文摘

出现的各种高分辨率卫星降水产品(许可证)解决问题的降水数据来源的地区缺乏降水数据,被认为是一个可靠的补充雨量计观测的水文气象应用程序。然而,仍然存在缺点的粗空间分辨率时将这些产品应用于小型和微型流域。在这项研究中,一个典型的中国西南部喀斯特流域Pingtang流域(PTRB)——选择,并根据降水之间的关系和归一化植被指数(NDVI)方面,斜坡,海拔,我们使用了地理加权回归(吉尼斯世界纪录)缩减规模三个许可证,即全球降水测量(GPM),全球卫星降水(GSMAP)的映射,和源weighted-ensemble降水(MSWEP),分别为1公里×1公里。结合雨量计站,地理差异分析(GDA)被用来进行误差修正获得三降尺度修正卫星降水产品(DC-SPPs) 1公里的空间分辨率,包括直流-GSMAP, DC-MSWEP DC-GPM。几个统计指数被用来执行错误评估和降水捕获能力分析许可证和DC-SPPs和Grid-Xin 'anjiang (Grid-XAJ)模型用于比较其水文效用。结果表明:(1)降尺度修正方法的有效性。吉尼斯世界纪录可以有效地提高空间分辨率的许可证,尽管GDA可以减少错误和进一步提高降水估计的准确性。此外,(2)降水事件描述功能的流量和GSMAP改善降尺度修正后,虽然能够捕获降水事件MSWEP校正前后差,显示高命中率和误警率高,这是不可靠的监控PTRB降水事件。最后,(3)与许可证相比,三种的水文表演DC-SPPs已经显著提高,并分析了无误差较低的都是0.75以上。一般来说,DC-GSMAP的总体性能是令人满意的。 The accuracy of different SPPs after downscaling correction is different, but the applicability has been improved to different degrees.

1。介绍

科学和技术的进步引起了巨大的变化在降水是如何测量方法(1- - - - - -3]。由于大规模、覆盖面广和强大的卫星遥感测量的空间表示,这个过程已经成为一种重要的工具估计全球和区域降水(4]。各种派生的卫星降水产品(许可证)高的时间和空间分辨率已经发布5),这些可以提供水文气象研究人员与潜在的替代来源对于降水数据,它有巨大的应用前景,特别是在稀疏的地区雨量数据或缺乏降水数据。目前,最常用的和方便的许可证包括热带降雨测量任务(TRMM) (6),气候预测中心的变形技术(CMORPH) [7)、降水估计使用人工神经网络从遥感信息(PRESIANN) [8,9),全球降水测量(GPM) [10),全球卫星降水的映射(GSMAP) [11),而多源weighted-ensemble降水(MSWEP) [12]。

降水是输入的一个重要关键水文建模(13]。水文模型驱动的只有点降水测量的数据稀疏的雨量计站不再能满足流域水文模拟的精度要求。然而,许可证的出现克服了区域降水数据的代表性不足的限制,大大提高了降水的雨量计站测得的测量(14]。与雨量计观测相比,卫星采用间接方法来估计降水,从而使许可证的质量容易受到的不确定性反演算法和传感器的磁场的不均匀采样频率,以及地理位置、地形、区域水文气象特征和复杂性等因素的影响15]。近年来,许多研究已经进行了性能上的多个综合评价不同地区的不同的许可证(16- - - - - -21),发现许可证的精度性能在不同的地区和气候条件是不一样的,有不小的偏差。因此,许可证相关的水文气象领域的实际使用,需要进行精度评估和偏差纠正之前量化误差的许可证和描述降水事件的能力(22]。然而,以往的研究在全球和地区进行了大规模的评估,还有一个小规模的地区缺乏应用研究[23]。与大规模集雨相比,小集雨被视为理想的对象,他们通常用于研究小和微尺度水文、水资源和水环境。更重要的是,与卫星遥感技术和设备的不断改进和降水检索算法,许可证的质量不断提高。因此,先前的研究和评估结果还需要进一步改善24]。

