EN中文

干旱区地理 >

2024 , Vol. 47 >Issue 7: 1136 - 1146

DOI: https://doi.org/10.12118/j.issn.1000-6060.2023.559

气候与水文

青海地区TRMM 3B43降水产品融合降尺度与时空特征分析

  • 王朋 ,
  • 石玉立
展开
  • 南京信息工程大学遥感与测绘工程学院自然资源部遥感导航一体化应用工程技术中心，江苏 南京 210044
石玉立（1973-），男，博士，教授，主要从事资源环境遥感研究. E-mail:

王朋（1990-），男，硕士研究生，主要从事遥感降水降尺度研究. E-mail:

收稿日期: 2023-10-10

  修回日期: 2024-03-24

  网络出版日期: 2026-03-11

基金资助

国家自然科学基金资助项目(U20A20981)

收起

Fused-downscaling framework and spatiotemporal characteristics of TRMM 3B43 precipitation product in the Qinghai region

  • Peng WANG ,
  • Yuli SHI
Expand
  • Technology Innovation Center for Integrated Applications in Remote Sensing and Navigation, MNR, School of Remote Sensing and Geomatics Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, Jiangsu, China

Received date: 2023-10-10

  Revised date: 2024-03-24

  Online published: 2026-03-11

Fold

摘要

卫星遥感降水产品已广泛应用于估算降水，尤其是在地面观测站点稀少的地区。然而，这些卫星降水产品较低的空间分辨率，限制了其在局部地区的应用。因此，提出一种基于块到点克里金插值算法（ATPOK）与地理权重回归克里金残差校准算法（GWRK）组合的融合降尺度框架，对2000—2019年青海地区TRMM 3B43进行空间降尺度，并结合地面观测站点数据、归一化植被指数（NDVI）、数字高程模型（DEM）、坡度及坡向等辅助因子进行校准，最终得到1 km分辨率的降水产品。结果表明：（1） 本研究所提出的融合降尺度框架能有效提高TRMM 3B43降水数据的降尺度精度，但并不能消除TRMM 3B43降水高估的情况。（2） 与ATPOK算法相比，采用降尺度的TRMM降水数据和辅助因子的GWRK模型能更好地估算年、月降水量。（3） 基于对TRMM 3B43和NDVI相关关系研究，发现NDVI对降水的响应存在0~2个月的延迟。（4） 基于对降尺度降水产品时空变化分析，发现青海地区降水在月尺度上存在显著增长，其中干月年际变化率3.33%，湿月年际变化率1.79%。

关键词： 空间降尺度; TRMM 3B43; ATPOK; GWRK; 融合降尺度框架

本文引用格式

王朋 , 石玉立 . 青海地区TRMM 3B43降水产品融合降尺度与时空特征分析[J]. 干旱区地理, 2024 , 47(7) : 1136 -1146 . DOI: 10.12118/j.issn.1000-6060.2023.559

Abstract

Satellite remote sensing precipitation products have been widely used to estimate precipitation, especially in regions with sparse ground observation stations. However, the lower spatial resolution of these satellite products limits their application in localized regions and watersheds. This study proposes a fused downscaling framework based on the area-to-point kriging (ATPOK) algorithm and geographic weighted regression kriging (GWRK) algorithm to downscale TRMM 3B43 data for the Qinghai region of China from 2000 to 2019. The framework incorporates ground observation station data, normalized difference vegetation index (NDVI), digital elevation model, slope, and auxiliary factors for calibration, ultimately obtaining precipitation products at 1 km resolution. The results showed that: (1) The proposed fused downscaling framework can effectively improve the accuracy of TRMM 3B43 products; however, it cannot eliminate the overestimation of TRMM 3B43. (2) Compared to the ATPOK algorithm, the GWRK algorithm using data TRMM precipitation data and auxiliary factors can better estimate annual/monthly precipitation data. (3) Based on the study of the relationship between TRMM 3B43 and NDVI, it was found that NDVI responds to precipitation with a delay of 0-2 months. (4) Based on the spatiotemporal variation analysis of downscaled precipitation products, significant increases in monthly precipitation were observed in the Qinghai region, with an interannual change rate of 3.33% in dry month (December) and 1.79% in wet month (July).

Key words： spatial downscaling; TRMM 3B43; ATPOK; GWRK; downscaling-integration framework

