基于深度学习的TRMM降水产品降尺度研究——以中国东北地区为例

doi:10.6046/gtzyyg.2020.04.19

基于深度学习的TRMM降水产品降尺度研究——以中国东北地区为例

杜方洲^,, 石玉立^,, 盛夏

南京信息工程大学遥感与测绘工程学院,南京 210044

Research on downscaling of TRMM precipitation products based on deep learning: Exemplified by northeast China

DU Fangzhou^,, SHI Yuli^,, SHENG Xia

School of Remote Sensing and Geomatics Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, China

通讯作者: 石玉立(1973-),男,博士,教授,主要从事降水、机器学习等研究。Email:ylshi@nuist.edu.cn。

责任编辑: 李瑜

收稿日期: 2020-01-2 修回日期: 2020-03-15 网络出版日期: 2020-12-15

基金资助:

国家自然科学基金项目“异速增长和资源限制模型结合多源遥感数据估算森林地上生物量研究”. 41471312

Received: 2020-01-2 Revised: 2020-03-15 Online: 2020-12-15

作者简介 About authors

杜方洲(1996-),男,硕士研究生,主要从事遥感反演、3S集成等研究。Email:dufangzhou0101@163.com。

摘要

降水的季节性时空分布研究对东北地区的生态保护和农业生产有重要意义。基于植被指数、地形因子与降水的相关性,采用深度学习模型,对2009—2018年10 a间平均1,4,7,10月TRMM_3B43产品降尺度至0.01°(约1 km),使用站点实测数据进行精度校正,并填补TRMM未覆盖的50°N以上地区。结果表明,该模型效果优于随机森林,可有效获得各季节较高空间分辨率与精度的研究区域降水分布,校正后全局决定系数R²介于0.881~0.952之间,均方根误差介于1.222~13.11 mm之间,平均相对误差介于7.425%~28.41%之间,其中4月和10月份拟合度较好,1月和7月份相对稍差。

关键词： TRMM ; 东北地区 ; NDVI ; 深度学习

Abstract

The research on the seasonal spatial and temporal distribution of precipitation is of great significance to the ecological protection and agricultural production in northeast China. Based on the correlation between vegetation index, topographical factors and precipitation, this paper utilizes deep learning models to downscale TRMM_3B43 products to 0.01° (about 1 km) in January, April, July, and October during 2009—2018, and uses site measured data to make accuracy correction and fill areas above 50 ° N which are not covered by TRMM. The results show that the model is better than random forest and can effectively obtain the precipitation distribution in the study area with higher spatial resolution and accuracy in each season. The corrected global determination coefficient R² is between 0.881 and 0.952, the root mean square error (RMSE) is between 1.222 mm and 13.11 mm, and the mean relative error (MRE) is between 7.425% and 28.41%, among which the fitting degree is good in April and October, and relatively poor in January and July.

Keywords： TRMM ; northeast China ; NDVI ; deep learning

PDF (4672KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杜方洲, 石玉立, 盛夏. 基于深度学习的TRMM降水产品降尺度研究——以中国东北地区为例. 国土资源遥感[J], 2020, 32(4): 145-153 doi:10.6046/gtzyyg.2020.04.19

DU Fangzhou, SHI Yuli, SHENG Xia. Research on downscaling of TRMM precipitation products based on deep learning: Exemplified by northeast China. Remote Sensing for Land & Resources[J], 2020, 32(4): 145-153 doi:10.6046/gtzyyg.2020.04.19

0 引言

降水对土壤湿度、作物生长和区域径流等均有重要影响^[1,2,3,4]。东北地区是我国最主要的天然林分布区之一,动植物资源丰富^[5],也是我国重要的农牧业和商品粮基地,粮食产量占全国总量的1/3左右^[6],降水变化势必对东北地区植被生长及农作物生长有重要影响^[7]。因此,降水时空分布研究对东北地区的农业生产有重要意义。传统观测降水的方法是通过气象站台中的雨量计来记录当地的降水量,这种方法在小范围内精度高,但受限于地形等因素,某些偏远地区站点稀少,导致观测数据稀缺。而基于遥感卫星获取的降水产品具有覆盖范围大、不受地形限制、连续观测时间长等特点,能在一定程度上弥补站点观测法的不足。

