文摘

作为基本组件在物质和能量循环,降水与高分辨率和精度具有重要意义对水文、气象、生态研究。因为卫星测量降水常常是太粗了实际应用,有必要开发空间降尺度算法。在这项研究中,我们研究了两种降尺度算法基于多元线性回归(高)和地理加权回归(吉尼斯世界纪录),分别。他们用来缩减规模从全球降水测量获得年度和月度降水(GPM)在横断山脉的使命,中国西南部,从10公里××1公里10公里1公里。地面观测数据被用来验证缩减规模降水的准确性。结果表明, 吉尼斯世界纪录的表现比高回归降水在归一化植被指数(NDVI)和数字高程模型(DEM); 吉尼斯世界纪录模型的系数显示强烈的空间异质性,但空间意味着标准化系数非常类似于标准化系数高的intra-annual模式:一般归一化植被指数呈正相关降水当月降水量在166毫米;民主党降水负相关,特别是在湿月像7月和8月;民主党对降水的贡献比归一化植被指数; 残差的校正是必不可少的MLR-based算法但应该远离GWR-based算法; GWR-based算法而不是MLR-based算法比原始流量降水产生更准确的降水。这些结果表明,吉尼斯世界纪录是一种很有前途的方法在卫星降水降尺度研究,需要进一步研究。

1。介绍

作为基本组件在物质和能量循环,降水具有重要意义的水文、气象、生态研究(例如,1- - - - - -3])。传统上,降水的空间分布是通过雨量计数据插值4]。然而,插值方法极大地局限在山区由于稀疏雨量计网(5,6]。卫星降水数据集的基于遥感技术的迅速发展自1980年代以来,全球降水气候学等项目(GPCP, (7]),热带降雨测量任务(TRMM, (8,9]),全球卫星降水的映射(GSMaP, (10]),和全球降水测量(GPM)任务11- - - - - -13]。网格的卫星降水数据集提供可靠的估计降水空间分布反映比雨量计的数据。然而,对于区域范围内的应用程序,它们通常太粗用于水文、气象、生态研究[14,15]。以TRMM为例,其空间分辨率只有0.25°×0.25°。因此,有必要开发降尺度算法对卫星数据集来改善他们的决议以及准确性。

降水之间的关系和其他植被和地形等环境因素已被广泛研究在文献[16- - - - - -21]。同时,可用决议网格数据这些因素往往高于卫星降水产品。例如,现货归一化植被指数(NDVI)可在1公里×1公里分辨率。因此,这是一个可行的方法减少降水通过建立统计模型的降水和这些因素,这称为统计降尺度算法。他们的基本统计理论可以分为回归分析(14,15,22- - - - - -24)和人工神经网络等机器学习方法(25,26和随机森林27- - - - - -29日]。

在这篇文章中,回归降尺度算法主要是关注和研究。Immerzeel et al。23]建立指数回归(ER)模型之间的年度TRMM降水在不同空间分辨率和归一化植被指数从0.25°到1.50°,其中最优系数的测定( )最终选择缩减规模TRMM降水从0.25°到1公里。贾et al。14]介绍了数字高程模型(DEM)和归一化植被指数作为解释变量的多元线性回归模型(高)。独立站验证在两个研究和后来的研究(15,22,24,30.]表明,缩减规模降水基于ER或高钙剩余校正后与原TRMM可比产品但分辨率大大提高。

然而,有几个以上的降尺度算法的局限性。首先,缩减规模降水将不可避免地原始卫星降水中固有的错误(14,23]。这意味着它是不可能获得准确的缩减规模降水不准确的卫星数据集。因此,下一代GPM产品较高的质量和分辨率 作为原始卫星降水在一定程度上解决这个问题。至于我们的信息,大多数以前的研究是基于TRMM,和降尺度算法基于流量产品缺乏研究。其次,缩小规模这些算法的性能依赖于回归模型的拟合优度。上述两个算法都是在全球范围内回归模型假设降水之间的关系,归一化植被指数和DEM空间静止的。反对他们的假设,然而,据报道precipitation-NDVI和precipitation-DEM关系都是空间不稳定(17,18,21]。Brunsdont et al。31日)提出了当地回归模型称为地理加权回归(吉尼斯世界纪录)来处理空间不稳定的问题。GWR-based卫星降水降尺度算法的性能被发现比两个global-regression-based算法在不同地区TRMM产品,每月每年的规模和规模(15,30.,32]。