降水是研究气候变化的关键指标之一。降水的时空分布及变化趋势直接或间接改变着全球的或者局部的天气模式及地球生物物质能量循环系统[1]。降水作为地表径流的主要供给之一，为人类提供了必不可少的水资源[2]。同时，降水变化通过调节土壤饱和来影响植被生长进而改变土地覆盖类型，间接地控制了生物量和生态系统在空间上的分布[3]。此外，降水数据是构建各类水文模型的主要气象因子，其数据品质的优劣直接影响到模型模拟的可靠性和准确性，对研究全球气候变化、估算生物量以及极端降水预测等方面具有重要意义[4-5]。由此可见，构建一个长时间序列的高空间分辨率的降水数据集可以极大地推动气象学、水文学、农学、生态学、城市学等多个学科的研究和应用，对于科学发展和社会进步具有深远影响。传统的基于地面观测站点数据并借助空间插值算法获得的网格降水数据并不可靠，特别是在地面观测站点稀少、地形复杂的地区。
遥感卫星技术和地理信息科学的快速发展，为获得全球降水数据提供了一种全新途径[6]。在过去的数十年里，一系列的卫星降水计划陆续实施，包括热带降雨测量任务（TRMM）[7⇓-9]，全球降水气候计划（GPCP）[10⇓⇓-13]，饥荒预警系统网络（FEWS NET）[14]，全球卫星降水计划（GPM）[15]，全球卫星降水分布制图项目（GSMaP）[16]等，使得卫星反演栅格化降水数据成为可能。正是得益于这些遥感卫星降水计划的有序推进，各类降水数据产品相继被开发出来，基于多传感器联合反演降水算法（MPE）全球/地区降水产品集有：全球降水气候计划降水数据集（GPCP CDR）[17]、美国气候预测中心降水综合分析资料（CMAP）[18]、热带降雨观测任务逐日降水数据集（TRMM 3B42）[8]、热带降雨观测任务逐月降水数据（TRMM 3B43）[9]、欧洲中期天气预报中心降水再分析产品（ERA5 Reanalysis）[19]、全球卫星降水分布制图项目数据集（GSMaP products）[20]、气候预测中心降水数据集（CMORPH CDR）[21]、美国海军研究实验室联合降水数据（NRLB）[22]、基于人工神经网络估算降水产品（PERSIANN CDR）[23]、多卫星联合反演降水数据集（GPM IMERG）[24]等。这些卫星降水产品在全球范围内提供了连续、一致的降水信息，极大地丰富了全球各个区域的降水数据源，尤其是在地面观测站点极少的地区，如南北两极，以及青藏高原（青海地区）等高海拔地区。然而，在局地尺度与流域尺度的实际应用中，卫星降水产品的使用仍受其较低空间分辨率的制约。
大量学者基于降水与地表环境因子（地表温度温差、植被、地形因子）之间的相关关系开发出许多卫星降水数据产品的降尺度模型。Immerzeel等[25]借助降水与植被之间的相互作用关系，首次采用植被指数对TRMM 3B43数据在年尺度上进行空间降尺度，获得了伊比利亚半岛2000—2017年1 km空间分辨率的年降水数据；Park等[26]利用地统计模型建立TRMM与归一化植被指数（NDVI）、数字高程模型（DEM）的回归关系，并使用块到点克里金插值算法（ATPK）对回归残差项进行分配，结果表明借助降水与环境变量关系能获得更优的降尺度产品；Shi等[27]通过建立TRMM数据与地表环境因子的统计关系，将青藏高原TRMM 3B43降水产品空间精细度从0.25°提升到1 km，填补了该地区高空间分辨率降水数据的空白；Ma等[28]基于Cubist模型树集成学习优化算法对青藏高原地区TRMM 3B43 V7数据进行降尺度，在移除原始TRMM栅格中的异常点之后，通过引入降水与地表环境因子的相关关系，获得了高时空分辨率、高精度的降尺度数据。
为了进一步提高降尺度数据的精度，许多学者提出了将卫星降水数据与地面观测站点数据融合的校准方法。Mateus等[29]引入最优内插算法和逐步订正算法使用518个雨量站点数据对TRMM 3B43进行校准，提高了TRMM数据精度，并得出了逐步订正法效果略优于最优内插算法的结论。Duan等[30]采用地域差异性分析（GDA）和地域比例分析（GRA）2种降水数据校准方法，利用剩余地面观测站点数据对经过降尺度处理的结果进行了进一步校准，发现校准后的数据整体提升了精度。尽管这些融合算法很好地提高了降尺度之后数据的精度，但是其依然有些缺陷无法回避。首先，这些融合算法使用的TRMM数据为栅格内的平均值（0.25°），而地面站点由于空间覆盖范围有限（5 km），使用地面站点数据直接替换栅格数据是否合理值得商榷；其次，这种融合算法得到降尺度后的数据不够平滑，栅格内距离地面站点越近的降尺度数据精度越好，而栅格边缘处的降尺度数据则精度过低。为了弥合这种算法的不足，相关学者采用了分步降尺度测量，即首先对低分辨率的TRMM数据进行空间降尺度，然后再结合地面观测站点数据进行校准。Kyriakidis等[31]提出的基于地统计思想的块到点克里金算法（ATPK）则成为TRMM空间降尺度的不二之选，相关学者对此做了大量实践。如Goovaerts等[32]论证了ATPK算法适用何种点面数据及点面数据之间的关系，并给出了使用场景。Park等[26]使用ATPK算法对基于TRMM和NDVI、DEM回归误差项进行空间分配，进一步提高了降尺度产品的精度。Duan等[33]则首次利用ATPK算法结合NDVI数据对TRMM 3B43 V7数据进行空间降尺度，并利用GDA算法结合地面站点数据进行校准，获得了年尺度“最优”估计，但在月尺度上并未表现出优势。Chen等[34]使用ATPK算法对长江中下游地区TRMM 3B43数据进行空间降尺度，并利用降尺度后的TRMM数据结合地表环境因子做地理权重回归克里金校准（GWRK）[35]，在与多种降尺度方法做了精度对比，表明该方法能在地面观测站点较多时取得最高精度。
青海地区跨越了青藏高原、昆仑山脉、柴达木盆地、祁连山脉、黄土高原等多个地貌单元，地形复杂多样。然而，该地区的地面观测站点空间分布不均匀，这给卫星降水产品的插值带来了一定挑战。因此，本研究通过构建基于块到点克里金插值算法（ATPOK降尺度算法）与地理权重回归克里金残差校准算法（GWRK校正算法）的融合降尺度框架，为该地区提供较长时间序列（2000—2019年）的高精度TRMM降水降尺度估算，可以为水文研究和水资源管理提供高空间分辨率的降水估计，有助于了解地面观测站点稀少的青海地区降水时空分布特征。