热带降雨测量任务卫星(Tropical Rainfall Measurement Mission,TRMM)是由美国国家航空航天局和日本航空航天局联合研制的,旨在记录全球降水以进行气候研究,具有覆盖范围广、时效性好等优势^[8,9]。然而在降水和地形复杂地区进行研究时,TRMM产品的空间分辨率(0.25°×0.25°)不能满足要求,需要对其进行降尺度以提升空间分辨率。目前国内外常用的TRMM降尺度方法是基于降水相关因子构建降尺度模型,蔡明勇等^[10]以雅鲁藏布江为研究区域,构建复杂地形下的TRMM产品多元线性回归降尺度模型; Shi等^[11]使用增强型植被指数(enhanced vegetation index,EVI)和其他地形因子构建青藏高原地区随机森林(random forest,RF)降尺度模型; 徐彬仁等^[12]基于RF算法,构建TRMM产品与归一化植被指数(normalized difference vegetation index,NDVI)和地形因子的降尺度模型,最终得到青藏高原8 km分辨率降尺度降水结果; 刘小婵等^[13]构建东北地区年尺度TRMM产品GWR降尺度模型,并与全局 OLS回归模型进行对比。随着计算机性能的不断突破和人工智能的兴起,深度学习(deep learning)在各研究领域得到广泛应用^[14]。相比传统神经网络,深度学习拥有更多的神经网络层数,具备更强的学习能力和更有效的训练机制,模型的层次结构仅连接在相邻层神经元之间,同层和跨层神经元则不相互连接,因此可以模仿人脑高效、准确的表示信息^[15]。目前,深度学习多应用于图像识别、计算机视觉等领域^[16],在遥感建模方面还鲜有应用。

综上所述,目前国内对TRMM产品的降尺度研究是以构建传统机器学习算法模型为主,鲜有使用深度学习构建模型,模型时间尺度大多为年尺度,缺少季节性降水研究,因TRMM卫星扫描范围的限制, 50°N以上地区没有卫星数据覆盖,因此这部分区域少有研究。本文以东北地区为研究区,基于植被指数和地理因子,以1,4,7,10月代表不同季节,构建TRMM产品深度学习降尺度模型,并与RF模型进行比较,而后以站点实测降水数据作为依据,计算模型在全局和TRMM未覆盖地区的精度,并校正模型预测结果,最终得到东北地区各季节降尺度降水分布。

1 研究区概况与数据源

1.1 研究区概况

研究区为中国东北地区,经度范围E97°~135°,纬度范围N37°~54°,行政边界包括黑龙江省、吉林省、辽宁省和内蒙古自治区东五盟(锡林郭勒盟、兴安盟、呼伦贝尔市、赤峰市、通辽市),不包括辽宁省周边岛屿,总面积约145万km²。地势起伏较大,海拔高度整体自西向东降低。地形复杂多变,主要地形包括高原、山地、丘陵、台地和平原。辽宁省地处欧亚大陆东岸,属于温带季风气候,四季分明,是东北地区降水最多的省份; 吉林省、黑龙江省和内蒙古自治区东五盟属于温带大陆性季风气候,其中大兴安岭北段地区属于寒温带大陆性季风气候,冬季长,夏季短,降水主要集中在夏季。

1.2 数据源

本文使用的研究资料包括: TRMM3B43_V7产品、MOD13A3 NDVI产品、数字高程模型(digital elevation model,DEM)、气象站点数据,所有数据地理范围为(E97°~135°,N37°~54°),时间跨度为2009—2018年,选取1,4,7和10月这4个月份分别代表冬、春、夏、秋4个季节,目的是研究降尺度模型的季节适用性。

