Ett nytt, långsiktigt dagligt satellitbaserat regndatasystem för operationell övervakning i Afrika | vetenskapliga data

Ett nytt, långsiktigt dagligt satellitbaserat regndatasystem för operationell övervakning i Afrika | vetenskapliga data

Anonim

ämnen

  • Klimatvetenskap
  • Hydrologi
  • Naturliga faror
  • Ett Erratum till denna artikel publicerades den 11 juli 2017

Abstrakt

Regninformation är väsentlig för många tillämpningar i utvecklingsländerna, och ändå saknas kontinuerlig uppdaterad information vid fina temporära och rumsliga skalor. I Afrika är regnövervakning särskilt viktig med tanke på det nära sambandet mellan klimat och försörjning. För att hantera detta informationsgap beskriver detta papper två versioner (v2.0 och v3.0) av TAMSAT dagliga nederbörddatasats baserat på högupplösta termiska infraröda observationer, tillgängliga från 1983 till nutid. Datasätten är baserade på uppdelningen av 10-dagars (v2.0) och 5-dagars (v3.0) totala TAMSAT-nederbördsberäkningar till ett dagligt tidssteg med användning av dagliga kalla molnvaraktigheter. Detta tillvägagångssätt ger tillfälligt konsekvent historisk och nästan realtid daglig regninformation för hela Afrika. Uppskattningarna har utvärderats med hjälp av markbaserade observationer från fem länder med kontrasterande nederbördsklimat (Moçambique, Niger, Nigeria, Uganda och Zambia) och jämfört med andra satellitbaserade nederbördsberäkningar. Resultaten indikerar att båda versionerna av TAMSAT dagliga uppskattningar pålitligt upptäcker regniga dagar, men har mindre skicklighet i att fånga regnmängd - resultat som är jämförbara med andra datasätt.

Sammanfattning av metadata

Designtyp (er)
  • observationsdesign •
  • mål för integrering av data
Mätningstyp (er)

  • hydrologisk nederbördsprocess
Teknologi (er)

  • meterologisk observation
Faktortyp (er)
Exempelkarakteristik (er)

  • Moçambique •
  • Niger •
  • Nigeria •
  • Uganda •
  • zambia

Ladda ner metadatafil

Maskinåtkomlig metadatafil som beskriver rapporterade data (ISA-flikformat)

Bakgrund och sammanfattning

Hög rumslig och tidsmässig regnvariation är en stor utmaning när det gäller att hantera jordbruksaktiviteter i hela Afrika, eftersom regn över eller under genomsnittet kan leda till skörden och misslyckande 1 . Ett anmärkningsvärt nyligen exempel var förekomsten av utbredda torkaförhållanden över Afrikas horn under 2010–2011 som drabbade över 10 miljoner människor 2, 3 . För att minska dessa klimatrelaterade risker är tillgång till tillförlitlig regninformation, både historisk och nära realtid, en nödvändighet. Historiska data möjliggör bedömning av klimatrisker (t.ex. sannolikheten för torka) och långsiktiga förändringar i nederbördsklimatet, medan data i realtid är viktiga för att utvärdera dagens väder i ett historiskt sammanhang. Det senare är särskilt viktigt för att övervaka utvecklingen av hydrologiska faror, vilket möjliggör snabba svar från regeringar och organisationer innan stora kriser inträffar. Även om tillfälligt grova data (till exempel dekadal eller månad) kan vara användbara för att utvärdera klimattrender och övervaka över eller under genomsnittlig nederbörd 4, ger information vid fina tidskalor (t.ex. dagligen) information värdefull i en rad andra tillämpningar, t.ex. modellering, vattenhantering och väderindexbaserad försäkring 4, 5 .

Konventionellt ger regnmätare-poster de mest exakta sätten att få information om regnklimatet. Men det rumsligt glesa nätverket och ofta tillfälligt ofullständiga poster på många stationer över Afrika lämnar stora delar av kontinenten obemärkt 6 . Detta problem förvärras av den höga rumsliga variationen förknippad med konvektiv nederbörd vid det dagliga steget som gör en mätning av regnmätare endast representativ för nederbörden över flera kvadratkilometer som omger mätaren 7 . Förutom i närheten av en kontinuerligt rapporterande väderstation är mätobservationer enbart opraktiska för den rutinmässiga bedömningen av nederbörd. Afrikasomfattande, nästan realtidsmätare är bara tillgängliga via Global Telecommunications System (GTS) nätverk, vanligtvis via automatiska väderstationer. Även om över 700 stationer är registrerade i GTS-nätet rapporterar endast en liten del av dessa dagligen 6, 8 . Dessutom är åtkomst till register på landsnivå som ofta innehåller mer information än vad som är allmänt tillgängligt ofta endast möjligt genom direktkontakt med afrikanska meteorologiska och hydrologiska organ.

Begränsningarna i samband med mätningar av mätningar har höjt betydelsen av satellitbaserade nederbördsberäkningar i många tillämpningar i hela Afrika, särskilt inom jordbruk och torkaövervakning 8 . Satellitbaserade algoritmer har fördelen att tillhandahålla full rumslig täckning och har visat sig vara skickliga på många platser över Afrika 9, 10, 11, 12, 13, 14, 15, 16, 17 . Även om det finns en ständigt växande samling satellitbaserade datasätt som kan ge uppskattningar i realtid (varav ett urval anges i tabell 1 i Maidment et al. 18 ), är det bara en handfull offentligt tillgängliga satellitbaserade högupplösta datasätt att tillhandahålla historiska data (minst 30 år) vid det dagliga steget och som kontinuerligt uppdateras i realtid eller nära realtid, finns för Afrika. Dessa är National Oceanic Atmospheric Administration (NOAA) African Rainfall Climatology version 2.0 (ARC 19 ) och Climate Hazards Group InfraRed Precipitation with Station data version 2.0 (CHIRPS 20 ) och beskrivs i avsnittet Teknisk validering. Med tanke på bristen på långvarig (30 år eller mer) Afrika-omfattande information om regn och stora osäkerheter i befintliga observationsregister över Afrika 21, 22, 23 är tillägget av dagliga satellitbaserade nederbördsdatasätt med kontrasterande uppskattningsstrategier extremt värdefullt för regnövervakning och klimatforskning. Dessutom expanderar Afrikas befolkning snabbt och det förväntas att denna trend kommer att fortsätta under detta sekel 24 . Ett sådant tillväxt pressar jordbruks- och vattenresurser, i kombination med förändringar i regnklimatet 21, uppmuntrar användningen av klimatbaserade tjänster som Enhancing National Climate Services (ENACTS) 25 och Rainwatch 26 i många afrikanska länder. Dessa tjänster ger lättillgänglig historisk och nära realtid information om det lokala klimatet som är användbart för ett brett spektrum av intressenter. Sådana plattformar kräver dock skicklig, långsiktig och regelbundet uppdaterad regninformation.