1 数据与方法

1.1 研究区概况

青海省（89°35′~103°04′E，31°36′~39°19′N）位于我国西北内陆，省域面积约为72.2×104 km2，地势表现出西高东低、南北高中部低的特征，山地面积约占48.9%，平原、丘陵次之，台地仅为8.2%。该地区兼具青藏高原、内陆干旱盆地和黄土高原3种地貌，汇聚了大陆季风性气候、内陆干旱气候和青藏高原的3种气候形态，地区间差异大，垂直变化明显（图1）。该地区年均气温-5.1~9.0 ℃，年均降水量15~750 mm，且月度降水分布极不均匀，降水主要集中在6—8月。近年来，青海省降水量逐渐增加。另外，研究区的地面观测站点相对稀疏，且空间分布非常不均匀。
图1 研究区地面观测站点分布

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2019)3333号的标准地图制作，底图边界无修改。下同。

Fig. 1 Distribution of ground observation stations in the study area

1.2 数据来源

1.2.1 降水数据

本研究采用的卫星降水产品为TRMM 3B43 V7（后文简写为TRMM 3B43），该降水产品基于定量测量热带/亚热带地区降水任务，TRMM卫星搭载的TMI和PR传感器专门用于观测降水。TRMM 3B43是TRMM多卫星降水分析（TMPA）在其覆盖范围内提供的“最优”降水数据之一[36]，其具备0.25°的空间分辨率和月度的时间分辨率，通过累加月降水得到对应年份的降水数据。本研究使用的TRMM 3B43降水产品下载于NASA官网（https://disc.gsfc.nasa.gov），时间跨度为2000—2019年。
地面观测站点数据包括青海省50个气象站点2000—2019年的月降水，该数据获取于国家气象科学数据中心（http://data.cma.cn）。

1.2.2 地表环境因子

降水是影响植被生长的重要因素之一。在各种植被指数中，NDVI的时空分布与降水在不同尺度上存在相关性[37]，因此本研究将NDVI作为构建TRMM降尺度模型的关键变量之一。NDVI数据是由美国宇航局（NASA）组建的Level-1产品分发中心（LAADS）发布的MOD13A3 Version 6产品（https://ladsweb.modaps.eosdis.nasa.gov），其空间分辨率为1 km，时间分辨率为月。本研究采用2000年1月至2019年12月MOD13A3月度数据产品，通过使用Python编写程序，将hdf4格式批量转换成GeoTiff格式的栅格类型，并通过求取年内所有NDVI月度数据的平均值，来获取年尺度的青海省NDVI数据，且年尺度NDVI数据空间分辨率仍为1 km。
DEM数据来自美国宇航局（NASA）和国家地理空间情报局（NGA）合作完成的航天雷达地形测绘任务（SRTM），空间分辨率为30 m，下载于地理空间数据云（http://www.gscloud.cn），并基于此数据计算获得坡度、坡向。

1.3 研究方法

1.3.1 ATPOK降尺度算法

考虑到地面观测站点数据与TRMM降水数据间巨大的空间尺度差异，本研究首先使用ATPOK降尺度算法对TRMM降水产品进行降尺度，使其空间分辨率降为1 km。对比于初始TRMM空间分辨率（0.25°），降尺度后的TRMM可以更好地展示降水空间变化。ATPOK降尺度算法是普通克里金算法（OK）衍生的一个特例，其使用已有的面状数据作为自变量进行插值估计。根据ATPOK降尺度算法，假定降尺度后（1 km）的TRMM栅格像元为点类型，原始TRMM栅格像元为面类型，那么在给定位置 x处的降尺度后的点数据 P s a t 1 k m x为其周围的面数据的线性组合：
P s a t 1 k m x = ∑ i = 1 n λ i P s a t 0.25 ° v i
式中： P s a t 0.25 ° v i为面数据 v i处的降水值； λ i为面数据 v i处的权重系数； n为参与线性组合的面数据的个数。与OK算法类似，ATPOK算法的权重系数矩阵通过最小二乘原理约束预测方差求得，使用拉格朗日乘数法构造ATPOK算法的方程组，计算公式如下：
∑ j = 1 K λ j C - v i , v j + μ s = C - x , v i , i = 1,2 , … , K ∑ j = 1 K λ i = 1
式中： μ s为拉格朗日乘算子，用以约束面到面协方差权重系数之和为1； C - v i , v j为面数据 v i和 v j的面到面协方差； K为参与到计算点数据 x的值的周围面数据个数； C - x , v i为面数据 v i和点数据 x的面到点协方差。ATPOK降尺度算法假定面数据 v i的值为其内部包含的点数据值的算术平均值。面到面协方差和块面到点协方差的计算公式如下：
$\bar{C}\left(v_{i}, v_{j}\right)=\frac{1}{N\left(v_{i}\right) N\left(v_{j}\right)} \sum_{k=1}^{N\left(v_{j}\right)} \sum_{l=1}^{N\left(v_{j}\right)} C\left(s_{k}, s_{j}\right), \quad s_{k} \in v_{i}, s_{j} \in v_{j}$
C - x , v i = 1 N v i ∑ k = 1 N v i C s k , x , s k ∈ v i
式中： N v i和 N v j分别为面数据 v i和 v j中的点数据个数； C s k , s j为在面数据 v i内的点数据 s k和面数据 v j内的点数据 s j的点到点协方差； C s k , x为在面数据 v i内的点数据 s k和 x的点到点协方差。将式（3）和式（4）带回方程组（2）即可求得诸权系数（ λ i），进而求得在位置 x处的点降水值 P s a t 1 k m x。
变异函数是克里金插值算法的基础。变异函数的计算公式如下：
γ v i , v j = γ v i - v j = 1 2 Ε P s a t 0.25 ° v i - P s a t 0.25 ° v j 2
若将方程组（2）中协方差 C - v i , v j用变异函数 γ v i , v j表示，其计算公式如下：
∑ j = 1 K λ j γ v i , v j + μ s = γ x , v i , i = 1,2 , … , K ∑ j = 1 K λ i = 1

