湘江流域TRMM卫星降水产品降尺度研究与应用

doi:10.6046/zrzyyg.2020395

湘江流域TRMM卫星降水产品降尺度研究与应用

范田亿^,¹^,², 张翔^,², 黄兵¹, 钱湛¹, 姜恒¹

1.湖南省水利水电勘测设计研究总院洞庭湖研究中心,长沙 410007

2.武汉大学水资源与水电工程科学国家重点实验室,武汉 430072

Downscaling of TRMM precipitation products and its application in Xiangjiang River basin

FAN Tianyi^,¹^,², ZHANG Xiang^,², HUANG Bing¹, QIAN Zhan¹, JIANG Heng¹

1. Research Center of Dongting Lake, Hunan Hydro & Power Design Institute, Changsha 410007, China

2. State Key Lab of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan 430072, China

通讯作者: 张翔(1969-),男,博士,教授,主要从事基于生态水文的可持续水资源管理、流域生态水文模型、河湖生态修复、同位素水文学研究。Email:zhangxiang@whu.edu.cn。

责任编辑: 张仙

收稿日期: 2020-12-8 修回日期: 2021-03-18

基金资助:

国家重点研发计划课题“变化环境下长江重大水问题综合分析与研判”(2019YFC0408901)
湖南省自然科学基金项目“苦草营养元素代谢与碳汇关键过程对气候变化的响应研究”(2020JJ5316)

Received: 2020-12-8 Revised: 2021-03-18

作者简介 About authors

范田亿(1995-),女,硕士,助理工程师,主要从事变化环境下水资源水环境研究。Email: 1723257974@qq.com。

摘要

为满足各行业对高分辨率、高精度降水数据的需求,以湘江流域为例,分别建立了基于多元线性回归法(multiple linear regression,MLR)和地理加权回归法(geographic weighted regression,GWR)的TRMM卫星降水降尺度模型,采用留一交叉验证法对模型进行优选,反演得到0.05°卫星-地面融合降水产品,并在此基础上分析了湘江流域的时空变化特征。结果表明: 相比热带降雨测量卫星(tropical rainfall measuring mission,TRMM)降水,降尺度后TRMM降水的空间分辨率得到大幅度提升,且与气象站点观测降水之间的决定系数平均提高了0.27以上,均方根误差和平均相对偏差平均降低了28.42 mm和29.88百分点以上,表明考虑植被、地形和地理要素的回归降尺度模型能够较为准确地刻画降水的空间分布特征; 相比MLR降尺度模型得到的降水,GWR降尺度模型得到的降水与气象站点观测降水之间的决定系数平均提高了0.06,均方根误差和平均相对偏差平均降低了14.88 mm和8.83百分点,表明GWR降尺度效果更好; 2006—2017年湘江流域不同时间尺度的降水时空变化特征迥异,表现在变化趋势及其显著性、对应区域的位置及面积上。

关键词： TRMM; 降尺度; 时空变化; 湘江流域

Abstract

To meet the demand of various industries for high-resolution and high-precision precipitation data, this study establishes the downscaling models of the TRMM precipitation data of the Xiangjiang River basin based on the methods of multivariate linear regression (MLR) and geographically weighted regression (GWR). The leave-one-out cross-validation method was adopted to select the optimal model, and a satellite-ground fusion precipitation product with a resolution of 0.05° was obtained through inversion. On this basis, the spatial-temporal change characteristics of the precipitation in the Xiangjiang River basin were analyzed. The results are as follows. The spatial resolution of the TRMM precipitation data was greatly improved after downscaling. As verified using the precipitation observed at meteorological stations, the coefficient of determination of the TRMM precipitation data increased by more than 0.27, and the root mean square error and average relative error of the TRMM precipitation data decreased by more than 28.42 mm and 29.88 percentage points, respectively on average after downscaling. All these indicate that the regression downscaling model that takes account of vegetation, terrain, and geographic elements can accurately describe the spatial distribution characteristics of precipitation. According to the verification using the precipitation observed at meteorological stations, the coefficient of determination of the GWR downscaling model increased by 0.06 compared to the MLR downscaling model. Meanwhile, the root mean square error and average relative error of the precipitation data obtained using the GWR downscaling model decreased by 14.88 mm and 8.83 percentage points, respectively on average compared to precipitation data obtained using the MLR downscaling model. These indicate better effects of the GWR downscaling model. The spatial-temporal change characteristics of the precipitation in the Xiangjiang River basin during 2006—2017 are greatly different on different time scales, which is reflected in the changing trend and its significance and the locations and area of corresponding zones.

