EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 2: 66 - 79

DOI: https://doi.org/10.6046/zrzyyg.2023352

Downscaling of precipitation products based on the random forest and assessment of their hydrologic applicability

  • CHEN Duoyan ,
  • SHI Lan
Expand
  • School of Geographical Sciences, Nanjing University of Information Science and Technology, Nanjing 210044, China

Received date: 2023-11-14

  Revised date: 2024-01-04

  Online published: 2026-06-03

Fold

Abstract

Precipitation products, including the Global Precipitation Measurement (GPM) mission, have been widely used in river basin studies due to their advantages like continuous distributions and broad spatial ranges. However, they are limited by insufficient accuracy and low spatial resolution. Based on the random forest (RF), this study integrated multisource influencing factors to generate two daily precipitation products with high spatial resolution: RF1 and RF2. The two daily precipitation products were input to the Hydrologic Engineering Center’s Hydrologic Modeling System (HEC-HMS) model to simulate daily runoff changes in the Xinjiang River basin. Finally, this study assessed the contributions of RF1 and RF2 to the improvement of GPM’s hydrologic applicability. The results show that both RF1 and RF2 improved the accuracy and distribution details of GPM data. RF2 exhibited a higher correlation and lower error, whereas RF1 manifested superior performance in detecting precipitation events. The RF1-simulated runoff curves resembled GPM-derived curves, showing significant improvements. RF2 corrected partial GPM’s overestimates and more accurately revealed the peak values of real flow curves in some periods. However, the uneven distribution of monitoring stations affected RF2’s prediction in complex terrain areas, limiting its simulation accuracy. Overall, both RF1 and RF2 can effectively reflect daily precipitation changes in the Xinjiang River basin, improving GPM’s hydrologic applicability to varying degrees.

Key words： downscaling; GPM; random forest; runoff simulation; Xinjiang River basin

Cite this article

CHEN Duoyan , SHI Lan . Downscaling of precipitation products based on the random forest and assessment of their hydrologic applicability[J]. Remote Sensing for Natural Resources, 2025 , 37(2) : 66 -79 . DOI: 10.6046/zrzyyg.2023352

0 引言

降雨的时空分配影响了地面径流、土壤含水量等变化,是流域模型中非常重要的输入变量。随着降雨径流关系研究的深入,水文模型更多考虑到气象要素的空间分布。但由于地面观测站点易出现分布不均、过疏等局限性,难以展现气象要素的空间变异性,会对模拟准确度造成一定影响。以全球卫星降水计划(global precipitation measurement mission,GPM)和热带降雨测量任务卫星(tropical rainfall measuring mission,TRMM)等为代表的降水产品以时空连续、空间范围广等优势被应用于流域研究[1],Ibrahim等[2]发现将TRMM和GPM降水产品(integrated multi-satellite retrievals for GPM,GPM IMERG)数据与湄公河土壤和水评估工具(soil and water assessment tool,SWAT)模型相结合能够捕捉径流变化值; 刘冀等[3]和王书霞等[4]比较TRMM等多种卫星降水产品在流域径流模拟效果; 蔡洁连[5]模拟赣江流域发现在日降水方面IMERG-Final数据对降水空间分布捕捉最强; Ji等[6]以降水产品驱动模型模拟雅鲁藏布江水文过程后发现GPM有较高的水文应用潜力。
但对于分布式模型划分的小尺度子流域,卫星产品仍需要空间分辨率上的改进,否则会出现无法提取降水值或子流域内格点过少的情况,对展现流域降水空间分布细节十分不利。由于地形等影响,卫星产品观测时与处理过程中造成的误差也可能导致模拟结果较差。Lyu等[7]利用GPM等分别驱动模型并发现产品的不同特性会影响径流变化结果; 孙赫等[8]在雅鲁藏布江径流模拟过程中发现几类降水产品的误差特征会沿水文模型传递。对流域气象要素的数据质量提升能够有效改进模拟效果,范宏翔等[9]在鄱阳湖流域日径流研究中采用长短时记忆模型构建气象要素与径流量的关系提升效果; 张帆等[10]利用随机森林(random forests,RF)等多种机器学习方法改进洪水过程模拟效果。
对于卫星遥感产品,降尺度是提升数据质量的重要方法,一般有多元线性回归(multiple linear regression,MLR)、地理加权回归(geographically weighted regression,GWR)和RF等[11-12]。Ma等[13]假设地形与降水之间的关系提出地理移动窗口权重分解分析对GPM降尺度后输入赣江模型中改进模拟; 闵心怡等[14]将TRMM和GPM IMERG分别与站点实测降雨数据融合驱动HEC-HMS(the hydrologic engineering centers-hydrologic modeling system)模型从而优化预报精度; 田晶等[15]基于日偏差校正(daily bias correction,DBC)降尺度模型模拟汉江流域未来径流变化; 孙桂凯等[16]采用GWR提升GPM径流模拟的适用性; Zhao等[17]引入地形因子与降水季节特征构建机器学习降水融合模型提升降水产品精度并验证其在雅砻江逐日径流量模拟中有良好适用性。
HEC-HMS模型是近年来被广泛应用的分布式水文模型之一。Cheng等[18]验证了HEC-HMS在中国丘陵山区小流域的应用符合精度要求; Fanta等[19]对比HEC-HMS与SWAT模拟埃塞俄比亚托巴流域日径流变化情况时发现HEC-HMS有更好的精确度与平稳性; 廖如婷等[20]发现HEC-HMS能有效模拟短时和长时降雨径流过程; Fang等[21]提出的耦合HEC-HMS和RF算法的混合模型可以反映九龙江子流域的洪涝致灾过程细节。HEC-HMS模型考虑各子流域的要素变化情况,输入降水数据的精度影响最终的径流模拟结果。在以往研究中,一般采取全局回归的数据融合方式改进输入的降水产品,参与融合的环境因子较为单一,考虑到以多种辅助因子结合机器学习模型实现输入数据的降尺度的研究较少。故本文以卫星降水产品降尺度为侧重点,基于RF模型并融合地理位置、地形、风速、云量、地表温度和植被指数等多源辅助因子对信江流域汛期GPM日降水产品进行降尺度。得到1 km×1 km的日降水数据后,输入分布式水文模型HEC-HMS中完成信江流域2018—2020年汛期日径流量模拟,验证卫星产品数据精度的提升对流域模拟过程的改进。

