、0.25°×0.25°分辨率的基于人工神经网络的遥感降水估计-气候数据记录（ Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record，PERSIANN-CDR）共 3种定量降水产品，综合对比评估了1983—2016年定量降水产品在淮河流域的精度及其对干旱的时空监测潜力，主要结论如下：

1）月、季、年尺度的MSWEP降水数据与27个站点实测降雨数据的相关系数（Correlation Coefficient，r）分别为0.96、0.97、0.92，均方根误差（Root Mean Square Error，RMSE）分别为26.38、50.01、124.73 mm，数据精度优于其他定量降水产品；0.05°×0.05°及 0.25°×0.25 2种分辨率的 CHIRPS降水数据精度表现基本一致；PERSIANN-CDR降水数据整体表现略差于CHIRPS。

2）MSWEP对极端短缺降水量估算精度要优于其他定量降水产品。月、季、年时间尺度下，MSWEP降水估算值与站点实测值的 RMSE分别为 5.09、10.22、75.92 mm，不足其他产品同期RMSE的50%，且线性拟合方程斜率较其他产品更接近于1。

3）同流域整体干旱监测表现相同，基于MSWEP及站点实测降水数据计算的 3种时间尺度标准化降水指数（Standardized Precipitation Index，SPI）序列之间的r均值不低于0.92，干旱等级监测准确率（Accuracy，ACC）均值高于 82%，各项评价指标均优于其他定量降水产品，表明 MSWEP在淮河流域的时空干旱监测潜力更大。定量降水产品在各时间尺度的k值均小于1，总体上对淮河流域旱情有所低估。相对于其他产品，基于 MSWEP与站点实测降水计算月SPI、季SPI、年SPI的整体精度更高（r≥0.92、RMSE≤0.39），干旱月识别及干旱等级监测最为准确（临界成功指数（Critical Success Index，CSI）≥0.89、ACC≥80.3%）。

4）3种定量降水产品在淮河流域2002年典型干旱事件中表现出了优秀的干旱监测潜力。相比于 CHIRPS及PERSIANN-CDR，MSWEP降水产品更好地监测到了干旱事件的时空演变过程，且较基于气象站点实测降水数据空间插值的监测结果更加符合实际旱情空间分布规律。