目前,新发布的空间和时间分辨率许可证是0.1度和0.5小时。当应用于小微尺度,仍然有足够的分辨率和误差的不确定性的问题。因此,降尺度修正许可证是必要的25),即。,it can obtain precipitation data with higher spatial resolution and better quality. Spatial downscaling is based on the assumption that there is a significant relationship between precipitation and environmental factors [26]。通过建立统计模型的降水和这些因素,它是一个可行的方法降尺度降水,叫做统计降尺度算法(27]。先前的研究已经选定的一个或多个环境因素空间缩减规模卫星降水产品。Immerzeel et al。28)利用地理加权回归模型(吉尼斯世界纪录)空间缩减规模TRMM的环境因素(NDVI)。降尺度过程导致了相关性显著改善,偏见,和均方根误差在整个期间的平均年降水量。程等。29日)使用降尺度集成框架和两个环境变量(NDVI和民主党)和缩减规模的空间分辨率IMERG每日在中国东部和中部降水产品从0.1°到1公里,比原来的更准确IMERG降尺度后数据。Chesheng et al。30.)发现,吉尼斯世界纪录的降水量回归效应基于归一化植被指数和民主党明显优于高在中国的横断山脉,和民主党对降水的贡献大于的归一化植被指数。帕特丽夏et al。31日)建立了一个吉尼斯世界纪录模型使用四个环境因素(追杀高程、坡度和方面)简化四个不同的许可证(CMORPH, MSWEP、PERSIANN TRMM)在哥伦比亚马格达莱纳河流域。四个不同的许可证的准确性后不同程度的降尺度已得到改进。总的来说,这些precipitation-influencing因素被水面气候变化特性。例如,植被或分布在温带气候地区更重要。地形更相关的山区流域(32]。湿度和距离大海更有影响力的环境变量在潮湿的热带地区33]。在过去,大多数研究人员专注于大区域尺度和选择更少的环境因素在大多数研究[34- - - - - -36]。在这项研究中,一个典型的喀斯特流域选择China-PTRB西南的山区。根据流域的水文和气候条件,四个环境因素(NDVI,民主党、斜率和方面)被挑选缩减规模三个许可证。

吉尼斯世界纪录并没有准确的降水观测资料补充降尺度的过程。提高精度的影响不明显,并不能完全反映小型盆地和微尺度降水的变化。因此,极其关键使用降水雨量计站来纠正偏差的降水产品获得吉尼斯世界纪录模型(37]。一些研究已经表明,地理差异分析(GDA)有更大的优势在网格应用降水校正降水产品雨量计站(38,39]。它可以纠正偏差的卫星网格降水数据根据雨量计站的降水数据,实现更好的校正结果(27]。本研究探讨了吉尼斯世界纪录和GDA的同时应用卫星降水的后加工产品,旨在获得更高的分辨率和bias-corrected降水产品。

许可证的水文适用性和DC-SPPs一直吸引了越来越多的水文研究人员的注意(40- - - - - -42]。与先前的研究区域相比,上面的排水区Pingtang水文站是典型的岩溶盆地。地形、地貌比较复杂,植被是相对简单的,和径流响应过程是极其复杂的,这使得流域的水文循环不同于其他水域43]。至关重要结合卫星降水的时空表示产品的准确性降水雨量计站获得更多精致的降水数据产品和探索水文模拟中的适用性,可用于更好地理解它们作为补充数据研究岩溶流域水文事业的39]。然而,我们所知,有很少或根本没有研究精度性能和在岩溶地区水文效用比较多个许可证。这是值得关注的应用研究许可证。

在这项研究中,建立了吉尼斯世界纪录模型通过引入几个precipitation-influencing因素(归一化植被指数、边坡、方面和高程),和三个许可证(流量、GSMAP MSWEP)缩减规模来获取一个1公里的空间分辨率。接下来,GDA用于正确的三个缩减规模降水产品获得三种类型的DC-SPPs (DC-GPM, -GSMAP, DC-MSWEP)。最后,所有许可证和DC-SPPs的准确性是评价在许多方面,它们被用作输入驱动的网格-XAJ模型校准雨量计站比较他们的表现的径流模拟验证期间。一方面,研究结果有助于选择适当的许可证在盆地作为降水观测指标的补充,更好地应对极端降水事件监测、洪水灾害评价和水资源调度管理。此外,它也可以选择合适的许可证在岩溶地区流域相似的水文和气候条件。降水产品提供参考。另一方面,开发商的卫星降水产品算法的优点和缺点降水估算在不同的地理位置和不同的降水条件下,他们可以提高现有的降水算法和偏差纠正程序。

2。研究区和数据集

2.1。研究区域

PTRB是Pingtang水文站以上流域区域。整个流域的流域面积是约1392公里²位于中国西南。这是一个典型的岩溶盆地。有许多岩溶特征,比如洞穴,灰岩坑,在盆地和天窗。暗流和交替存在,尤其是在东北盆地的一部分。他们大多是地下暗流。盆地位于亚热带季风气候区。盆地的年平均降水量1560毫米,年平均温度为22.1°C。雨季降水丰富。的流入Pingtang水文站洪水季节占大约80%的年度流入。盆地的地表植被覆盖率相对简单,土壤保水能力非常差,融合过程极其复杂,洪水灾害频繁发生(图1)。

2.2。数据集描述

2.2.1。计降水数据

本研究使用的日常雨量计数据8 PTRB从2002年到2019年的雨量数据。Pingtang水文站的流量数据提供的都是Chengbi河水库管理。放电数据的质量控制,可以作为真实值比较和评估许可证和DC-SPPs。8站的GPS坐标、海拔表所示1。

