四川省降水实况分析产品影响因素综合评估_吴薇.pdf

第 41 卷 第 1 期2023 年 2 月Vol.41 No.1February，2023干旱气象Journal of Arid Meteorology四川省降水实况分析产品影响因素综合评估吴薇1，2，黄晓龙1，2，徐晓莉1，2，李施颖1，2，杜冰1，2，蒋雨荷1，2（1.四川省气象探测数据中心，四川 成都 610072；2.高原与盆地暴雨旱涝灾害四川省重点实验室，四川 成都 610072）摘要：国家气象信息中心基于多源观测数据，利用数据融合与同化技术研制的实况分析产品已通过业务准入评审并发布。为保证实况分析产品评估结果的客观性和真实性，对参与实况分析产品检验评估的数据源地面站点资料的代表性进行研究。选取2020年58月四川省地面气象站点经度、纬度、坡度、坡向、数据可用性等10个降水影响指标，利用相关分析、主成分分析，在指标筛选基础上，通过确定各影响指标的权重，形成各地面站点的综合影响指标，并对其进行分级检验。结果表明：10个影响指标经过筛选保留5个指标，其权重从大到小依次为数据可用性、设备稳定性、坡度变率、地表粗糙度、海拔高度；四川盆地内站点综合影响指标值大部分在0.9以上，综合影响指标值较低的站点主要分布在四川省甘孜州、阿坝州和凉山州，这与上述区域地形复杂、站点代表性较差密切相关；通过综合影响指标的分级评估，将指标值在0.8以上的站点数据作为降水实况分析产品评估的“真值”数据源较合理。关键词：降水；实况分析产品；主成分分析；评估文章编号：1006-7639（2023）01-0143-09 DOI：10.11755/j.issn.1006-7639（2023）-01-0143中图分类号：P426.6 文献标志码：A引 言随着精细化智能网格预报的发展，对高质量时空连续的格点化气象数据产品需求越来越迫切。格点化的数据产品综合了多源观测数据的优势，能有效弥补地面站点分布不均及观测空白区等问题。国家气象信息中心利用数据融合与同化技术（Jacobs et al.，2008；Xie et al.，2011），研发了高分辨率的格点实况分析产品，包括降水、气温、相对湿度、风、能见度、三维云等（师春香等，2019）。通过在全国及部分区域不同时空尺度的适用性评估，发现实况分析产品在大部分地区具有一定的适用性，但对灾害性天气的描述能力及在地理地形环境复杂区域的准确性有待提高（孙靖等，2021；吴薇等，2019；吴薇等，2021；俞剑蔚等，2019；张玮等，2020）。实况分析产品在复杂地形条件下应用的局限性，主要归结于两方面：一方面格点化的实况分析产品受地理地形因素、气象条件等影响，不能准确反映近地面大气状况及变化；另一方面参与检验的站点数据的代表性问题对客观评价实况分析产品的精度存在影响。在以往实况分析产品检验评估中，大都以全国气象资料业务系统（Meteorological Data Operational System，MDOS）质控正确的地面站点数据作为“真值”数据源，未考虑站点的地理位置、地形特征以及观测设备稳定性等影响因素，这势必影响实况分析产品评估结果的真实性。四川地处中国西南腹地，地势起伏大，东西海拔落差近7 000 m，地形复杂多样，全年降水充沛，且区域分布不均，暴雨洪涝灾害频发。本文围绕作为实况分析产品检验评估的数据源站点数据的代表性问题展开，以四川天气预报、气候分析重点关注的气象要素降水为例，在前期对实况分析产品充分评估分析基础上，根据站点属性特征确定主要影响指标（经度、纬度、拔海高度、台站级别、坡度、坡向、坡度变率、地表粗糙度、数据可用性、设备吴 薇，黄晓龙，徐晓莉，等.四川省降水实况分析产品影响因素综合评估 J.干旱气象，2023，41（1）：143-151，WU Wei，HUANG Xiaolong，XU Xiaoli，et al.Comprehensive assessment of influencing factors of precipitation real-time analysis products in Sichuan J.Journal of Arid Meteorology，2023，41（1）：143-151，DOI：10.11755/j.issn.1006-7639（2023）-01-0143收稿日期：2021-09-23；改回日期：2022-04-05基金项目：四川省科技厅重点研发计划项目（2022YFS0541）、高原与盆地暴雨旱涝灾害四川省重点实验室科技发展基金项目（SCQXKJYJXMS202221）、中国气象局创新发展专项项目（CXFZ2021Z007）和西南区域多源融合实况产品研究创新团队项目（西南气中201813号）共同资助作者简介：吴薇（1981），女，高级工程师，主要从事资料处理与应用。E-mail:。