Full storlek bord

Här beskriver och utvärderar vi två versioner (2.0 och 3.0) av den långsiktiga dagliga TAMSAT (Tropical Applications of Meteorology med användning av SATellite och markbaserade observationer) nederbörddatasats (Data Citation 1: University of Reading //dx.doi.org/ 10.17864 / 1947.108 och Data Citation 2: University of Reading //doi.pangaea.de/10.1594/PANGAEA.871465; nedanstående TAMSAT-2 respektive TAMSAT-3), baserat på högupplösta Meteosat-termiska infraröda (TIR) ​​observationer för alla of Africa, tillgängligt från 1983 till nutid och uppdaterat i nästan realtid. TAMSAT-2 och TAMSAT-3 är baserade på uppdelningen av TAMSAT version 2.0 dekadal 18 respektive TAMSAT version 3.0 av pentadal nederbördsberäkningar, till ett dagligt tidsteg med dagliga observationer av kallt molnvaraktighet (CCD) (se Metodavsnitt för algoritm detaljer).

I januari 2017 släppte TAMSAT-gruppen TAMSAT version 3.0 - som produceras i drift tillsammans med version 2.0 (ref. 18). Med tanke på att de dagliga nederbördsberäkningarna härrörande från TAMSAT v2.0 har varit i det offentliga området under flera år och används av många användare, utvärderar detta dokument formellt både TAMSAT-2 och TAMSAT-3. Uppskattningarna av nederbörd har validerats med dagliga mätningar av regnmätare från fem länder i Afrika (Moçambique, Niger, Nigeria, Uganda och Zambia) och jämfört med uppskattningar från sex andra satellitbaserade regnuppsättningar, varav vissa används allmänt i tillämpningar för regnövervakning över Afrika.

metoder

TAMSAT-algoritm

De dagliga uppskattningarna (både TAMSAT-2 och TAMSAT-3) är härledda från TAMSAT-nederbördsberäkningsalgoritmen. TAMSAT-gruppen har sedan 1980-talet producerat uppskattningar på 10-dagarsskalan (dekad). Algoritmen som beskrivs i Milford et al. 27, Dugdale et al. 28, Grimes et al. 10 och Maidment et al. 18, arbetar utifrån att användningen av TIR-bilder för att övervaka de kalla molntopparna av regnbärande konvektiva cumulonimbus-system fungerar som en användbar indikator för regn i tropikerna. Trots enkelheten i TAMSATs operativa strategi har dekadalberäkningarna visat sig fungera bra där nederbörden främst är konvektiva med ursprung 9, 12, 14, 29, 30, 31, 32 . TAMSAT-2-uppskattningarna, som beskrivs i denna artikel, har också utvärderats över Etiopiens komplexa terräng och visat god skicklighet 33 . Sådan skicklighet, både i det dagliga och dekadala tidssteget, understryker effektiviteten av att använda TIR-bilder i regnberäkningen var och när regn är konvektiv till sitt ursprung. TAMSAT-metoden för uppskattning av nederbörd har dock begränsningar. Där regn från varma regnprocesser är dominerande, till exempel längs de kustnära delarna av Västafrika 34 och över bergsområdena 31, reduceras förmågan att identifiera regnigt moln. Eftersom TAMSAT-uppskattningssättet är inriktat på övervakning av torka, där det är viktigt att exakt representera låga nederbördstal, var algoritmen i TAMSAT v2.0 (och alla tidigare versioner) kalibrerad för att bättre fånga de vanligare, låga nederbördsmängderna 18 . Därmed underskattas den totala nederbörden, vilket resulterar i en inneboende torr förspänning som är mer uttalad när data (både dagliga och dekadala uppskattningar) är sammanlagda (i rymden och / eller tid).

Den ovannämnda torra förspänningen i TAMSAT v2.0 dekadal-data, tillsammans med orealistiska rumsliga artefakter som härstammar från användningen av rektangulära kalibreringszoner, fick TAMSAT-gruppen att ändra kalibreringsdesignen, samtidigt som de säkerställer att data fortfarande är tillämpliga på torrövervakning. Även om principfunktionerna i TAMSAT-beräkningen av regnfall har förblivit desamma, skiljer sig kalibreringen som används i version 3.0 markant till version 2.0 och är utformad för att bättre fånga lokala variationer i nederbördsklimatet samtidigt som problemen med version 2.0 reduceras. Dessutom är tidsteget för den primära nederbördsberäkningen nu 5 dagar (pentad), jämfört med 10-dagars i version 2.0. Här ger vi en översikt över de gemensamma funktionerna bakom metoden som används för att skapa både TAMSAT-2 och TAMSAT-3. Omfattande detaljer om version 2.0-afrikansk kalibrering finns i Maidment et al. 18 och Tarnavsky et al. 8, medan detaljer om version 3.0 kan hittas på TAMSAT-webbplatsen (//www.tamsat.org.uk).

TAMSAT-algoritmen är baserad på två primära dataingångar: Meteosat TIR-bilder som tillhandahålls av Europeiska organisationen för utnyttjande av meteorologiska satelliter (EUMETSAT) och observationer av regnmätare för kalibrering (se Fig. 1 för uppskattningsprocessen). Nedfallsberäkningen är baserad på TIR-bilder som erhålls var 15: e minut från juli 2006 och var 30: e minut före detta. TAMSAT-algoritmen är ett exempel på en molnindexeringsmetod: varaktigheten för molntoppar som överskrider en förutbestämd temperaturgräns, känd som kallt molnvaraktighet (CCD), fungerar som en proxy för regn.