2.2.2。卫星降水产品

在这项研究中使用的所有许可证有高精度空间(0.1°纬度/经度)和时间(每日)决议。统计评估过程,SPP像素包含至少一个雨量计站第一次提取。然后,提取每个像素。地面站在车站的数据平均获得的原位匹配更精确的卫星降水产品的评价。三个许可证的来源和简要介绍如下:(1)GPM IMERG是一个三级沉淀产品(以下简称流量)来自全球卫星降水(GPM)卫星地图算法推出2月28日,2014年。算法结合降水计分析,微波校准红外卫星估计,和其他降水估计(44]。使用全球降水气候中心(GPCC),每月的降水数据相互校准和多卫星微波降水插值估计方法有V6B版本更新45)提供一个较小的空间分辨率(0.1°),更大的quasi-global覆盖率(60°S-60°N),和近实时(30分钟)的卫星降水的最新一代产品。本文中使用的流量产品测量和调整通过监控月度计数据从全球降水气候中心(GPCC),推迟发布日期是两个月。流量来源于降水测量任务网站(https://gpm.nasa.gov/data-access/downloads/gpm)。(2)提供的卫星降水产品GSMAP项目结合红外数据和被动微波数据使用卫星数据提供降水60°S-60°N在纬度区域和全球降水的空间分辨率与高质量的时空分辨率0.1°,一直到V7版本更新。GSMAP-gauge(以下简称GSMAP)本文中使用的是一个产品,已经校准仪。它的延迟时间是3天。它使用用仪器测量全球每日降水分析美国国家海洋和大气管理局气候预测中心(中国共产党)。调整微波红外线的一代再分析产品(GSMAP-MVK) (11),GSMAP从GSMAP官方网站下载(https://sharaku.eorc.jaxa.jp/GSMaP)。(3)MSWEP是一个完整的全球降水数据集是由一系列的优化和合并计量器具,卫星,再分析估计(12]。它有3个小时的时间分辨率和空间分辨率0.1°。V2.8版本已经更新,MSWEP的时间变异性是由异常加权平均的7集,包括三种卫星遥感降水产品(CMORPH、GSMAP-MVK TMPA 3 b42rt)和两种大气再分析模型(ERA-Interim和JRA-55) (46]。本文中使用MSWEP下载(http://www.gloh2o.org/)。

三个许可证的时间范围是从1月1日,2014年,2019年12月31日。的原始记录时间三个许可证是世界时,和UTC + 8 h是用于转换通用时间北京时间匹配的降水数据降雨。

2.2.3。Grid-XAJ数据模型和通过测定模型

在这项研究中使用的归一化植被指数NDVI的数据来源于MOD13A3版本发布在官方网站(https://search.earthdata.nasa.gov/)土地的产品配送中心(LPDAAC)共同建立的美国地质调查局(USGS)和美国国家航空管理局(NASA) (47]。90分辨率数字高程模型(DEM)是由中国科学院计算机网络信息中心。海拔、坡度和方面都从DEM计算所需的模型。

3所示。方法

3.1。统计评价指标

表2显示了7个指标的计算公式及其完美的价值。首先,四个误差评价指标是用来量化误差的许可证,许可证。四个误差评价指标是用来量化误差的许可证和许可证。相关系数(CC)之间的一致性程度,反映了降水产品和降水雨量站。均方根误差(RMSE)主要代表了两组之间的平均误差范围的数据。平均绝对误差(MAE)可以更准确地测量两组数据之间的误差,和相对偏差(RB)表示的偏差程度的卫星降水产品相对于降水雨量计站(22]。此外,三种概率的统计指标,即检测(POD)的概率,误警率(远),和公平的分数(ETS)的威胁,也用于描述卫星降水产品获取降水事件的能力(30.]。豆荚卫星降水产品代表了一个精确的表示。降水事件的百分比是准确地检测到。远代表观察到的降水事件的比例并没有发生。ETS全面评估的能力降水产品估计降水事件的发生。了无代表的整体效率水文模型对径流的高值更敏感,而lgNSE对径流的低价值更加敏感。沉淀所有产品都可以量化的水文性能(42]。

3.2。降尺度修正

图2显示了减少规则的流程图用于这项研究。各种变量之间的关系在空间通常有空间异质性。如果传统的线性回归模型(GLM)用于分析变量之间的关系,通常有一个大的偏离实际情况,和解释的特点,更重要的是局部变量是不够的。GLM假设变量之间的关系是均匀的。吉尼斯世界纪录模型是一个当地的回归模型,考虑空间位置和解决这个问题。基本的想法是,变量之间的关系变化与空间位置的变化。通过估算每个给定位置的相对变量和资金在研究区,最优参数的解释变量是用于建立一个回归模型48]。根据这一特点,通过学习时降水异质性模型具有理想的效果。因此,本研究选择了吉尼斯世界纪录模型简化许可证来提高空间分辨率的许可证。GDA非常突出的优点结合卫星降水产品和雨量计降水和改善它们之间的偏差。GDA的优势有良好的校正效果和简单的计算39]。因此,GDA用于修改降水产品获得吉尼斯世界纪录降尺度模型和获得最终DC-SPPs。