1 研究区概况及数据源

1.1 研究区概况

信江流域是鄱阳湖流域子流域之一。流域内以山地丘陵为主,中游沿岸为信江盆地,其边缘地势由北、东、南三面逐渐向中间河谷平原降低,下游为地势平坦开阔的冲积平原(图1)。属亚热带季风湿润气候区且距离水汽源较近,雨量充沛且集中在4—7月,相较于鄱阳湖其他子流域,易发生强降雨[22]。但降水受地形影响较大,地区与季节上分布不均,形成暴雨多、范围广、强度大的特点,极易形成洪水。流域内多是由砂岩风化而成的红壤、棕壤,土地利用方式以森林、耕地为主,灌木林和湿地的面积占比较小[23]。近几十年来,在气候变化和人类活动的影响下,流域地表、地下水文和径流状况发生变化,给流域农业生产和人类生活造成了巨大损失[24]。流域内共包含国家级气象站点11个和水文站3个,其中流域内11个气象站点基本位于信江干流附近地形平坦地区,从整个流域来看分布不均匀,利用这些站点数据插值到整个流域尤其使地形复杂区势必会产生较大误差,影响径流模拟准确性; 信江流域包含弋阳站、铁路坪站和柏原站3个水文站点,站点较少,其中铁路坪站、柏泉站均位于地势较为复杂的支流并靠近多个流域边缘,考虑到模型构建过程中需要集成各子流域特性,本文选择以信江干流的弋阳站为流域出口位置生成流域模型,作为率定与验证的实测值。
图1 信江流域概况

Fig.1 Overview map of Xinjiang Basin

1.2 数据源及其预处理

采用的气象台站观测数据来源于中国气象数据网(http://data.cma.cn/),选取2018—2020年汛期4—7月研究区内及周围共21个国家基本气象站逐时降水观测数据订正、累加到日数据。水文站日径流量观测数据来源于《鄱阳湖流域水文年鉴》。本文采用2018—2020年汛期GPM IMERG数据集作为研究的卫星降水产品,空间分辨率为0.1°,时间分辨率为1 d。其中IMERG算法系统会运行多次,按时间顺序依次生成用于起初的降水估计的早期多卫星产品(Early)、发布时间为观测后12 h的后期多卫星产品(Later)与终期多卫星产品(Final),考虑到数据精度,本文中选择经过后期处理的Final数据为研究数据集,通过NASA-GSFC的降水处理系统(precipitation processing system,PPS)通过FTP方式(FTP://arthu-rhou.pps.eosdis.nasa.gov/)获得。
选取的数字高程模型(digital elevation model,DEM)为美国国家航空航天局(National Aeronautics and Space Administration,NASA)发布的全球30 m空间分辨率NASA DEM数据(https://earthdata.nasa.gov/esds/competitive-programs/measures/nasadem),经裁切、重采样到1 km空间分辨率并提取地形因子坡度、地形起伏度、地形切割度、地形位置指数、地形曲率。土地利用数据来源于基于Sentinel-1和Sentinel-2数据共同制作的全球10 m土地覆盖产品ESA World Cover数据集。土壤数据来自于由中国科学院南京土壤研究所经数字化编辑的精度为30 m的数字化产品。归一化植被指数(normalized difference vegetation index,NDVI)数据来源于中国月度1 km植被指数空间分布数据集[25]与美国NASA定期发布的MODIS数据集下MOD13A3产品[26]合成的1 km×1 km月尺度数据。地表温度(land surface temperature,LST)数据来源于MOD11A2产品,空间分辨率为1 km,时间分辨率为8 d,经过提取子数据集、拼接、投影栅格、换算得到对应的LST年平均数据。云量数据来源于MYD06_L2云产品(https://ladsweb.modaps.eosdis.nasa.gov/archive/allData/61/MYD06_L2),空间分辨率为1 km/5 km,经过投影、拼接、裁切后累加并平均得到对应月份的1 km空间分辨率平均云量。风速数据源为美国国家气候数据中心(ftp://ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite/)鄱阳湖流域及周边站点的平均风速资料进行插值得到1 km空间分辨率的各月风速数据。

2 研究方法

2.1 降水产品降尺度方法

2.1.1 影响因子选取

信江流域位于中国东部地区,降水与东亚夏季风密切相关,汛期降雨的影响因子复杂,全球增暖,海面蒸发增强,大气系统容纳的水汽能力增加是引起极端降水增加的直接因素,直接导致了信江流域受到来自海洋强水汽输送[27]。信江流域地形呈东、南、北三面向中部河谷平原不断降低的趋势,对水汽有一定的阻碍作用,因此地理位置、地形及下垫面等因子对该地区水汽输送与降水分布有影响。温度影响土壤湿度、地面的蒸散与陆面热力性质的变化,同时研究表明降水过程影响着地温、风速、云量等气象要素的相关变化[28-29],造成与流域土壤湿度、蒸散发情况密切相关的植被覆盖的改变。因此本文降尺度过程中,采用引入地理位置(经度)、地形(海拔、坡度、地形起伏度、地形切割度、地形位置指数、地形曲率)、风速、云量、地表温度及NDVI等多方面影响因子[30-31],用于改进GPM日降水分布数据。

2.1.2 地形因子降维

选取的地形因子(海拔、坡度、地形起伏度、地形切割度、地形位置指数、地形曲率)输入降尺度模型时,可能存在较强相关性,故对其进行降维以消除变量间的重复信息。主成分分析(principal component analysis,PCA)通过正交变换将多个存在相关性的变量转换为少数几个不相关的综合变量,可有效降低分析问题的复杂性,并尽可能保留原始变量的信息。对于具有n组观测数据的p个原始指标变量xi=(xi1,xi2,…,xip)T,其中i=1,2,…,n,PCA通过原始指标标准化变换、计算标准化的相关系数阵及其特征值和特征向量等步骤,得到新的主成分变量[17]。