( a ) kalibrering av algoritmen vid dekadal (version 2.0) och pentadal (version 3.0) tidsteg, ( b ) uppskattning av pentadal / dekadal nederbördsberäkningar och ( c ) uppskattning av de dagliga nederbördsberäkningarna. Kvadrater anger inmatningar eller utgångar och ovaler anger processer. Observera att processen är identisk för version 2.0 och 3.0 förutom om det anges i diagrammet.

Bild i full storlek

Kalibreringsprocessen är indelad i två steg. Det första steget skiljer regniga regioner från icke-regniga regioner, medan det andra steget försöker tilldela en regnmängd för de regniga regionerna. I det första steget härleds dagliga CCD-totaler vid ett tröskelområde mellan −30 ° C och −60 ° C. Dessa summeras sedan till dekadal (i v2.0) eller pentadal (i v3.0) tidsteg och en uppsättning beredskapstabeller förbereds för varje tröskel, jämför mer än noll CCD i pixel skalan med nederbörd förekomst från samlade regnmätare. Temperaturgränsen med den största färdigheten för att bestämma regnhändelser (större än 0 mm) väljs främst baserat på regnhändelsefrekvensförspänningen (se Maidment et al. 18 för detaljer). I version 2.0 bestämdes dessa för stora klimatologiskt liknande rektangulära zoner, medan i version 3.0 härleds dessa över 1, 0 ° rutlådor (följaktligen fångar de lokala detaljerna mer exakt) där tillräckliga mätare finns och interpolerades sedan i hela Afrika. I det andra steget erhålls kalibreringsparametrar genom linjärt regressering av CCD-totaler för den valda temperaturgränsen med historiska regnmätningsansamlingar. I version 3.0 görs sedan en rumsligt och tillfälligt varierande förspänningsjustering av kalibreringsparametrarna. Med hjälp av kalibreringskoefficienterna beräknas nederbörden som en funktion av CCD, enligt ekvation (1): (1) raintimestep = {a0 + a1CCDtimestepCCD> 00CCD = 0 Där tidssteg är antingen pentad eller dekad, beroende på TAMSAT-versionen och en 0 och a 1 är de linjära kalibreringskoefficienterna. Om CCD är lika med noll antas även nederbörden vara noll. TAMSAT-metoden implementerar en lokal kalibrering, varför de linjära kalibreringskoefficienterna varierar rumsligt och varje månad för att återspegla de geografiska och temporära variationerna i det genomsnittliga nederbördsklimatet över Afrika 8 .

TAMSAT-2-data härrör från TAMSAT dekadal v2.0-uppskattningar som utgör TAMSAT African Rainfall Climatology And Time-series (TARCAT) dataset 18 som fortfarande rutinmässigt uppdateras till idag. Eftersom kalibreringarna som används i dessa datasätt inte ändras från år till år beror de mellanåriga variationerna i nederbörd endast av satellitobservationerna. TAMSAT-metoden står således i kontrast till andra långsiktiga datasätt som CHIRPS och ARC, som sammanfogar mätdata i nästan realtid 19, 20 . Införandet av samtida mätdata utnyttjar varken maximal användning av alla tillgängliga datakällor, vilket ökar skickligheten där data av hög kvalitet är tillgängliga. Det afrikanska mätnätverket är emellertid inte konsekvent i varken tid eller utrymme, och införandet av mätdata kan således införa föremål, särskilt när man bedömer långsiktig förändring 21 . TAMSAT-datasätten kan därför ses som ett komplement till de andra tillgängliga produkterna.

Nedskalning till den dagliga tidsskalan

De för närvarande tillgängliga TAMSAT dekadal (v2.0) och pentadal (v3.0) nederbördsberäkningarna är uppdelade till dagliga värden i proportion till mängden CCD som observerats för varje dag (varje dagliga CCD-karta skapas genom att beakta alla TIR-bilder från 06: 00 till 06:00 dagen efter, för att sammanfalla med tidtagningsmätaren iakttas vanligtvis). Detta har fördelen att uppskattningarna är begränsade till att matcha dekadal- eller pentadal nederbördssumman som förväntas vara tillförlitlig. De dagliga nederbördsberäkningarna beräknas således enligt ekvation (2): (2) raindaily = raintimestepCCDtimestep × CCD dagligt där regn dagligen är den dagliga nederbördsberäkningen, regnetidsteg är dekadal (v2.0) eller pentadal (v3.0), CCD- tidssteg är CCD: n som summeras under de tio eller fem dagarna och CCD dagligen är den dagliga CCD. Den fullständiga processen som användes för att skapa TAMSAT dagliga nederbördsberäkningar illustreras i fig 1.

Dataregister

Dataarkiv

En tidsserie med dagliga totaler har genererats från 1983 till nutid för hela Afrika. En dag anses saknas om det finns ett gap på mer än sex kontinuerliga timmar i TIR-bilderna. För version 2.0 anses en dekad saknas om det finns mer än två saknade dagar (se Maidment et al. 18 för mer information), medan för version 3.0 anses pentaden saknas om mer än en dag saknas. Trots många ofullständiga eller saknade TIR-bilder under 1980-talet och början av 1990-talet har både version 2.0 och 3.0 nästan fullständiga arkiv. För version 2.0, till exempel, baserat på tillgängliga data från EUMETSAT-arkivet, är datasatsen ungefär 97% komplett (per 31 december 2016). Specifikt, av de 12 419 dagarna mellan 1 januari 1983 och 31 december 2016 finns 398 saknade dagar. Av dessa saknades i 271 fall hela dekaden, vilket resulterade i att inga uppgifter kunde delas upp, och i 127 fall saknades enskilda dagar inom dekaden. Av de saknade dagarna var 271 mellan 1983 och 1989, 114 var mellan 1990 och 1999, och 13 var efter 2000. Det har inte funnits några saknade dagar sedan 2007. Som förväntat är andelen saknade dagar liknande för TAMSAT-3. De dagliga uppskattningarna är tillgängliga från 11 januari 1983 till nutid och är tillgängliga inom två dagar efter utgången av varje dekad (dvs. 11, 21 och 1 i följande månad) för version 2.0 och varje pentad (dvs. 6, 11, 16, 21, 26 och 1 påföljande månad) för version 3.0.