41 卷干旱气象稳定性），利用相关分析和主成分分析，对参与降水实况分析产品检验评估的站点数据影响因素进行综合分析，以期遴选出质量更高、更具代表性的站点数据作为实况分析产品的评估数据源，从而使实况分析产品评估结果客观真实。1资料与方法1.1资料及来源本文参与分析检验的资料包括四川辖区内国家站和区域站站点经度、纬度、拔海高度、台站级别、坡度、坡向、坡度变率、地表粗糙度、数据可用性、设备稳定性以及降水实况分析产品。由于区域站未安装称重降水仪器，冬半年高原站点因积雪进行“软加盖”，降水数据质量无法完全统计，故本文研究时间段选取 2020年 58月，各数据来源信息如表1所示。文中附图涉及地图基于四川省测绘地理信息局审核批准的审图号为川S（2021）00009号的标准地图制作，底图无修改。1.2方 法首先利用相关分析和主成分分析，结合主观判断，对10个影响指标进行筛选；对筛选出的指标在数据标准化的基础上，通过主成分分析确定各影响指标权重，形成各站点的综合影响指标，并对综合影响指标进行分析检验。1.2.1数据预处理为提高数据处理速度和精度，在数据分析前需进行数据预处理。数据预处理一般包括数据清洗、数据集成、标准化处理等（成珂等，2021）。本文用到的数据都是业务化数据，数据完整性较好、质量较高，经合并处理后共得到4 483站的完整数据。数据通常是有单位的，为消除量纲影响，在数据分析前需进行标准化处理。同时本文最终需形成综合指标，各影响指标的变化趋势应保持一致，因此采用极差标准化方法对数据序列x1，x2，xn，进行标准化处理，极差标准化转换函数如下：yi=xi-min1in ximax1in xi-min1in xi（1）yi=max1in xi-ximax1in xi-min1in xi（2）式中：max为样本数据的最大值；min为样本数据的最小值。根据影响指标的变化趋势，将其分为正、负向指标，正向指标表示指标值越大越好，负向指标则是越小越好。根据定义，正向指标采用公式（1）进行数据标准化处理，负向指标采用公式（2）进行数据标准化处理。1.2.2主成分分析法主成分分析法的基本思想是降维，将线性相关的多变量数据转化为少数不相关的综合指标，消除各因子的信息重叠，关于主成分的计算原理（吴洪宝和吴蕾，2010），本文不再阐述。通过对标准化数据进行主成分分析，得到相应的多个主成分，通过各主成分的方差贡献率，计算各影响指标的权重，具体计算步骤和方法如下（陈健翎等，2021；张武龙等，2021）：（1）计算第i个影响指标在第j个主成分线性组合中的系数aij；aij=ijj（3）式中：ij为第i个指标对应第j个主成分的因子载荷；j为第j个主成分的特征值。表1数据源信息Tab.1The information of data source名称经度、纬度、海拔高度及台站级别坡度、坡向、坡度变率及地表粗糙度数据可用性设备稳定性降水实况分析产品数据来源四川省站网管理平台90 m数字高程模型（Digital Elevation Model，DEM）数据MDOS系统天元系统气象数据通信系统气象站点数量/个5 8995 8115 210说明选取平台2020年1月1日前启用的有降水观测的站点；台站级别设置5级：国家站为1级，骨干站为2级，区域站国家级考核、省级考核、非考核分别为3级、4级和5级利用ArcMap软件，提取各站点的地形因子数据（郭佳等，2020；刘军等，2009；许宝荣等，2015）用数据可用率（质量控制为正确的数据个数/总数据个数）来表征用稳定运行率（正常时次/应到时次）来表征空间分辨率0.05o0.05o，基于地面-卫星-雷达三源融合的“中国气象局多源降水分析系统（CMA multi-source precipitation analysis system，CMPAS）中逐小时降水产品（CMPAS-hourly）”144第 1 期吴薇等：四川省降水实况分析产品影响因素综合评估（2）计算第 i 个影响指标的综合得分模型系数bi；bi=j=1naijjj=1nj（4）式中：j为第 j个主成分的方差贡献率；n为主成分个数。（3）计算第i个影响指标的权重ii=bii=1Nbi（5）式中：N为影响指标个数。1.2.3指标筛选方法两个指标之间的相关系数越大，相关性越高。基于相关分析的指标筛选，可以避免指标信息重复，从而简化指标。主成分分析中，每个主成分的方差贡献率反映该主成分所占信息总量的比重，每个指标的因子载荷反映指标对评价结果的影响程度（高燕俐等，2020），所以方差贡献率高的主成分中的因子载荷绝对值越大，表示指标对评价结果影响显著，应保留，反之则应删除。本文将两种方法相结合，既可剔除信息重复的指标，同时保证筛选出重要指标，兼顾指标所包含信息的全面性、代表性和简洁性（张辉和赵秋红，2013）。