本研究旨在调查MLR-based的有效性和GWR-based GPM年度和月度降水降尺度算法。为此,归一化植被指数和民主党被解释变量在MLR-based GWR-based降尺度算法简化流量月度和年度降水从10公里×10公里到1公里×1公里在横断山脉,中国西南部。他们的表演与观测降水从71年雨量计站进行验证。

2。研究区和数据集

2.1。横断山脉

横断山脉(24°40′-34°00′N;96°20′-104°30′E)位于中国的西南部,西藏高原的东南部,面积~ 500000公里2。研究地区拥有一个复杂的地形与大量的高山和充填峡谷从北到南。横断山脉的气候主要是由西南亚洲季风控制,东南亚季风和冬季季风以及当地西藏高原的循环。与此同时,由于其广泛的高度从300米到7000米,垂直气候也不同。年平均降雨量的横断山脉约为800毫米,超过75%来自于夏季季风(5月至10月)。削弱降尺度算法的边缘效应的影响,一个100公里宽的缓冲区添加到研究区域在计算和验证。

2.2。降水数据集

全球降水测量(GPM)任务,作为接班人的热带降雨测量任务(TRMM),旨在提供新一代的全球降雨和降雪的观察。核心天文台卫星于2014年2月由国家航空和宇宙航行局(NASA)和日本宇宙航空研究开发机构(JAXA)携带的GPM微波成像仪(GMI)和双频降水雷达(DPR)。本研究选择了GPM-3IMERGM产品(简称流量、下载https://pmm.nasa.gov/data-access/downloads/gpm),全球月降水估计分辨率为0.1°×0.1°结合流量与其他几个卫星降水数据集。因为流量数据集从2014年3月,第一年完成月(即。,2015) was therefore selected to investigate GPM annual precipitation downscaling algorithms. Annual precipitation (Figure2(一个))是通过总结每月GPM降水。

71年的地面观测降水雨量计站(图1)位于横断山脉和提供的缓冲区是中国气象局国家气象信息中心。因为地面数据的函数是独立验证降尺度算法的结果,它不是用于正确的流量降水。


图1
数字高程模型的横断山脉和雨量计站的位置。
(一)
(一)
(b)
(b)
图2
流量年降水量在解决10公里×10公里2015年在横断山脉和年度NDVI的分辨率1公里×1公里。
2.3。归一化植被指数和DEM数据集

MOD13A3每月的归一化植被指数产品的空间分辨率1公里×1公里源自气压上纠正红色和近红外波段的反射率的中分辨率成像光谱仪(MODIS) Terra卫星上用于这项研究。一年一度的归一化植被指数(图2 (b))在今年平均每月得到的归一化植被指数。航天飞机雷达地形测绘任务(STRM)民主党所提供的产品是国家地理空间情报局(NGA)和国家航空和宇宙航行局(NASA)。最初的DEM数据是90×90的分辨率和重新取样的分辨率(图1公里×1公里1)和10公里×10公里。

3所示。方法

3.1。多元线性回归

贾et al。14)提出了一个基于多元线性回归的降尺度算法(高),表示为 在哪里 , ,和 是流量的年降水量、归一化植被指数和海拔低分辨率(LR)。 和 坡降水归一化植被指数和降水民主党,分别。 是拦截, 剩余的回归模型。这三个系数校准与普通最小二乘法(OLS)方法。标准化系数可以校准如果变量标准化(2提前)。

3.2。地理加权回归

地理加权回归(吉尼斯世界纪录)提出的Brunsdont et al。31日)是一个当地的回归方法,可以用来研究空间非平稳的相关关系。高钙模型相比,吉尼斯世界纪录模型假定系数随地理位置,表示为 在哪里 是地理位置。相同的系数是高钙的方法,除了他们是局部的而不是全局的系数,可以估计 在哪里 是解释变量的矩阵组成的低分辨率 , ,常数的矢量和 是换位 。 权重矩阵,把更多的重量在观察靠近中心点,可以像高斯核函数计算内核和bisquare内核。高斯核(图3在这项研究中,采用和 对角矩阵的吗 在哪里 之间的欧几里得距离吗 观察和中心点 是内核的带宽,可以估计与交叉验证(CV)技术。


图3
高斯核函数模型中使用的吉尼斯世界纪录。在这里 的重量是 th观测点; 之间的欧几里得距离吗 th观察和中心点;和 是内核的带宽。
3.3。降尺度算法的过程

步骤1(数据准备)。重新取样每年或每月的归一化植被指数和民主党领域低(10公里×10公里)和高分辨率(1公里×1公里)。并重新取样流量年降水量场10公里×10公里分辨率。应该注意的是,所有字段必须将相同的投影坐标系(中国Albers等于面积圆锥),在同一分辨率和字段应该共享相同的光栅。