1.3.2 GWRK校正算法

自Xu等[38]引入地理权重回归（GWR）模型来对TRMM降水产品进行降尺度获取高空间分辨率降水数据以来，关于GWR模型进行降尺度的研究受到越来越多的关注。GWR模型是一种局部空间回归分析方法，由于其考虑了空间位置对建模参数的影响，所以能够较好地处理解释变量和响应变量之间的空间异质性[39]。常规的全局回归算法（如OLS）认为解释变量和响应变量之间的相关关系在研究区内是稳定的，因为其模型参数在整个研究区上是固定的；而GWR模型通过加入空间位置信息到回归模型，并认为变量间相关性满足地理学第一定律。GWR模型计算公式如下：
P r g s x = β 0 x + ∑ k = 1 p β k x P k 1 k m x + ε x
式中： β 0 x和 β k x为在位置 x处的局部回归系数； P k 1 k m x为第 k个预测变量； ε x为第 k个预测变量的模型误差。利用加权最小二乘估计，相应的回归系数计算公式如下：
β ˆ x = [ X T W x X ] - 1 [ X T W x P ]
式中： β ˆ x为在位置 x处估计的局部回归系数； X和 P分别为预测变量和结果变量的向量； W x为空间权重矩阵，其作用是计算各点到位置 x处的权重。
GWRK校正算法是对GWR模型进一步拓展，在使用GWR模型进行局部空间回归，同时使用OK算法对GWR模型残差部分做拟合估计，最后将拟合过的残差带回GWR模型以进一步提高模型精度。GWRK模型计算公式如下：
P g w r k x = P g w r x + ε o k x
式中： P g w r x为使用GWR模型获得的降水值； ε o k x为对GWR模型误差项进行普通克里金法修正后的误差项； P g w r k x为GWRK模型修正后的降水值。
本研究基于ATPOK降尺度算法和GWRK校正算法的融合降尺度框架对青海地区2000—2019年TRMM 3B43进行降尺度的技术路线如图2所示。
图2 技术路线

注：NDVI为归一化植被指数；DEM为数字高程模型；ATPOK降尺度算法为块到点克里金插值算法；GWRK校正算法为地理权重回归克里金残差校准算法；OK算法为普通克里金算法；GWR模型为地理权重回归模型；TRMM 3B43为原始TRMM 3B43降水数据；ATPOK_TRMM为经过ATPOK算法降尺度后的1 km空间分辨率降水数据；GWR_TRMM为ATPOK_TRMM降水数据经GWR回归后的1 km空间分辨率降水数据；GWRK_TRMM为GWR模型残差经OK算法校准后的1 km空间分辨率降水数据。下同。

Fig. 2 Technical route

1.4 精度评价方法

在综合考虑前人采用地面观测站点的降水数据来评估卫星降水产品精度时所选用的指标，本研究选取决定系数( R 2)、均方根误差（RMSE）、平均绝对误差（MAE）以及偏差（Bias）4个评价指标，分别对原始TRMM降水数据、ATPOK降尺度后TRMM降水数据、GWR降尺度后降水数据以及经过OK算法残差处理后的降水数据进行评价。其中， R 2用于度量模型对观测数据拟合程度， R 2介于0和1之间，值越接近1，表示模型拟合程度越好，反之则较差；RMSE用于衡量实际观测值与模型预测值之间的偏差，其对异常值更为敏感；MAE表示实际观测值与模型预测值之差绝对值的平均值，其对异常值具有较好的鲁棒性；Bias表示模型预测值相对于实际观测值的偏离程度，Bias可以是正值，也可以是负值，正偏差表示模型的预测值倾向于高估实际值，而负偏差意味着模型的预测值倾向于低估实际值。计算公式如下：
R 2 = ∑ i = 1 n O i - O - ∑ i = 1 n P i - P - ∑ i = 1 n P i - P - 2 ∑ i = 1 n P i - P - 2 2
R M S E = ∑ i = 1 n O i - P i 2 n
M A E = ∑ i = 1 n O i - P i n
B i a s = ∑ i = 1 n P i ∑ i = 1 n O i - 1
式中： O i为第 i个地面观测站的观测降水数据； P i为第 i个地面观测站对应的卫星降水估计值； n为实际用于构建降尺度降水模型的地面观测站个数； O -为所有观测站点观测降水数据的平均值； P -为所有观测站点对应的卫星降水估计值的平均值。