2.1.3 融合站点信息的RF降尺度模型

RF是一种基于分类和回归树(classification and regression tree,CART)的机器学习模型。CART在回归分析中,向量Y表示变量矩阵X中每个观察值的响应值。矩阵X和向量Y可以分裂成不同的子集来回归具有一定数量节点的树,通过建立模型解释X和Y之间的关系,以采样数据预测Y。对模型结果影响较大的参数主要有决策树数目ntree和指定节点中用于二叉树的变量个数mtry,一般来说mtry取值默认为输入变量个数的二次方根或三分之一,对效果影响不大[32-33]。在模型构建过程中,采用Bootstrao法在N个总样本中有放回地随机抽取得到多个样本子集ntree,每个样本子集生成一个决策树并在每个节点选择mtry参数; 未被抽取的样本组成袋外数据,对于每个决策树可以得到袋外数据的误差估计,对其取平均作为RF的误差估计,判断模型构建的好坏[34],并因此对决策树数目ntree进行遍历寻优。
为了细化GPM在分布式模型各子流域的空间分布并提升其在水文模型中的适用性,本文将日降水数据与降维后的地形因子、地理位置、NDVI、风速、云量和地表温度数据输入RF模型,在Python环境下建立降水量与其他因子之间的关系。以0.1°×0.1°格点对应位置的GPM降水资料与影响因子作为训练集建立RF回归模型,输入高分辨率的与解释因子生成1 km×1 km的新降水数据集RF1; 为评价研究区内站点对降水数据集的校正作用,同时本文对常用RF降尺度模型与融合站点信息的模型进行改进与对比,在已有解释因子的基础上加入站点降水观测日值建立训练集并参与模型,调整参数得到融合站点信息的1 km×1 km的新降水数据集RF2,比较RF1与改进后的RF2对GPM的精度提升效果与对降水的预测能力,对高精度数据RF1和RF2进行精度评价与水文模拟效果的对比。

2.2 降尺度精度评价

对于评价初始与改进后的卫星降水产品在研究区的适用性,采用相关系数(correlation coefficient,CC)、均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)3项指标评价卫星降水数据与地面测站数据的数值一致性,衡量卫星降水产品与实测降水的密切程度和偏离程度等; 由于径流流量等的变化与短时间内降水量相关,所以对卫星产品对日降水事件探测能力进行评价,通过探测率(probability of detection,POD)、空报率(false alarm ratio,FAR)和探测精确度(accuracy,ACC)这3项评价指标来检验[35-36],公式为:
C C = ∑ i = 1 n ( X i - X - ) ( Y i - Y - ) ∑ i = 1 n ( X i - Y i ) 2 / n ,
R M S E = ∑ i = 1 n ( X i - Y i ) 2 / n ,
M A E = ∑ i = 1 n X i - Y i / n ,
P O D = H / ( H + M ) ,
F A R = F / ( H + F ) ,
A C C = ( H + C ) / ( H + M + F + C ) ,
式中: X i为卫星降水产品在站点处观测到的降水量; Y i为站点实际观测到的降水值; X -与 Y -分别为卫星产品与站点观测的均值; 在对应降水阈值下,H为卫星降水产品能够精确的探测到所发生的降水事件的次数; F为卫星降水产品错报的降水事件的次数; M为卫星降水产品漏掉未报的降水事件的次数; C为卫星降水产品与站点实测均没有观察到的降水事件的次数。

2.3 HEC-HMS模型构建

2.3.1 模型原理

选取HEC-HMS作为降尺度后的降水数据驱动径流模的模型。将研究区域划分成若干子流域,分别考虑各个子流域不同的降水分布和下垫面差异,选择相应的子流域参数进行降水径流过程模拟计算,至流域出口完成径流过程模拟,适用于不同地理区域及不同流域尺度的各种水文问题计算。利用HEC-HMS模型计算每个子流域的产流和汇流(包括坡面汇流和河道汇流),然后再演算至出口断面,得到模拟的降雨-径流过程线。其计算过程主要分为4部分,即产流计算、直接径流计算、基流计算和河道汇流计算。本文所选方法分别为SCS曲线数法、斯奈德单位线法、指数衰退法和马斯京根法(表1)[37]。
表1 HEC-HMS模型计算方法选择

Tab.1 HEC-HMS calculation method selection

计算模块 计算方法 方法原理与输入参数
产流计算 SCS曲线数法 根据累积降雨量、土地利用方式、土壤类型以及前期土壤含水量等条件模拟计算产流量,由土壤最大蓄水能力与流域特征的关系引入参数CN
直接径流计算 斯奈德单位线法 通过收集某集水区的降雨和径流资料,算出单位线,单位线峰现时间与流量滞时tlag有关
基流计算 指数衰退法 假设集水区任意时刻的基流量和初始基流存在某种关系,由流量成分取值衰减常数k
河道汇流计算 马斯京根法 将马斯京根槽蓄曲线方程和水量平衡方程联合演算出马斯京根流量演算方程,需要输入蓄量常数K和流量比重因子x

2.3.2 模型构建

基于ArcGIS10.8软件结合HEC-GeoHMS模块对DEM进行预处理与基本水文分析,完成填洼、水流方向计算、汇流量累积和河网提取等,以弋阳站为流域出口位置,生成数字流域并划分子流域。在创建气象模块时,由于子流域面积不一,气象站分布不均,所以根据泰森多边形法计算每个子流域中气象站点控制的面积比与权重。最后通过HEC-DSSVue软件将步长为1 d的实测降雨数据添加到HEC-HMS软件中,建立气象模型并进行参数率定。

2.3.3 研究时段确定与参数率定

考虑到信江流域位于湿润区,径流变化主要由降水事件导致,故以降水事件为基础、以15 d为周期确定2018—2020年汛期降雨-径流场次,采用弋阳站逐日径流量数据及范围内气象站逐日降雨资料进行径流模拟,将2018—2019年4—7月场次作为模型的率定期。为了使HEC-HMS模型在信江流域模拟精度达到最优,选用模型自动率定程序与人工试错结合对其参数进行率定,使优化参数后的该模型适用于研究区的径流模拟。根据DEM、土地利用和土壤数据确定参数初值后,对CN值、不透水率、流量滞时tlag、衰减系数k、蓄量常数K和流量比重因子x进行率定[38-39]。
根据率定的HEC-HMS模型及参数,以2020年4—7月所有降雨径流事件作为验证。通过验证后,筛选出率定期和验证期所有符合预测标准的场次作为研究时段,利用2种改进过程的高精度卫星数据与GPM分别输入模型进行模拟,比较模型模拟精度。对模拟结果与实测资料之间的拟合度的评价指标一般为Nash-Sutcliffe效率系数(RNS)、相关系数(RCC),对输入的卫星降雨数据相对于地面雨量观测数据的精度进行评估[40]。计算公式分别为:
R N S = 1 - ∑ i = 1 n ( Y s i m , i - Y o b s , i ) 2 ∑ i = 1 n ( Y - o b s , i - Y o b s , i ) 2 ,
R C C = ∑ i = 1 n ( Y o b s , i - Y - o b s , i ) ( Y s i m , i - Y - s i m , i ) ∑ i = 1 n ( Y o b s , i - Y - o b s , i ) 2 ∑ i = 1 n ( Y s i m , i - Y - s i m , i ) 2 ,
式中: Y s i m , i和 Y o b s , i分别为由HEC-HMS模型模拟得到和水文站实际观测到的径流量; Y - s i m , i 和 Y - o b s , i分别为模拟与实际径流量的均值。