Datatillgång och format

De dagliga nederbördsberäkningarna (i mm per dag) är fritt tillgängliga som netCDF-filer för varje dag från TAMSAT-webbplatsen (//www.tamsat.org.uk) och University of Reading Research Data Archive (version 2.0, Data Citation 1: University of Reading //dx.doi.org/10.17864/1947.108; version 3.0: Data Citation 2: University of Reading //doi.pangaea.de/10.1594/PANGAEA.871465). TAMSAT-2 är också tillgänglig på International Research Institute for Climate and Society (IRI) Data Library (//iridl.ldeo.columbia.edu/SOURCES/.Reading/.Meteorology/.TAMSAT/.TARCAT/.v2p0/.daily /), med TAMSAT-3 som förväntas finnas tillgängligt under 2017. Den rumsliga upplösningen är 0, 0375 ° latitud med 0, 0375 ° longitud med uppskattningar för alla landpunkter i Afrika, inklusive Madagaskar. TAMSAT-webbplatsen innehåller dessutom quicklook-bilder för varje dag och ett extraktionsverktyg för tidsserier kan användas för att extrahera områdesgenomsnitt för länder, administrativa distrikt och användardefinierade rektangulära regioner eller användardefinierade pixlar i csv-format. IRI-databiblioteket innehåller ytterligare underinställnings- och dataanalysverktyg.

Teknisk validering

Studera regioner och valideringsdata

De dagliga satellitregnbörningarna har utvärderats med hjälp av regnmätningsregister som täcker fyra länder (Moçambique, Nigeria, Uganda och Zambia) och en region över sydvästliga Niger som består av ett tätt nätverk (se fig. 2 och tabell 1). Dessa regioner i Afrika kännetecknas av kontrasterande nederbördsklimat och valideringen ger därför en användbar indikator på den förväntade färdigheten för de dagliga uppskattningarna av TAMSAT (och de andra satellitberäkningarna som används i denna studie) i hela Afrika. Avsnittet nedan sammanfattar det allmänna klimatet i varje region som beaktas.

Den gula skuggningen över sydvästra Niger betecknar den region som omfattas av nätverket Hapex-Sahel.

Bild i full storlek

Nederbörden över Niger är typisk för den som upplevs över större delen av Sahel, kännetecknad av en enda regnsäsong som inträffar under boreal sommar. Huvudfunktionerna i den regniga säsongen är den västafrikanska Monsunen, som förhindrar fuktladad luft till kontinenten och afrikanska påskvågor som är förknippade med passagen av västerut förökande mesoskala konvektionssystem som ansvarar för majoriteten av nederbörden under denna del av Afrika 35, 36 . TIR-baserade uppskattningsalgoritmer, inklusive TAMSAT, har visat hög färdighet över Sahel 9, 12, 32 . Mycket av Nigerias nederbördsklimat är lika i naturen, även om nederbörden i kustregionerna och områdena kring Kamerunhöglandet i öster ofta moduleras av oceaniska respektive orografiska effekter, vilket komplicerar förhållandet mellan molntopptemperatur och nederbörd 31 .

De flesta av Uganda upplever två regniga säsonger förknippade med den säsongsmässiga migrationen norrut och söderut i inter-tropisk konvergenszon 14 . Även om nederbörden är konvektiv från sitt ursprung, påverkar förekomsten av bergskedjor i öster och sydväst om landet och stora vattenmassor, som Victoria Lake och Albert Lake, det lokala klimatet avsevärt. Även om detta utgör en utmaning för TIR-baserade algoritmer på grund av den ökade förekomsten av nederbörd från varma moln, särskilt när lokala förändringar av regnprocesserna uttalas, har 10-dagars totala satellit-härledda uppskattningar visat sig vara skickliga över denna region 14 .

Zambia har en regnsäsong mellan oktober och april. Eftersom landet är relativt platt och inlåst och nederbörden främst är ett resultat av konvektiva system, är kalla molntoppar av dessa konvektiva system och nederbörd vanligtvis väl korrelerade, som finns över Niger.

Slutligen står klimatet i Moçambique i kontrast till de andra regionerna som beaktats i denna studie. Närheten till Indiska oceanen och passagen av tropiska fördjupningar och cykloner skapar ett varierat och komplext klimat. Sådana variabla väderregimer utgör en utmaning för TIR-baserade algoritmer, särskilt när andra data (t.ex. mätdata) inte samtidigt ingår 17 .

De dagliga regnmätningsregistrerna från Nigeria, Uganda och Zambia erhölls direkt från deras respektive meteorologiska byråer. Var och en av dessa datamängder var föremål för stränga kvalitetskontrollåtgärder. Dessa procedurer omfattade kontroll av felaktiga poster, dubbletter och utdelare. Om utslagare flaggades utfördes då temporära och rumsliga kontroller. Niger-datasatsen med hög täthet skapades under Hydrology-Atmosphere Pilot Experiment i Sahel (Hapex-Sahel) -experimentet i början av 1990-talet (ref. 37, 38, 39, 40) och har använts i många efterföljande studier 10 . Slutligen hämtades data från Moçambique från The Mozambique National Institute of Meteorology och kvalitetskontrollerade för Världsbanken 41 . Endast dessa poster under varje lands regnsäsong användes (för Uganda användes poster som täckte ”långa regn”). Även om inte alla använda stationer har fullständiga poster, hade varje regional datasats minst 15 000 gauge-poster tillgängliga för validering (se tabell 1).

Variabiliteten i TAMSAT dagliga nederbördsberäkningar härrör helt och hållet från satellitbilden - med kalibreringen genomförd på 10-dagligen (v2.0) eller 5-dagligt (v3.0) ackumulerat regn / CCD över regioner som omfattar hundratals mätare- CCD-par 8, 18 . Utvärderingen av TAMSAT-nederbördsberäkningarna som beskrivs här kan således antagligen anses vara mot oberoende data, även om några av mätregistrerna kan ha inkluderats i den historiska kalibreringen. Detta är inte fallet för en del av de jämförelsessatellitsuppsättningar som användes i denna studie, som innehåller samtida mätregister. Niger-gauge-datasättet ingår emellertid varken i TAMSAT-version 2.0 dekadal-kalibrering, eller - såvitt vi vet - i jämförelsessatellitsuppsättningarna.

