Page 282 - 《高原气象》2026年第1期

高 原 气 象 45 卷
278
事件的能力（Zhang et al， 2019； Fang et al， 2019； 黄 2 研究区域与数据来源
武斌等， 2025）。然而， 它们准确捕捉强降水的能
力仍然存在不确定性， 这种不确定性取决于降水强 2. 1 研究区域
度和地区等因素。因此， 需要进一步研究不同降水 西北地区东部位于青藏高原、 黄土高原、 蒙古
产品对西北地区暴雨事件的监测能力。2024年 7月 高原的交汇地带， 主要包括陕西、 宁夏、 甘肃三省
22 -24 日， 甘肃省遭遇历史罕见特大暴雨， 共计 12 区， 域内海拔差异较大。其西部主要为祁连山和青
个站（点）累积降水超 300 mm， 最大达 351. 4 mm， 藏高原， 海拔 3000 m 以上， 中部南北向的陇山山
综合强度为 1961 年以来西北地区最强。特大暴雨 脉， 东南部的秦岭是我国气候分界线。秦岭以南地
引发陇东多地山洪、 泥石流及城市内涝， 导致农田 区山势陡峭， 特殊的地形有利于西南低空急流的形
损毁、 交通中断及通讯瘫痪。此次暴雨时空分布不 成、 维持， 同时对上升运动有一定的增强作用， 容
均且地形抬升作用显著， 对精细化气象预警及区域 易在该地区出现极端暴雨（刘新伟等， 2021； 黄武
防灾体系提出严峻挑战。本文以此次特大暴雨事 斌 等 ， 2023）。 整 个 研 究 区 域 为 85° E -115° E、
件为对象， 以地面观测降水资料为参考， 通过各种 30°N -45°N（图 1）［文中涉及的地图是基于中华人
误差分析指标， 评价 Radar-QPE、 FY4B-QPE、 CM‐ 民共和国自然资源部地图技术审查中心标准地图
PA和 ERA5能否准确、 合理地描绘此次特大暴雨事 服务系统下载的审图号为 GS（2019）1824 的中国地
件的分布特征和演变过程。当前针对西北复杂地 图制作， 底图无修改］。研究时间为 2024 年 7 月 22
形区高时空分辨率降水产品的系统性评估较少， 本 日 08:00（北京时， 下同）至 24 日 08:00， 研究区站点
文通过多源降水数据对比， 揭示了不同产品在极端 分布如图 1（b）所示， 为了验证各降水产品对降水大
条件下的性能差异， 为数据优化和灾害模型驱动提 值的模拟效果， 将累积降水量≥50 mm 的站点定义
供了关键依据。 为降水核心区（图中紫色站点所示）。

图1 中国行政区划（a， 红框区域为研究区域）， 研究区域内地面自动观测站点分布（b， 紫色站点为降水核心区）
填色为海拔（单位： m）
Fig. 1 Administrative zoning map of China （a， red areas are research areas）， and distribution of automatic weather
stations in the study area （b， purple stations are the precipitation core area）. The shading is altitude （unit： m）
2. 2 数据来源 象站降水数据经过严格的业务质量控制， 最低可探
地面自动观测站（Automatic Weather Station， 测降水量为0. 1 mm。
AWS）通常被认为是最准确的降水资料来源， 在地 CMPA来源于中国气象局国家信息中心研发的
面降水的定量研究中起着至关重要的作用（潘旸 三源融合近实时降水产品， 基于全国地面自动站观
等， 2018）。利用西北地区东部约 3779 个自动气象 测降水、 CMORPH（Climate Prediction Center MOR‐
站 2024年 7月 22 -24日逐时降水数据， 对“7·22”特 PHing）卫星以及雷达估测降水产品， 采用概率密度
大暴雨事件降水网格产品的精度进行评价。图 1 匹配、 贝叶斯模式平均法、 最优插值算法等形成的
（b）显示了站点位置的空间分布及其海拔， 观测站 近实时网格降水数据（孙帅等， 2020）， 产品的时空
点分布密集， 可提供可靠的降水空间表征。自动气 分辨率为1 h、 1 km。