Keywords： TRMM; spatial downscaling; spatiotemporal variation; Xiangjiang River basin

PDF (7566KB) 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

范田亿, 张翔, 黄兵, 钱湛, 姜恒. 湘江流域TRMM卫星降水产品降尺度研究与应用[J]. 自然资源遥感, 2021, 33(4): 209-218 doi:10.6046/zrzyyg.2020395

FAN Tianyi, ZHANG Xiang, HUANG Bing, QIAN Zhan, JIANG Heng. Downscaling of TRMM precipitation products and its application in Xiangjiang River basin[J]. Remote Sensing For Natural Resources, 2021, 33(4): 209-218 doi:10.6046/zrzyyg.2020395

0 引言

降水作为水循环的基本要素,在全球物质和能量交换过程中发挥着重要作用,是气象、水文等领域的重要研究对象。受海陆位置、大气环流和下垫面条件等因素的影响,降水具有复杂的时空变化特征,因此精确地把握降水的时空变化特征对掌握全球和区域水循环规律、水资源规划和管理、农业生产和促进社会经济发展具有重要的现实意义^[1]。

目前,获取降水数据的方式主要有雨量站、地面反演雷达和卫星测雨3种^[2],其中卫星测雨由于覆盖范围广、时空连续性好,不受下垫面条件的限制,成为获取降水数据的重要手段^[3]。由于热带降雨测量卫星(tropical rainfall measuring mission,TRMM)集成了多源卫星数据,生产出的降水产品不仅时空分辨率较高且具有不同时效性^[4],在气象、水文等多个领域得到了广泛的应用^[5,6,7,8],但作为一种降水的间接观测方法,TRMM卫星降水的精度因研究区的地理位置、空间范围、地形地貌和气候条件的变化存在着极大的不确定性^[9,10,11,12],且0.25°的空间分辨率较粗,不能满足小流域水文模拟对降水数据的需求,往往需要对TRMM卫星降水产品进行空间降尺度研究,其中统计降尺度因其易操作,计算量也相对较小,模拟降水更加精确等特点,在国内外TRMM卫星降水产品空间降尺度研究中得到了广泛的应用^{[13,14,15,16,17,18]}。总结国内外研究可知,TRMM卫星降水统计降尺度研究存在明显的局限: 用于构建TRMM卫星降水降尺度模型的辅助变量选取普遍单一,主要依赖数字高程模型(digital elevation model,DEM)且/或归一化植被指数(normalized difference vegetation index,NDVI),对辅助变量的选取不够系统和全面; 多数研究只对年尺度的TRMM卫星降水进行了空间降尺度,然后采用月比例分解法对降尺度结果进行展布,容易造成误差的传播和累积,导致最终得到的TRMM月降水量空间分辨率虽得以提升,但数据精度下降。

为此,选择湘江流域作为研究区,选取了DEM、NDVI、经度、纬度、坡度和坡向6个因子作为辅助变量,在对辅助变量相关性分析以及线性拟合方程多重共线性检验的基础上,分别建立了基于多元线性回归法(multiple linear regression,MLR)和地理加权回归法(geographic weighted regression,GWR)的TRMM卫星降水降尺度模型,并通过留一交叉验证法对降尺度模型进行优选,反演得到高分辨率、高精度的0.05°卫星-地面融合月降水产品,在此基础上,分析不同时间尺度湘江流域降水量的时空变化趋势,以期为区域水资源开发利用提供数据支撑。