1.2.4检验评估方法首先，利用各指标的权重与对应标准化数据值相乘后累加，得到各个站点的综合影响指标；其次，运用最邻近插值算法，将降水实况分析产品插值到对应站点，并与站点观测值进行相关系数（Correlation Coefficient，COR）、平均误差（Mean Error，ME）和均方根误差（Root Mean Square Error，RMSE）等评估指标统计；最后，对综合影响指标进行分级，对不同等级下各评估指标变化情况进行分析。COR=i=1N(Gi-G)(Oi-O)i=1N(Gi-G)2i=1N(Oi-O)2（6）ME=1Ni=1N(Gi-Oi)（7）RMSE=1Ni=1N(Gi-Oi)2（8）式中：Oi为站点观测值；Gi为实况分析产品插值到站点的数值；N为参与检验的总样本数（站次数）。2结果与分析2.1影响指标筛选从10个影响指标间的相关系数（表2）看出，各影响指标间有不同程度的相关性，说明各影响指标间存在部分信息重叠。两两之间相关系数绝对值大于0.500且通过=0.01的显著性检验的有坡度与地表粗糙度、经度与海拔高度、坡度与坡度变率，其中地表粗糙度、坡度变率均与坡度具有较强的相关性，存在较大信息重叠，而经度和海拔高度在四川地理信息表现上也存在信息冗余。在主成分分析前，首先需要通过 KMO 检验和Bartlett球形检验（陈健翎等，2021）判断数据是否适合做主成分分析。KMO用于检查变量间的偏相关性，取值为 01，KMO值越接近于 1，变量间的偏相关性越强，因子分析效果越好。Bartlett球形检验用于判断相关矩阵是否是单位阵，即各变量是否有较强的相关性。在实际应用中，通常认为KMO值大于表2影响指标间的相关系数Tab.2Correlation coefficients between impact indicators纬度经度海拔高度台站级别坡度坡度变率坡向地表粗糙度数据可用性设备稳定性纬度1.0000.360*-0.0280.068*0.0180.031*-0.0020.0200.007-0.035*经度1.000-0.736*-0.088*-0.195*-0.187*0.048*-0.199*0.101*0.062*海拔高度1.0000.200*0.344*0.332*-0.0260.293*-0.178*-0.063*台站级别1.0000.086*0.094*-0.041*0.072*-0.123*-0.111*坡度1.0000.571*-0.0010.892*-0.103*-0.026坡度变率1.000-0.051*0.408*-0.090*-0.015坡向1.000-0.011-0.0030.008地表粗糙度1.000-0.086*-0.030*数据可用性1.0000.496*设备稳定性1.000 注：*和*分别表示通过=0.05和0.01的显著性检验。14541 卷干旱气象0.5且Bartlett球形检验的P值小于0.05，才能进行主成分分析（陈乐等，2020）。经统计发现10个影响指标的KMO值为0.533，Bartlett球形检验的显著水平P=0.000，因此可以做主成分分析。从主成分分析的特征值和方差贡献率（表3）来看，前4个主成分的特征值大于1，累积方差贡献率达68%，说明这4个新的指标反映10个原指标68%的信息；为使新的指标更具解释性，给出影响指标旋转成分矩阵（表4），第1主成分主要包括坡度、地表粗糙度和坡度变率，反映台站的复杂地形特征，第2主成分主要包括经度、拔海高度和纬度，反映台站的地理信息，第3主成分主要包括设备稳定性和数据可用性，反映台站数据质量情况，第 4主成分主要包括台站级别和坡向。结合相关性和主成分分析看出，坡度、坡度变率和地表粗糙度均反映地形复杂度，且坡度变率、地表粗糙度均与坡度存在信息重叠，故将坡度删除；经度和海拔高度具有较强相关性，都是反映站点地理信息，且经度和纬度也存在一定的信息重叠，所以删除经度；第4主成分中，台站级别和坡向对主成分的影响程度略高于海拔高度和纬度，而第2主成分中已包含海拔高度和纬度，所以删除台站级别和坡向；同时，虽然纬度与台站位置相关，但与四川降水分布无明显联系，所以删除纬度。综上，经过筛选，保留的影响指标有坡度变率、地表粗糙度、海拔高度、数据可用性和设备稳定性。2.2影响指标空间分布从四川地理环境特征来看，海拔高度越高、坡度变率越大、地表粗糙度越大则地形越复杂，这3个指标归为负向指标，标准化处理时采用公式（2）；数据可用性越高、设备稳定性越高则数据质量越好，这两个指标归为正向指标，标准化处理时采用公式（1）。数据标准化处理前后的分布形态如图1所示（篇幅原因，地表粗糙度和设备稳定性略），可以看出，在数据标准化处理后，数据分布形态并未发生任何改变，只是数据统一映射到 0，1 区间上，且所有数据都统一为同一方向，即指标值越大，表征数据越好，其中由于海拔高度、坡度变率和地表粗糙度为负向指标，经标准化处理后全部变向。从标准化前的数据分布得知，四川省大多数站点海拔在1 000 m以下，整体数据质量较好，绝大部分站点的数据可用率在95.0%以上。