För att säkerställa en jämn jämförelse mellan satellitberäkningarna och markbaserade data interpolerades alla regnmätare-poster på ett vanligt 0, 25 ° med 0, 25 ° rutnät med användning av block kriging. Kriging valdes eftersom det har visat sig vara överlägset jämfört med andra former av rumslig interpolering 42, 43, 44 . Eftersom osäkerheten i den interpolerade mängden nederbörd ökar avsevärt från en regnmätare användes bara de rutnätfält som innehöll minst en mätare. För enkelhetens skull antogs det att alla rutor med 0, 25 ° rutnät innehållande endast torra mätare var inställda på noll nederbörd. I händelse av ett rutfönster med torra och våta mätare användes den krigade nederbördsmängden.

Det bör noteras att med tanke på den höga densiteten i Niger-gauge-nätverket, kommer de interpolerade områdesmedelmåtten i allmänhet att vara mycket mer exakta än de ekvivalenta interpolerade nätvärdena över de fyra andra regionerna vars mätnät är betydligt mindre täta. Eftersom tillgängligheten av satellitberäkningar och mätdata för varje region inte täcker samma tidsperioder är det inte möjligt att direkt jämföra resultaten från en region till en annan. Detta är särskilt fallet för Niger vars mätdata endast är tillgängliga under ett år. De presenterade resultaten ger emellertid en användbar indikator på den förväntade färdigheten i TAMSAT dagliga nederbördsberäkningar, jämfört med andra satellitdatasätt.

TAMSAT-2 och TAMSAT-3 nederbördsberäkningar utvärderades tillsammans med sex andra satellitnedbördsdatasätt som ger dagliga uppskattningar. Dessa datasätt är CHIRPS, CHIRP (CHIRPS utan stationer), ARC, NOAA: s African Rainfall Estimates version 2 (nedan RFE), Tropical Rainfall Measuring Mission (TRMM) Multi-satellit Precipitation Analys (TMPA) -3B42 och NOAAs klimatpredikationscenter (CPC) ) morphing-teknik (CMORPH) (se tabell 2). De senare tre datasätten inkluderar PMW-bilder (passiv mikrovågsugn) och förväntas därför kunna ge mer realistisk information om regnintensiteten. En kort beskrivning av dessa datasätt är följande:

Full storlek bord

CHIRPS tillhandahåller 30+ år med hög upplösning (0, 05 ° lat-lon-rutnät) kvasi-global (50 ° S-50 ° N och 180 ° W – 180 ° E) nederbördsberäkningar vid dagliga, pentadala och månatliga tidsteg. CHIRPS beror på flera datakällor för att ge uppskattningar av nederbörd. Först används TIR-bilder för att producera kartor över pentadal CCD. Till skillnad från TAMSAT, som implementerar en temporärt och rumsligt varierande tröskel för att beräkna CCD, används en konstant regn / ingen regngräns på 235 K. Kalibreringsregressionskoefficienter härleds sedan genom att jämföra TMPA-3B42 nederbördsuppskattningar (2000–2013) och CCD. Dessa kalibreringsparametrar appliceras sedan på den kompletta CCD-posten för att producera en tidsserie av nederbördsberäkningar. Därefter uttrycks dessa pentadala nederbördsberäkningar som en bråkdel av deras långsiktiga medelvärde (1981–2013) och multipliceras sedan med klimatfara-gruppen Precipitation climatology (CHPclim). Detta steg producerar det som kallas CHIRP, dvs. de satellitbaserade uppskattningarna utan sammanslagning av regnmätare, och utvärderas också i denna studie. CHPclim är ett försök att skapa exakta pentadala och månatliga klimatologier baserade på regnmätningsregister och flera satellitbaserade produkter 45 . Slutligen slås poster med regnmätare i stationen med CHIRP med användning av en modifierad form av den omvända avståndsvägningsalgoritmen för att skapa CHIRPS-produkten. En preliminär version, CHIRPS-prelim, skapas med en 2-dagars latens baserad på GTS-data, medan den slutliga versionen (utvärderad i denna artikel) använder sig av offentliga månatliga sammanfattningar och ytterligare data från meteorologiska byråer. Dagliga uppskattningar av nederbörd skapas genom att aggregera pentadalberäkningarna med dagliga CCD-observationer (analogt med metoden som beskrivs i denna artikel).

Både ARC och RFE producerar dagliga nederbördsberäkningar enbart för Afrika och skapades för att hjälpa till med torkövervakning över Afrika söder om Sahara. RFE använder satellitbilder från två strömmar, nämligen (1) TIR-bilder för att skapa nederbördsberäkningar baserade på GOES Precipitation Index (GPI) algoritm 46 och (2) PMW-bilder från AMSU och SSM / I-satellitinstrument används för att skapa nederbördsberäkningar med den metod som beskrivs av Ferraro och Marks 47 . TIR- och PMW-nederbördsberäkningarna slås sedan samman innan de justeras till tillgängliga GTS-stationsdata. ARC är ett långsiktigt (30+ år) datasätt och använder en liknande metod som RFE genom att satellitberäkningar slås samman med GTS-mätdata, men PMW-data beaktas inte.

Det primära målet för TRMM-satelliten och de härledda produkterna syftade till att förbättra observationerna av tropisk nederbörd 48, 49 . TRMM-satelliten, utrustad med en nederbördradar, liksom mikrovågsbildare och en synlig-infraröd skanner, användes för att bättre uppskatta nederbördfunktioner som intensitet, distribution och typ. 3-timmars TMPA-3B42 (utvärderad i denna studie) uppskattas från sammanslagna TIR-bilder från geostationära och polarbanor, justerade med information härledd från TRMM-instrumenten. Det sista steget använde den månatliga analysen av Global Precipitation Climatology Center (GPCC) för att skala de månatliga TMPA-uppskattningarna till mätvärdena. Produkter under månadsvis, inklusive de tre timmars uppskattade TMPA-3B42-beräkningarna, tar hänsyn till denna måttskalning. TMPA-data utfärdades för att ge nästan global täckning med en rumslig upplösning av 0, 25 °.