3.3。Grid-XAJ模型

在这项研究中,Grid-XAJ模型被用来评估许可证和DC-SPPs的水文模拟特征。许可证降水数据的网格点,它们可以直接输入到Grid-XAJ模型和用于评估卫星降水产品的性能。因此,它导致的优点更好的网格点降水空间分布数据。Grid-XAJ模型的概念和分布式水文模型应用于semihumid和湿润地区(中国49]。近年来,随着传统的鑫'anjiang模型和民主党,GIS,和其他技术,构建一个Grid-Xin 'anjiang基于DEM网格的分布式模型已成为当前鑫'anjiang模型发展的主要方向(50]。Grid-XAJ模型是基于DEM和遥感地貌数据和流域离散成统一的网格单元。基于传统的模型结构3个水源鑫'anjiang模型(51),每个单元网格作为一个独立的径流计算。单元的分布式水文模型能更好地反映降水的空间分布不均匀的表面和底层,使水文模拟更接近实际水文过程。Grid-XAJ模型使用传统的3个源鑫'anjiang模型分布式处理后的分水岭。模型结构由四个模块组成,即蒸散、径流、水分布和融合,16模型参数。模型结构图如图3。蒸散模块包括5个参数,即WUM, WLM,波分复用,KC,和c径流模块包括两个参数,即B和小鬼。水分布模块包括4个参数,即SM,前女友,公斤,和KI和收敛模块包括5个参数,即CS, CSS, CG,柯,XE [29日,52]。本研究也调整了传统Grid-XAJ径流生成模块的结构模型来减少模型本身的不确定性,即。,the rainfall distribution coefficient is introduced into the runoff generation module of the model, and precipitation can directly enter the free storage reservoir. This parameter represents the degree of development of karst landforms in the basin. The higher the degree of development, the higher the proportion of directly replenishing groundwater. All of the perfect values of the calibrated parameters about the Grid-XAJ model can be seen in Table3。

4所示。结果

4.1。许可证和DC-SPPs在多个时间尺度的性能

以下4.4.1。每日规模

图4显示了density-dispersion情节和误差评价指标的降水产品和日常规模降雨观测。CCs的三个许可证都高于0.65,流量有最好的一致性在降雨量与降雨站(CC - 0.69),和RB范围从−−12.09% 8.29%,所有这些显示每日在盆地降水的低估。的最大MSWEP美是4.06毫米,10.51毫米的最大GSMAP RMSE。GSMAP的误差性能略优于流量和MSWEP。三种DC-SPPS比相应的许可证的一致性和减少各种错误。DC-MSWEP CC(0.95)最高每天规模和密切与地表降水站的观测数据。RB和RMSE是最小的(例如,−4.14%和5.14毫米),而美是最大的(2.03毫米)。研究表明,美可以更好地反映错误级别的许可证。苏格兰皇家银行的三种类型的DC-SPPS都小于0(−−7.12% 4.72%,−4.14%,分别),表明降水产品仍然低估了每日降水降尺度修正后的盆地。

4.1.2。每月的规模

图5显示了四个错误的时间趋势从2014年1月至2019年12月统计指标。所有许可证和DC-SPPs可以有效地反映错误的时间趋势评价指标。PTRB的降水主要集中在6月至8月,这对应于夏季在中国。这些指标通常随季节变化的高和低降雨量盆地。所有许可证和DC-SPPs的CC值较低在旱季(10月至4月)和高在雨季(5月至9月),而RMSE和梅有相反的变化。错误的变化趋势统计指标的三个许可证每月规模相对相似。误差统计指标的流量和GSMAP相对稳定变化,尽管MSWEP大波动。它表明,降水检索算法和最初的校正流量和GSMAP有助于改善整个时间序列的准确性。三种DC-SPPS和降雨量站降水随时间的变化有良好的一致性。在这些数据中,RMSE和RB DC-MSWEP相对大的波动。 The error of all precipitation products in the wet season is greater than that in the dry season. It is related to the precipitation in the PTRB being mainly concentrated in the wet season. Specifically, the improvement of precipitation error accuracy by downscaling fusion mainly occurs in the wet season, while the improvement in the dry season is not very obvious. Subsequently, it is related to the misreporting of microprecipitation events in the basin during the dry season.