3 结果与分析

3.1 地形因子降维

为全面表达地形因子对区域降水的影响,选取高程、坡度、地形起伏度、地形切割度、地形位置指数和地形曲率6个地形因子。由相关系数计算结果(表2)可知,部分地形因子存在较强的相关性,如海拔和地形起伏度、地形切割度呈现显著的正相关,说明多个地形因子中包含信息冗余,可能对后续研究产生不利影响。为此使用PCA法对地形因子进行降维,消除各变量的相关性。
表2 各地形因子的相关系数

Tab.2 Correlation coefficients between topographic factors

地形因子 海拔 坡度 地形起伏度 地形切割度 地形位置指数 地形曲率
海拔 1.000**① 0.718** 0.819** 0.858** 0.314** 0.544**
坡度 1.000** 0.920** 0.886** 0.011** 0.614**
地形起伏度 1.000** 0.958** 0.044** 0.670**
地形切割度 1.000** 0.088** 0.614**
地形位置指数 1.000** -0.079**
地形曲率 1.000**

①**表示通过0.01水平的显著性水平检验。

在计算中前2个主成分分量的累积方差贡献率达86.528%,故可用其替代原始变量,以2个主成分变量F1和F2表达所有地形因子。将特征贡献率作为系数,对应的指标作为自变量,可以得出每一个主成分分量的计算表达式分别为:
F 1 = 0.438   4 X 1 + 0.456   9 X 2 + 0.482   2 X 3 + 0.478   0 X 4 + 0.057   4 X 5 + 0.367   1 X 6 ,
F 2 = 0.265   2 X 1 - 0.101   2 X 2 - 0.060   3 X 3 + 0.004   5 X 4 + 0.920   6 X 5 - 0.261   3 X 6 。

3.2 基于RF的遥感降水产品降尺度精度分析

将降维后的地形因子与经度、风速、云量、地表温度、NDVI等影响因子分别输入2类RF模型中,进行参数调优后得到经过降尺度的日降水数据RF1与融合站点信息的日降水数据RF2。与GPM数据相比,RF1和RF2弥补了边缘锯齿状等问题,细化了空间分布。从空间分布趋势来看(图2),RF1与GPM数据保持一致,4—6月呈现南北分布趋势,7月低值区位于中部平原地区而高值区位于南北山区,RF1数据降水空间分布细节的表现能力更强且边缘更加平滑。融合站点实测资料的RF2在分布趋势上与GPM和RF1不同,与流域高程分布(图1)对比可见,RF2分布趋势与地形变化相似,4—7月低值区位于流域中部信江盆地,沿信江干流即气象站点主要分布区域的降水分布细节表达更明显,数值明显降低,南北山区普遍降水值高于中部平原地区,且与站点实测值分布规律更相近,可能与RF2模型中实测值与地形因子对降雨的影响重要性较高有关。与RF2相比,GPM与RF1在降雨低值区均有高估现象并未得到校正,主要体现在汛期4—6月。总体来看,3种产品在月尺度上变化趋势上相似,4—7月降水量逐渐增加,符合流域内实际降水量波动情况。在细节表达上,RF1和RF2均有明显提升,需要结合观测值进行评价。
图2 GPM,RF1及RF2汛期各月平均降水量空间分布

Fig.2 Spatial distribution of average monthly precipitation in flood season for GPM, RF1 and RF2

为了具体分析3种降水产品在不同月份监测能力的差异性,本文对部分采样点日降雨量划分为小雨及无雨(<10 mm)、中雨([10~25) mm)、大雨([25~50) mm)和暴雨(≥50 mm)4个等级,分析3种产品对不同等级雨量的监测能力。由散点分布图(图3)可知,3种产品对小雨或无雨事件容易出现高估,在小雨级别经站点校正的RF2表现优秀,但容易误判无雨事件,可能由于RF2对微量降雨的捕捉有所上升而意外造成对无雨事件的错误识别; 在暴雨级别RF2和RF1延续了GPM对极端强降雨的高估,在总体趋势上3种产品基本一致,但RF2对极端强降雨事件的预测更为准确。
图3 不同雨量等级下降水预测值分布散点图

Fig.3 Scatter diagram of the predicted value distribution of falling water in different rainfall classes

通过表3中对3种日降水数据精度评价指标计算结果(CC,MAE,RMSE)可知,RF1与RF2降水结果与实测值的相关性较GPM有一定提升,对卫星产品的误差起到一定程度的修正。从不同月份精度评价指标均值(如图4所示)来看,GPM在4月普遍估计最好,CC为0.8,在5月相关性最差,最易发生极端降雨事件的6月和7月相关性都在0.7左右; 在4月MAE和RMSE都呈最低值而7月都出现最高值,与降水量变化有关,由于地形、观测误差等GPM在夏季容易对降水量低估; RF1和RF2结果与GPM呈现一致的趋势,都在4月表现性能最好而在夏季降水丰富的月份估计较不稳定,但对数据起到不同程度的修正。RF1在3项指标上,除7月MAE值更高外,其他月份CC值均上升、RMSE与MAE值均降低,但幅度较小; RF2在2项指标上呈现显著的改进效果,其中4月与7月的CC值提升最优,分别达0.84和0.79,MAE和RMSE相较于GPM与RF1都明显降低。在数据精度提升效果方面,RF2>RF1,可见融合站点资料能够校正卫星观测误差,避免其通过降尺度过程延续。
表3 不同产品日降水精度与降水事件探测能力评价

Tab.3 Evaluation of daily precipitation accuracy and precipitation event detection ability of products

产品 精度评价指标 日降水
事件		 探测
能力		 评价
指标
CC MAE/mm RMSE/mm POD FAR ACC
GPM 0.696 6.833 14.894 0.772 0.448 0.523
RF1 0.717 6.766 14.141 0.970 0.438 0.564
RF2 0.779 5.480 11.991 0.871 0.451 0.530
图4 日降水产品分月精度比较

Fig.4 Comparison of monthly precision of daily precipitation products

为了综合分析各评价指标在研究区的分布状况,绘制基于验证点得到的各评价指标空间分布图(图5),颜色越深代表指标值越佳。如图5前三排精度评价指标空间分布所示,RF1和RF2在各验证点的CC和RMSE优于GPM。RF2的MAE普遍偏小,改进了GPM在各验证点的误差。除GPM和RF1在验证点MAE较差外,3种产品验证点在研究区中部与东部平原区精度较高,这可能与地形复杂程度有关。南、北地区降水受下垫面和地形地貌的影响,卫星传感器在该地区的探测精度受到较大的干扰,因此造成降水产品的精度有所下降。
图5 GPM,RF1和RF2各评价指标空间分布

