基于观测的印度高分辨率日降水集合数据集的开发与应用

本研究针对印度降水数据不确定性问题，开发了印度降水集合数据集（IPED），显著提高了降水估计的可靠性和精度，为水文气象应用提供重要支持。

　　印度降水数据集的开发与应用：提升降水估计精度与可靠性

降水数据是理解全球水循环和能量循环的关键，广泛应用于水文模型和气候研究。然而，现有的网格化降水产品大多为确定性产品，未能充分考虑不确定性，尤其在观测网络稀疏、地形复杂的地区，如印度。印度气象部门（IMD）的官方降水数据集基于Shepard插值技术，精度有限，难以满足高精度水文气象研究的需求。为此，印度理工学院德里分校的研究人员开发了印度降水集合数据集（Indian Precipitation Ensemble Dataset, IPED），旨在通过集合方法量化降水不确定性，提升降水估计的可靠性和精度。

IPED数据集基于印度最大的降水观测站网络，采用局部加权空间回归方法，生成了1991—2020年期间的0.1°和0.25°分辨率的日降水集合产品。该数据集考虑了地形变化，包括海拔、坡度和坡向，显著提高了对极端降水事件的分辨能力和可靠性。这是印度首个基于观测的降水集合数据集，为水文气象应用提供了重要支持。

研究背景与动机

印度地区降水时空变率高，近年来洪水事件频发，如2013年北阿坎德邦和2015年喜马偕尔邦的云暴事件，凸显了对高分辨率降水数据的需求。然而，现有的降水数据集大多为确定性产品，缺乏对不确定性的量化。此外，印度地形复杂，观测站点分布不均匀，尤其是在偏远山区和高原地区，导致现有数据在极端事件估计中存在较大不确定性。为此，研究人员开发了IPED数据集，通过集合方法提供降水估计的不确定性信息，以支持水文模型和气候影响研究。

研究方法

研究人员利用印度气象部门提供的日降水观测站数据，结合SRTM数字高程模型（DEM）数据，提取观测站和网格点的海拔、坡度和坡向等地理空间属性。通过多变量局部加权线性回归和逻辑回归方法，结合空间相关随机场（Spatially Correlated Random Fields, SCRFs），生成降水集合数据。该方法不仅考虑了降水的确定性估计，还通过回归残差量化了不确定性，尤其在数据稀疏地区和复杂地形条件下表现出色。

研究结果

IPED数据集在多个方面表现出色。首先，在降水估计的可靠性方面，IPED通过集合方法显著提高了对极端降水事件的分辨能力。例如，在季风季节（6—9月），IPED对99百分位降水事件（91.2 mm）的区分准确率达到了94%。其次，IPED在降水估计的不确定性量化方面表现出色，尤其是在印度东北部和西海岸地区，这些地区的降水不确定性较高。此外，IPED在与现有数据集的比较中也显示出优势。例如，与IMD的确定性数据集相比，IPED在降水估计的均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）方面表现出更低的误差值。与全球集合数据集EM-Earth相比，IPED在印度地区的降水估计精度更高，尤其是在降水极端事件的捕捉能力上。

研究结论与讨论

IPED数据集的开发为印度地区的水文气象研究提供了重要的数据支持。该数据集不仅提高了降水估计的精度，还通过集合方法量化了不确定性，为数据同化和水文模型提供了可靠的数据基础。此外，IPED数据集的高分辨率和对地形变化的考虑使其在复杂地形地区的应用更具优势。未来，IPED数据集有望在洪水预警、气候变化影响评估和水资源管理等领域发挥重要作用。

总体而言，IPED数据集的开发是印度降水数据研究的重要突破，为应对降水不确定性问题提供了新的解决方案。该研究不仅在技术上取得了创新，还在实际应用中展现了巨大的潜力，为印度及其他地区的水文气象研究提供了重要的参考。