Đánh giá số liệu mưa vệ tinh GSMaP cho khu vực Trung Bộ Việt Nam giai đoạn 2000-2010 và khả năng hiệu chỉnh

Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 106-115 
 106
Đánh giá số liệu mưa vệ tinh GSMaP cho khu vực Trung Bộ 
Việt Nam giai đoạn 2000-2010 và khả năng hiệu chỉnh 
Vũ Thanh Hằng1,*, Phạm Thị Thanh Ngà2, Phạm Thanh Hà1 
1Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội 
334 Nguyễn Trãi, Thanh Xuân, Hà Nội, Việt Nam 
2Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 18 Hoàng Quốc Việt, Cầu Giấy, Hà Nội, Việt Nam 
Nhận ngày 30 tháng 11 năm 2018 
Chỉnh sửa ngày 11 tháng 12 năm 2018; Chấp nhận đăng ngày 25 tháng 12 năm 2018 
Tóm tắt: Lượng mưa ngày/tháng của GSMaP được so sánh với quan trắc tại 10 trạm ở khu vực Trung 
Bộ trong giai đoạn từ năm 2000 đến 2010. Các chỉ số được sử dụng trong đánh giá gồm có hệ số tương 
quan (r), độ lệch tương đối (B), xác suất phát hiện (POD) và tỷ phần cảnh báo sai (FAR). Kết quả cho 
thấy có sự phù hợp của số liệu GSMaP với thực tế về tháng bắt đầu có lượng mưa trên 100mm và tháng 
có lượng mưa lớn nhất ở hầu hết các trạm, tuy nhiên, thời gian kéo dài những tháng mưa trên 100mm 
của số liệu GSMaP thường ngắn hơn từ 1-2 tháng so với quan trắc. Từ tháng X đến tháng XII tại hầu 
hết các trạm có ước lượng mưa từ GSMaP đều thấp hơn nhiều so với quan trắc. Đánh giá trên chuỗi số 
liệu lượng mưa ngày cho thấy hệ số tương quan dương chiếm ưu thế trong hầu hết các tháng ở tất cả các 
trạm, giá trị tương quan thấp chủ yếu rơi vào tháng I và II. Độ lệch tương đối thể hiện rõ giá trị dương 
thường tập trung từ tháng IV đến tháng IX ở hầu hết các trạm phía bắc Trung Bộ, các trạm phía nam 
Trung Bộ chủ yếu trong các tháng từ VII đến IX. Từ tháng X đến tháng III năm sau độ lệch tương đối 
âm xảy ra ở hầu hết các trạm. POD và FAR tốt nhất trong khoảng ngưỡng 0-6mm/ngày và kém nhất ở 
khoảng ngưỡng 6-16mm/ngày. Sau khi hiệu chỉnh, lượng mưa ước lượng từ GSMaP đã được cải thiện 
đáng kể, đặc biệt trong những tháng bị thiếu hụt lượng mưa so với quan trắc. 
 Từ khóa: Lượng mưa, GSMaP, đánh giá, hiệu chỉnh. 
1. Mở đầu 
Trong những thập kỷ gần đây, khí tượng vệ 
tinh đã có những đóng góp to lớn trong việc 
nâng cao hiểu biết về chu trình nước toàn cầu 
và những hệ quả của nó đối với động lực học 
qui mô lớn của hoàn lưu chung khí quyển [1, 
2]. Nhiều sản phẩm mưa vệ tinh toàn cầu cũng 
_______ 
 Tác giả liên hệ. ĐT.: 84-903252170. 
 Email: hangvt@vnu.edu.vn 
 https://doi.org/10.25073/2588-1094/vnuees.4341 
như khu vực có hiệu quả rất lớn trong các bài 
toán nghiệp vụ cũng như ứng dụng thực tế và 
nghiên cứu, đặc biệt là độ phân giải khá cao của 
nó cả theo không gian và theo thời gian. Lượng 
mưa và sự phân bố không gian của lượng mưa 
không chỉ quan trọng trong dự báo thời tiết 
nghiệp vụ mà còn có ý nghĩa đối với việc dự 
báo lũ cũng như đánh giá tài nguyên nước [3]. 
Cho đến nay, có nhiều loại số liệu vệ tinh mưa 
toàn cầu đã được sử dụng, có thể kể đến như 
TRMM-TMPA, PERSIANN, CMORPH và 
V.T. Hằng và nnk. / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 106-115 107
GSMaP. Ưu điểm vượt trội của loại số liệu vệ 
tinh là có thể cung cấp thông tin mưa hữu ích 
trên các vùng đại dương hay trên đất liền nơi 
thưa thớt hoặc không có trạm quan trắc bề mặt. 
