刘婷婷， 朱秀芳,3， 郭 锐， 徐 昆， 张世喆

（1.北京师范大学环境演变与自然灾害教育部重点实验室，北京 100875；2.北京师范大学地理科学学部遥感科学与工程研究院，北京 100875；3.北京师范大学遥感科学国家重点实验室，北京 100875）

降水量是至关重要的气候变量，与水资源、农业生产、经济发展等密切相关。了解降水的数量、频率、空间分布、变化趋势等信息对于合理利用水资源，制定农业发展策略等有重要意义。然而，很多偏远地区或者经济发展落后地区气象台站稀少甚至根本没有气象台站［1-4］。利用有限的站点降水数据进行空间插值得到空间化的降水数据往往存在很大的误差。为此，不少学者使用大气再分析的降水资料来进行相关研究，例如分析降水的时空特征（印度河流域气温、降水、蒸发及干旱变化特征）［5-7］、提取暴雨洪涝事件、驱动作物模型［8-9］、水文模型（多源降水数据的小流域水文模拟效用评估）［10-13］和陆面模型等［14］。然而，大气再分析数据是数值预报产品和观测资料融合的产物，预报产品的误差、观测数据的误差和同化方法的误差都会影响再分析气候数据的质量［15］。再分析数据产品的精度会直接影响上述基于大气再分析降水资料进行的相关研究中，相关研究结果的不确定性。在气候变化的大背景下，利用再分析数据驱动各类模型模拟气候变化的影响研究与日俱增，验证和评估再分析数据的精度既必要又紧迫［16］。

ERA5 是继ERA-Interim 后欧洲中期天气预报中心（ECWMF）推出的第五代再分析产品，提供了大量的海洋气候和每小时的气候变量。这些数据以0.25°×0.25°的网格覆盖地球，数据集中包含200 多个参数，提供了大量的逐小时大气、陆地和海洋气候变量。该数据基于改进的三维变分技术，拥有时空分辨率高、更新快、参数多等优点，受到了人们的广泛关注。相关研究指出ERA5相对于ECWMF的第四代再分析产品ERA-Interim有了很大的提升［17-19］。例如，Wang 等［20］比较了ERA-Interim 和ERA5 在北极地区的2 m 气温、降雪和总降水数据，发现相较于ERAInterim，ERA5 在夏季和秋季的降水精度有所提升；Betts等［21］使用加拿大萨斯喀彻温省4个气象站的每小时气候站数据对ERA5 和ERA-Interim 的地表温度、风速、降水以及长、短波向下辐射通量进行了评价，结果表明，与ERA-Interim 相比，ERA5 的地表温度数据质量有大幅度提升，但风速数据质量较差，降水和长、短波向下辐射通量与ERA-Interim相差不大；Beck 等［22］在空间分辨率为0.1°的条件下评估了美国ERA5的日降水量数据，发现与ERA-Interim 相比，ERA5再分析降水数据有很大的改善。但是，在以对流风暴为主的地区，ERA5数据有较大误差。

不少研究者在不同地区对该数据集的适宜性进行了评估。例如，Nogueira［23］使用全球降水气候项目2.3 版本数据集对月尺度的ERA5 降水量进行了验证，发现在热带大部分地区ERA5 的偏差和误差通常低于ERA-Interim。但是，ERA5 高估了大多数热带海洋和喜马拉雅山的降水。Xu 等［24］在阿西尼博因河盆地对包括ERA5 在内的6 种降水数据进行了评价，发现ERA5 大大高估了阿西尼博因河流域的春季降水。Amjad 等［25］使用2014—2018 年土耳其256 个地面气象站点数据对ERA5 的降水数据精度进行了评价，结果发现ERA5 高估了相对湿润和复杂地形区域的降水，湿偏度达0.5 mm·d-1。

总体来看，已有的ERA5 降水数据的适宜性分析往往关注的是再分析产品的数值和实际观测值之间的整体相关程度和偏离情况［22,24,26］，少有对极端气候事件（如暴雨）的模拟精度分析。在少有的针对极端气候事件的分析中，又往往选择典型的气象灾害事件进行评估，不够全面。例如Jiang等［27］使用中国气象局的站点数据分析了ERA5 降水数据在6次台风事件中的极端降水模拟的准确性。