TRMM3B43_V7降水产品下载于美国国家航空航天局降水测量计划网站(https: //www.pmm.nasa.gov/),覆盖边界为纬度N50°~S50°,经度E180°~W180°,时间分辨率为月,空间分辨率为0.25°×0.25°,原始数据单位是mm/h,针对不同月份进行预处理后得到完整月降水。NDVI数据获取于美国国家航空航天局官方网站(http: //www.nasa.gov/),产品由搭载于TERRA卫星上的MODIS传感器获取,是陆地3级标准数据产品,计算前经过表面的双向反射率大气校正,去除水、云、重气溶胶和云影的影响,覆盖范围为全球,时间分辨率为30 d,空间分辨率为1 km×1 km。DEM数据来源于地理空间数据云(http: //www.gscloud.cn/),空间分辨率为30 m×30 m。气象站点数据源于中国气象数据网(http: //data.cma.cn/)提供的中国地面气候资料月值数据集,研究区内共有102个原始站点,经质量控制,筛选得到92个站点(图1),分别计算各站点1,4,7和10月份10 a间平均降水量,用于模型预测结果检验与校正。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区地形及气象站点分布

Fig.1 Topographic and meteorological station distribution in the study area

2 研究方法

降水是一个非常复杂的气象过程,与多个影响因子相互作用。要完成降水的降尺度工作,需要选择与降水尺度对应且相关性高的遥感因子作为输入自变量,构建与TRMM数据的降尺度模型,再对预测结果进行精度验证和校正。

2.1 模型构建

2.1.1 降尺度因子选择

根据以往的研究资料,研究区降水有十分明显的季节性和地域性,中部区域地势较平坦,植被分布相对密集,降水多; 西北部与南部区域地形复杂,植被稀疏,降水少,且总体来看,研究区降水呈东多西少、夏多冬少的规律。降水对植被生长有非常重要的影响,二者存在着显著的相关关系^[17],因此选择NDVI作为构建模型的一个重要因子。同时,地形也是影响降水的重要因素,在植被稀疏的高海拔地区,地理位置对当地降水有着重要影响^[18]。综上所述,本文以TRMM数据为因变量,选择NDVI、经度(LON)、纬度(LAT)、海拔(Altitude)、坡度(Slope)、坡向(Aspect)作为构建模型的自变量因子,构建以 $TRMM = f (NDVI, LON, LAT, Altitude, Slope, Aspect)$ 为形式的关系模型。主要处理步骤如下:

1)数据预处理。将所有数据裁切至研究区范围,对DEM数据提取经纬度、海拔、坡度和坡向因子,对MOD13A3产品提取NDVI数据。所有自变量因子分别重采样至0.01°和0.25°分辨率。其中0.25°分辨率的自变量因子均裁去纬度50°以上区域,保证在空间尺度上与TRMM数据匹配。

2)选择0.25°分辨率的自变量因子与同时空环境下的TRMM数据输入深度学习算法,构建各月降尺度模型。得到模型后,将各月0.01°分辨率的自变量因子输入,得到各月份模型预测降尺度降水。

2.1.2 模型介绍

本文使用的深度学习算法为深度前馈神经网络(deep feedforward neural network,DFNN)^[19]。如图2所示,模型由输入层、隐藏层、输出层和各层之间的连接组成,其中隐藏层根据模型的复杂程度可以设计成任意数量的多层,各层之间的连接表示特征的权重。网络中的数据流向是单向的,只会按照输入层、隐藏层、输出层的顺序流动,即数据流经当前一层处理后,只会作为下一层的输入流入,而不会对上一层有任何影响和反馈。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 DFNN结构示意图

Fig.2 DFNN structure diagram

2.1.3 模型训练过程

模型具体训练过程包括: ①自下而上的非监督学习。首先,使用无标定数据训练第一层,并学习第一层的参数,使生成的模型可以学习数据结构本身的特征,因此比输入数据具备更好的特征表达能力; 在学习达到第n-1层之后,将n-1层的输出作为第n层的输入,并训练第n层,从而获得各层的参数。②自上而下的监督学习。通过使用带标签的数据进行训练,误差自上到下传播,对网络结构进行微调,并调整各层之间的权重。

算法基于R语言中的h2o包实现,可在http://www.h2o.ai中下载。模型训练及预测过程如下: ①变量因子输入,将处理好的标准化0.25°空间分辨率自变量与因变量因子输入DFNN模型; ②模型调参,需要通过调整模型参数以达到最好的训练效果,主要参数包括隐藏层层数 $L$ 、隐藏层每层神经元数量 $N$ 和训练迭代次数 $epoc h s$ ; ③降水预测,得到最优训练模型后,将0.01°空间分辨率的自变量因子输入训练好的模型,得到0.01°空间分辨率预测降水结果。