CMORPH 50 producerar globala nederbördsberäkningar från olika PMW-sensorer. Rörelsesvektorer beräknas med hjälp av halvtimmars geostationära TIR-bilder, som används för att sprida PMW-nederbördsfältet framåt och bakåt i tiden där inga direkta PMW-data finns tillgängliga. En tidsvägd interpolation tillämpas på de tillgängliga PMW-uppskattningarna för att ge en uppskattning av regnfördelningen och intensiteten för de mellanliggande saknade halvtimmesperioderna. Denna process kallas "förändring" av observationerna. För denna studie användes de tre timmars uppskattningar med en rumslig upplösning av 0, 25 °.

När det gäller CHIRPS ansågs den operativa produkten CHIRPS-Prelim inte beaktas eftersom vid den tidpunkten denna studie genomfördes var uppgifterna inte tillgängliga före 2015. Alla andra datasätt kan anses vara fullständiga i drift, förutom TMPA-3B42 som var ersatt av de integrerade Multi-satellitE Retrievals for Global Precipitation Measurement (GPM) (IMERG) uppskattningarna 2014. För konsistens interpolerades alla satellitdatasätt (förutom TMPA-3B42 och CMORPH) till ett regelbundet nätavstånd på 0, 25 ° med 0, 25 ° —Namn som det krigade gauge rutnätet och rutor rutnät med sammanfallande mätare mätades sedan. Vid summering av CMORPH och TMPA-3B42 3-timmars uppskattningar till dagliga totaler valdes de 3-timmarsluckorna motsvarande TAMSAT-dagen (dvs. 06: 00–06: 00 dagen efter). Utvärderingar genomfördes sedan under perioden för mätdata, som skiljer sig från region till region (se tabell 1).

Statistisk jämförelse av TAMSAT dagliga nederbördsberäkningar med regnmätningsdata och andra satellitbaserade nederbördsdatasätt

TAMSAT version 2.0 dekadal och månatliga uppskattningar och deras representation av klimatologin i hela Afrika och säsongscykel har utvärderats någon annanstans 18 och följaktligen bedöms dessa funktioner inte här. Liknande analyser för TAMSAT version 3.0 dokumenteras på TAMSAT-webbplatsen. Istället fokuserar uppsatsen på TAMSAT: s förmåga att fånga dagliga regnegenskaper, dvs förekomst och mängd.

Nedbörd förekomst

Nedbördshändelser utvärderades med användning av en serie binära färdighetsresultat som kapslar information om regniga / torra dagar i en beredskapstabell (se tabell 3).

Full storlek bord

En beredskapstabell har konstruerats för varje region med alla tillgängliga data och används för att beräkna följande statistik:

  • Noggrannhet; definierat som den bråkdel av nederbördsberäkningar som uppskattades korrekt: (A + D) / (A + B + C + D)

  • Frekvensförspänning (förspänning); definierat som regnuppskattningsfrekvensen för regniga dagar jämfört med den observerade mätfrekvensen för regniga dagar: (A + B) / (A + C)

  • Sannolikhet för detektion (POD); definierad som den bråkdel av regniga dagar korrekt uppskattad: A / (A + C)

  • Falsalarmförhållande (FAR): definierat som andelen uppskattade regniga dagar som faktiskt inte inträffade: B / (A + B)

  • Sannolikhet för falsk upptäckt (POFD); definierad som den bråkdel av mätaren som observerades torra dagar felaktigt uppskattade som en regnig dag: B / (B + D)

  • Jämn hotbedömning (ETS); definierad som den bråkdel av mätaren som observerades regniga dagar som uppskattades korrekt vilket möjliggjorde träff på grund av chans: (AA slumpmässigt ) / (A + B + CA slumpmässigt ) där A slumpmässigt = (A + C) (A + B) / (A + B + C + D)

  • Peirces Skill Score (PSS, även känd som diskriminant Hanssen och Kuipers); definierat som satellituppskattningens förmåga att skilja mellan en regnig dag och en torr dag (som anges av mätobservationen): (A / (A + C)) - (B / (B + D))

Figur 3 visar streckkarakter för varje binär färdighetspoäng över var och en av studieområdena och över alla regioner för TAMSAT-2, TAMSAT-3 och de andra sex satellitdatasätten (värden anges också i tabell 4). I allmänhet liknar TAMSAT-färdighetsresultaten (båda versionerna) de flesta av de andra satellitprodukterna på alla färdighetsåtgärder. I alla regioner (längst till vänster i fig. 3) indikerar noggrannhetsmåttet cirka 70% av uppskattningarna var korrekta (dvs. vid uppskattning av torra och regniga dagar) och att cirka 70–80% av de observerade regniga dagarna fångades ( POD). Emellertid uppskattades ungefär 35–45% av de uppskattade regniga dagarna (FAR) vilket resulterade i att alla produkter överskattade förekomsten av regniga dagar (förspänning), med de mest allvarliga felen i CHIRP, RFE och CMORPH. På liknande sätt beräknades cirka 20–40% av mätaren som observerades torra dagar, som regniga dagar (POFD). Av de åtta datasätten visar de TIR-baserade produkterna mer vanlig än de PMW-baserade produkterna. Likheten mellan färdighetsresultat i det förra antyder att detta är ett resultat av att TIR-bilder används för att definiera de regioner som är regniga. Undantaget från dessa resultat är CHIRP, som i alla länder grovt överskattar frekvensen av regnhändelser, vilket leder till en högfrekvensförspänning (1, 98) och POFD (0, 67). CHIRPS visar emellertid markant förbättring av alla statistiska åtgärder jämfört med CHIRP.

Horisontell svart streckad linje anger den perfekta färdighetspoängen. Blåskuggade färgfält anger de datauppsättningar som anses endast TIR, gula / orange skuggade färgfält anger de som är sammanslagna TIR-mätare och rosa / rödskuggade färgfält anger PMW-baserade datasätt.