Một trong số những sản phẩm đó - số liệu 
GSMaP (Global Satellite Mapping 
Precipitation) có độ phân giải là 1 giờ và 0,1 độ, 
đây được xem là bộ số liệu có độ phân giải cao 
cả theo không gian và theo thời gian. Số liệu 
GSMaP độ phân giải cao có thể xác định một 
hiện tượng mưa với xu thế phù hợp với số liệu 
mưa quan trắc, tuy nhiên nhìn chung lượng mưa 
thường thiên thấp [3-7]. Việc sử dụng dữ liệu 
mưa vệ tinh cần có các đánh giá cụ thể và đầy 
đủ cho các vùng khác nhau trên bề mặt trái đất 
nhằm cung cấp thông tin hữu ích cho các nhà 
phát triển thuật toán giúp cải tiến phương pháp 
ước lượng mưa từ vệ tinh tốt hơn. 
Cho đến nay đã có nhiều tác giả đánh giá số 
liệu GSMaP theo tháng, theo ngày và theo giờ 
cho nhiều khu vực khác nhau. Kết quả nghiên 
cứu đánh giá cho một số vùng của Hoa Kỳ 
trong năm 2005-2006 cho thấy GSMaP có khả 
năng nắm bắt sự phân bố theo không gian tương 
đối tốt, đặc biệt trong mùa hè và ước lượng 
lượng mưa ở vùng bờ đông tốt hơn vùng bờ tây 
của Hoa Kỳ. Tuy nhiên cũng giống như các sản 
phẩm vệ tinh khác, GSMaP thường cho lượng 
mưa thiên cao vào mùa hè và thiên thấp vào 
mùa đông [8]. Kết quả đánh giá trên khu vực 
Nhật Bản cho thấy lượng mưa từ GSMaP cho 
kết quả tốt trên đại dương và kém trên các khu 
vực vùng núi [5]. Ngoài ra việc đánh giá được 
thực hiện từ tháng 1 đến tháng 12 năm 2004 ở 
Nhật Bản để xem xét mức độ phù hợp giữa số 
liệu GSMaP tháng, ngày, và 3 giờ một với số 
liệu quan trắc tại trạm. Kết quả cho thấy các 
dạng số liệu này có tương quan cao và có cùng 
xu thế với số liệu quan trắc trong khoảng từ 
tháng 5 đến tháng 10. Các tác giả đã chỉ ra rằng 
số liệu tháng GSMaP được đánh giá là khá tốt ở 
Nhật Bản do đó có thể dùng một cách hiệu quả 
trong việc xác định và cảnh báo lũ [7]. Một 
nghiên cứu khác đánh giá độ chính xác của sản 
phẩm GSMaP cho lưu vực hồ Poyang, Trung 
Quốc với qui mô thời gian ngày, tháng và năm 
cho thấy nhìn chung sản phẩm mưa vệ tinh cho 
lượng mưa thiên thấp so với quan trắc [9]. Hệ 
số tương quan tháng đạt được là 0,85 thể hiện 
quan hệ tuyến tính tốt giữa lượng mưa ước 
lượng từ vệ tinh so với quan trắc, trong khi đó 
hệ số tương quan ngày thường dưới 0,5. Kết 
quả đánh giá còn cho thấy sai số tương đối 
giảm trong các tháng ẩm ướt và tăng dần lên 
trong các tháng khô, trong khi đó xu hướng của 
MAE và RMSE lại thể hiện ngược lại. Nghiên 
cứu thực hiện đánh giá GSMaP-V4 và GSMaP-
V5 cho vùng lục địa Trung Quốc cho thấy sản 
phẩm mưa vệ tinh có thể nắm bắt được các hình 
thế theo không gian và cường độ mưa trung 
bình ngày [10]. Kết quả đánh giá trên vùng lục 
địa Trung Quốc thể hiện tốt hơn trong mùa hè 
so với mùa đông, tốt hơn trên vùng đông nam 
so với vùng  ... 