1 研究区概况及数据源

1.1 研究区概况

湘江隶属长江流域洞庭湖水系,是湖南省最大的河流,干流全长844 km,形成的流域是东、南、西三面环山的长条形盆地,介于E110°51'~114°25',N24°64'~28°56',流域面积94 660 km²。流域内大多是沿河平原和丘陵,所以整个流域的平均高程只有351 m,流域内DEM见图1。湘江流域夏季受西南、东南季风的影响,冬季受蒙古高压的控制^[19],光照充足、雨量丰沛,是亚热带季风湿润气候。流域多年平均降水量高达1 450 mm,4—9月是全年降水的集中期,该时段降水量占全年降水量的70%左右。年平均气温介于17~20 ℃,流域内多年平均蒸发量641 mm,多年平均径流深815 mm^[19]。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 湘江流域数字高程和河网图

Fig.1 Digital elevation and river network map of the Xiangjiang River basin

1.2 数据源及其预处理

研究数据资料清单见表1。遥感数据包括TRMM 3B42,NDVI和DEM数据。TRMM 3B42是空间分辨率为0.25°的逐日降水数据(多年平均降水量空间分布图见图2),采用美国Goddard中心(goddard space flight center)发布的最新版本Version 7(https://disc.gsfc.nasa.gov/)(下文简称为TRMM),NDVI采用美国国家航空航天局和美国地质调查局共同构建的陆地产品分发中心LP DAAC网站上发布的MOD13A3v006版本数据(https://lpdaac.usgs.gov/products/mod13a3v006),是空间分辨率为1 km的逐月合成数据。DEM数据是由美国航空航天局和国防部国家测绘局联合测量得到的SRTM3(见图1),空间分辨率为90 m(http://www.gscloud.cn/),基于该数据,在ArcGIS软件中生成了坡度、坡向数据。气象站点观测降水数据来自中国气象数据网(http://data.cma.cn/),是位于湘江流域及其周边的15个气象站点逐日降水数据,具体位置见图1。

表1 研究数据及来源

Tab.1 Research data and sources

数据类型	数据名称	空间分辨率	时间分辨率	数据来源
遥感数据	TRMM 3B42	0.25°	日	美国国家航空航天局
	NDVI	1 km	月	美国国家航空航天局
	DEM	90 m	—	中国科学院计算机网络信息中心地理空间数据云平台
气象数据	降水	—	日	中国气象数据网

新窗口打开| 下载CSV

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 湘江流域2006—2017年TRMM多年平均降水量空间分布图

Fig.2 Spatial distribution map of TRMM multi-year average precipitation in the Xiangjiang River basin from 2006 to 2017

2 研究方法

2.1 降尺度模型的构建

选择能够反映降水强弱和影响降水分布的NDVI、经度、纬度、DEM、坡度、坡向6个因子作为降尺度模型的辅助变量^{[20,21,22,23]},而且为了最大限度地发挥站点观测数据精度高的优势,将气象站点观测降水“嵌入”TRMM卫星降水网格中,即用气象站点观测的降水数据替代站点所在的TRMM网格中的降水数据,形成一套简单融合降水数据作为降尺度模型的因变量,最后引入MLR和GWR构建回归降尺度模型。降尺度方法对比见表2。

表2 降尺度方法对比

Tab.2 Comparison of downscaling methods

方法	全局/局部回归	参数估计方法	计算量	优势
MLR	全局	普通最小二乘法	低	理论完善
GWR	局部	加权最小二乘法	高	动态建模, 逐点赋权, 减少“关系微弱”数据的干扰

新窗口打开| 下载CSV

具体步骤如下:

1)预处理。由于地形对气流的阻挡和抬升作用,会产生冷凝降雨,所以沿湘江流域边界向外拓展0.5°作为降尺度区域即缓冲区。经统计,降尺度前该区域覆盖262个地理网格,降尺度后覆盖6 549个地理网格,网格中心点见图3。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 湘江流域降尺度前后数据点的空间分布图

Fig.3 Spatial distribution map of data points before and after downscaling in the Xiangjiang River basin