Bild i full storlek

Full storlek bord

Men regelbundet finns det några skillnader. Över de flesta av satellitprodukterna är poängen generellt bättre för Niger, särskilt för TAMSAT-2, som har de bästa poängen för noggrannhet, FAR och POFD, och TAMSAT-3, som har de bästa poängen för noggrannhet (samma värde som TAMSAT- 2), POD, ETS och PSS. Poäng är i allmänhet värst för Moçambique och Uganda. Detta överensstämmer med förväntningarna om att algoritmer för uppskattning av satellitregnfall, även de som innehåller PMW-bilder, i allmänhet presterar sämre när regnklimatet är starkt modulerat av stora vattendrag och för regioner i närheten av havet och komplex topografi 17 . Omvänt fungerar sådana algoritmer bra i Sahel och över Zambia, där nederbörden främst är konvektiv och regnklimatet är mindre varierande rumsligt. Den höga skickligheten i både Niger och Zambia återspeglar detta.

Färdighetsvärdena bedömdes också som en funktion av nederbördsgränsen (dvs att ändra satellitregnsuppskattningsgränsen vid vilken beredskapstabellen är konstruerad). För alla datasätt uppvisade emellertid färdighetsresultaten ingen förbättring i färdighet eftersom tröskeln ökades från 0 mm upp till 40 mm (visas inte).

Regnmängd

Figur 4 visar en densitetsspridningsdiagram av TAMSAT-2, TAMSAT-3 och de andra uppskattningarna av satellitregnfall mot krigade regnmängder för alla regioner som ingår i denna studie. Kvantitativ bedömning av nederbördsmängden baserades på beräkningen av förspänning, bestämningskoefficient (R 2 ), root-medelkvadratfel (RMSE) och genomsnittligt absolut fel (MAE). Kriging-processen genererar också en uppskattning av osäkerheten i det interpolerade mätnätets värde. Med hjälp av detta beräknades också bråkdelen av satellitberäkningar inom ett och två standardfel i mätvärdet. En sammanfattning av ovannämnda statistik ges i fig. 5 för varje datasats och för varje region (värden ges också i tabell 5).

Skala ger räkningarna per 1 mm fack. Streckad linje indikerar en-till-en-korrespondensen; hel linje ger den linjära regressionen bästa passform.

Bild i full storlek

Bild i full storlek

Full storlek bord

Det finns en viss korrelation mellan uppskattningar av nederbörd och uppmätt mätning av nederbördsmängden för alla datauppsättningar för uppskattningar av satellit-nederbörden, men det finns också betydande avvikelser (se fig. 4). Till exempel underskattar TAMSAT-2 systematiskt nederbördsmängden och skiljer inte mellan måttligt och högt nederbörd. Figur 5 bekräftar att det finns en negativ TAMSAT-2-förspänning för alla länder, med den största förspänningen är för Moçambique och Nigeria. Korrelationerna (dvs. R 2 ) mellan mätaren och TAMSAT-2 nederbördsmängder sträcker sig från 0, 05 (Moçambique) till 0, 61 (Niger). Niger har också de lägsta felen (RMSE och MAE) av de fem regionerna medan Moçambique har den största RMSE. TAMSAT-3 visar emellertid förbättring av vissa statistik jämfört med TAMSAT-2, framför allt en minskning av torrförspänningen. Det finns också något bättre skillnad mellan måttligt och högt nederbörd (jfr Fig. 4 och 6).

( a ) TAMSAT-2, ( b ) TAMSAT-3, ( c ) CHIRP, ( d ) CHIRPS, ( e ) ARC, ( f ) RFE, ( g ) TMPA-3B42 och ( h ) CMORPH.

Bild i full storlek

När TAMSAT-uppskattningarna står i kontrast till de andra nederbördsdatasätten kan man se att TAMSAT i alla länder är jämförbara i alla färdighetsåtgärder, med undantag för partiskhet. CHIRPS har den minsta förspänningen, som kan hänföras till förfarandet för avlägsnande av förspänningar som implementerats i tillvägagångssättet för regnberäkning. TAMSAT-2 och TAMSAT-3 uppskattningar har vanligtvis mindre fel, vilket ges av lägre RMSE- och MAE-värden. De minsta felen är för Niger. Låga R 2- värden (med undantag för TAMSAT över Niger) indikerar begränsad skicklighet i att representera variationer för alla datasätt. Med tanke på nätverket med hög täthet över Niger och de sammanhängande rutorna med 0, 25 ° rutnät som används här är mått på variabilitet (dvs. R2) associerade med både rumslig och temporär variation. Alla datasätt presterar vanligtvis sämre jämfört med Moçambique, vilket framgår av den stora spridningen av datapunkter i fig. 4. Trots att PMW-data inkluderas i deras uppskattningsstrategier, varken RFE, TMPA-3B42 och CMOPRH visar väsentliga förbättringar av skicklighet jämfört med TIR-baserade metoder, särskilt för variation i nederbördsmängden. Detta indikerar att vid sådana fina skalor (dagligen och 0, 25 °) kan inget datasätt som beaktas här ge robusta uppskattningar av den dagliga mängden nederbörd. Detta är i överensstämmelse med andra studier på sådana skalor 31, 33, 51 .

För alla andra regioner än Niger är det troligt att åtminstone en del av valideringsmätningarna har tagits in i regnprocessen för uppskattning av ARC, RFE och CHIRPS. Medan den höga mätdensiteten kan vara en faktor, är det anmärkningsvärt att TAMSAT har betydligt mer skicklighet än de andra datasätten för Niger, i synnerhet de relativt höga R2-värdena för både TAMSAT-2 och TAMSAT-3. Eftersom TAMSAT är det enda datasätt som beaktas här som är lokalt kalibrerat för både regnhändelser och regnmängd, är TAMSAT-dataens skicklighet anmärkningsvärd eftersom de inte inkluderar samtida information från mätare eller PMW-bilder. Detta illustrerar vikten och användbarheten av en lokal och historisk kalibreringsmetod.

Figur 6 ger ett exempel på uppskattningar av nederbörden för 1 januari 2010. Det kan ses att även om nederbördsfälten har liknande rumsliga strukturer, finns det färre intensivt regniga pixlar i TAMSAT-2 (jämfört med andra datasätt), även om detta förbättras något i TAMSAT-3. Medan de regniga områdena är lika för alla datasätt, varierar intensiteterna avsevärt. Detta överensstämmer med den kvantitativa analysen som beskrivs i denna studie, som visade att förekomsten av alla datasatser är mer pålitligt uppskattad än mängden i de fem länder som beaktades.