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y
)
0.95 0.12 0.22 0.18 0.42
0.94 0.13 0.14 0.13 0.34
0.96 0.1 0.15 0.14 0.46
0.92 0.15 0.13 0.06 0.35
0.95 0.12 0.17 0.2 0.35
0.94 0.11 0.12 0.09 0.34
0.95 0.13 0.17 0.22 0.43
0.96 0.11 0.19 0.11 0.52
0.94 0.15 0.27 0.16 0.27
0.93 0.2 0.33 0.21 0.36
0.0
0.2
0.4
0.6
0.8
1.0
(a) 
POD_HC1_2000_2007
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y)
0.94 0.12 0.26 0.24 0.36
0.91 0.13 0.17 0.16 0.45
0.94 0.15 0.18 0.16 0.53
0.88 0.15 0.17 0.09 0.41
0.94 0.14 0.2 0.18 0.5
0.92 0.12 0.15 0.09 0.48
0.94 0.11 0.13 0.21 0.57
0.94 0.16 0.28 0.11 0.56
0.93 0.22 0.26 0.23 0.36
0.94 0.27 0.35 0.16 0.38
0.0
0.2
0.4
0.6
0.8
1.0
(b) 
POD_HC1_2008_2010
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y)
0.94 0.09 0.24 0.25 0.33
0.92 0.11 0.16 0.19 0.42
0.94 0.17 0.15 0.15 0.5
0.88 0.14 0.16 0.09 0.4
0.95 0.15 0.21 0.21 0.39
0.91 0.12 0.15 0.04 0.35
0.94 0.12 0.13 0.18 0.52
0.94 0.15 0.25 0.12 0.5
0.93 0.22 0.29 0.21 0.41
0.93 0.27 0.35 0.13 0.36
0.0
0.2
0.4
0.6
0.8
1.0
(c) 
POD_HC2_2000_2007
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y)
0.94 0.19 0.25 0.19 0.32
0.79 0.3 0.27 0.13 0.29
0.82 0.37 0.19 0.13 0.5
0.72 0.23 0.4 0.06 0.31
0.76 0.5 0.2 0.12 0.34
0.75 0.43 0.22 0.1 0.37
0.88 0.24 0.17 0.17 0.39
0.95 0.15 0.21 0.09 0.5
0.88 0.26 0.27 0.15 0.32
0.94 0.19 0.33 0.21 0.38
0.0
0.2
0.4
0.6
0.8
1.0
POD_HC2_2008_2010
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y)
0.92 0.17 0.26 0.19 0.57
0.81 0.26 0.27 0.17 0.45
0.83 0.33 0.19 0.17 0.45
0.72 0.2 0.41 0.07 0.6
0.75 0.47 0.17 0.27 0.35
0.75 0.35 0.26 0.13 0.38
0.89 0.33 0.16 0.29 0.47
0.94 0.23 0.17 0.21 0.55
0.87 0.32 0.34 0.2 0.27
0.95 0.19 0.31 0.23 0.22
0.0
0.2
0.4
0.6
0.8
1.0
 (d) (e) 
Hình 3. Chỉ số POD trước hiệu chỉnh (a), sau khi hiệu chỉnh với chuỗi số liệu phụ thuộc (b, d) và sau khi hiệu 
chỉnh với chuỗi số liệu độc lập (c, e) ứng với các khoảng ngưỡng mưa tại các trạm giai đoạn 2000-2010. 
V.T. Hằng và nnk. / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 106-115 113
Hình 3 biểu diễn giá trị của chỉ số POD 
tương ứng theo từng ngưỡng mưa tại các trạm 
trước khi hiệu chỉnh (Hình 3a) và sau khi hiệu 
chỉnh cho chuỗi số liệu phụ thuộc (Hình 3b, d) 
và chuỗi số liệu độc lập (Hình 3c, e) trong giai 
đoạn 2000-2010. Từ Hình 3a nhận thấy với 
ngưỡng mưa 0-6mm/ngày thì xác suất phát hiện 
đúng hiện tượng POD khá tốt, luôn đạt trên 0,9 
ở tất cả các trạm. Các ngưỡng mưa còn lại giá 
trị POD không lớn, POD nhìn chung kém nhất 
(chỉ đạt từ 0,1 đến 0,2) ở khoảng ngưỡng mưa 
từ 6-16mm/ngày. Tuy nhiên với ngưỡng mưa 
lớn trên 100mm/ngày thì giá trị POD đạt ở mức 
trung bình, thường dao động trong khoảng từ 
0,3 đến 0,5 ở tất cả các trạm. Sau khi áp dụng 
hai phương pháp hiệu chỉnh, chỉ số POD tính 
cho chuỗi số liệu phụ thuộc cũng như độc lập 
cũng được cải thiện tuy nhiên không nhiều, và 
không thể hiện sự tương đồng theo trạm hoặc 
theo ngưỡng mưa. 