从标准化数据的空间分布（图2）来看，海拔高度 图2（a）从四川东部到西部逐渐减小，反映出四川地势东低西高的特点；坡度变率 图2（b）和地表粗糙度 图2（c）表现为四川盆地中部值较大，盆地北部、南部以及川西高原（甘孜州和阿坝州）、攀西地区（凉山州和攀枝花市）值较小，反映出除四川盆地中部较平坦外，盆地周边及川西高原、攀西地区地势起伏较大的特点；数据可用性 图2（d）和设备稳定性 图2（e）值较小的站点主要分布在甘孜州、阿坝州、凉山州（简称“三州地区”）以及在盆地内呈零散分布，说明在这些区域站点数据的质量较差。2.3影响指标权重筛选出的5个影响指标权重的确定需要对其进行 KMO 检验和 Bartlett球形检验（陈健翎等，2021）来判断是否适合做主成分分析，经统计5个影响指标的KMO值为0.584，Bartlett球形检验显著水平P=0.000，因此可以做主成分分析。如表5所示，前2个主成分特征值均大于1，方差贡献率分别为36.207%和 27.882%，累积方差贡献率为 64.089%，说明这2个主成分对总体的解释率在60%以上，故提取前2个主成分。主成分矩阵又称为初始因子载荷矩阵，它代表主成分对原始变量的影响程度。从表6可知，海拔高度、坡度变率、地表粗糙度在第1主成分上有较高载荷，说明第1主成分主要反映地形复杂度；数据可用性、设备稳定性在第2主成分上有较高载荷，说明表4影响指标旋转成分矩阵Tab.4Rotating component matrix of impact indicators影响指标坡度地表粗糙度坡度变率经度海拔高度纬度设备稳定性数据可用性台站级别坡向第1主成分0.9540.9020.702-0.1570.3610.1490.017-0.0750.0670.042第2主成分-0.068-0.055-0.1090.914-0.7040.636-0.0110.081-0.0500.026第3主成分-0.035-0.031-0.0130.054-0.119-0.0570.8580.848-0.197-0.132第4主成分-0.032-0.0590.138-0.1230.3320.400-0.022-0.0180.677-0.599表3影响指标的主成分特征值及方差贡献率Tab.3Principal component eigenvalues and variancecontribution rate of impact indicators主成分1234特征值2.7911.5491.4411.051方差贡献率/%27.91115.48714.40510.505累积方差贡献率/%27.91143.39757.80268.308146第 1 期吴薇等：四川省降水实况分析产品影响因素综合评估第2主成分主要反映数据质量。利用特征值、方差贡献率以及因子载荷计算5 个影响指标变量的权重。从各影响指标的权重（图3）看出，权重最大的是数据可用性，为22.14%，其后依次为设备稳定性、坡度变率、地表粗糙度，权图1海拔高度（a、b）、坡度变率（c、d）、数据可用性（e、f）影响指标标准化处理前（a、c、e）、后（b、d、f）数据分布形态Fig.1Data distribution morphology of altitude（a，b），slope variability（c，d）and data availability（e，f）impactindicators before（a，c，e）and after（b，d，f）standardization processing表5筛选后指标的主成分特征值及方差贡献率Tab.5Principal component eigenvalues and variance contribution rate of screened indicators主成分12345特征值1.8101.3940.7180.5880.490方差贡献率%36.20727.88214.35811.7509.803累积方差贡献率%36.20764.08978.44790.197100.000表6筛选后指标主成分矩阵Tab.6Principal component matrix of screened indicators影响指标坡度变率海拔高度地表粗糙度设备稳定性数据可用性第1主成分0.6720.6670.6540.4270.552第2主成分-0.417-0.225-0.3960.7550.66514741 卷干旱气象重最小的为海拔高度，为16.85%，权重最大和最小之间相差不到 6%，反映出影响站点观测因素的复杂性。2.4检验评估对综合影响指标进行分级，综合影响指标在0.91.0的台站数最多，占总台站数的73.22%，其次为0.80.9的综合影响指标，台站数为890个，占总台站数的 19.85%，两个级别累积占比在 90.00%以上，而低于0.7的站点数仅占总台站数的1.27%左右（图4）。