第二步建立(模型)。在低分辨率使用示例数据校准系数降尺度回归函数的算法。对于GWR-based算法,带宽 应该估计与交叉验证(CV)技术之前的校准系数。

步骤3。高分辨率降水的预测( 残差修正前):将高分辨率的归一化植被指数( )和民主党( )高钙模型和通过测定模型,分别预测 。缩减规模结果残差修正之前被称为MLRBRC GWRBRC,分别在这项研究中。

步骤4(残差修正)。插入低分辨率残差( )回归方法的高分辨率的残差( 分别与简单的样条张力插入器,)。最后缩减规模降水( )计算 和残差修正后的缩减规模的结果称为MLRARC GWRARC,分别。

3.4。验证标准

观测降水雨量数据被用来验证的降水缩减规模的两种不同的算法。在验证中,我们采用三种广泛使用的标准,也就是说,平均绝对误差(MAE),均方根误差(RMSE),和确定系数( )计算 在哪里 降水预测的回归模型或降尺度算法和 从雨量计站观测降水。

4所示。结果与讨论

4.1。回归模型的结果
以下4.4.1。高模型的结果

看不到多元线性回归(MLR)模型建立了探索全球关系的年度和月度GPM降水与归一化植被指数和民主党在横断山脉的低分辨率10公里。校准系数包括常系数的归一化植被指数和民主党,决心和相应的系数 值见表1。首先, 值高模型都小于0.001,这意味着所有的高钙模型非常重要,因此有效。然而, 2月到6月是相对较大的值,对应的 是小于0.06,这表明不超过6%的方差的流量降水可能被高模型从2月到6月。在另一个月,7月最高 0.39、年度 是0.35。年度流量降水、边坡的归一化植被指数是390.93 mm / 1,这意味着随着NDVI增加单位,年降水量将增加390.93毫米一般。同样,民主党的斜率−124.06毫米/公里,这意味着民主党增加每公里,年降水量平均减少124.06毫米。每月降水、边坡的归一化植被指数范围从64.37−75.79毫米/ 1和斜坡的民主党从−49.16到0.01毫米/公里不等。

表1
系数,系数的决心 高钙值模型的年度和月度GPM降水与归一化植被指数和民主党在横断山脉,10公里的决议。

我们进一步计算标准化回归系数高的模型来研究标准化的intra-annual变异系数和比较的相对贡献NDVI和民主党。如图4月降水,标准化的NDVI变化定期一年三次。第一周期从1月到6月,第二次是6月到10月,第三从10月1月。高峰值是积极和谷值略消极,除了谷值达到8月−0.12,当每月195.22毫米的降水达到了顶峰。这种复杂的周期性的原因可能是以下事实:组合在一起的效果 横断山脉由西南亚洲季风控制,东南亚季风,冬季季风,和当地流通的西藏高原同时反过来和/或; 植被生长之间存在时间滞后枯萎和降水增加/减少; 植被是由水和温度限制在干燥的季节,但是更少的水比温度限制在汛期。标准化的民主党都是负面的和小于−0.2除了2月,今年5月和6月。


图4
高模型的标准化系数的年度和月度GPM降水与归一化植被指数和民主党在横断山脉。

归一化植被指数和民主党可以估计的相对贡献通过比较标准化系数的绝对值。年降水量,标准化的归一化植被指数是0.20,这意味着每标准化NDVI增加单位,年降水量将增加0.20标准化单位一般。同时,标准化的民主党−0.44,这意味着随着民主党增加每标准单位,年降水量减少0.44标准化单位一般。年降水量的相对贡献的民主党的归一化植被指数的两倍。月降水,民主党的贡献也比归一化植被指数全年除了1月,2月和6月。

最后,我们研究了标准化系数的归一化植被指数和民主党之间的关系在高模型对区域平均流量月降水(图5)。无关紧要的(p~ = 0.20),减少趋势为归一化植被指数和民主党被发现。标准化系数的归一化植被指数趋势从积极到零,当月降水量166毫米以下,增加和趋势从0到-当月降水量增加超过166毫米。在某种程度上,这个功能166毫米的降水可以视为水饱和的横断山脉,如果忽视了时间滞后NDVI与降水之间。民主党的标准化系数趋于更消极的月降水增加,表明越强西南和东南季风33),较强的降水和民主党之间的关系。