2.2 精度验证

本文使用决定系数(R²)、均方根误差(root mean square error,RMSE)和平均相对误差(mean relative error,MRE)来对模型预测结果进行精度判定。决定系数 $R^{2}$ 用于评价模型对预测值的拟合优度, 范围在[0,1]之间,越接近1,表示模型模拟效果越好,预测值越接近实测值; RMSE用于衡量预测值与站点实测值之间的偏差,RMSE值越小,偏差越小,代表模型精度越高; MRE用于反映预测值的可信程度,MRE值越小,预测值可信度越高。各判定指标公式如下:

(1)

R^{2} = 1 - \frac{S S_{residual}}{S S_{total}}

(2)

RMSE = \sqrt[]{\frac{1}{n} \overset{n}{\sum_{i = 1}} (P_{station, i} - P_{predict, i})^{2}}

(3)

MRE = \frac{100 %}{n} \overset{n}{\sum_{i = 1}} |\frac{P_{station, i} - P_{predict, i}}{P_{station, i}}|

式中: $P_{station, i}$ 和 $P_{predict, i}$ 分别为站点实测值和预测值; $S S_{residual}$ 表示站点实测值与预测值差的平方之和; $S S_{total}$ 为总方差; $n$ 为样本数量。

2.3 结果校正

本文使用气象站点实测数据验证TRMM降水与降尺度降水的精度并进行对比。将站点随机均匀分为校正站点和验证站点,计算校正站点数据与降尺度数据的差值,基于ArcGIS软件平台进行插值运算,得到覆盖研究区的面状差值图,对降尺度降水进行校正,再用验证站点验证校正精度,最终得到校正后的研究区各月降尺度降水。

文中使用的插值方法是反距离权重插值法(inverse distance weighted,IDW),原理是以插值点与样本点间的距离为权重进行加权平均,因此距离插值点越近的样本点被赋予的权重越大。

3 分析与讨论

3.1 模型参数调优

通过调整隐藏层层数 $L$ 、神经元数量 $N$ 和迭代次数 $epoc h s$ ,得到模型训练集和测试集的决定系数 $R^{2}$ 和 $RMSE$ ,根据数据集大小和经验知识,设置神经元数量 $N$ 为400,表1为不同参数模型收敛情况。

表1 模型参数调整结果

Tab.1 Model parameter adjustment results

$L$	$N$	$epoc h s$	训练集		测试集
$L$	$N$	$epoc h s$	$R^{2}$	$RMSE$ /mm	$R^{2}$	$RMSE$ /mm
4	400	150	0.866	1.402	0.850	1.423
4	400	200	0.868	1.229	0.863	1.341
4	400	250	0.874	1.221	0.869	1.310
5	400	150	0.900	1.109	0.891	1.146
5	400	200	0.911	0.995	0.901	1.054
5	400	250	0.899	1.098	0.893	1.152
6	400	150	0.889	1.173	0.885	1.261
6	400	200	0.915	0.947	0.894	1.079
6	400	250	0.898	1.097	0.892	1.149
…	…	…	…	…	…	…

新窗口打开| 下载CSV

结果表明,当测试集出现最大的 $R^{2}$ 和最小的 $RMSE$ 时,测试集的 $R^{2}$ 和 $RMSE$ 并不是最优值,盲目追求测试集评价系数的最小化可能会导致模型过拟合,造成测试集效果不佳,因此需要同时评估训练集和测试集的系数。本文最终选择输入参数为: 隐藏层层数 $L$ =5,神经元数量 $N$ =400,迭代次数 $epoc h s$ =200。

3.2 降尺度结果与精度检验

图3是降尺度前后研究区各月份降水空间分布对比,可以看出,降尺度后的图像空间分辨率相较原始TRMM图像有了明显的提升,降尺度前后空间分布一致性较高,对不同等级的降水量都有很好的还原效果。但空间分辨率提高不代表精度的提升,为进一步验证降尺度精度,本文使用研究区内站点实测数据对降尺度数据进行精度检验,计算降尺度前后评价指标 $R^{2}$ , $RMSE$ 和 $MRE$ ,分别验证研究区全局预测降水量和TRMM未覆盖地区(50°N以上)预测降水量的精度。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2009—2018年10 a平均1,4,7,10月0.25°×0.25°TRMM降水与0.01°×0.01°降尺度降水对比