2 结果与分析

2.1 融合降尺度估算结果分析

利用基于ATPOK降尺度算法和GWRK校正算法构建的融合降尺度框架，并结合地面观测站点数据对降尺度的结果进行对比分析，青海地区50个站点的R2、RMSE、MAE以及Bias如表1所示。在年尺度上，GWR_TRMM和GWRK_TRMM在4项指标上均优于ATPOK_TRMM，这表明引入地表环境因子及地面观测站点数据能大幅提高TRMM 3B43数据降尺度的精度，并且三者均优于原始TRMM 3B43；在R2、RMSE及MAE 3项指标上，GWRK_TRMM也是优于GWR_TRMM，这说明对GWR模型残差进行OK插值是有效的，但从Bias项来看，OK插值并不“完美”。月尺度上的精度指标遵循着与年尺度相似的变化规律，即ATPOK_TRMM、GWR_TRMM、GWRK_TRMM都优于TRMM，GWR_TRMM和GWRK_ TRMM在4项指标上都优于ATPOK_TRMM，GWRK_ TRMM在除了Bias外的3项指标上均优于GWR_ TRMM。值得关注的是，融合降尺度框架估算结果的Bias项都是正值，表明融合降尺度框架估算并不能消除原始TRMM 3B43高估的情况。
表1 校准前后原始TRMM 3B43在年尺度和月尺度上的精度评价结果

Tab. 1 Evaluation results of precipitation data from original and downscaled TRMM 3B43 at annual and monthly scales

时间尺度 降水数据 精度评价指标
R2 Bias/% RMSE/mm MAE/mm
年尺度 TRMM 3B43 0.86 4.93 73.16 59.50
ATPOK_TRMM 0.89 4.78 64.64 51.85
GWR_TRMM 0.91 3.13 57.34 46.26
GWRK_TRMM 0.92 3.60 55.70 45.39
月尺度 TRMM 3B43 0.87 4.76 6.15 4.96
ATPOK_TRMM 0.89 4.77 5.44 4.32
GWR_TRMM 0.90 3.79 4.83 3.85
GWRK_TRMM 0.91 4.32 4.68 3.78

注：R2为决定系数；Bias为偏差；RMSE为均方根误差；MAE为平均绝对误差；TRMM 3B43为原始TRMM降水数据；ATPOK_TRMM为经过ATPOK降尺度后的降水数据；GWR_TRMM为对ATPOK_ TRMM降水数据经GWR回归后的降水数据；GWRK_TRMM为对GWR_TRMM降水数据经OK降尺度后的降水数据。

融合降尺度框架整体效果如图3所示。经过ATPOK算法降尺度后得到的ATPOK_TRMM（图3b）除了保留原始TRMM 3B43（图3a）降水空间分布格局外，更保持了与原始TRMM 3B43栅格值的一致性，且边缘位置更加平滑；经过GWR模型及地面观测站点数据校准（图3c），图像不会表现出明显的分层现象；对GWR模型残差项进行OK算法插值会受到极大值的影响，表现在东南雨水多的地方增大（图3d）。
图3 青海地区2009年7月降水降尺度结果对比

Fig. 3 Comparison of downscaled precipitation results in the Qinghai region in July 2009

2.2 青海地区月尺度降水变化规律

青海地区基于降尺度TRMM 3B43降水数据均值在年际上的变化趋势如图4所示。本研究选取2000—2019年的湿月（7月）和干月（12月）作为研究对象，统计结果为：在降水充足的7月，年际的平均月降水量从2000年的70 mm快速增长到2019年的95 mm，年际变化为1.25 mm·a-1，年际变化率为1.79%；在降水稀少的12月，年际的平均月降水量从2000年的1.5 mm增长到2019年的2.5 mm，年际变化率高达3.33%。
图4 青海地区基于降尺度TRMM 3B43月降水量年际变化

Fig. 4 Interannual variation of monthly precipitation based on downscaled TRMM 3B43 in the Qinghai region

2.3 青海地区年、月降尺度降水的空间分布特征

基于融合降尺度框架对2000—2019年TRMM 3B43降水数据进行空间降尺度估算的青海地区多年平均年降水量空间分布如图5所示。总体来说，青海地区降水呈现出自东南向西北逐级递减的空间分布特征。
图5 青海地区基于降尺度TRMM 3B43多年平均年降水量空间分布

Fig. 5 Spatial distribution of multi-year average annual precipitation based on downscaled TRMM 3B43 in the Qinghai region