(一)
(一)
(b)
(b)
图5
(a)的标准化系数归一化植被指数之间的关系和(b)民主党高模型对区域平均流量月降水。
4.1.2。通过测定模型的结果

地理加权回归(高)模型建立了探索当地的关系的年度和月度GPM降水与归一化植被指数和民主党在横断山脉的低分辨率10公里。如图6显示, 通过测定模型的范围从0.82到0.98,除了 11月的0.65,这是更大的比高的模型。显然,通过测定模型更有效解释原始流量年度和月度降水比高的模型。与此同时,intra-annual变化的模式 吉尼斯世界纪录很相似的儿童高,表明当地降水与归一化植被指数和民主党呈正相关的关系在一年内全球的。


图6
系数估计降水测定高钙和吉尼斯世界纪录模型对月度和年度流量降水在横断山脉在2015年。

与高模型、校准系数在吉尼斯世界纪录的模型没有空间静止。作为一个例子,图7显示的空间分布系数的吉尼斯世界纪录年流量降水模型横断山脉。拦截范围从1666−4106毫米,和空间模式是类似于年度流量的降水 0.56。系数的归一化植被指数变化从1674−1581毫米/ 1,且没有明显的空间格局。民主党的系数变化从657−435毫米/公里,海拔略正相关( = 0.097)。

(一)
(一)
(b)
(b)
(c)
(c)
图7
空间分布系数的吉尼斯世界纪录年度GPM模型在横断山脉2015年降水:拦截(a), (b)的系数的归一化植被指数,并为民主党的系数(c)。

我们还计算标准化系数的归一化植被指数和民主党当建立年度流量的吉尼斯世界纪录模式降水。系数的决心,意味着标准化系数的归一化植被指数和民主党的吉尼斯世界纪录(图模型8)非常类似intra-annual模式与高钙模型。透露,虽然本地吉尼斯世界纪录模型系数的估计,但他们的空间分布可以反映全球降水与归一化植被指数和民主党的关系。然而,应该注意的是,标准化系数的标准差是相当大的,强调大区别当地吉尼斯世界纪录模型中的系数和全球高模型中的系数。


图8
区域吉尼斯世界纪录的标准化系数模型的均值和标准差的年度和月度GPM降水与归一化植被指数和民主党在横断山脉。
4.2。缩减规模降水和地面验证
4.2.1。准备缩减规模降水前/后残差修正

月度和年度降水在高分辨率剩余校正(MLRBRC和GWRBRC)预测的校准系数,高分辨率的归一化植被指数,分别和民主党高钙,吉尼斯世界纪录模型。添加高分辨率后残差与样条插值张力方法MLRBRC GWRBRC, MLRARC和GWRARC最终获得。作为一个例子,图9显示,缩减规模年降水量残差修正之前,拟合残差,和残差修正后的缩减规模年降水量,从一个定性的比较缩减规模的年降水量MLR-based和GWR-based算法如下。


图9
缩减规模年降水量在残差修正(a, d)之前,使用简单的样条拟合残差张力(b, e),和残差修正后的缩减规模年降水量(c、f)的高钙(c)和吉尼斯世界纪录(f)算法。

基本上,MLRBRC年降水量只有能捕捉到全球趋势,“南方潮湿比北方”而不是原始流量的空间分布,及其绝对残差非常大,特别是在非常潮湿地区高黎贡山和怒江中下游。与原流量而GWRBRC年降水量分布非常相似的空间,前者是更顺畅。同时,GWRBRC的范围(269 - 1703毫米)是一个小更广泛的比原来的流量(394 - 1625毫米),这是合理的平均低分辨率降水的影响。绝对残差比MLRBRC GWRBRC也小得多的大部分地区。至于MLRARC和GWRARC年降水量,他们也与原流量像GWRBRC非常相似,所以它们之间的差异进行了分析基于地面验证在接下来的两个部分。

4.2.2。是残差修正有用吗?

观察从71年雨量计站在横断山脉(包括缓冲区)被用来验证MLR-based的准确性和GWR-based降尺度算法使用均方根误差(RMSE),平均绝对误差(MAE)和确定系数( )。

探讨残差修正是否有助于MLR-based和GWR-based降尺度算法,我们比较每月(图的准确性10)和年度(表2之前)降水缩减规模MLR-based和GWR-based算法之间的残差修正(称为MLRBRC或GWRBRC)后,残差修正(称为MLRARC或GWRARC)。每月的平均精度缩减规模降水也总结表2。

表2
平均月降水精度和准确性的年降水量MLR-based和GWR-based降尺度算法与均方根误差、平均绝对误差,和系数的测定标准。BRC表示残差修正前弧表示后剩余校正。