图6显示所有许可证的趋势和DC-SPPs捕获降水事件的能力每月在流域尺度的时间变化。豆荚的时间尺度变化,远,ETS类似于降水的时间尺度变化错误,在雨季和相同的检测能力是比在旱季。与许可证相比,GSMAP的豆荚,ETS比流量。远低于流量,这表明性能改进的流量不一样明显GSMAP(它类似于人的研究)。一方面,这可能是由于降雨站数据中引入GSMAP中共日常数据的校准算法。地面站数据中引入流量结果的差异造成GPCC月度数据,因为GPCC月度数据可能正确的能力有限降水在时间少于一个月的步骤。MSWEP基本上是高于0.90的豆荚在整个序列的研究,然而,两个明显的远高于其它降水产品,显示出较高的POD和高。探测降水事件的准确性高,也有很高的错误。有可能降水事件报告。ETS误差曲线的最低三个许可证,降水监测能力是最差的,和降水事件的表示是最不可靠的。 The reason may be that the inversion algorithm of MSWEP introduces near-real-time SPPs. It is caused by adding less rainfall station data. Compared with the corresponding satellite precipitation products, POD and ETS of the three types of DC-SPPs have improved to varying degrees. Compared with DC-MSWEP, DC-GPM and DC-GSMAP have improved the ability to monitor precipitation events clearly, but the FARs of the three are reduced. It is not obvious, especially MSWEP, which indicates that GWR and GDA used in the article are insufficient in reducing the false alarm rate of SPPs. It also indicates that the introduction of fine rainfall station data for processing before the release of SPPs can improve the capture of precipitation events in SPPs later. Thus, the ability is more important.

4.1.3。季节性的规模

这项研究还评估了季节性降水的许可证,许可证。表4列表CC、梅、RMSE和RB季节性范围内所有许可证和许可证。CC的流量、GSMAP MSWEP达到0.6或更多在所有季节,他们都与雨量计观测相关。一般来说,三个许可证可以取得良好的成果,其中CC是0.60和0.88毫米之间,美是0.5到3毫米,RMSE 1.94至16.50毫米,RB的绝对值为50%。所有三个结果低估了降水在春天,夏天,秋天,从−−17.64% 0.8%。流量最严重低估了夏季降水,RB达到−17.64%。三个许可证低估冬季降水,高估2.74%到37.87%不等。其中,MSWEP最严重高估,RB达到了37.87%。与许可证相比,DC-SPPs的性能有明显改善,所有指标都不同程度的改善。CCs都高于0.9(除了DC-GPM,春天是0.88),美是在0.29和4.22之间,RMSE在0.97和9.25之间。毫米之间,RB的绝对值小于20%。 Among them, the degree of improvement of DC-MSWEP in summer and autumn is more apparent. Compared with MSWEP, RB and RMSE reduced (−12.59% and −14.55% ⟶ −6.29% and −7.27%, respectively; 16.06 mm and 9.17 mm ⟶ 8.03 mm and 4.59 mm, respectively), while CC increased (0.61 and 0.69 ⟶ 0.95 and 0.96), respectively). DC-MSWEP performs the best in spring, which is significantly better than DC-GPM and DC-GSMAP, while DC-GSMAP performs better in summer, autumn, and winter. In general, after the downscaling correction, the accuracy of GPM, SMAP, and MSWEP has greatly improved, especially that of DC-GSMAP. After downscaling correction has the lowest RMSE and lower RB, DC-GSMAP has better error performance.

图7显示所有三个分类的性能统计指标的许可证和DC-SPPSs在每个季节。最高的三个许可证,MSWEP POD在每个季节,MSWEP在每个赛季最高,GSMAP第二,流量是最低的。GSMAP最高ETS在春天,秋天,冬天,流量是第二高,MSWEP是最低的。这表明当降水事件确实发生了,GSMAP成功更高频率的降水事件,和较低的频率misrecognizing降水事件,虽然MSWEP是相反的,更高的豆荚在每个季节和更高,这是与以往的研究结论一致。同样的,这也反映出,MSWEP困难准确探测降水事件。与许可证相比,DC-SPPs有更好的描述各季节降水事件的能力。DC-GPM执行比DC-GSMAP和DC-MSWEP在所有季节。它有一个更高的豆荚,,最低和最高的资产。此外,除了MSWEP DC-MSWEP,沉淀所有产品有更好的在雨季降水探测功能。

4.2。空间差异的许可证和DC-SPPs的性能

4.2.1。准备盆地规模

CC的空间分布、梅、RMSE, RB可以帮助研究人员预测水文应用误差传播。连续的空间分布的统计指标的许可证和DC-SPPs PTRB数据所示8和9。流量的误差评价指标,GSMAP MSWEP有类似的空间分布模式。,CC较高的盆地的南部和东北部地区。CC中GPM是更好的在整个盆地,分布和高CC值的范围明显扩大。而GSMAP MSWEP, RMSE和RB显然更大,这是一致的高相关性和错误的结果。三的美和RMSE从南到北逐渐增加,主要原因是松辽盆地北部高原,盆地的南部高地和低地。RB大于0在南部盆地的一部分。GSMAP是最严重的高估,达到最高的10.73%,而在盆地的北部,它小于0。低估的流量是非常重要的,达到−25.12%的水平。至于降水误差的空间分布在盆地而言,GSMAP错误更好的准确性,有很多与盆地的地形。 The topography of the northern part of the basin are extremely complex, which brings high uncertainty errors to various precipitation measurement methods. Direct application to hydrological simulation has certain uncertainties. Therefore, downscaling correction is of great significance.