青海地区基于降尺度TRMM 3B43降水数据多年平均逐月降水量在年降水量中所占比例的空间分布如图6所示。青海地区年内逐月降水存在明显的干湿月。从10月开始直到来年的4月，青海地区降水主要受西北季风影响而逐渐减少，月降水贡献率从10%锐减到不足1%再增加到10%，这些月份中，降水量最大的区域出现在青海西北部的柴达木盆地和东南部的三江源地区，柴达木盆地降水逐渐增加的可能原因是西北季风在逐渐增强，而东南部的三江源地区则是由于西南季风逐步退出。从5月开始到9月，青海地区降水主要受来自印度洋的西南季风影响。5月和9月的青海地区在西北季风和西南季风的共同影响下，降水开始增加，月降水贡献率也增加到了15%。从6月开始，随着西北季风影响消退，西南季风逐渐增强，青海地区降水从西南部开始增加并扩散至青海全境，月降水贡献率也在7月到达顶峰，贡献率在30%~46%之间，使得7月成为青海地区降雨量最丰沛的月份。
图6 青海地区基于降尺度TRMM 3B43多年平均逐月降水量对年降水量的贡献

Fig. 6 Contribution of multi-year average monthly precipitation from the downscaled TRMM 3B43 to annual precipitation in the Qinghai region

3 讨论

3.1 TRMM 3B43自身精度

虽然TRMM 3B43是同期“最优精度”的卫星遥感降水估算产品，但TRMM 3B43降水产品的整体准确性尚未经过全方位验证。其次，由于卫星数据采集的不完整性及TRMM 3B43降水反演算法本身有一定的不足，导致TRMM 3B43降水数据精度存在问题。正如图7所示，绝大多数地面观测站点存在TRMM降水估算值明显高于地面观测站点的观测值，尤其是在青海地区西北降水量稀少的地区，如在柴达木盆地，TRMM降水估算值偏差高达558%。
图7 青海地区基于地面观测站点和其所在的TRMM 3B43降水数据偏差分析

Fig. 7 Deviation by ground rain gauge observations and the corresponding TRMM 3B43 in the Qinghai region

3.2 NDVI时滞的影响

本研究在0.25°的空间分辨率下，通过计算NDVI与当月、前1个月及前2个月TRMM 3B43降水的最大相关系数，来研究青海地区NDVI对降水的滞后情况。表2列出逐月NDVI与当月、前1个月及前2个月TRMM 3B43降水的最大相关系数。NDVI响应降水变化存在一定的时滞现象，如5月NDVI与4月降水、6月NDVI与5月和4月降水、7月NDVI与5月降水存在显著的相关性；并且1月NDVI与11月降水、4月NDVI与3月降水、8月NDVI与6月降水、11月NDVI与9月降水、12月NDVI与10月降水也有相对明显的相关性。这说明NDVI对降水的响应存在1个月的时间滞后，最长能滞后2个月。可能的原因是：植被的生长受多种环境因子共同影响，不单单只有降水，可能温度、土壤等环境因子都有影响；而且单降水因素在植被生长不同阶段的贡献度也是不同的。
表2 青海地区逐月NDVI与同期、前1月、前2月TRMM 3B43降水的最大相关系数

Tab. 2 Max correlation coefficients between monthly NDVI and concurrent, previous 1 month, and previous 2 months TRMM 3B43 in the Qinghai region

月份 r N D V I - T 0 r N D V I - T 1 r N D V I - T 2
1 0.464 0.459 0.605
2 0.557 0.474 0.461
3 0.727 0.640 0.543
4 0.802 0.745 0.643
5 0.818 0.825 0.776
6 0.773 0.827 0.831
7 0.778 0.774 0.822
8 0.795 0.776 0.770
9 0.802 0.754 0.726
10 0.659 0.686 0.672
11 0.610 0.702 0.737
12 0.425 0.584 0.662

注： r N D V I - T 0、 r N D V I - T 1和 r N D V I - T 2分别表示NDVI与当月、前1个月和前2个月的TRMM3B43降水最大相关系数。

3.3 地形因子的影响

考虑到地形因子随时间演变非常缓慢，基本不会对降水的时变产生影响，故本研究只讨论降水与地形因子在空间上的分布规律。青海省基于TRMM 3B43降水与地形因子（DEM、坡度、坡向）在年尺度上相关系数变化趋势如图8所示。与TRMM降水数据空间相关性最高的地形因子是坡度因子，相关系数在0.6左右；其次是DEM因子，其相关系数约为0.4；而坡向因子与降水的相关性在0.1~0.3之间。
图8 青海地区TRMM 3B43与地形因子的相关系数年际变化趋势

Fig. 8 Interannual variation trend of correlation coefficients between TRMM 3B43 and topographic factors in the Qinghai region