Fig.3 Comparison of 0.25°×0.25° TRMM precipitation with 0.01°×0.01° downscale precipitation during 2009—2018

3.2.1 研究区全局结果精度验证

由图4可知,深度学习模型预测的降尺度降水量与实测降水量之间存在显著的线性相关关系,相比原始TRMM产品更接近实测降水量,说明深度学习降尺度模型有较高的拟合度。降尺度前后精度对比如表2所示,降尺度降水量的决定系数 $R^{2}$ 在各月份都不同程度高于TRMM降水量,降尺度前 $R^{2}$ 在0.784~0.879之间,降尺度后 $R^{2}$ 在0.817~0.935之间,其中4月和7月的R²提升较大。降尺度前, $RMSE$ 介于2.819~20.960 mm之间, $MRE$ 介于12.37%~ 79.76%之间,经过降尺度操作后,预测降水量与实测降水量的误差得到有效降低,预测精度得到了提升。 $RMSE$ 降低至2.503~16.870 mm, $MRE$ 降至10.28%~71.31%,各月均有不同程度的降低。这是因为站点实测数据仅记录以站点为中心区域的降水,数据描述范围有限,而经降尺度操作后的降水空间分辨率由0.25°(约26 km)提升至0.01°(约1 km),这与实际站点的描述范围更加匹配,因此降尺度降水量与实际降水量的拟合度和精度更高。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 各月份站点实测降水量分别与TRMM降水量和降尺度降水量的散点图

Fig.4 Scatter plots of the station’s measured precipitation with TRMM precipitation and downscale precipitation

表2 降尺度前后精度对比

Tab.2 Comparison of accuracy before and after downscaling

月份	$R^{2}$		$RMSE$ /mm		$MRE$ /%
月份	降尺度前	降尺度后	降尺度前	降尺度后	降尺度前	降尺度后
1月	0.798	0.826	2.819	2.503	79.76	71.31
4月	0.879	0.935	5.608	4.161	20.92	19.42
7月	0.784	0.817	20.960	16.870	12.37	11.08
10月	0.858	0.908	5.649	4.398	13.43	10.28

新窗口打开| 下载CSV

总体来看,深度学习降尺度模型不仅可以很大程度提高降水产品的空间分辨率,同时也降低了与实测降水量数据的误差,比TRMM降水产品精度更高。其中4月和10月降尺度效果较好,1月和7月效果相对稍差,原因是1月份部分地区以降雪为主^[20],且分布极其不均匀,导致植被因子在模型中的贡献度较低,降水量与经纬度等地理因子相关性更高; 7月份实际降水情况复杂多变,多小尺度对流降雨,而TRMM产品分辨率相对较粗,不能很好地捕捉复杂降水变化,因而导致这2个月份模型模拟效果相对稍差。

3.2.2 TRMM未覆盖地区预测精度检验

本文从东北地区已有站点中筛选出50°N以上地区气象站点共8个,计算精度评价指标,结果如表3所示。1—10月间,决定系数 $R^{2}$ 呈增大趋势, 4,7,10月份的模拟精度相对较好,1月份最差。这是因为1月份植被与降水量的相关性较低,且该部分地区降水的形式主要是降雪,TRMM产品只记录降水,因此该地区1月份模型拟合效果较差,其他季节

表3 TRMM未覆盖地区预测精度验证

Tab.3 TRMM data uncovered area prediction accuracy verification

月份	$R^{2}$	$RMSE$ /mm	$MRE$ /%
1月	0.324	2.813	54.130
4月	0.556	3.331	19.220
7月	0.653	10.580	6.315
10月	0.800	2.251	29.730

新窗口打开| 下载CSV

因降水增多,模型拟合度相对较好,但由于站点数量的限制,精度较东北地区全局要低。

3.3 模型对比分析

前人在TRMM产品降尺度研究中,多用RF算法进行模型构建。为对比模型精度,本文同样使用RF算法进行降尺度模型构建,并与深度学习降尺度模型对比。 2种降尺度模型评价指标对比如表4所示,总体上来看,深度学习降尺度模型效果要好于RF模型效果。深度学习模型的决定系数 $R^{2}$ 各月份均不同程度上高于RF模型,同时,深度学习模型的 $RMSE$ 和 $MRE$ 也都低于同月份RF模型,说明深度学习算法能够更好地挖掘出输入特征因子与降水量的相关性,提升了模型拟合效果,预测出的降尺度降水精度更高。

