
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向 AI 天气预报验证的全球 GHCN 日网格化降水数据集 GHCNdgp 构建
《Scientific Data》:An observation-based daily gridded precipitation dataset for forecast verification
【字体: 大 中 小 】 时间:2026年09月23日 来源:Scientific Data 7.2
编辑推荐:
摘要 随着众多基于人工智能(AI)的天气预报模型通过气候再分析进行训练,迫切需要独立的、基于观测的数据集来进行预报验证。本文主要利用全球历史气候网络(GHCN)数据,开发了GHCN日网格化降水数据集(GHCNdgp),覆盖2020年至2025年的期间。具体而言,该数据集
随着众多基于人工智能(AI)的天气预报模型通过气候再分析进行训练,迫切需要独立的、基于观测的数据集来进行预报验证。本文主要利用全球历史气候网络(GHCN)数据,开发了GHCN日网格化降水数据集(GHCNdgp),覆盖2020年至2025年的期间。具体而言,该数据集整合了两个基于日常观测的站点数据集——GHCN日数据和全球日表面概述数据,以及三个次日数据集——GHCN小时数据、综合地表数据库和综合全球陆地表面数据集——以增加全球站点密度和空间覆盖范围。通过时空一致性检查以及完整性和报告时间检查,识别出异常观测值并推断出站点的报告时间。此外,使用皮尔逊相关系数(PCC)将GHCNdgp数据与三种现有的降水产品进行比较,这些产品包括:综合多卫星全球降水测量反演(IMERG)V07 Late、多源加权集合降水(MSWEP)V2.8和全球降水气候中心(GPCC)首次估算日数据。结果显示,超过90%的异常观测值来源于相同的数值或重复序列。对于日累积时间偏移24小时的站点,其PCC中位数通常低于0.25。质量控制措施使在IMERG下的PCC中位数从0.46提高到0.62,在MSWEP下从0.54提高到0.71,在GPCC下从0.33提高到0.47。这些发现表明,GHCNdgp数据集有效减少了观测报告时间的不匹配问题,并且与AI天气预报中常见的0.25°×0.25°网格分辨率保持一致。该数据集以网络通用数据格式(Network Common Data Form)在Zenodo平台上公开发布,为AI天气预报的基准测试提供了必要的地面真实降水观测数据。