4 结论

（1） 基于地面站点观测数据和对应的TRMM 3B43降水数据进行偏度分析，发现TRMM降水产品在青海地区整体上存在轻微高估。从空间分布上看，在青海中东部及南部地区，精度相对较高，平均偏差在10%以内；而在降水较少的西北部地区，其精度相对较低，平均偏差为193%。在年尺度上， R 2、RMSE、MAE和Bias对原始TRMM数据精度评价结果分别为0.86、4.93%、73.16 mm、59.50 mm。在月尺度上， R 2、RMSE、MAE和Bias对原始TRMM数据精度评价结果分别为0.87、4.76%、6.15 mm、4.96 mm。
（2） ATPOK空间降尺度算法有效地弥合了TRMM栅格与地面观测站点之间巨大尺度差异，经过ATPOK算法降尺度不仅得到2000—2019年青海地区1 km空间分辨率的降水数据，而且数据精度也有提升。年尺度上， R 2从0.86提升到0.89，Bias从4.93%下降到4.78%，RMSE从73.16 mm下降到64.64 mm，MAE从59.50 mm下降到51.85 mm；月尺度上， R 2从0.87提升到0.89，Bias未有下降，RMSE从6.15 mm下降到5.44 mm，MAE从4.96 mm下降到4.32 mm。
（3） 本研究采用的GWRK校正算法既考虑到降水与地表环境因子的空间非平稳性，又考虑到GWR模型残差的空间自相关性，结合了GWR模型和OK插值各自的优势，其最终获得的校准结果是准确且可靠的。从精度评定结果来看，除了Bias项，在 R 2、RMSE及MAE这3项指标上，GWRK的结果均高于GWR的结果。年尺度上，GWR的 R 2、RMSE、MAE及Bias分别是0.91、3.13%、57.34 mm、46.26 mm，GWRK的4项指标分别是0.92、3.60%、55.70 mm、45.39 mm。月尺度上，GWR的 R 2、RMSE、MAE及Bias分别是0.90、3.79%、4.83 mm、3.85 mm，GWRK的4项指标分别是0.91、4.32%、4.68 mm、3.78 mm。
（4） 通过分析湿月（7月）和干月（12月）的降尺度降水数据，发现青海地区降水量存在可观的增长趋势。另外，青海地区降雨量在年内变化显著，降雨主要集中在6—8月，其降雨量约占全年降雨量的80%以上。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Dobson A P, Bradshaw A D, Baker A J M. Hopes for the future: Restoration ecology and conservation biology[J]. Science, 1997, 277(5325): 515-522.

[2]
Immerzeel W, Lutz A F, Andrade M, et al. Importance and vulnerability of the world’s water towers[J]. Nature, 2020, 577(7790): 364-369.

[3]
Emanuel K. Increasing destructiveness of tropical cyclones over the past 30 years[J]. Nature, 2005, 436(7051): 686-688.

[4]
Goovaerts P. Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall[J]. Journal of Hydrology, 2000, 228(1): 113-129.

[5]
Langella G, Basile A, Bonfante A, et al. High-resolution space-time rainfall analysis using integrated ANN inference systems[J]. Journal of Hydrology, 2010, 387(3): 328-342.

[6]
Kummerow C, Hong Y, Olson W S, et al. The evolution of the Goddard profiling algorithm (GPROF) for rainfall estimation from passive microwave sensors[J]. Journal of Applied Meteorology, 2001, 40(11): 1801-1820.

[7]
Kummerow C, Simpson J, Thiele O, et al. The status of the tropical rainfall measuring mission (TRMM) after two years in orbit[J]. Journal of Applied Meteorology and Climatology, 2000, 39(12): 1965-1982.

[8]
Huffman G J, Bolvin D T, Nelkin E J, et al. The TRMM multisatellite precipitation analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales[J]. Journal of Hydrometeorology, 2007, 8(1): 38-55.

[9]
Kummerow C, Barnes W, Kozu T, et al. The tropical rainfall measuring mission (TRMM) sensor package[J]. Journal of Atmospheric and Oceanic Technology, 1998, 15(3): 809-817.

[10]
Huffman G J, Adler R F, Arkin P, et al. The global precipitation climatology project (GPCP) combined precipitation dataset[J]. Bulletin of the American Meteorological Society, 1997, 78(1): 5-20.

[11]
Adler R F, Huffman G J, Chang A, et al. The version-2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979-present)[J]. Journal of Hydrometeorology, 2003, 4(6): 1147-1167.

[12]
Huffman G J, Adler R F, Bolvin D T, et al. Improving the global precipitation record: GPCP version 2.1[J]. Geophysical Research Letters, 2009, 36(17): L17808, doi: 10.1029/2009GL040000.

[13]
Adler R F, Sapiano M R P, Huffman G J, et al. The global precipitation climatology project (GPCP) monthly analysis (new version 2.3) and a review of 2017 global precipitation[J]. Atmosphere, 2018, 9(4): 138, doi: 10.3390/atmos9040138.

[14]
Backer D, Billing T. Validating famine early warning systems network projections of food security in Africa, 2009—2020[J]. Global Food Security, 2021, 29: 100510, doi: 10.1016/j.gfs.2021.100510.

[15]
Smith E A, Asrar G, Furuhama Y, et al. Measuring precipitation from space[M]. Dordrecht: Springer, 2007: 611-653.

[16]
Kubota T, Shige S, Hashizume H, et al. Global precipitation map using satellite-borne microwave radiometers by the GSMaP project: Production and validation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(7): 2259-2275.

[17]
Huffman G J, Adler R F, Morrissey M M, et al. Global precipitation at one-degree daily resolution from multisatellite observations[J]. Journal of Hydrometeorology, 2001, 2(1): 36-50.

[18]
Xie P, Arkin P A. Global precipitation: A 17-year monthly analysis based on gauge observations, satellite estimates, and numerical model outputs[J]. Bulletin of the American Meteorological Society, 1997, 78(11): 2539-2558.