FAR
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y
)
0.09 0.82 0.68 0.8 0.62
0.2 0.8 0.66 0.67 0.54
0.13 0.84 0.69 0.73 0.55
0.22 0.82 0.68 0.83 0.49
0.12 0.81 0.7 0.73 0.6
0.16 0.82 0.77 0.78 0.47
0.1 0.84 0.7 0.72 0.57
0.09 0.82 0.71 0.82 0.55
0.08 0.82 0.7 0.8 0.64
0.06 0.84 0.63 0.82 0.67
0.0
0.2
0.4
0.6
0.8
1.0
(a) 
FAR_HC1_2000_2007
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y
)
0.09 0.83 0.67 0.73 0.69
0.19 0.82 0.72 0.67 0.55
0.12 0.82 0.69 0.71 0.57
0.2 0.83 0.73 0.78 0.59
0.11 0.81 0.66 0.75 0.57
0.15 0.84 0.79 0.79 0.46
0.09 0.89 0.79 0.73 0.43
0.09 0.82 0.65 0.79 0.66
0.08 0.78 0.72 0.73 0.67
0.05 0.81 0.59 0.8 0.67
0.0
0.2
0.4
0.6
0.8
1.0
(b) 
FAR_HC1_2008_2010
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y
)
0.1 0.88 0.69 0.72 0.75
0.19 0.83 0.74 0.64 0.46
0.13 0.79 0.73 0.71 0.54
0.21 0.84 0.72 0.81 0.53
0.11 0.79 0.63 0.76 0.64
0.15 0.83 0.8 0.89 0.6
0.11 0.87 0.77 0.67 0.48
0.09 0.83 0.7 0.77 0.61
0.07 0.78 0.68 0.76 0.56
0.06 0.8 0.6 0.83 0.71
0.0
0.2
0.4
0.6
0.8
1.0
(c) 
FAR_HC2_2000_2007
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y
)
0.09 0.8 0.65 0.75 0.7
0.14 0.8 0.78 0.7 0.57
0.08 0.87 0.67 0.68 0.56
0.14 0.84 0.8 0.83 0.51
0.07 0.86 0.64 0.79 0.62
0.1 0.85 0.73 0.77 0.46
0.08 0.89 0.73 0.78 0.59
0.09 0.83 0.68 0.82 0.65
0.07 0.86 0.69 0.77 0.68
0.06 0.84 0.63 0.8 0.68
0.0
0.2
0.4
0.6
0.8
1.0
FAR_HC2_2008_2010
QUYNHON
BATO
QUANGNGAI
TRAMY
DANANG
HUE
DONGHA
DONGHOI
VINH
THANHHOA
0
−
6
6
−
1
6
1
6
−
5
0
5
0
−
1
0
0
>
1
0
0
(m
m
/n
g
a
y
)
0.07 0.87 0.66 0.83 0.5
0.14 0.83 0.75 0.67 0.5
0.09 0.87 0.67 0.78 0.55
0.16 0.85 0.74 0.86 0.4
0.08 0.86 0.76 0.73 0.62
0.12 0.88 0.67 0.75 0.47
0.09 0.83 0.65 0.68 0.55
0.07 0.79 0.74 0.83 0.4
0.06 0.84 0.67 0.85 0.43
0.06 0.82 0.6 0.84 0.75
0.0
0.2
0.4
0.6
0.8
1.0
 (d) (e) 
Hình 4. Chỉ số FAR trước hiệu chỉnh (a), sau khi hiệu chỉnh với chuỗi số liệu phụ thuộc (b, d) và sau khi hiệu 
chỉnh với chuỗi số liệu độc lập (c, e) ứng với các khoảng ngưỡng mưa tại các trạm giai đoạn 2000-2010. 