Fig.5 Spatial distribution of evaluation indexes of GPM, RF1 and RF2

通过表3中3种产品日降水事件探测能力评价结果(POD,FAR,ACC)可知,RF1和RF2在POD方面均得到改善,尤其是RF1的POD均值达0.97。在FAR和ACC方面RF1和RF2与GPM质量相当。RF1相较于GPM空报率下降、探测精度有小幅度的提升; RF2在ACC方面有一定改善,但FAR上稍高,可能与模型预测过程中对无雨事件的误判导致。总体上看,RF1与RF2优化了卫星产品的估算能力,虽然在降水事件探测能力各方面提升还不全面,但一定程度上改进了卫星产品的质量,其中改进效果RF1优于RF2。从图5后三排降水事件探测能力评价指标空间分布来看,RF1相较于GPM在对降水事件成功探测率方面各站点均表现优秀,POD>0.95; RF2较GPM探测率有所升高,改进了GPM在部分验证点位置探测能力,但提升效果不如RF1,究其原因可能与模型计算时融合站点降水资料而带来对无雨事件的误判有关。在FAR上,RF1表现更好,RF1和RF2对研究区西部验证点改进效果明显。ACC方面,RF1高于GPM与RF2,表现出良好的日降水事件探测精确度。

3.3 基于改进的降雨数据的径流模拟结果分析

以信江干流的弋阳站为流域出口位置生成数字流域并建立气象模型,图6为HEC-GeoHMS生成的研究区子流域划分结果与各气象站控制范围示意图,子流域自动编号分别为W440—W690。由于站点分布集中在信江干流,各气象站点对流域的控制面积不一。
图6 子流域划分与气象站控制范围示意图

Fig.6 Schematic diagram of sub watershed division and meteorological station control range

表4为弋阳站率定期与验证期各场次GPM,RF1和RF2驱动模型径流模拟的精度评估结果。关于降水产品参与模拟的时段确定,对研究范围内所有降水-径流过程进行模拟后,验证期2020年4—7月共5个场次的模拟结果符合标准。率定期个别场次率定期模拟结果虽RNS达到预报水平,但避免影响GPM,RF1和RF2模拟进行剔除。最后共筛选出率定期与验证期所有符合预报水平的(本研究中以RNS>0.5为判定标准)共计16个场次,并以起始日进行命名,以卫星产品驱动径流模拟。基于通过验证的系数,GPM及降尺度后的2种降水产品RF1和RF2模拟结果的RNS和RCC评估见表4。由系数可知除个别场次,3种产品的模拟精度较好,验证了参数率定后模型的可行性,例如20180511,20190423,20200524等场次相较于实测降水资料模拟大幅提升。但对不同的月份,RNS变化较大,如20190617,20200418和20200524这3个时段,GPM,RF1和RF2的RNS远低于实测模拟结果,不满足预报标准,准确度与稳定度不佳。
表4 弋阳站GPM,RF1,RF2径流模拟精度评估

Tab.4 Evaluation of hydrological simulation accuracy of GPM,RF1 and RF2 in Yiyang Station

场次 参数 GPM RF1 RF2 场次 参数 GPM RF1 RF2
率
定
期		 20180410 RNS 0.697 0.689 0.499 20190423 RNS 0.806 0.851 0.546
RCC 0.892 0.870 0.754 RCC 0.915 0.938 0.854
20180511 RNS 0.870 0.909 0.751 20190516 RNS 0.509 0.643 -0.459
RCC 0.943 0.959 0.937 RCC 0.877 0.904 0.855
20180526 RNS 0.427 0.495 0.304 20190531 RNS 0.703 0.791 0.822
RCC 0.764 0.779 0.874 RCC 0.887 0.898 0.907
20180610 RNS 0.414 0.433 0.631 20190617 RNS 0.218 0.363 -0.196
RCC 0.836 0.836 0.936 RCC 0.800 0.854 0.724
20180630 RNS 0.644 0.667 0.367 20190703 RNS 0.377 0.435 0.523
RCC 0.965 0.970 0.883 RCC 0.788 0.790 0.746
20190401 RNS 0.712 0.788 -0.117
RCC 0.910 0.923 0.848
验
证
期		 20200418 RNS -0.169 0.062 -0.658 20200608 RNS 0.289 0.773 0.110
RCC 0.727 0.709 0.746 RCC 0.956 0.972 0.947
20200509 RNS -3.681 -1.988 -4.469 20200629 RNS 0.600 0.610 0.618
RCC 0.163 0.312 0.166 RCC 0.879 0.872 0.867
20200524 RNS 0.608 0.712 0.893
RCC 0.977 0.963 0.989
模拟精度上看,RF1基本优于GPM且两者变化趋势基本保持一致,可以推测出RF1模型在提升GPM分辨率的同时也优化了GPM在水文模型中的适用性,尤其是20180511和20190423等时段RNS>0.85,RCC同样保持较好水平; 但融合了站点信息的RF2模拟精度容易出现极端情况,在20180610,20190531,20190703和20200524等时段较GPM与RF1的模拟精度有较大提升,在20160526,20180630,20190401和20190617等时段较GPM有明显降低,可能来自于卫星自身误差与站点分布不均导致校正效果在不同子流域内出现明显差异这2种情况的共同作用,需要结合日径流量变化曲线进行分析。
为了分析RF1和RF2较GPM模拟径流曲线与实测径流拟合情况,并考虑到RF2模拟精度不稳定,图7—8分别为以RNS为标准弋阳站在RF2较GPM模拟精度提升与下降的时段模拟结果与实测结果的对比结果。综合来看,采用GPM,RF1和RF2这3种产品模拟径流得到的流量曲线在峰形上与实测降雨模拟结果大体一致,在20180511和20190423等时段高峰区接近实际流量峰值点; 但表现出整体上对流量的高估,导致如20200418和20200509这2个时段的预测效果不佳,并出现了峰值点滞后或提前的情况,在低值区浮动时存在一定差异,易远超于实际流量。虽然洪峰基本一致,但在20190531等时段晚于实际流量曲线峰值点1~2 d,且在低值区表现出实际径流未有的起伏; 20190617出现峰值的提前,可能与日值资料时间尺度有关。经过降尺度后的RF1,RF2与GPM相比,RF1与GPM径流曲线峰形更接近,且一定程度上修正了GPM的高估现象,如20200608时段降低了GPM对径流量峰值的显著高估、更接近平均径流量,RNS提升至3倍; 在20200418等降水产品整体模拟效果不佳的场次也最接近实际径流变化。总体上RF1延续了GPM降水模拟的特征,其原因在于RF1与GPM降水分布趋势十分接近,但在子流域降雨值提取时修正了部分因为空间分辨率不适配造成的误差,且融合了地形等多源辅助因子,优化了GPM在地形复杂区的分布细节。
图7 模拟结果与实测结果对比(RF2较GPM模拟较好场次)