从空间分布（图5）来看，综合影响指标值较高的站点主要分布在四川盆地内，三州地区则以影响值较低的站点居多，这佐证了三州地区地形环境图2标准化影响指标空间分布（a）海拔高度，（b）坡度变率，（c）地表粗糙度，（d）数据可用性，（e）设备稳定性Fig.2Spatial distribution of standardizated impact indicators（a）altitude，（b）slope variability，（c）surface roughness，（d）data availability，（e）equipment stability148第 1 期吴薇等：四川省降水实况分析产品影响因素综合评估复杂、仪器设备维护难度较高，站点代表性较差。从不同等级综合影响指标下降水实况分析产品的相关系数、平均误差、均方根误差变化（图6）看出，随着综合影响指标值的增大，COR逐步增大，ME逐渐减小，RMSE逐渐增大。经分析，RMSE与降水量的大小相关（吴薇等，2019），相对盆地来说川西高原的降水量全年偏小，故RMSE相对偏小。通过不同等级综合影响指标的评估指标变化情况（表7）来看，若将综合影响指标值在0.6以上的作为“真值”时，COR有小幅度提升，而误差增大；若将综合影响指标值在0.7以上的作为“真值”时，COR提升0.09%，ME减小3.33%，RMSE增大0.24%；若将综合影响指标值在0.8以上的作为“真值”时，COR提升 0.29%，ME 明显减小，为 23.33%，RMSE 增大1.54%；若将综合影响指标值在0.9以上的作为“真值”时，COR 提升 1.04%，ME 大幅度减小，RMSE 增大6.72%。综合来看，将综合影响指标值在0.8以上站点数据作为评估“真值”数据源较合理。图6不同等级综合影响指标下降水实况分析产品的评估指标分布Fig.6The distribution of evaluation index of precipitation real-time analysis products under comprehensive impact index with different grades图3影响指标的权重分布Fig.3Weight distribution of impact indicators图5综合影响指标空间分布Fig.5Spatial distribution of comprehensive impact index图4不同等级综合影响指标的站点数分布Fig.4The station number distribution of comprehensive impact index with different grades表7不同等级综合影响指标下降水实况分析产品评估指标变化Tab.7The changes of evaluation index of precipitation real-time analysis products under comprehensive impact index with different grades评估指标CORMERMSE筛选前0.8842-0.0030.73820.6筛选后0.8846-0.00310.7388提升百分比/%0.05-3.33-0.080.7筛选后0.8850-0.00290.7400提升百分比/%0.093.33-0.240.8筛选后0.8868-0.00230.7496提升百分比/%0.2923.33-1.540.9筛选后0.8934-0.00140.7878提升百分比/%1.0453.33-6.7214941 卷干旱气象3结论与讨论本文在指标筛选基础上，通过各影响指标数据的标准化处理，利用主成分分析法确定各影响指标权重，最终形成综合影响指标，并对综合影响指标进行分级检验，主要结论如下：（1）通过相关分析和主成分分析，从重复性和重要性两个维度对10个影响指标进行筛选，保留的5个指标分别为坡度变率、地表粗糙度、海拔高度、数据可用性和设备稳定性。（2）通过主成分分析计算指标权重，权重最大的为数据可用性，其后依次为设备稳定性、坡度变率、地表粗糙度，权重最小的为海拔高度。（3）从综合影响指标的分布来看，指标值较高的站主要分布在四川盆地内，四川省甘孜州、阿坝州和凉山州多为指标值较低的站点，体现出3个地区地形复杂、站点代表性较差的特点。通过主客观相结合的方法，分析各影响因子的权重，从而形成各站点的综合影响指标并进行分析验证，为后续评估四川降水实况分析产品时“真值”的选择提供参考，同时，也为其他要素实况分析产品“真值”的遴选提供技术方法。由于四川地形的复杂性，后续需通过站网布局优化、多源数据协同等来提升复杂地形区域数据的代表性，同时需根据地形地理环境的深入研究和评估技术方法的新进展，加入更多或者更适合的影响指标进行再分析研究。参考文献：陈健翎，林心影，陈凌静，等，2021.基于主成分分析法的城市滨水带状公园活力评价模型研究以福州市为例J.河北林业科技，（2）：6-12.