V.T. Hằng và nnk. / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 106-115 
114
Tương tự, Hình 4 biểu diễn giá trị của chỉ 
số FAR tương ứng theo từng ngưỡng mưa tại 
các trạm trước khi hiệu chỉnh (Hình 4a) và sau 
khi hiệu chỉnh cho chuỗi số liệu phụ thuộc 
(Hình 4b, d) và chuỗi số liệu độc lập (Hình 4c, 
e) trong giai đoạn 2000-2010. Phân tích giá trị 
của chỉ số FAR nhận thấy tỷ phần cảnh báo sai 
nhiều nhất rơi vào ngưỡng mưa từ 6-
16mm/ngày và từ 50-100mm/ngày. Giá trị FAR 
nhỏ nhất (có nghĩa là cảnh báo sai ít nhất) xảy 
ra ở ngưỡng mưa nhỏ từ 0-6mm/ngày ở tất cả 
các trạm. Sau khi áp dụng hai phương pháp 
hiệu chỉnh, tương tự như chỉ số POD, chỉ số 
FAR tính cho chuỗi số liệu phụ thuộc cũng như 
độc lập cũng được cải thiện tuy nhiên không 
nhiều và cũng không thể hiện sự tương đồng 
theo trạm hoặc theo ngưỡng mưa. 
Nhìn chung, sự khác biệt giữa hai phương 
pháp hiệu chỉnh là không lớn, tuy nhiên với 
ngưỡng mưa trên 100mm/ngày thì POD và 
FAR khi áp dụng phương pháp HC1 có giá trị 
tốt hơn chút ít so với áp dụng phương pháp 
HC2 ở hầu hết các trạm đối với chuỗi số liệu 
phụ thuộc và thể hiện khác biệt không đáng kể 
đối với chuỗi số liệu độc lập. 
4. Kết luận 
Từ những kết quả phân tích ở trên rút ra 
một số nhận xét như sau: 
Ước lượng mưa từ GSMaP thường cao hơn 
thực tế trong các tháng từ IV đến IX ở các trạm 
phía bắc Trung Bộ, các trạm ở trung và nam 
Trung Bộ thường tập trung vào các tháng từ VII 
đến IX. Từ tháng X đến tháng XII tại hầu hết 
các trạm ước lượng mưa từ GSMaP đều thấp 
hơn nhiều so với quan trắc. Tổng lượng mưa năm 
của tất cả các trạm đều có ước lượng từ GSMaP 
thấp hơn so với thực tế, đặc biệt ở những trạm 
mưa nhiều như Huế, Trà My, Ba Tơ. 
Hệ số tương quan dương chiếm ưu thế trong 
hầu hết các tháng ở tất cả các trạm, giá trị tương 
quan thấp chủ yếu rơi vào tháng I và II. Độ lệch 
tương đối thể hiện rõ giá trị dương thường tập 
trung từ tháng IV đến tháng IX ở hầu hết các 
trạm phía bắc Trung Bộ, các trạm phía nam 
Trung Bộ chủ yếu trong các tháng từ VII đến 
IX. Từ tháng X đến tháng III năm sau độ lệch 
tương đối âm xảy ra ở hầu hết các trạm, trong 
đó lớn nhất là vào tháng XII. POD và FAR tốt 
nhất trong khoảng ngưỡng 0-6mm/ngày và kém 
nhất ở khoảng ngưỡng 6-16mm/ngày. 
Độ lệch tương đối B được cải thiện đáng kể 
sau khi hiệu chỉnh, thể hiện rõ khi áp dụng 
phương pháp HC1. Hai chỉ số POD và FAR 
cũng được cải thiện tuy nhiên không nhiều và ít 
khác biệt giữa hai phương pháp. 
Lời cảm ơn 
Nghiên cứu được tài trợ bởi Đề tài thuộc 
Chương trình Công nghệ Vũ trụ (mã số VT-
CB.14/18-20). Dữ liệu GSMaP được cung cấp 
bởi Chương trình Nhiệm vụ đo mưa toàn cầu 
của Cơ quan Hàng không Vũ trụ Nhật bản 
(JAXA) (Số PI 310), dữ liệu mưa tại các trạm 
do Trung tâm Dự báo Khí tượng Thủy văn 
Trung ương cung cấp. 
Tài liệu tham khảo 
[1] Hong Y., Adler R. F., Negri A., Huffman G. J., 
2007, Flood and landslide applications of near 
real-time satellite rainfall products, Natural 
Hazards, 43(2), 285-294. 
[2] Kidd C., Levizzani V., Turk J., Ferraro R., 2009, 
Satellite precipitation measurements for water 
resource monitoring, Journal of the American 
Water Resources Association, 45(3), 567-579. 
[3] Shrestha M.S., Takara K., Kubota T., Bajracharya 
S.R., 2011, Verification of GSMap rainfall 
estimates over the central Himalayas, Hydraulic 
Engineering, 67(4), I37-I42. 