基于以上考虑，本文以国家气象科学数据中心的全国范围内728 个站点的日降水数据为参考，通过3 个方面的分析，来全面评价ERA5 降水再分析数据在中国区的适宜性，具体包括：（1）对比分析ERA5 再分析降水数据在不同时间尺度（月、季）上的精度；（2）对比分析ERA5 再分析降水数据在不同气候区和海拔的精度；（3）分析ERA5 再分析降水数据对极端气候事件（暴雨和干旱）的检测能力。该研究可以辅助研究者决定如何使用该数据集、客观评价基于该数据开展的相关研究的不确定性，也为其他的再分析数据适宜性评价研究提供方法参考。

1 数据与方法

1.1 数据

本文使用的数据包括：（1）来自欧洲中期天气预报中心（ECMWF）ERA5 的0.25°×0.25°逐小时降水数据；（2）来自中国气象局气象信息中心的中国国家级地面气象站降水日值数据集（V1.0）中的共728 个站点的1979—2019 年的日降水量数据；（3）来自于资源环境科学与数据中心的中国气候区划图（图1）。本文使用的站点数据在中热带和南热带无站点，因此将这2个区域去除，对剩余8个气候区划进行分析。

图1 气候区与气象站点分布Fig.1 Distributions of climatic areas and meteorological stations

1.2 研究方法

根据各气象站点的经纬度，确定各站点所在的ERA5格点，然后提取出这些格点的日降水量数值，并计算出月总降水量和标准化降水指数（SPI），进而利用6 个指标对ERA5 再分析降水数据进行评估。这些指标可以分成两类：（1）用来评价ERA5再分析降水数据与观测降水数据之间的相关性和差异的指标，具体包括Pearson 相关系数（r）、均方根误差（RMSE）和平均绝对误差（MAE）。其中，r用来反映站点实测值与ERA5 再分析数据的一致性程度；RMSE 用来反映ERA5 降水序列整体误差水平和波动情况；MAE 用来反映ERA5 再分析降水数据与站点实测数据的平均绝对偏差程度。（2）用来评价ERA5对降水、暴雨和干旱事件的捕捉能力的指标，具体包括探测率（POD）、误报率（FAR）以及公正先兆评分（ETS）。其中，POD表示ERA5正确捕捉到的概率，即在所有观测得降水事件中被ERA5 正确检测到的降水事件的比例；FAR 表示ERA5 出现错误的概率，即在所有ERA检测的降水事件中被错误检测出的降水事件的比例；ETS 则反映了不同时空上ERA5对降水综合探测的准确性。这些指标的计算公式及最优值见表1。

表1 用于评价ERA5数据的指标计算公式Tab.1 Calculation formula of indicators used to evaluate ERA5 data

具体分析过程如下：（1）首先利用上述6 个指标分析ERA5再分析降水数据（日降水量）在中国区的整体精度，其中r、RMSE 和MAE 用来分析2 个数据集之间的整体一致性和差异性，而POD、FAR 以及ETS用来分析ERA5再分析数据得到的降水事件的可靠性。其中降水事件的判断标准为日降水量超过0.1 mm·d-1［25］。（2）接着分析ERA5再分析降水数据和观测降水数据在不同月份、不同季节、不同气候区以及不同海拔下的r、RMSE 和MAE。其中春、夏、秋、冬四季分别为3—5 月、6—8 月、9—11月、12 月—次年2 月；海拔梯度设置为0～200 m、200～500 m、＞500 m 3 个区间,各海拔区间内的站点数量分别为594、63 和71 个。（3）然后利用POD、FAR和ETS分析ERA5降水数据对暴雨事件的识别能力。参考中国气象局对于暴雨的定义，将暴雨分为暴雨（降水量≥50 mm·d-1）和大暴雨（降水量≥100 mm·d-1）两类。（4）最后用r、RMSE和MAE分析基于ERA5计算出的不同时间尺度（1个月，3个月，6个月和12 个月）的SPI 的精度，并以3 个月时间尺度的SPI（SPI3）为例，参考《气象干旱等级GB/T20481-2006》，使用不同阈值进行不同等级干旱的识别（表2），进而利用POD、FAR和ETS指数评估ERA5对干旱事件的刻画能力。