图10
比较的准确性每月降水由MLR-based缩减规模和GWR-based算法之间的残差修正之前(称为MLRBRC或GWRBRC)和残差修正后(称为MLRARC或GWRARC)使用均方根误差(RMSE),平均绝对误差(MAE),和确定系数( )。

MLRBRC相比,MLRARC有较小的RMSE美以及更高 在每个月。月降水量,平均来说, , , 。在2015年和年降水量变化 , , 。显然,残差修正的步骤改善降水的预测的准确性显著高,因此对MLR-based算法是必不可少的。

然而,GWRARC稍大的RMSE美以及更低 GWRBRC相比每个月除了今年3月。月降水量,平均来说, , , 。在2015年和年降水量变化, , , 。这表明残差修正的步骤退化降水的吉尼斯世界纪录模型预测的准确性。因此,残差修正的步骤是建议删除的程序GWR-based降尺度算法和结果,GWRBRC而不是采用GWRARC最终缩减规模降水。

4.2.3。MLR-Based准确性和GWR-Based降尺度算法

节4.2。2,我们认为MLRARC GWRBRC应采用MLR-based和GWR-based算法的最终结果。在本节中,我们比较了MLRARC的准确性,GWRBRC,原始流量月度和年度降水。月降水量呈现在图的准确性11和年度每月的平均精度沉淀的沉淀和总结见表2。


图11
比较的准确性每月降水缩减规模MLR-based算法后残差修正(称为MLRARC)和GWR-based算法之间的残差修正(称为GWRBRC)之前使用均方根误差(RMSE),平均绝对误差(MAE)和确定系数( )。

MLRARC表现好于原始流量7月降水与RMSE评价标准和12个月6与美或12个月 作为评估标准。一般来说,MLRARC几乎相同的准确性每月流量降水、 , , ,这表明它没有比最近的邻居(NN)方法,这是最简单的插值方法。因此,MLR-based降级算法的有效性在月降水横断山脉是令人不满意的。对年降水量,MLRARC性能是比这更好的流量数据集, , , 。

GWRBRC表现好于原始流量月降水11与RMSE或12个月 评估标准和10的12个月,美作为评价标准。一般来说,GWRBRC有更好的精度比流量月降水, , , 。年降水量,MLRARC性能也比这好得多的流量数据集, , , 。显著改善应该归因于之间复杂的关系,降水,植被和地形是由当地回归方法考虑更好的解释空间异质性的回归系数比全球回归方法。

5。结论

降水数据集与高分辨率和精度对区域水文研究是至关重要的。卫星降水可能缩减规模基于降水之间的统计关系,植被和地形。在这项研究中,减少流量月度和年度降水在横断山脉从10公里×10公里到1公里×1公里,基于多元线性回归(高)的算法和基于地理加权回归(吉尼斯世界纪录)的算法了。缩减规模从71年降水与地面观测验证雨量计站。在分析结果,可以得出结论,一个有以下:

回归模型是一个基本组件的统计降尺度算法;因此重要的是要建立一个合适的回归模型。本研究的结果表明,通过测定模型更适合于高模型来描述降水之间的关系更加复杂,植被,在横断山脉和地形,高得多 和更低的RMSE和梅原GPM年度和月度降水。

在分析高的系数和标准化系数模型,我们发现,通常归一化植被指数呈正相关降水当月降水量在160毫米;民主党降水负相关,特别是在湿月像7月和8月;民主党对降水的贡献大于归一化植被指数。吉尼斯世界纪录显示非常相似的空间意味着标准化系数intra-annual模式与儿童高,但具有很强的空间异质性。

高模型的残差修正精度大大提高,但降低了模型的吉尼斯世界纪录。因此它是一个不可或缺的步骤MLR-based降尺度算法,但不建议用于GWR-based算法。

验证结果与地面观测结果表明,与原始流量数据相比,缩减规模降水(剩余校正之前)基于GWR-based算法不仅拥有更好的分辨率,而且精度高,表明它是一种很有前途的算法对卫星降水降尺度。降水缩减规模的同时,准确性MLR-based算法与原流量只有相同的降水。

卫星降水降尺度可能改善通过介绍更合适的解释变量的增强型植被指数(增强型植被指数)和地表温度(LST)。同样,考虑暂时的相关性和自相关回归模型也可能是有效的。此外,每天和每小时降尺度的降水更重要的是实际应用,应该付出更多的努力。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是财务支持的关键研究和发展项目的中国(2015 cb452701)和中国国家自然科学基金(41571019)。