Fig.7 Comparison of simulation results and measured results

图8 模拟结果与实测结果对比(RF2较GPM模拟较差场次)

Fig.8 Comparison of simulation results and measured results

融合了站点信息的RF2模拟结果存在一定的不稳定性,曲线形状基本延续GPM的特征。如图7所示,由于站点的校正作用,RF2在部分场次如20180610和20200524等的高峰区较GPM和RF1更接近实测流量曲线,对小峰值和峰谷的捕捉更为精准,降低了GPM和RF1的高估,且由于对GPM卫星产品特征的传递也修正了气象站点不连续的空间分布缺陷,细化降水空间分布情况并提升了GPM在水文模型中的适用性。对于不同场次,降水产品的模拟效果存在差异,尤其对于高值区的捕捉更为准确,可能与研究区降水的时间分布不均有关。结合径流曲线与模拟精度分析可知,2019年5—7月和2020年6月的时段径流量曲线出现急剧增加的峰值且峰值达3 000 m3/s以上,可能由于强降雨事件导致,3种卫星产品的模拟精度均处于较好水平,与图5中GPM,RF1和RF2的CC表现一致,尤其是RF2对平均径流量估测的表现均优于GPM,在如20200524等时段有效修正了GPM和RF1对峰值的高估,展现出前文所述的RF2在降水丰富的6月和7月对GPM精度提升作用。
但如图8所示,RF2在部分场次精度提升效果不佳,主要原因是在RF2对径流曲线低值区小峰值的模拟较差,明显高估了径流量。经过与降水分布相结合分析猜测是: 其一,由雨量分级散点图(图3)与POD指数(表3)可以看出,RF2经校正后数据精度提高,但增加了对无雨事件的错判,影响RF2对降水事件的捕捉能力提升,所以降雨时观测到的降水量容易出现异于子流域真实均值的情况; 其二,地形与降水存在一定相关关系,而站点位置大多处于流域中部平原区(图1),在RF2模型中影响了地形复杂区的预测。GPM与RF1模拟出的径流曲线精度较优; RF2结合了站点实测资料与卫星降水产品的多种特征,融合站点信息起到一定校正作用但在部分时段也延续了站点分布不均而造成的缺陷。

4 结论

以信江流域为研究区域,引入高分辨率的地理位置、地形、风速、云量、地表温度及NDVI等作为解释因子建立RF降尺度模型对GPM IMERG日降水产品进行质量的提升,并对2种降水产品RF1和RF2进行精度与降水事件探测能力的评价; 再将GPM,RF1与RF2分别输入HEC-HMS模型中完成径流模拟,得到3种数据集的日径流量变化曲线并进行分析,评价RF1与RF2对GPM在径流模拟中适用性的改进作用。得到的结论如下:
1)比较RF1和RF2降尺度结果可知,以多源解释因子与GPM预测得到的RF1和RF2对降水分布细节进行了优化,提高了降水探测能力,其中未融合站点信息的RF1保留了GPM的分布特征。在精度提升效果上RF2>RF1,日尺度相关系数CC达0.78,RMSE和MAE误差值下降,这与RF2融合了站点信息有关; 但RF2对日降水事件探测的命中率不如RF1。GPM,RF1与RF2在不同月份精度评价结果有所差异,其中7月预测效果较差,可能与GPM对强降雨的探测能力有关。
2)以GPM,RF1与RF2分别驱动HEC-HMS模型完成日径流量曲线的模拟,RF1提升了GPM的模拟适用性,虽继承了GPM高估的特点但在高峰值区比GPM更接近真值; 由于气象站点集中在地势平坦的河谷平原,部分时段融合了站点信息的RF2在地形复杂区的预测准确度受到了影响,并且提升了各雨量级数据精度的同时也易对无雨事件易造成误判,命中率受影响,影响了RF2对子流域降水预测的稳定性,但在强降雨导致的径流量剧增等情况下,RF2对平均径流量的估测更为准确,且降低了GPM在径流曲线峰值区的部分高估。总体上,经过质量提升后的RF1和RF2不同程度上优化了GPM作为输入降水数据在HES-HMS模型中的适用性。
3)经过分析发现,在降尺度过程中融合站点信息能够明显提升降水产品数据质量,校正由地形等造成的卫星观测误差,但当研究区域存在站点分布不均、流域内站点密度小等问题,会对预测结果与水文模拟有影响,后期会再择其他子流域进行计算对比,寻找降尺度模型优化思路。降雨是径流量变化的重要影响因子,通过本文研究发现选择时间分辨率更高的产品捕捉流量变化,径流模拟效果应有较大的提升,后期可以再做进一步实验改进。同时本文径流模拟研究序列较短,用于验证的样本较少,后续研究中可以增加率定与验证场次。此外,根据实际站点分布或卫星对不同级别雨量观测能力的不同进行模型的优化,也是后续研究中对模型改进的一条思路。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李媛媛, 宁少尉, 丁伟, 等. 最新GPM降水数据在黄河流域的精度评估[J]. 国土资源遥感, 2019, 31(1):164-170.doi:10.6046/gtzyyg/2019.01.22.

Li Y Y, Ning S W, Ding W, et al. The evaluation of latest GPM-Era precipitation data in Yellow River basin[J]. Remote Sensing for Land and Resources, 2019, 31(1):164-170.doi:10.6046/gtzyyg/2019.01.22.

[2]
Mohammed I N, Bolten J D, Srinivasan R, et al. Improved hydrological decision support system for the lower Mekong River Basin using satellite-based earth observations[J]. Remote Sensing, 2018, 10(6):885.

DOI PMID

[3]
刘冀, 孙周亮, 张特, 等. 基于不同卫星降雨产品的澴水花园流域径流模拟比较研究[J]. 长江流域资源与环境, 2018, 27(11):2558-2567.

Liu J, Sun Z L, Zhang T, et al. Hydrological evaluations of runoff simulations based on multiple satellite precipitation products over the Huayuan catchment[J]. Resources and Environment in the Yangtze Basin, 2018, 27(11):2558-2567.

[4]
王书霞, 张利平, 喻笑勇, 等. 遥感降水产品在澜沧江流域径流模拟中的适用性研究[J]. 长江流域资源与环境, 2019, 28(6):1365-1374.