Noteringsanmärkningar

TAMSAT-systemet var ursprungligen designat för säsongens tidig varning om torka. Fram till den första utgivningen av dagliga TAMSAT-2 2012, ARC 2013 och CHIRPS 2014, har långsiktiga satellitbaserade nedbördsdata för torrtidsvarning typiskt släppts på dekadals tidsskala. Detta dokument har presenterat den dagliga versionen av TAMSAT-data (version 2.0 och 3.0). TAMSAT har tidigare visat sig ha god skicklighet för 10-dagars kumulativa uppskattningar av nederbörd 14 och vi har här visat att de dagliga uppgifterna pålitligt representerar förekomsten av nederbörd, i genomsnitt fångar cirka 70% av observerade regniga dagar (POD) och falskt uppskatta mindre än 40% av regniga dagar (FAR) i fallstudie länderna. Regelbundet fångade TAMSAT regniga och icke regniga dagar bättre över Niger och Zambia - regioner vars regnklimat inte signifikant moduleras av stora vattendrag och komplex topografi. Variationen i nederbördsmängd fångas dock inte väl. Även om förmågan att skilja mellan låga och höga nederbördsmängder är viktig, kan man hävda att i hela Afrika är långa torra trollformler (som, för att upptäcka, kräver satellituppskattningsalgoritmer för att på ett skickligt sätt skilja en regnig dag från en icke regnig dag) mer skadlig för grödor än extrem nederbörd 1 . Många aspekter av färdigheten i TAMSAT dagliga data är dock lika eller bättre (beroende på färdighetsmåttet) än andra, allmänt använda afrikanska operativa dagliga datauppsättningar. Eftersom CHIRPS, ARC och RFE använder samtidiga mätare som troligen ingår i valideringsdatasätten, komplicerar detta tolkningen av resultaten.

En uppenbar tillämpning för de dagliga uppgifterna är produktionen av nederbördsberäkningar för andra perioder än 5-dagars eller 10-dagars ansamlingar som börjar på fasta dagar i kalendermånaden. Tillgängligheten till en daglig version av TAMSAT-datasättet ger ett urval av produkter baserat på optimal längd och utgångspunkt för kumulativa nederbördsberäkningar som krävs. Detta underlättar jämförelse med andra datasätt, som till exempel utfärdas i veckobeslut och möjliggör större flexibilitet för jordbruks- och hydrologiska tillämpningar.

Många grödor och hydrologiska modeller kräver daglig inmatning 52, 53, 54, 55 . När det gäller grödningsmodellering beror avkastningen generellt på kumulativ regn för viktiga delar av odlingscykeln. Dagliga data är därför användbara eftersom uppgifterna kan välja ut viktiga utvecklingsfaser för grödor och är ett exempel på värdet av att kunna samla regn under anpassade perioder. Även om TAMSAT-data kan vara för grova för analys av små avrinningsområden, kan hydrologiska modeller för medelstora och stora fångstmängder kunna använda data med 4 km upplösning 56 . TAMSAT-uppgifterna har mest skicklighet när de rumsligt samlas 4, 14, och detta är särskilt fallet för regn som inte aggregeras i tid. I detta sammanhang beror lämpligheten för TAMSAT dagliga nederbördsberäkningar beroende på de hydrologiska egenskaperna för uppsamlingen och syftet med övervakningen eller modelleringen. TAMSATs dåliga skicklighet för regnmängd innebär att den är bäst lämpad för att övervaka stora avrinningsområden där flodutflöde bestäms av gradvis ackumulering av nederbörd under en period av dagar. Det kan hävdas att TAMSAT-uppgifterna inte är lämpliga för att ge information om pluvial översvämningsrisk.

Till skillnad från de andra dagliga regndatasätten som beaktas, innehåller TAMSAT inte mätdata i realtid. Nyligen genomförda studier har visat att inkonsekvenser i mätregistret kan leda till falska trender i nederbörden, särskilt i tropikerna, där stationsnätet är ojämnt 21, 57 . TAMSATs kumulativa regnuppsättningar och de härledda dagliga uppskattningarna kan därför betraktas som tillfälligt konsekventa, vilket är viktigt både för att bedöma klimatrisker och för säsongsövervakning av regnfall. Som sådan är dagliga data från TAMSAT väl lämpade för att studera långsiktiga förändringar i dagliga mätvärden, främst avseende förekomst, såsom längden på torra trollformler och längden på växtsäsongen 58 . Eftersom den inte kan fånga intensiteten för händelser med höga nederbörd väl, är TAMSAT dagliga data mindre lämpade för studier av långsiktiga förändringar i nederbörd.

Sammanfattningsvis presenterar vi TAMSAT-datan med hög upplösning per dag för regn. Uppgifterna beräknas tillbaka till januari 1983 och uppdateras i nästan realtid (v2.0 uppdateras var tionde dag och v3.0 uppdateras var femte dag). Den senaste utvecklingen av TAMSAT version 3.0-pentadalberäkningar och härledda dagliga uppskattningar tar bort rumsliga artefakter och reducerar kraftigt torrförspänningen i samband med den tidigare versionen. En formell statistisk bedömning indikerar att båda TAMSAT dagliga datasätt har jämförbara färdigheter som andra avlägsna avkända regndatasätt och därför kan användas för liknande applikationer. Dessutom passar TAMSATs historiska kalibrering det bra för riskbedömning och utredning av långsiktiga förändringar i regnklimatet.

ytterligare information

Konkurrerande intressen: Författarna förklarar inga konkurrerande ekonomiska intressen.

Hur man citerar denna artikel: Maidment, RI et al. Ett nytt, långsiktigt dagligt satellitbaserat regndatasystem för operationell övervakning i Afrika. Sci. Data 4: 170063 doi: 10.1038 / sdata.2017.63 (2017).

Förlagets anmärkning: Springer Nature förblir neutral när det gäller jurisdiktionskrav i publicerade kartor och institutionella anslutningar.

Dataciteringar

  1. 1.

    Maidment, R., Black, E., & Tarnavsky, E. University of Reading //dx.doi.org/10.17864/1947.108 (2017)

  2. 2.

    Maidment, R., Black, E., & Young, M. University of Reading //doi.pangaea.de/10.1594/PANGAEA.871465 (2017)