2)数据准备。统计简单融合月降水量(TRMM_V),同NDVI、经度、纬度、DEM、坡度、坡向分别重采样至0.25°(建模数据集)和0.05°(降尺度数据集)。

3)建立函数关系。对建模数据集中的TRMM_V同NDVI、经度、纬度、DEM、坡度、坡向建立回归关系f:

(1)

TRM M_{V}^{LR} = f (X_{1}^{LR}, X_{2}^{LR}, \dots X_{6}^{LR}) + ε^{LR}

式中: $X_{1}$ ~ $X_{6}$ 分别为NDVI、经度、纬度、DEM、坡度、坡向; $ε$ 为模型的残差; LR为0.25°空间分辨率数据; HR为0.05°空间分辨率数据。

4)插值。采用三次样条插值(Spline)将残差 $ε^{LR}$ 插值成0.05°空间分辨率,即 $ε^{HR}$ 。

5)反推。根据函数关系f,反推得到0.05°空间分辨率的月降水量:

(2)

TRM M_{V}^{HR} = f (X_{1}^{HR}, X_{2}^{HR}, \dots X_{6}^{HR}) + ε^{HR}

。

上述一般步骤均适用于MLR模型,GWR模型的步骤3)—5)与前述的一般步骤不同。GWR模型在步骤3)需建立TRMM_V与NDVI、DEM、坡度和坡向之间的“局部”回归关系,不需要选取经、纬度,这是因为GWR模型已考虑地理信息^[23],计算公式如下:

(3)

TRM M_{V}^{LR} = β_{0}^{LR} + \overset{4}{\sum_{k = 1}} β_{k}^{LR} X_{k}^{LR} + ε^{LR}

式中 $β_{0}^{LR}$ 和 $β_{k}^{LR}$ (k=1,2,3,4)为模型参数。此外,在步骤4)中还需要将 $β_{0}^{LR}$ ~ $β_{4}^{LR}$ 插值成0.05°空间分辨率,然后将其全部代入步骤5)中进行反推。

2.2 降尺度模型优选

留一交叉验证法是一种没有任何前提假设、直接估计误差的模型选择方法,应用普遍、操作简单,行之有效^[24],本文以单个气象站的全部月降水数据为单元划分成15个样本,依次减少1个样本,使用剩余的样本作为训练样本进行建模并估算该样本的降水量,重复15次,得到15个气象站点处的降尺度降水数据。然后以气象站点观测降水数据作为真值,选取决定系数R²、均方根误差(root mean squared error, RMSE)和平均相对偏差(average relative error,ARE)作为精度评价指标(表3),分析各降尺度模型对TRMM降水精度评价指标的改善程度,最终选出一个能够显著提高TRMM卫星降水数据精度的降尺度方法。

表3 精度评价指标

Tab.3 Accuracy evaluation index

精度评价指标	公式^①	最优值
R²	$R^{2} = {(\frac{\overset{n}{\sum_{j = 1}} (x_{j} - \bar{x}) (y_{j} - \bar{y})}{\sqrt[]{\overset{n}{\sum_{j = 1}} (x_{j} {- \bar{x})}^{2} \overset{n}{\sum_{j = 1}} (y_{j} {- \bar{y})}^{2}}})}^{2}$	1
RMSE/mm	$RMSE = \sqrt[]{\frac{\overset{n}{\sum_{j = 1}} (x_{j} - y_{j})^{2}}{n}}$	0
ARE/%	$ARE = \frac{\overset{n}{\sum_{j = 1}} \|x_{j} - \bar{y}\|}{n \times \bar{y}}$	0

① $x j$ 为TRMM降水量/降尺度模型降水量; $y j$ 为气象站点观测降水量; n为气象站个数。

新窗口打开| 下载CSV

2.3 线性回归法

线性回归法是构建变量与时间之间的一元线性回归方程^[25]:

(4)

y = a + bt

式中: y为样本量为n的变量; t为时间; a为截距; b为斜率,可反映变量的变化速率,其显著性可通过t检验进行判断,构造统计量T:

(5)