表2 标准化降水指数（SPI）干旱等级划分Tab.2 Drought grade division based on standardized precipitation index(SPI)

2 结果与分析

2.1 ERA5降水数据的整体精度分析

图2 为POD、FAR、ETS、r、RMSE 和MAE 6 个评价指标的空间分布图。结果显示，ERA5 的日降水精度在空间上存在差异。POD、ETS、r越大且FAR越小的区域为降水数据精度越高的区域。全国有83.6%的站点的POD＞0.80，51.9%的站点ETS＞0.25，53.3%的站点r＞0.50，46.9%的站点FAR＜0.50，41.5%的站点RMSE＜6，39.6%的站点MAE＜2。POD 的高值区主要分布在中国南部，包括高原气候区、中亚热带、南亚热带、北亚热带、中热带和南热带,表明ERA5 能很好地检测出这些区域的降水。而北温带、中温带和南温带的FAR值较高，表明ERA5会高估这些区域的日降水事件。ETS 和r取值在中国东部高于西部，综合来看，ERA5对中国东部降水事件的反映能力强于对中国西部降水事件的反映能力。RMSE 和MAE 的取值在较为湿润的中亚热带和南亚热带较高，这和该地区降水量绝对值较高有关。

图2 ERA5降水数据整体精度Fig.2 Overall accuracy of ERA5 precipitation data

2.2 不同月份和季节的ERA5降水数据精度分析

图3 显示的是ERA5 数据的日降水量在不同月份和不同季节的精度。不同月份日降水量的r、RMSE 和MAE 的均值分别为0.482～0.542、2.232～8.530 mm·d-1和0.945～3.438 mm·d-1；不同季节日降水量的r、RMSE 和MAE 的均值分别为0.488～0.525、2.466～8.071 mm·d-1和1.013～3.140 mm·d-1。总体来说，日降水量各季节精度差异较大，夏、秋两季的精度较冬、春两季的精度低。

图3 不同月份和季节的ERA5降水数据精度Fig.3 Accuracy of ERA5 precipitation data in different months and seasons

2.3 不同气候区和海拔的ERA5降水数据精度分析

图4为不同气候区和不同海拔梯度下的精度验证结果。不同气候区日降水量的r、RMSE和MAE的均值分别为0.437～0.587、1.825～11.746 mm·d-1和0.619～4.913 mm·d-1。8 个气候带中，精度最高的是北 温 带，其r、RMSE 和MAE 分 别 为0.587、4.040 mm·d-1和1.472 mm·d-1，中温带和中亚热带的r的范围较大，而南亚热带和北亚热带的RMSE和MAE较大。3 个海拔梯度区间中，精度最低的是海拔＞500 m 的站点，其r、RMSE 和MAE 分别为0.489、7.505 mm·d-1和3.188 mm·d-1；海拔0～200 m 的站点的r较高（均值为0.497），但RMSE 和MAE 值较大；200～500 m 的站点的RMSE 和MAE 最小，分别为3.875 mm·d-1和1.663 mm·d-1。

图4 不同气候区和海拔梯度下ERA5降水数据精度Fig.4 Accuracy of ERA5 precipitation data in different climate zones and elevation gradients

2.4 暴雨事件精度验证

ERA5数据进行暴雨识别的精度评价结果见图5。其中，日降水量≥50 mm 和≥100 mm 且发生天数≥10 d的站点分别为626个和377个，主要分布在中国东南部。ERA5的暴雨识别能力在空间上存在差异。当使用50 mm 阈值来识别暴雨时，全国有73.6%的站点POD＞0.1，51.9%的站点FAR＞0.75，53.7%的站点ETS＞0.1。POD 高值主要集中分布在中国的东部地区（中温带南部、南温带、北亚热带、中亚热带东部和南亚热带东部），FAR 高值集中分布在中温带东部、南温带西部和中亚热带西部，ETS高值主要分布在北亚热带、中亚热带东部和南亚热带东部，这说明ERA5 数据能较好地捕捉中国东部地区的暴雨事件，但在中温带东部、南温带西部和中亚热带西部的误报率较高，整体来看对东南部（北亚热带、中亚热带东部和南亚热带东部）的暴雨事件捕捉的最好。当使用100 mm 阈值来识别暴雨事件时，POD 更低、FAR 更高、ETS 更低，全国仅有23.6%的站点POD＞0.1，72.9%的站点FAR＞0.75，12.7%的站点ETS＞0.1，说明对≥100 mm的暴雨识别能力更差，但空间分布两者较为相似。