的三个降水产品DC-GPM、DC-GSMAP和DC-MSWEP不仅保留许可证的误差空间分布特征的空间精度也大大提高错误和偏差。的三套DC-SPPs基本上可以反映PTRB降水的空间分布特征,和更可靠的描述降水的空间误差。CC都高于0.90,最大射程DC-GPM的美,DC-GSMAP, DC-MSWEP 1.61 - -1.99毫米,1.48 - -5.80毫米,1.84 - -2.17毫米,分别和RMSE的最大范围是4.47 - -5.57毫米,4.30 - -5.80毫米,4.23 - -5.66毫米,分别。苏格兰皇家银行几乎都是大于0的南部盆地的一部分。其中,DC-GSMAP是最严重的高估,达到12.92%,而在盆地的北部,几乎都是小于0。DC-GPM是最严重的低估,达到−10.06%。尽管DC-GPM之间的相关性更好,DC-GSMAP明显的误差性能更好,DC-MSWEP不如前两个在两个方面。

4.2.2。车站规模

空间范围内的一个站和网格,误差评价指标计算每日每个车站的规模如表所示5。结果表明,降尺度修正之前,最多流量执行比GSMAP和MSWEP盆地。高相关,75%的网站流量大于0.70 CC的占75%,而网站的CC GSMAP MSWEP大于0.70仅占12.5%。美,站的流量和GSMAP小于或等于4毫米的车站占总数的87.5%,而MSWEP只有37.5%,这是类似于美RMSE。RB显示三个低估的大多数盆地。然而,站在东南地区的降水明显高估了,特别是在南部地区降水在车站。DC-SPPs产品的三种类型也有类似的错误评估指标的变化在每个站点上使用相应的三个许可证降水产品。每个SPP的降尺度修正大大提高了精度,减少误差。

图10显示了分类统计每个站点的所有许可证和DC-SPPs指数。在网站上规模、群MSWEP显著提高,其次是GSMAP和流量。然而,MSWEP也最高,7网站超过0.5(87.5%),信誉低,与先前的研究结果相同。值得注意的是,豆荚所有站的流量小于GSMAP,但是流量的远低于GSMAP。从综合ETS得分,GSMAP表现好于流量在五个地点(除了XJ和香港),最糟糕的资产表现MSWEP(大多数网站都低于0.2)。降尺度后,三个直流降水产品的豆荚达到1,减少。从综合得分ETS性能,DC-GPM高于0.6的ETS站,这是远远高于DC-GSAMP和DC-GSAMP。MSWEP表现最好的。更改之前和之后的降尺度MSWEP并不很大,表明降尺度过程并不理想,其捕获降水事件的能力是不够的。的降水事件监视应用程序PTRB仍然需要谨慎。

4.3。降水强度的概率密度函数

在许多研究应用程序,如极端天气监测、land-atmosphere互动,和水文气象研究,检测降水与不同的降水强度的能力是一样重要的平均降水变化和时空变化,同样可以由总降水。弱降水相对强劲的时间或暴雨短期将带来负面影响人类的生产和生活的许多方面。在本节中,我们将研究所有许可证和DC-SPPs的影响在不同强度的降水事件。

图11表明,随着降水阈值继续增加,所有许可证的准确性和DC-SPPs降水事件的表示,首先,略有增加,然后逐渐减少。三个许可证,MSWEP的降水事件检测能力明显不如流量和GSMAP降水阈值,以及降水事件的误警率较高。特别是当降水强度阈值小于10毫米,POD和MSWEP远高于流量和GSMAP,但ETS是最低的。可能相关的集成MSWEP为多个实时卫星降水数据集,和卫星探测信号错误地认为一些云收集地点降水事件。这也是所有人的误警率的主要原因三个许可证。当降水强度阈值超过10毫米,POD和ETS MSWEP值都很小,表明MSWEP很弱探测能力中雨事件和高强度降水事件。至于GSMAP和流量,当降水阈值小于10毫米,GSMAP变化曲线的POD和ETS值高于流量,和的变化曲线也远低于目前的流量,反映出降水事件检测能力GSMAP比流量阈值范围内。这证明GSMAP有更好的捕捉小雨和microprecipitation事件的能力。这可能与中国共产党的使用每日降水分析数据的反演算法GSMAP而不是GPCP月度数据集。在阈值范围内的10 - 20毫米,流量和GSMAP中雨事件具有相同的检测功能,这可能与这一事实有关的原始卫星降水数据流量和GSMAP来自同一卫星观测系统。当降水阈值范围内的20毫米到40毫米,流量的检测性能略优于GSMAP降水事件。 After the precipitation intensity threshold exceeds 40 mm, the POD of the three SPPs is lower than 0.4, the FAR is higher than 0.4, and the comprehensive score ETS is lower than 0.3, which indicates that the detection capabilities of the three SPPs for high-intensity precipitation events need to be improved, especially for heavy rain and heavy rain events.