T = \frac{r \sqrt[]{n - 2}}{1 - r^{2}}

式中: r为y与t之间的线性相关系数; T服从自由度为n-2的t分布,给定显著性水平 $α_{1}$ (P<0.05)和 $α_{2}$ (P<0.01), $|T| \geq t_{α_{1}}$ 和 $|T| \geq t_{α_{2}}$ 分别代表变量的变化速率显著和极显著。

3 结果与分析

3.1 降尺度结果

利用MLR和GWR降尺度模型成功将空间分辨率为0.25°的TRMM月降水量数据降尺度到0.05°,图4给出了降尺度前、后TRMM月均降水量的空间分布情况。从图4中可知: ①整体上TRMM月均降水量在降尺度前、后的空间分布特征基本一致,呈现东北、西南部偏高和中部、北部偏低的空间分布特征,个别区域存在明显的差异,尤其是在南岳站、长沙站、株洲站和桂东站附近,这是由于用气象站点观测降水代替了所在TRMM网格处的降水再进行回归降尺度,而这些站点的观测月降水量明显高于TRMM网格处月降水量的缘故; ② TRMM卫星降水产品空间分辨率低,同一栅格覆盖面积较大(图4(a)),无法反映栅格内部降水的空间异质性,而降尺度后的TRMM降水产品空间分辨率得以大大提升,空间分布更加精细化,格点之间均匀过渡,分布光滑,能更好地刻画流域内降水的空间分布特征; ③图4(b)、(c)与图4(a)对比发现,GWR降尺度模型较MLR降尺度模型得到的降水在数值上更加接近TRMM卫星降水,这是由于GWR通过将局部参数的拟合结果加权至采样点,从而建立了鲁棒性较强的局部回归函数,避免了MLR降尺度模型得到的降水量局部异常现象^[23]。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 降尺度前后TRMM月均降水量空间分布图

Fig.4 Spatial distribution map of TRMM monthly average precipitation before and after downscaling

为深入分析两种降尺度模型在刻画TRMM卫星降水方面的表现,利用两种降尺度模型建立的回归关系所预测的0.25°空间分辨率的月降水同TRMM月降水进行相关性分析,并计算了二者之间的R²和RMSE,结果见图5,从图中可以看出: ①MLR降尺度模型同TRMM卫星降水在绝大部分月份R²高于0.64,RMSE低于15,表明考虑了植被、地形和地理等多重要素的MLR降尺度模型能够较为准确地刻画TRMM月降水; ②GWR降尺度模型较MLR降尺度模型的R²平均提高了0.15,RMSE平均降低了2.45 mm,这是由于MLR的全局回归会忽视降水的空间异质性,容易产生偏差,而GWR局部回归能够避免这些缺陷,所以GWR降尺度模型能够更好地刻画TRMM月降水量的分布特征^[23]。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 降尺度模型预测月降水量结果验证

Fig.5 Verification of the results of the downscaling models predicting monthly precipitation

3.2 降尺度精度评价及模型优选

MLR和GWR降尺度后TRMM月降水量交叉验证后的精度评价结果见表4,从表4中可以看出: 相比TRMM降水,降尺度模型得到的降水同气象站点观测降水之间的R²平均提高了0.27以上,RMSE和ARE分别平均降低了28.42 mm和29.88百分点以上,而且相比 MLR降尺度模型得到的降水,GWR降尺度模型得到的降水同气象站点观测降水之间的R²平均提高了0.06,RMSE和ARE平均降低了14.88 mm和8.83百分点,这是由于选取了分辨率较高、能够较为全面地反映降水大小和分布的陆表环境变量作辅助变量,而且GWR能够考虑降水的空间差异性,所以GWR降尺度效果最好,这与诸多学者的研究成果相一致^[20,23,26]。最终选取GWR降尺度模型反演0.05°卫星-地面融合月降水数据产品,得到湘江流域多年平均月降水量的空间分布如图6。

表4 降尺度前、后TRMM月降水量精度评价结果统计

Tab.4 Statistics of TRMM monthly precipitation accuracy evaluation results before and after downscaling