Wang S X, Zhang L P, Yu X Y, et al. Application of remote sensing precipitation products in runoff simulation over the Lancang River Basin[J]. Resources and Environment in the Yangtze Basin, 2019, 28(6):1365-1374.

[5]
蔡洁连. 基于VIC模型的卫星降水产品在赣江流域的应用研究[D]. 南宁: 南宁师范大学, 2021.

Cai L J. Research on the applicability of satellite precipitation products based on VIC model in Ganjiang basin[D]. Nanning: Nanning Normal University, 2021.

[6]
Ji H Y, Peng D Z, Gu Y, et al. Evaluation of multiple satellite precipitation products and their potential utilities in the Yarlung Zangbo River Basin[J]. Scientific Reports, 2022, 12:13334.

DOI PMID

[7]
Lyu A F, Qi S S, Wang G S. Multi-model driven by diverse precipitation datasets increases confidence in identifying dominant factors for runoff change in a subbasin of the Qaidam Basin of China[J]. Science of the Total Environment, 2022, 802:149831.

[8]
孙赫, 苏凤阁. 雅鲁藏布江流域多源降水产品评估及其在水文模拟中的应用[J]. 地理科学进展, 2020, 39(7):1126-1139.

DOI

Sun H, Su F G. Evaluation of multiple precipitation datasets and their potential utilities in hydrologic modeling over the Yarlung Zangbo River Basin[J]. Progress in Geography, 2020, 39(7):1126-1139.

DOI

[9]
范宏翔, 何菡丹, 徐力刚, 等. 基于长短记忆模型的鄱阳湖流域径流模拟及其演变的归因分析[J]. 湖泊科学, 2021, 33(3):866-878.

Fan H X, He H D, Xu L G, et al. Simulation and attribution analysis based on the long-short-term-memory network for detecting the dominant cause of runoff variation in the Lake Poyang Basin[J]. Journal of Lake Sciences, 2021, 33(3) :866-878.

[10]
张帆, 张永勇, 陈俊旭, 等. 多种机器学习模型对不同洪水类型特征指标模拟效果评估[J]. 地理科学进展, 2022, 41(7):1239-1250.

DOI

Zhang F, Zhang Y Y, Chen J X, et al. Performance of multiple machine learning model simulation of process characteristic indicators of different flood types[J]. Progress in Geography, 2022, 41(7):1239-1250.

DOI

[11]
范田亿, 张翔, 黄兵, 等. 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 T Y, Zhang X, Huang B, et al. 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.

[12]
杜懿, 王大洋, 王大刚. GPM卫星降水产品空间降尺度研究——以贵州省为例[J]. 自然资源遥感, 2021, 33(4):111-120.doi:10.6046/zrzyyg.2021009.

Du Y, Wang D Y, Wang D G. Spatial downscaling of GPM precipitation products:A case study of Guizhou Province[J]. Remote Sensing for Natural Resources, 2021, 33(4):111-120.doi:10.6046/zrzyyg.2021009.

[13]
Ma Z, Tan X, Yang Y, et al. The first comparisons of IMERG and the downscaled results based on IMERG in hydrological utility over the Ganjiang River Basin[J]. Water, 2018, 10(10):1392.

[14]
闵心怡, 杨传国, 李莹, 等. 基于改进的湿润地区站点与卫星降雨数据融合的洪水预报精度分析[J]. 水电能源科学, 2020, 38(04):1-5.

Min X Y, Yang C G, Li Y, et al. Accuracy analysis of flood forecasting based on the fusion data of satellite and guage rainfalls in humid region[J]. Water Resources and Power, 2020, 38(4):1-5.

[15]
田晶, 郭生练, 刘德地, 等. 气候与土地利用变化对汉江流域径流的影响[J]. 地理学报, 2020, 75(11):2307-2318.

DOI

Tian J, Guo S L, Liu D D, et al. Impacts of climate and land use/cover changes on runoff in the Hanjiang River basin[J]. Acta Geographica Sinica, 2020, 75(11):2307-2318.

DOI

[16]
孙桂凯, 魏义熊, 王亚芳, 等. IMERG卫星降水产品融合校准及其水文效用[J]. 水电能源科学, 2021, 39(11):23-26.

Sun G K, Wei Y X, Wang Y F, et al. Fusion Calibration of precipitation data by IMERG satellite and its hydrological applicability[J]. Water Resources and Power, 2021, 39(11):23-26.

[17]
Zhao Y M, Xu K, Dong N P, et al. Optimally integrating multi-source products for improving long series precipitation precision by using machine learning methods[J]. Journal of Hydrology, 2022, 609:127707.

[18]
Cheng X, Ma X X, Wang W S, et al. Application of HEC-HMS parameter regionalization in small watershed of hilly area[J]. Water Resources Management, 2021, 35(6):1961-1976.

[19]
Fanta S S, Sime C H. Performance assessment of SWAT and HEC-HMS model for runoff simulation of Toba watershed,Ethiopia[J]. Sustainable Water Resources Management, 2022, 8(1):1-16.

[20]
廖如婷, 胡珊珊, 杜龙刚, 等. 基于HEC-HMS模型的温榆河流域水文模拟[J]. 南水北调与水利科技, 2018, 16(6):15-20.

Liao R T, Hu S S, Du L G, et al. Hydrological simulation of Wenyu River Basin based on HEC-HMS model[J]. South-to-North Water Transfers and Water Science and Technology, 2018, 16(6):15-20.

[21]
Fang L, Huang J L, Cai J T, et al. Hybrid approach for flood susceptibility assessment in a flood-prone mountainous catchment in China[J]. Journal of Hydrology, 2022, 612:128091.

[22]
李相虎, 张奇, 邵敏. 基于TRMM数据的鄱阳湖流域降雨时空分布特征及其精度评价[J]. 地理科学进展, 2012, 31(9):1164-1170.

Li X H, Zhang Q, Shao M. Spatio-temporal distribution of precipitation in Poyang Lake basin based on TRMM data and precision evaluation[J]. Progress in Geography, 2012, 31(9):1164-1170.

DOI

[23]
曾冰茹, 李云良, 谭志强. 鄱阳湖流域水文连通性的影响因素和环境效应[J]. 长江流域资源与环境, 2022, 31(12):2718-2728.

Zeng B R, Li Y L, Tan Z Q. Influential factors and environmental effects of hydrological connectivity in the Poyang Lake catchment[J]. Resources and Environment in the Yangtze Basin, 2022, 31(12):2718-2728.