降尺度修正后,与降水强度阈值的增加,降水事件检测能力指标的变化趋势的三个DC-SPPs类似许可证。然而,对于相同的降水产品及其衍生产品降尺度、豆荚和ETS在不同降水强度阈值显著增加,而显著降低,表明降尺度校正提高了降水事件检测许可证的能力。改善DC-GSMAP非常明显,和ETS比DC-GPM DC-GSMAPat大多数阈值,表明DC-GSMAP的降水事件检测能力比DC-GPM和DC - MSWEP在大多数阈值,具有一定程度的信誉PTRB探测降水事件的能力。一般来说,这三个许可证有一定缺陷探测降水事件并准确地估计降水量。地面观测可以更直接、准确地探测降水事件,降尺度和校正卫星降水产品结合多源遥感数据和地面观测数据t的能力,可以提高许可证检测不同震级的降水事件。总的来说,降尺度的方法显示出令人鼓舞的结果修正的许可证。

4.4。许可证在水文级别的性能

4.1.1。校准和验证的河流

图12比较了日水文曲线观察到Pingtang水文站水文模拟曲线使用基于地面站降水测量在校准和验证。在校准期间,XAJ模型使用雨量计降水在日常径流模拟中取得了良好的效果。分析了无和lgNSE值很高,0.88和0.80,分别在−3.10% RE价值低。在验证期间,水文性能略有下降,和了无lgNSE略微下降至0.86和0.64,分别和再保险−0.40%。然而,XAJ模型通常低估了流域汛期期间的最大流量。一方面,原因是当地稀疏雨量计网可能无法完全捕捉降水在很大程度上风暴中心。另一方面,这可能是因为岩溶盆地复杂的融合过程更为复杂,导致轻微低估高流量的盆地。一般来说,PTRB Grid-XAJ模型具有一定的适用性和可用于评估许可证的适用性和DC-SPPs流域。

10/24/11。径流模拟结果进行许可证

模型校准后,Grid-XAJ模型的参数校准使用控制变量法和降水站作为基准。流量、GSMAP MSWEP用作输入驱动模型模拟验证期间每日径流和评估三个许可证水文事业。图13表明,基于流量的模拟水文曲线在良好的协议与实测径流和最大流量。了无和lgNSE分别是0.64和0.54,而再保险−18.8%,这表明盆地径流总量的18.8%被低估了。GSMAP和MSWEP相似的水文模拟效果,分析了无价值的0.50和0.52和lgNSE值为0.50和0.52,分别。所有驱动模型捕获时间的变化历史每日盆地径流,但MSWEP RB−20.16%,这低估了总径流−20.16%,尤其是最严重低估的最大流量。GSMAP的再保险−12.9%,误差性能是最好的。三个许可证模拟显示,在捕捉峰值径流性能很差,和总径流是低估了更严重。这可能是由于三个许可证低估了降水在整个盆地盆地规模。

4.4.3。DC-SPPs径流模拟结果运用

使用同一套模型参数用来评估许可证的水文效用,DC-GPM, DC-GSMAP, DC-MSWEP验证期间每天都用来模拟径流和评估DC-SPPs的水文效用。图14曲线表明,水文模拟基于三DC-SPPs-driven XAJ模型是在良好的协议与实测径流和最大流量。了无和lgNSE DC-GPM 0.78和0.58,分别和再保险−9.80%。了无和lgNSE DC-GSMAP 0.75和0.56,分别是−6.00%,分析了无和lgNSE DC-MSWEP 0.76和0.57,分别和再保险−8.40%。三个许可证的水文模拟特征是相似的。与三种类型的许可证,他们有不同程度的改善。值得注意的是,由三种类型的径流模拟DC-SPPs低于水文观测值的车站,和总水量较少。一般来说,DC-GSMAP有最好的水文实用程序,它具有更好的水文模拟PTRB的特征。

5。讨论

的精度不同的许可证是完全不同的,不同的许可证后的性能降尺度也很不确定(2]。大多数先前的研究只对单个卫星降水产品进行缩小规模,只选择一个或两个降水因素降水(25]。与解释变量相比,本研究选定多个降水影响因子(归一化植被指数,方面,斜率和高程)和使用三个不同的高分辨率许可证作为基准,通过吉尼斯世界纪录和使用GDA缩小规模,结合降雨站改正和比较的结果降尺度修正多个不同的许可证。它将帮助一个选择更准确的许可证降尺度修正在未来获得更好的降水产品质量,这是很有价值的各种水文气象研究小和微尺度(24,53]。