月份	R²			RMSE/mm			ARE/%
月份	TRMM	MLR	GWR	TRMM	MLR	GWR	TRMM	MLR	GWR
1月	0.56	0.58	0.84	35.50	10.41	5.91	61.91	13.51	6.71
2月	0.38	0.87	0.84	42.15	13.64	7.75	46.51	13.30	7.08
3月	0.63	0.94	0.94	35.99	16.13	4.53	25.51	7.99	2.31
4月	0.72	0.94	0.95	51.76	21.51	7.62	37.45	8.95	3.02
5月	0.44	0.84	0.91	80.32	36.35	11.62	29.23	14.01	3.99
6月	0.54	0.84	0.91	76.22	40.40	12.83	29.14	13.40	3.75
7月	0.70	0.90	0.94	63.05	23.57	7.01	49.58	13.07	3.80
8月	0.52	0.84	0.80	65.13	38.61	10.57	34.16	16.26	5.04
9月	0.38	0.82	0.93	55.04	27.58	8.08	37.79	22.13	6.98
10月	0.61	0.90	0.96	31.40	13.84	4.03	63.02	12.42	4.80
11月	0.82	0.89	0.96	39.19	17.40	7.60	50.92	12.60	4.73
12月	0.60	0.88	0.94	40.90	16.15	9.58	62.34	21.26	10.74
平均值	0.58	0.85	0.91	51.39	22.97	8.09	43.96	14.08	5.25

新窗口打开| 下载CSV

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 湘江流域多年平均月降水量空间分布图

Fig.6 Spatial distribution map of multi-year average monthly precipitation in Xiangjiang River basin

3.3 湘江流域降水时空变化特征

图7是不同时间尺度湘江流域降水量的时空变化趋势图,左上角的插图是不同时间尺度湘江流域降水量的多年变化趋势图(季节按照气象学标准划分: 春季3—5月、夏季6—8月、秋季9—11月、冬季12月—次年2月、粮食作物生长季3—10月^[27])。从图7(a)可以看出,2006—2017年湘江流域年降水量以26.95 mm/a的速率增长,多年平均降水量为1 479.25 mm,2011年降水量最小,2015年降水量最大,全流域年降水量呈增长趋势的区域面积占比为98.08%,增长显著的区域面积占比为4.16%,极显著增长的区域面积占比为0.09%,主要分布在长沙和株洲,而面积占比仅1.92%的区域年降水量呈减少趋势,主要分布在衡阳和郴州。从图7(b)可以看出,2006—2017年湘江流域春季降水量以18.51 mm/a的速率增长,多年平均降水量为529.16 mm,而2011年降水最少,2016年降水最多。全流域春季降水均呈增长趋势,其中增长显著的区域面积占比22.28%,主要分布在湘江流域的东北部和南部。从图7(c)可以看出,2006—2017年湘江流域夏季降水量以3.76 mm/a的速率减少,多年平均降水量为528.03 mm,2011年降水最少,2006年降水最多。流域大部分地区夏季降水量呈减少趋势,面积占比为63.20%,其中减少趋势显著的面积占比4.97%,主要分布在流域南部,面积占比36.80%的区域夏季降水量呈增长趋势,主要分布在流域北部和西部,其中增长较为明显的区域面积占比为1.53%,分布在北部边缘地区和株洲西北部。从图7(d)中可以看出,2006—2017年湘江流域秋季降水量以11.52 mm/a的速率增长,多年平均降水量为240.29 mm,而2009年降水最少,2015年降水最多。流域绝大部分地区秋季降水量呈增长趋势,但增长趋势不明显,只有分布在流域中部、面积占比仅0.57%的区域秋季降水量增长趋势较为明显。从图7(e)中可以看出,2006—2017年湘江流域冬季降水量以2.34 mm/a的速率减少,多年平均降水量为171.07 mm,而2008年降水最少,2015年降水最多。面积占比93.41%的地区冬季降水量呈减小趋势,减小趋势明显的区域主要分布在流域北部,其中减小趋势显著的区域面积占比为5.15%,减小趋势极显著的区域面积占比为1.32%。流域西部和中部部分地区冬季降水略为增长,面积占比为6.59%。从图7(f)中可以看出,2006—2017年湘江流域生长季降水量以18.79 mm/a的速率增长,多年平均降水量为1 190.22 mm,而2011年降水最少,2006年降水最多。流域94.49%的地区生长季降水量呈增长趋势,其中降水显著增长的区域主要分布在流域西南部和北部,面积占比13.68%,降水增长极为显著的区域主要分布在长沙、岳阳和株洲。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 湘江流域降水时空变化趋势分布图

