https://mp.weixin.qq.com/s/xIyYEZTCsyteVZZa6x0HkQ
原创 胡金龙 气候变化与水文过程 2025年08月22日
01 文献导读
降水是水循环的关键驱动因子，深刻影响着水资源、农业生产和自然灾害的分布与演变。然而，现有的格点化降水数据集在捕捉降水的空间自相关性以及地形、气候等环境协变量的综合影响方面存在明显不足，这限制了其数据精度，尤其是在气象站点稀疏的地区。此外，现有方法往往会生成过多的微量降水，导致对降水事件的过高估计，进而影响水文模拟的准确性。针对上述挑战，北京师范大学缪驰远团队在前代数据集（CHM_PRE V1）的基础上，融合了中国大陆及周边总计3746个站点的长期逐日观测数据与11种关键的降水相关协变量，提出了一种全新的格点降水数据生成方案。该方案通过整合改进的插值方法与机器学习算法，协同考虑了降水的空间自相关性与多协变量的复杂影响，旨在构建一套精度更高、更可靠的中国大陆降水数据集。
02 主要结果
该研究成功构建了一套全新的高精度、长时序、日尺度的中国大陆格点化降水数据集（CHM_PRE V2）。该数据集的空间分辨率为0.1°，时间跨度为1960年至2023年，并将每年进行更新（2025年8月已更新2024年降水数据）。新方案的核心在于，它不仅继承了前代数据集（CHM_PRE V1）中考虑空间自相关性的改进反距离权重插值法，还创新性地引入了Light Gradient-Boosting Machine（LGBM）机器学习算法，以数据驱动的方式融合了地形、卫星遥感、再分析产品、植被指数等多源协变量信息，从而更全面地表征了复杂的降水模式（图1）。
图1 CHM_PRE V2生成所用数据集。
为了验证新数据集的可靠性，研究团队使用了来自超过63,000个高密度自动雨量站的观测数据，将CHM_PRE V2与其他五种主流格点降水数据集进行了全面对比。结果表明，CHM_PRE V2在降水量估算精度上显著优于所有对比数据集（图2）。其总体平均绝对误差（Mean Absolute Error, MAE）和Kling-Gupta Efficiency（KGE）分别达到1.48 mm/day和0.79，相较于之前的最优数据集，精度分别提升了12.84%和12.86%。各验证站点KGE和相对标准偏差（Relative Standard Deviation，RSD）中位数分别达到0.738和0.880，相较于之前的最优数据集，精度分别提升了13.71%和8.64%。
图2 CHM_PRE V2与其他主流格点降水数据集的验证站点精度对比
此外，该研究特别关注了对降水事件的探测能力，这对于水文模拟至关重要。研究采用了一种两阶段建模策略（先分类降水事件，后反演降水量），有效减少了对微量降水事件的过高估计。验证结果显示，CHM_PRE V2在降水事件捕捉方面的表现同样出色（图3）。其Heidke Skill Score（HSS）为0.68，虚警率（False Alarm Ratio, FAR）降至0.24，相较于之前的最优数据集，性能分别提升了17.24%和29.17%（虚警率降低代表性能提升）。尤其是在华北和中南等降水频发地区，虚警率的降低幅度高达53.33%和68.42%，极大地提升了数据的可靠性。这些结果证明，CHM_PRE V2数据集在降水量和降水事件两个维度上均实现了精度的大幅提升，为水文学、气候学和气候变化研究提供了坚实的数据基础。
图3 CHM_PRE V2与其他主流降水数据集的降水事件探测能力对比
03 论文信息
该研究成果以“An upgraded high-precision gridded precipitation dataset for the Chinese mainland considering spatial autocorrelation and covariates”为题，于2025年8月发表在《Earth System Science Data》（IF = 11.6）。北京师范大学博士生胡金龙为论文第一作者，缪驰远教授为论文通讯作者。该研究得到国家自然科学基金（U24A20572）、国家重点研发计划（2024YFF0809301）以及中央高校基本科研业务费等项目资助。
04 原文链接
https://doi.org/10.5194/essd-17-3987-2025 | 
发表于 2025-8-22 16:00:25