图5 ERA5识别暴雨事件的精度Fig.5 Identification accuracy of heavy rain event based on ERA5

2.5 干旱事件精度验证

图6 是利用ERA5 降水数据计算出的1 月尺度的SPI（SPI1）和3 月尺度的SPI（SPI3）的验证结果。图7是利用ERA5降水数据计算出的6月尺度的SPI（SPI6）和12月尺度的SPI（SPI12）的验证结果。4种不同时间尺度的SPI 指示不同时间长度的干旱，SPI1 主要反映1 个月尺度的干旱，SPI3 反映季度上的干旱，SPI6表征的是半年尺度的干旱，而SPI12则表示年尺度上的干旱。由于表征的尺度不同，其精度也有所不同。整体来看，4个尺度的SPI的相关系数、RMSE 和MAE 的空间分布规律均较为相似：r在青藏地区较低，在东部地区较高；RMSE 和MAE 在东南地区较高，在青藏地区较低。SPI1、SPI3、SPI6和SPI12 的r的平均值分别为0.765、0.746、0.723 和0.686，RMSE 的平均值分别为0.657、0.701、0.733 和0.774，MAE 的平均值分别为0.701、0.543、0.576 和0.612。SPI1 和SPI3 的r较高且RMSE 较低，SPI6 和SPI12 的r较 低 且RMSE 较 高，SPI3 的MAE 最 低，SPI1 的MAE 最高。因此，综合来看，使用ERA5 降水数据计算出的SPI3的精度最高。

图6 ERA5计算的SPI1和SPI3的精度Fig.6 Accuracy of SPI1 and SPI3 calculated by ERA5

图7 ERA5计算的SPI6和SPI12的精度Fig.7 Accuracy of SPI6 and SPI12 calculated by ERA5

图8是阈值为-0.5和-1.0的干旱的识别精度结果。图9是阈值为-1.5和-2.0的干旱的识别精度结果。阈值为-0.5、-1.0、-1.5和-2.0识别出的干旱事件历时超过10个月的站点数量分别为728、725、719和509，随着阈值的减小（即干旱强度的增强），识别出的干旱事件历时超过10 个月的站点数量减少。ERA5 识别出的阈值为-0.5、-1.0、-1.5 和-2.0 的干旱事件的POD 的均值分别为0.680、0.588、0.494 和0.426，FAR 的 均 值 分 别 为0.310、0.407、0.511 和0.561，ETS 的 均 值 分 别 为0.381、0.349、0.298 和0.270，可以看出阈值越小（即干旱强度越强）时，ERA5 的干旱识别效果越差。4 种阈值识别的干旱的POD、FAR 和ETS 的空间分布较为相似。以阈值-0.5 为例，表3 统计了各气候区POD、FAR 和ETS的均值，整体来说ERA5数据对北温带、南温带和北亚热带的干旱捕捉能力较好，在高原气候带、中亚热带和北热带更容易出现误报，其中北温带的POD最高、FAR最低、ETS最高，干旱识别效果最好，高原气候区的POD 最低、FAR 最高、ETS 最低，干旱的识别效果最差。

图8 ERA5识别阈值为-0.5和-1.0时干旱的精度Fig.8 Accuracy of ERA5 in recognizing drought with the thresholds of-0.5 and-1.0

图9 ERA5识别阈值为-1.5和-2.0时干旱的精度Fig.9 Accuracy of ERA5 in recognizing drought with thresholds of-1.5 and-2.0

表3 阈值设置为-0.5时基于ERA5识别的干旱在各气候区POD、FAR和ETS的均值Tab.3 Mean values of POD,FAR and ETS in each climate zone with threshold of-0.5 for drought identification