Fig.7 Distribution map of temporal and spatial variation trend of precipitation in the Xiangjiang River basin

4 结论与讨论

4.1 结论

以往学者们针对TRMM卫星降水空间分辨率较粗的特点进行了大量的空间降尺度研究,但由于TRMM卫星降水本身的数据精度存在着极大的不确定性,加上使用的降尺度方法各异,导致降尺度结果存在着明显的差异。本文以湘江流域作为研究区,通过“嵌入”气象站点观测降水,并基于MLR和GWR构建了TRMM空间降尺度模型,利用反演得到的高分辨率、高精度的0.05°卫星-地面融合降水产品模拟了湘江流域降水的时空分布特征:

1)降尺度后TRMM空间分辨率由0.25°×0.25°提高到0.05°×0.05°,在提升空间分辨率的同时,还大幅度提升了数据精度,反演出的0.05°卫星-地面融合降水产品在刻画流域降水时空分布特征方面具有一定的优势。

2)MLR和GWR降尺度模型均能够较为准确地刻画TRMM降水,但相比MLR降尺度模型得到的降水,GWR降尺度模型得到的降水同TRMM卫星降水的R²平均提高了0.15,RMSE平均降低了2.45 mm,表明了考虑降水空间异质性的GWR局部回归模型在刻画TRMM卫星降水时表现更优。

3)考虑了植被、地形和地理等多重要素的MLR和GWR降尺度模型得到的降水数据精度均优于TRMM,表明MLR和GWR在湘江流域TRMM卫星降水空间降尺度研究中具有良好的适用性,同时揭示了植被、地形和地理等综合因素对降水具有良好的解释能力。

4)相比MLR降尺度模型得到的降水,GWR降尺度模型得到的降水同气象站点观测降水之间的R²平均提高了0.06,RMSE和ARE平均降低了14.88 mm和8.83百分点,表明GWR降尺度模型的降尺度效果最好,这与诸多学者的研究成果相一致^[20,23,28]。

5)2006—2017年湘江流域不同时间尺度的降水时空变化趋势具有明显的空间异质性。年、春季、夏季、秋季、冬季和生长季降水呈增长趋势的区域面积占全流域面积的比例分别为98.08%,100%,36.80%,99.88%,6.59%和94.49%,其中年、春季、夏季、秋季和生长季降水呈显著增长趋势的区域面积占比分别为4.16%,22.28%,1.08%,0.57%和13.68%。只有年、夏季、生长季有部分区域降水增长极为明显,区域面积占比分别为0.09%,0.45%和4.52%,主要分布在长沙、株洲附近。夏季流域南部区域降水显著减少,区域面积占比为4.97%。冬季流域北部区域降水明显减少,区域面积占比为6.47%。

4.2 讨论

本文将气象站点观测降水数据“嵌入”卫星降水中进行了空间降尺度,有效发挥了站点观测降水数据精度高的优势,丰富了降水数据资料库。但由于收集到的气象数据资料有限,导致将气象数据“嵌入”TRMM数据做降尺度因变量的优势渲染辐射范围受到一定的限制。直接对月尺度的TRMM卫星降水进行空间降尺度,有效避免了月比例分解法展布年尺度TRMM卫星降水空间降尺度数据过程中产生的误差传播和累积,但降尺度过程中重采样和插值方法也会产生误差,因此有待进一步的对比分析。此外,降尺度方法极大地依赖辅助变量的分辨率和精度,普适性有待进一步检验。

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]

胡庆芳

基于多源信息的降水空间估计及其水文应用研究

[D]. 北京:清华大学, 2013.