[4] Fukami K., Shirashi Y., Inomata H., Ozawa G., 
2010, Development of integrated flood analysis 
system (IFAS) using satellite-based rainfall 
products with a self-correction method, 
International centre for water hazard and risk 
management under auspices of UNESCO 
(ICHARM), Public Works Research Institute, 
Tsukuba, Japan. 
V.T. Hằng và nnk. / Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, Tập 34, Số 1S (2018) 106-115 115
[5] Kubota T., Ushio T., Shige S., Kida S., Kachi 
M.,Okamoto K., 2009, Verification of high 
resolution satellite-based rainfall estimates around 
Japan using a gauge calibrated ground radar data 
set, Journal of the Meteorological Society of 
Japan, 87A, 203-222. 
[6] Makino S., 2012, Verification of the accuracy of 
rainfall data by global satellite mapping of 
precipitation (GSMaP) Product, Yamaguchi 
University Thesis. 
[7] Seto S., 2009, An evaluation of overland rain rate 
estimates by the GSMaP and GPROF Algorithm: 
the role of lower frequency channels, Journal of the 
Meteorological Society of Japan, 87A, 183-202. 
[8] Tian Y., Peters-Lidard C.D., Adler R.F., Kubota 
T., Ushio T., 2009, Evaluation of GSMaP 
precipitation estimates over the contiguous United 
States, Journal Hydrometeorology, 11, 566-574. 
[9] Fu Q., Ruan R., Liu Y., 2011, Accuracy 
assessment of Global Satellite Mapping of 
Precipitation (GSMaP) product over Poyang lake 
basin, China, Procedia Environmental Sciences, 
10, 2265-2271. 
[10] Chen Z., Qin Y., Shen Y., Zhang S., 2015, 
Evaluation of Global Satellite Mapping of 
Precipitation project daily precipitation estimates 
over the Chinese Mainland, Advances in 
Meteorology, 1-15. 
[11] Thanh N.D, Jun M., Hideyuki K., Hoang Hai B., 
2013, Monthly adjustment of Global Satellite 
Mapping of Precipitation (GSMaP) data over the 
VuGia-ThuBon River basin in Central Vietnam 
using an artificial neural network, Hydrological 
Research Letters, 7(4), 85-90. 
[12] Ushio T., Sasashige K., Kubota T., Shige S., 
Okamoto K., Aonashi K., et al., 2009, A Kalman 
filter approach to the global satellite mapping of 
precipitation (GSMaP) from combined passive 
microwave and infrared radiometric data, Journal of 
Meteorological Society of Japan, 87A, 137-151. 
[13] Okamoto K., Iguchi T., Takahashi N., Ushio T., 
Awaka J., Kozu T., et al., 2007, High precision 
and high resolution global precipitation map from 
satellite data, ISAP 2007, Nigata, Japan. 
[14] Damrath U., 2002, Verification of the operational 
NWP models at DWD, Offenbach, Germany. 
Evaluation of GSMaP Satellite Precipitation over Central 
Vietnam in 2000-2010 Period and Correction Ability 
Vu Thanh Hang1, Pham Thi Thanh Nga2, Pham Thanh Ha1 
1VNU Hanoi University of Science, 334 Nguyen Trai, Thanh Xuan, Hanoi, Vietnam 
2VietNam Academy of Science and Technology, 18 Hoang Quoc Viet, Cau Giay, Hanoi, Vietnam 
Abstract: Daily/Monthly precipitation of GSMaP is compared with observation at 10 stations over 
Central Vietnam in the 2000-2010 period. Evaluation indices used in this study include the correlation 
coefficient (r), relative bias (B), probability of detection (POD) and false alarm ratio (FAR). The 
results show the agreement betwween the first rainy month over 100mm and the maximum rainy 
month between GSMaP and observation, however, the duration of rainy months over 100mm of 
GSMaP is shorter than that of observation. GSMaP precipitation often underestimates compared to 
observation in October-December at most stations. It can be seen that monthly correlation coefficients 
are often positive at most stations when evaluating daily precipitation, the lower values are often found 
in January and February. Positive relative biases are observed in April-September at most of North 
Central stations, while those often occur in July-September at South Central stations. Negative relative 
biases can be found in October until March of the next year at most stations. The good POD and FAR 
values are given at 0-6mm/day threshold and the worse values are found at 6-16mm/day threshold. 
After applying correction methods, the GSMaP precipitation is much better agreement with 
observation, especially in underestimated rainy months. 
Keywords: Precipitation, GSMaP, evaluation, correction.