3 讨论

ERA5是欧洲中期天气预报中心的最新一代的再分析产品，其降水量数据可以为分析降水的时空特征、提取暴雨洪涝事件、驱动作物模型、水文模型和陆面模型等提供输入数据。本研究以728个站点的日降水量数据为参考，首次分析了ERA5 数据在中国区的精度。相比以往分析最大的不同是关注了ERA5 对极端气候事件（暴雨和干旱）的刻画精度。伴随着气候变化，极端气候事件频发，给自然和人类社会带来了众多负面影响和经济损失。评估极端气候条件下的各种影响，发展有效应对气候变化的适宜性策略，都有赖于可靠的能反映极端气候的数据产品。然而，以往相关气候数据产品的精度分析忽略了对极端事件的捕捉和刻画能力。本文弥补了这一不足，拓展了验证气候数据集的角度，为类似研究提供了方法参考。此外，本文研究发现ERA5 数据能够较好地描述3 个月尺度的干旱（SPI3），但干旱强度越强，干旱识别结果越差。总体来说，ERA5 对于中国东南部的暴雨的刻画能力最强。这些结论为相关研究考虑是否选择使用ERA5数据，选择使用哪个区域的ERA5 数据，选择基于ERA5数据分析什么内容等提供了参考依据。

本文研究发现ERA5 数据的精度在不同气候区、不同季节、不同海拔梯度表现出一定的差异。相较于西部，ERA5 再分析降水对于东部降水的模拟效果更好，这与成晓裕等对再分析降水数据的研究结果［28］类似；相较于冬、春两季，夏、秋两季的精度低，这与以往对于再分析降水数据的研究结果［16,28-30］类似。ERA5 数据在不同区域的精度存在差异的原因有很多，首先ERA5为再分析数据，是使用多种资料数据通过同化而来的，其精度受原始输入数据资料质量和同化算法的影响［15］；在观测数据稀疏的地方或输入数据质量低的区域再分析产品的数据质量也相对低；其次，降水具有较强的局域性，而ERA5数据为栅格数据，两者之间存在一定的尺度问题，用站点所在的ERA5 格点的降水值表示站点的降水会和站点真实观测的降水存在一定偏差。

此外，本文的研究还存在一些不足。首先，全国的气象站点分布不均，导致不同气候区和不同海拔梯度区内的站点分布不均、数量不同。大部分站点分布在中国东部区域和低海拔地区。对于站点少的区域，验证结果可能会存在一定偏差。其次，ERA5 数据的空间分辨率为0.25°，反映的0.25°×0.25°格网内区域降水的平均情况，站点尺度的降水反映的是该站点一定范围内的降水情况，然而降水在局部地区（特别是地形变化复杂）的变化可能会很大，直接对两者进行对比也会产生一定误差。

4 结论

本文以站点观测的降水数据为参考，分析了ERA5再分析降水数据在不同时间尺度（月、季）、不同气候区、不同海拔梯度下的精度以及ERA5 再分析数据对暴雨和干旱事件的刻画能力。得到主要结论如下：

（1）ERA5 降水数据对日降水事件的识别能力在空间和时间上均存在差异。8 个气候带中，精度最高的是北温带，其日降水和站点观测的r、RMSE和MAE 分别为0.587、4.040 mm·d-1和1.472 mm·d-1。海拔＞500 m 地区的精度低于海拔≤500 m 地区的精度，冬、春两季较夏、秋两季的精度高。

（2）ERA5数据在进行暴雨的识别时，与站点数据的偏差较大，且阈值越大（即暴雨越强）偏差越大，整体来看对东南部（北亚热带、中亚热带东部和南亚热带东部）的暴雨事件捕捉的最好。

（3）基于ERA5计算的月（1个月）、季（3个月）、半年（6个月）和年（12个月）尺度的SPI的精度不同，其中SPI3的精度最高。在进行干旱事件的识别时，与站点数据有较大的差距，且阈值越低（即干旱越严重）误差越大，整体来看对北温带、南温带和北亚热带的干旱捕捉能力较好。