近期，国家青藏高原科学数据中心作为科研论文关联数据仓储，发布共享了一套全新的高精度、长时序的“中国大陆逐日格点降水数据集（CHM_PRE V2）”。目前，该数据集已更新至2024年，并将每年持续更新。该数据集由北京师范大学缪驰远教授课题组开发，用户可开放获取，关联论文近期发表于国际著名期刊Earth System Science Data。

降水是水循环的关键驱动因子，但现有降水数据集在捕捉地形、气候等环境协变量对降水的综合影响方面存在明显不足，且常因高估降水频次而影响水文模拟的准确性。针对这些挑战，研究团队在前代数据集（CHM_PRE V1）的基础上，融合了中国大陆及周边3746个气象站点的长期观测数据，并创新性地引入了机器学习算法，以更精确地捕捉降水的复杂时空分布特征。

该数据集的构建方案协同考虑了降水的空间自相关性与多协变量的综合影响。方案继承前一版本数据集考虑空间自相关性的改进反距离权重插值法，并引入Light Gradient-Boosting Machine（LGBM）机器学习模型，融合了地形、卫星遥感、再分析产品、植被指数等11种关键协变量信息（图1），以数据驱动的方式更全面地表征复杂降水模式。

图1 CHM_PRE V2生成所用数据集

为了全面评估新数据集的精度，研究团队利用自动雨量站的观测数据，将CHM_PRE V2与其他五种主流格点降水数据集进行系统对比。结果显示，CHM_PRE V2在降水量估算精度上显著占优（图2）。其总体平均绝对误差（MAE）和Kling-Gupta Efficiency（KGE）分别达到1.48 mm/day和0.79，较之前的最优数据集精度分别提升12.84%和12.86%。各验证站点KGE和相对标准偏差（Relative Standard Deviation，RSD）中位数分别达到0.738和0.880，较之前的最优数据集精度分别提升13.71%和8.64%。

图2 CHM_PRE V2与其他主流格点降水数据集的验证站点精度对比

此外，该数据集采用的两阶段建模策略有效减少对微量降水事件的过高估计。在降水事件探测能力方面，CHM_PRE V2的Heidke Skill Score（HSS）达到0.68，虚警率（FAR）降至0.24，相较于之前的最优数据集，性能分别提升17.24%和29.17%（图3），尤其是在华北和中南等降水频发地区，虚警率的降低幅度高达53.33%和68.42%，极大提升了数据可靠性。

图3 CHM_PRE V2与其他主流降水数据集的降水事件探测能力对比

该数据集的成功研发为我国的水资源管理、农业生产和自然灾害防治等领域提供了坚实的数据支撑。北京师范大学博士生胡金龙为论文第一作者，缪驰远教授为论文通讯作者。相关研究得到了国家自然科学基金（U24A20572）、国家重点研发计划（2024YFF0809301）以及中央高校基本科研业务费等项目的资助。

论文信息：

Hu, J.L., Miao, C.Y., Su, J.J., Zhang, Q., Gou, J.J., and Sun, Q.H. (2025). An upgraded high-precision gridded precipitation dataset for the Chinese mainland considering spatial autocorrelation and covariates, Earth Syst. Sci. Data, 17, 3987–4005, https://doi.org/10.5194/essd-17-3987-2025.

数据信息：

胡金龙, 缪驰远. (2023). 中国逐日格点降水数据集V2（1960–2024，0.1°）. 国家青藏高原科学数据中心. https://doi.org/10.11888/Atmos.tpdc.300523. https://cstr.cn/18406.11.Atmos.tpdc.300523.

Hu, J., Miao, C. (2023). CHM_PRE V2: An upgraded high-precision gridded precipitation dataset for the Chinese mainland considering spatial autocorrelation and covariates. National Tibetan Plateau / Third Pole Environment Data Center. https://doi.org/10.11888/Atmos.tpdc.300523. https://cstr.cn/18406.11.Atmos.tpdc.300523.