陈乐，陈林，王明田，2020.成都市秋桂开花早晚的气象影响因子分析 J.气象科技，48（5）：774-778.成珂，孙琦琦，马晓瑶，2021.基于主成分回归分析的气象因子对光伏发电量的影响 J.太阳能学报，42（2）：403-409.高燕俐，刘小刚，冷险险，等，2020.基于主成分分析的广西省干旱时空格局 J.生态学报，40（16）：5 591-5 601.郭佳，李晋东，刘艳祯，2020.基于不同水平分辨率DEM的数字地形分析研究 J.测绘与空间地理信息，43（12）：214-216.刘军，张正福，胡燕凌，2009.应用DEM数据进行耕地坡度分级量算方法研究 J.遥感技术与应用，24（5）：691-697.师春香，潘旸，谷军霞，等，2019.多源气象数据融合格点实况产品研制进展 J.气象学报，77（4）：774-783.孙靖，程光光，黄小玉，2021.中国地面气象要素格点融合业务产品检验 J.高原气象，40（1）：178-188.吴洪宝，吴蕾，2010.气候变率诊断和预测方法 M.2版.北京：气象出版社.吴薇，杜冰，黄晓龙，等，2019.四川区域融合降水产品的质量评估 J.高原山地气象研究，39（2）：76-81.吴薇，黄晓龙，徐晓莉，等，2021.融合降水实况分析产品在四川地区的适用性评估 J.沙漠与绿洲气象，15（4）：1-8.许宝荣，邹松兵，刘勇，等，2015.GIS支持下黑河流域降水台站的地形代表性 J.兰州大学学报（自然科学版），51（2）：166-172.俞剑蔚，李聪，蔡凝昊，等，2019.国家级格点实况分析产品在江苏地区的适用性评估分析 J.气象，45（9）：1 288-1 298.张辉，赵秋红，2013.基于主成分分析基本原理的经济指标的筛选方法 J.山东财政学院学报，124（2）：52-61.张玮，李显风，何瑶，等，2020.基于江西省站点资料对智能网格实况分析产品的检验评估 J.江西师范大学学报（自然科学版），44（4）：403-410.张武龙，康岚，周威，等，2021.基于GRAPES-MESO模式的极端短时强降水预报 J.干旱气象，39（3）：507-513.JACOBS C，MOORS E J，MAAT H，et al，2008.Evaluation of european land data assimilation system（ELDAS）products using in situ observationsJ.Tellus A，60（5）：1 023-1 037.XIE Y，KOCH S，MCGINLEY J，et al，2011.A space-time multiscale analysis system：a sequential variational analysis approach J.Monthly Weather Review，139（4）：1 224-1 240.150第 1 期吴薇等：四川省降水实况分析产品影响因素综合评估Comprehensive assessment of influencing factors of precipitation real-time analysis products in SichuanWU Wei1，2，HUANG Xiaolong1，2，XU Xiaoli1，2，LI Shiying1，2，DU Bing1，2，JIANG Yuhe1，2（1.Sichuan Provincial Meteorological Observation and Data Centre，Chengdu 610072，China；2.Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province，Chengdu 610072，China）Abstract：Based on multi-source observation data and data fusion and assimilation technology,National Meteorological Information Center has developed and released real-time analysis products that has passed the industry admittance review.In order to ensure the objectivity and authenticity of the evaluation results of the real-time analysis products,the representativeness of the data sourceground station data participating in the inspection and evaluation of the