表4 基于RF与基于深度学习降尺度模型精度指标评价

Tab.4 Precision evaluation between RF and DFNN

月份	$R^{2}$		$RMSE$ /mm		$MRE$ /%
月份	RF	DFNN	RF	DFNN	RF	DFNN
1月	0.787	0.826	2.561	2.503	77.79	71.31
4月	0.893	0.935	5.438	4.161	20.26	19.42
7月	0.809	0.817	18.94	16.870	13.66	11.08
10月	0.892	0.908	4.935	4.398	11.99	10.28

新窗口打开| 下载CSV

3.4 降尺度结果校正

为提升精度,得到更加接近实测降水量的降尺度降水,需要基于地面实测降水量对模型预测的降尺度降水进行校正,本文从研究区内92个气象站点中随机均匀选取60%(约55个)用于校正,剩余40%用于验证校正效果,计算验证站点数据与校正前后降尺度数据的精度评价系数,结果如表5所示。

表5 各月降尺度结果校正前后精度指标

Tab.5 Accuracy index before and after monthly downscaling results correction

月份	$R^{2}$		$RMSE$ /mm		$MRE$ /%
月份	校正前	校正后	校正前	校正后	校正前	校正后
1月	0.833	0.881	2.413	1.222	70.86	28.410
4月	0.939	0.952	4.297	3.508	20.41	9.473
7月	0.825	0.891	16.460	13.110	11.66	7.555
10月	0.924	0.932	4.474	3.301	10.34	7.425

新窗口打开| 下载CSV

从表5中可以看出,通过地面站点实测数据校正,各月预测降水量的决定系数 $R^{2}$ 均有提升, $RMSE$ 和 $MRE$ 都有所降低,说明经过校正的降尺度降水与实测值的误差更小,精度更高,更接近真实降水。图5为各月校正后的降水空间分布。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 站点校正后的1,4,7,10月0.01°×0.01°降尺度降水空间分布

Fig.5 Spatial distribution of precipitation downscaled by 0.01°×0.01° in Jan., Apr., Jul., and Oct. after station correction

整体来看,受东亚冬季风和西太平洋副热带高压的影响^[21],研究区域各月份降水空间分布极其不均匀,其中夏季降水多,冬季降水少。降水量整体呈由西北方向往东南方向递增的变化趋势。

4 结论

本文研究东北地区季节性降水分布,基于降水和植被指数以及地理因子的相关性,使用TRMM_3B43月降水数据、MOD13A3 NDVI数据、DEM数据和气象站点数据,采用深度学习算法构建TRMM产品降尺度模型,将TRMM产品空间分辨率由0.25°(约26 km)提升至0.01°(约1 km),并填补TRMM卫星原始数据未覆盖的50°N以上地区,再以实测站点数据对降尺度结果进行精度分析与校正。主要结论如下:

1)基于深度学习的降尺度模型能够很好地完成TRMM产品的降尺度,有效提高了TRMM产品的空间分辨率和精度,模型适用性和估算精度优于随机森林模型,各月决定系数 $R^{2}$ 均在0.88以上。校正后的降尺度降水结果能够更准确地反映研究区域内的降水空间分布,表明模型在东北地区有较好的实用性。

2)模型预测精度有季节性差异,4月和10月模拟效果较好,1月和7月相对稍差。主要原因是研究区冬季降雪和降水时空分布不均导致植被指数与降水量的相关性较低,夏季多小范围对流降雨导致TRMM卫星捕捉降水能力变差。

此外,模型在TRMM未覆盖地区的季节性偏差仍较大,后续研究可以考虑加入其他相关因子,如地表温度、水汽等,以进一步提升模型预测效果。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Wang

, Wang

, Fan

, et al.

Trends of temperature and precipitation extremes in the Loess Plateau Region of China,1961—2010

[J]. Theoretical and Applied Climatology, 2017,129(3):949-963.