[19]
Muñoz-Sabater J, Dutra E, Agustí-Panareda A, et al. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications[J]. Earth System Science Data, 2021, 13(9): 4349-4383.

[20]
Okamoto K, Takahashi N, Iwanami K, et al. High precision and high resolution global precipitation map from satellite data[C]// IEEE. 2008 Microwave Radiometry and Remote Sensing of the Environment. Florence: IEEE, 2008: 1-4.

[21]
Joyce R J, Janowiak J E, Arkin P A, et al. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution[J]. Journal of Hydrometeorology, 2004, 5(3): 487-503.

[22]
Turk F J, Rohaly G D, Hawkins J, et al. Meteorological applications of precipitation estimation from combined SSM/I, TRMM and infrared geostationary satellite data[M]. London: CRC Press, 1999: 353-363.

[23]
Hsu K, Gao X, Sorooshian S, et al. Precipitation estimation from remotely sensed information using artificial neural networks[J]. Journal of Applied Meteorology and Climatology, 1997, 36(9): 1176-1190.

[24]
Huffman G J. Integrated multi-satellite retrievals for the global precipitation measurement (GPM) mission (IMERG)[M]. Cham: Springer, 2020: 343-353.

[25]
Immerzeel W, Rutten M, Droogers P. Spatial downscaling of TRMM precipitation using vegetative response on the Iberian Peninsula[J]. Remote Sensing of Environment, 2009, 113(2): 362-370.

[26]
Park N W. Spatial downscaling of TRMM precipitation using geostatistics and fine scale environmental variables[J]. Advances in Meteorology, 2013, 2013(1): 237126, doi: 10.1155/2013/237126.

[27]
Shi Y L, Song L. Spatial downscaling of monthly TRMM precipitation based on EVI and other geospatial variables over the Tibetan Plateau from 2001 to 2012[J]. Mountain Research and Development, 2015, 35(2): 180-194.

[28]
Ma Z Q, Shi Z, Zhou Y, et al. A spatial data mining algorithm for downscaling TMPA 3B43 V7 data over the Qinghai-Tibet Plateau with the effects of systematic anomalies removed[J]. Remote Sensing of Environment, 2017, 200: 378-395.

[29]
Mateus P, Borma L S, da Silva R D, et al. Assessment of two techniques to merge ground-based and TRMM rainfall measurements: A case study about Brazilian Amazon rainforest[J]. GIScience & Remote Sensing, 2016, 53(6): 689-706.

[30]
Duan Z, Bastiaanssen W G M. First results from version 7 TRMM 3B43 precipitation product in combination with a new downscaling-calibration procedure[J]. Remote Sensing of Environment, 2013, 131: 1-13.

[31]
Kyriakidis P C. A geostatistical framework for area-to-point spatial interpolation[J]. Geographical Analysis, 2004, 36(3): 259-289.

[32]
Goovaerts P. Combining areal and point data in geostatistical interpolation: Applications to soil science and medical geography[J]. Mathematical Geosciences, 2010, 42(5): 535-554.

PMID

[33]
Duan Z, Liu J Z, Tuo Y, et al. Evaluation of eight high spatial resolution gridded precipitation products in Adige Basin (Italy) at multiple temporal and spatial scales[J]. Science of the Total Environment, 2016, 573: 1536-1553.

[34]
Chen Y Y, Huang J F, Sheng S X, et al. A new downscaling-integration framework for high-resolution monthly precipitation estimates: Combining rain gauge observations, satellite-derived precipitation data and geographical ancillary data[J]. Remote Sensing of Environment, 2018, 214: 154-172.

[35]
李运龙, 熊立华, 闫磊. 基于地理权重回归克里金的降水数据融合及其在水文预报中的应用[J]. 长江流域资源与环境, 2017, 26(9): 1360-1369.

[Li Yunlong, Xiong Lihua, Yan Lei. A geographically weighted regression kriging approach for TRMM-rain gauge data merging and its application in hydrological forecasting[J]. Resources and Environment in the Yangtze Basin, 2017, 26(9): 1360-1369.]

[36]
Li X H, Zhang Q, Xu C Y. Suitability of the TRMM satellite rainfalls in driving a distributed hydrological model for water balance computations in Xinjiang catchment, Poyang Lake Basin[J]. Journal of Hydrology, 2012, 426: 28-38.

[37]
韩雅, 朱文博, 李双成. 基于GWR模型的中国NDVI与气候因子的相关分析[J]. 北京大学学报(自然科学版), 2016, 52(6): 1125-1133.

[Han Ya, Zhu Wenbo, Li Shuangcheng. Modelling Relationship between NDVI and climatic factors in China using geographically weighted regression[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2016, 52(6): 1125-1133.]

[38]
Xu S G, Wu C Y, Wang L, et al. A new satellite-based monthly precipitation downscaling algorithm with non-stationary relationship between precipitation and land surface characteristics[J]. Remote Sensing of Environment, 2015, 162: 119-140.

[39]
Foody G M. Geographical weighting as a further refinement to regression modelling: An example focused on the NDVI-rainfall relationship[J]. Remote Sensing of Environment, 2003, 88(3): 283-293.

Options
文章导航

/

〈 〉