products was studied.10 precipitation impact indicators such as longitude and latitude,slope,slope direction and data availability of ground meteorological stations from May to August 2020 were selected.On the basis of indicator screening,the weight of each impact indicator to form a comprehensive impact indicator of each station was determined by using correlation analysis,principal component analysis,and grading inspection of the comprehensive impact indicator were conducted.The results show that five of the 10 impact indicators are retained after screening,and their weights from large to small are data availability,equipment stability,slope variability,surface roughness and altitude.The comprehensive impact value of stations in Sichuan Basin is mostly above 0.9,and the stations with low comprehensive impact values are mainly distributed in Ganzi,Aba and Liangshan prefectures of Sichuan Province,which is closely related to the complex terrain and poor representativeness of station in these areas.Through the grading evaluation of the comprehensive impact index,it is reasonable to take the data of stations with the comprehensive impact index value above 0.8 as the true value data source for the evaluation of precipitation real-time analysis products.Key words：precipitation；real-time analysis products；principal component analysis；assessment（责任编辑：刘晓云；校对：蔡迪花）干旱气象 2022年高被引文章序号123456789101112131415题 名气象干旱指数在中国的适应性研究进展西北地区气候变化新动态及对干旱环境的影响总体暖干化，局部出现暖湿迹象植被指数及其研究进展甘肃省人体舒适度地域分布特征研究19792016年青藏高原降水时空特征我国温度植被旱情指数TVDI的应用现状及问题简述河北省中南部暴雨雨滴谱特征20052014年我国不利天气条件下交通事故特征分析河北重度污染天气分型及其气象条件特征未来中国地区的暴雨洪涝灾害风险预估我国臭氧污染时空分布及其成因研究进展“315”北方强沙尘暴天气成因分析塔克拉玛干沙漠腹地地表辐射和能量平衡及小气候特征兰州市短时强降水的时空分布特征及地形因素我国荒漠化主要研究进展作 者李忆平，李耀辉张 强，张存杰，白虎志，等郭 铌贾海源，陆登荣张宁瑾，肖天贵，假 拉沙 莎，郭 铌，李耀辉，等陈子健，胡向峰，陈保君，等宁贵财，康彩燕，陈东辉，等赵 娜，马翠平，李 洋，等李柔珂，李耀辉，徐 影刘楚薇，连鑫博，黄建平段伯隆，刘新伟，郭润霞，等齐斐斐，买买提艾买买体依明，霍 文，等张 宁，刘科男，王遂缠，等郭瑞霞，管晓丹，张艳婷发表年份201720102003201020182014201920162017201820202021202020202015卷（期）35（5）28（1）21（4）28（4）36（3）32（1）37（4）34（5）35（5）36（3）38（3）39（4）38（1）38（2）33（3）2022年被引频次（CNKI）2514121099988888888注：被引频次统计不包括会议论文、学位论文引用。151