[24]
田智慧, 尹传鑫, 王晓蕾. 鄱阳湖流域生态环境动态评估及驱动因子分析[J]. 环境科学, 2023, 44(2):816-827.

Tian Z H, Yin C X, Wang X L. Dynamic monitoring and driving factors analysis of ecological environment quality in Poyang Lake basin[J]. Environmental Science, 2023, 44(2):816-827.

[25]
徐新良. 中国月度植被指数(NDVI)空间分布数据集[EB/OL]. 中国科学院资源环境科学数据中心数据注册与出版系统(http:/www.resdc.cn/DOI), 2018.

Xu X L. Monthly vegetation index spatial distribution dataset of China[EB/OL]. Geographic Remote Sensing Ecological Network Platform(www.gisrs.cn), 2018.

[26]
Didan K. MODIS/Terra Vegetation Indices Monthly L3 Global 1km SIN Grid V006[EB/OL]. NASA EOSDIS Land Processes DAAC, 2015.

[27]
欧立健, 余锦华, 钟校尧, 等. 海表温度的增暖趋势和自然变率对长江中下游夏季极端降水强度的影响[J]. 大气科学, 2022. 46(6):1595-1606.

Ou L J, Yu J H, Zhong X Y, et al. Impacts of the SST warming trend and natural variability on the summer extreme precipitation intensity of the middle and lower reaches of the Yangtze River[J]. Chinese Journal of Atmospheric Sciences, 2022, 46(6):1595-1606.

[28]
陈玥, 王爱慧, 支蓉, 等. 中国东部降水中大尺度环流和局地陆-气相互作用的贡献:河南“21·7”强降水事件特征影响因子探究[J]. 大气科学, 2023, 47(2):551-566.

Chen Y, Wang A H, Zhi R, et al. Contributions of large-scale circulation and local land-atmosphere interaction to precipitation in eastern China:Investigation on influencing factors of the July 2021 heavy precipitation event in Henan Province[J]. Chinese Journal of Atmospheric Sciences, 2023, 47(2):551-566.

[29]
潘锋, 何大明, 曹杰, 等. 夏季怒江流域水汽输送多支特征及对降水影响[J]. 地理学报, 2023, 78(1):87-100.

DOI

Pan F, He D M, Cao J, et al. Multiple branches of water vapor transport over the Nujiang River Basin in summer and its impact on precipitation[J]. Acta Geographica Sinica, 2023, 78(1):87-100.

DOI

[30]
Arfanad A, Zhang W C, Zhang Z J, et al. Reconstructing high-resolution gridded precipitation data using an improved downscaling approach over the high altitude mountain regions of Upper Indus basin (UIB)[J]. Science of the Total Environment, 2021, 784:147140.

[31]
李新同, 史岚, 陈多妍. 基于深度学习的闽浙赣GPM降水产品降尺度方法[J]. 自然资源遥感, 2023, 35(4):105-113.doi:10.6046/zrzyyg.2022270.

Li X T, Shi L, Chen D Y. Research on downscaling of GPM precipitation products based on deep learning in Fujian-Zhejiang-Jiangxi[J]. Remote Sensing for Natural Resources, 2023, 35(4):105-113.doi:10.6046/zrzyyg.2022270.

[32]
薛智暄, 张丽, 王新军, 等. 古尔班通古特沙漠SMAP土壤水分产品降尺度分析[J]. 干旱区研究, 2023, 40(4):583-593.

DOI

Xue Z X, Zhang L, Wang X J, et al. Downscaling analysis of SMAP soil moisture products in Gurbantunggut Desert[J]. Arid Zone Research, 2023, 40(4):583-593.

DOI

[33]
郭远智, 李许红. 基于随机森林模型的黄河流域城市建设用地结构时空演化及其驱动机制研究[J]. 地理科学进展, 2023, 42(1):12-26.

DOI

Guo Y Z, Li X H. Spatiotemporal changes of urban construction land structure and driving mechanism in the Yellow River Basin based on random forest model[J]. Progress in Geography, 2023, 42(1):12-26.

DOI

[34]
李娜娜, 吴骅, 栾庆祖. 城市地表温度空间降尺度研究——以北京市为例[J]. 遥感学报, 2021, 25(8):1808-1820.

Li N N, Wu H, Luan Q Z. Land surface temperature downscaling in urban area:A case study of Beijing[J]. National Remote Sensing Bulletin, 2021, 25(8):1808-1820.

[35]
曾岁康, 雍斌. 全球降水计划IMERG和GSMaP反演降水在四川地区的精度评估[J]. 地理学报, 2019, 74(7):1305-1318.

DOI

Zeng S K, Yong B. Evaluation of the GPM-based IMERG and GSMaP precipitation estimates over the Sichuan region[J]. Acta Geographica Sinica, 2019, 74(7):1305-1318.

DOI

[36]
彭振华, 李艳忠, 余文君, 等. 遥感降水产品在中国不同气候区的适用性研究[J]. 地球信息科学学报, 2021, 23(7):1296-1311.

DOI

Peng Z H, Li Y Z, Yu W J, et al. Research on the applicability of remote sensing precipitation products in different climatic regions of China[J]. Journal of Geo-Information Science, 2021, 23(7):1296-1311.

[37]
曹旖丹. 气候变化下长白山二道松花江流域降雨径流模拟及预测[D]. 长春: 吉林大学, 2021.

Cao Y D. Simulation and prediction of rainfall and runoff in the Erdao Songhua River basin of Changbai Mountain under climate change[D]. Changchun: Jilin University, 2021.

[38]
原文林, 付磊, 高倩雨. 基于HEC-HMS模型的山洪灾害临界雨量研究[J]. 人民黄河, 2019, 41(8):22-27,31.

Yuan W L, Fu L, Gao Q Y. Research on rainfall threshold of flash flood based on HEC-HMS model[J]. Yellow River, 2019, 41(8):22-27,31.

[39]
Belay Y Y, Gouday Y A, Alemnew H N. Comparison of HEC-HMS hydrologic model for estimation of runoff computation techniques as a design input:Case of Middle Awash multi-purpose dam,Ethiopia[J]. Applied Water Science, 2022, 12(10):237.

[40]
张利平, 覃光华, 杨玲玲, 等. IMERG和GSMaP卫星降水产品在岷江流域的适用性评价[J]. 水文, 2022, 42(6):93-98.

Zhang L P, Qin G H, Yang L L, et al. Evaluation of the IMERG and GSMaP precipitation products over Minjiang Watershed[J]. Journal of China Hydrology, 2022, 42(6):93-98.

Options
Outlines

/

〈 〉