在大多数流域与不准确测量、水文建模是一个具有挑战性的问题54]。水文模型需要一个人口分布规/站网络提供合理的输入模型。相比之下,实际站点稀疏分布,不能捕获降水的时空变化,和稀疏站的使用数据来评估许可证有很大的不确定性。小流域的一些研究人员多注意,测量数据很少甚至不存在,这让大困难的评估许可证。此外,由于有限的数据用于校准和验证过程,在集水区水文建模,缺乏测量将面临着太多的不确定性4,37]。因此,一些最近的研究集中在评估不同的降水数据集在水文模拟的性能模拟径流在贫穷或无边无际的水域(13]。然而,许可证通常存储在网格点的形式沉淀。了解如何正确的网格点降水数据获取数据以更大的水文事业潜力是重要的建立一个网格水文模型和直接输入卫星降水形式的网格点。目前的研究旨在证明的潜在好处的最新三个许可证和相应的DC-SPPs水文应用,不是单一的水文评估卫星降水产品和Grid-XAJ分布式水文模型选择。输入的原始分辨率卫星网格沉淀保留,和许可证是更直接的评价。大多数以前的研究已经评估了降水产品单个卫星和获得good-to-satisfactory性能模拟水流在日常和每月的时间尺度1,12,41,42]。然而,目前仍缺乏研究降尺度修正和水文效用通过比较多个卫星降水产品。这项研究表明,不同DC-SPPs许可证和降雨站的优点结合起来,减少不确定性的趋势,高潜力水文应用程序。然而,当不同的许可证和DC-SPPs用作输入水文模型、水文实用程序获得的结果不同的降水产品并不是完全相同的。因此,如何整合未来彼此不同的许可证和互相学习仍然是一个主要问题。总之,河仿真系统的准确性在很大程度上取决于水文条件输入。这项研究的结果不仅可以为决策提供数据支持的流域管理部门也为流域水文的研究提供重要的信息。特别是对于一些流域缺乏降水数据或更少的降水数据,但由于相似的水文条件,这项研究中,是非常重要的流域制定战略以应对气候变化和水资源中长期规划。

与许可证相比,DC-SPPs可以产生模拟的结果类似于雨仪表的测量值。在长期水文模拟具有一定的可靠性和一致的数据质量和有潜力用于水资源管理和流域水文模拟与稀疏或测量数据。然而,这项研究没有考虑水文模型参数的不确定性和仅限于使用Grid-XAJ模型来评估三个许可证和三个DC-SPPs的水文模拟效用。因此,在未来,一系列不同的水文模型可以用来评估各种许可证和DC-SPPs的水文效应在不同流域尺度。

6。结论

本文主要讨论了时间序列的误差特征三个许可证(流量、GSMAP MSWEP)和三个DC-SPPs (DC-GPM、DC-GSMAP DC-MSWEP)获得的降尺度和校正使用吉尼斯世界纪录和GDA方法,以及他们的时间和空间分布和能力描述降水事件。误差统计指标(CC, RB、美和RMSE)和分类统计指标(POD、远和ETS)被用来比较六降水产品从1月1日,2014年12月31日,2019年,与降雨,错误的特点和影响六降水产品进行定量分析。此外,所有许可证和DC-SPPs输入Grid-XAJ模型来模拟,观察河流的径流。分析了无、lgNSE和RB模拟径流之间的差异进行比较和水文站的径流观测。主要结果如下:(1)所有许可证和DC-SPPs表现良好的三个时间尺度:一天,月,季,附加的和明确的结果在每月的规模。吉尼斯世界纪录的使用和GDA同时有更好的降尺度修正效果,和DC-SPPs的精度优于许可证。与降雨量的观测结果站相比,低估了PTRB沉淀,沉淀所有产品但DC-SPPs不是那么严重的低估的许可证。DC-GPM有最好的表现的能力在所有季节降水事件,及其ETS分数远远高于其他降水产品。值得注意的是,MSWEP的描述能力和DC-MWEP流域降水事件显示高命中率和假警报率高,整体效果很差。因此,他们不适合在流域降水事件监视。(2)错误的所有许可证和DC-SPPs有明显的空间变异性,显示高度的相关性和高误差分布的特点。其中,美和RMSE有类似的模式的空间变异,盆地是在南方北方的高和低。总的来说,DC-GSMAP显示更好的性能比其他大部分地区降水产品。(3)随着不断增加阈值,准确捕捉所有许可证和DC-SPPs降水事件的能力,首先,稍有增加,然后,它逐渐减少。有重大缺陷捕获和监测能力强降雨事件的盆地三个许可证。GSMAP执行比流量和MSWEP监测光和小盆地降水事件,MSWEP是最坏的打算。三种类型的DC-SPPs, DC-GSMAP有更好的整体性能监测与不同的降水强度降水事件。总体而言,该方法显示出令人鼓舞的结果为提高许可证的强降雨和监控日常降水。(4)三个许可证作为输入,Grid-XAJ模型与一组被用来模拟径流速度开车。三的ns许可证都大于0.5,分析了无的流量是0.54,所有这些捕获流域的径流。流的时间变化的特点,MSWEP低估了径流流域最严重的低估了流域的径流−20.16%。水文的效果并不好。水文DC-SPPs效用三种类型的结果表明,获得的ns的三种类型的DC-SPPs都高于0.75,获得的水文曲线是在良好的协议与实测径流和洪峰流量,和观察到的径流的低估已得到改进。吉尼斯世界纪录和GDA使降水的空间分布更加合理,每个降水产品的水文实用性能改善。从全面的角度指标,DC-GSMAP具有较高分析了无lgNSE和RB最低。它还有PTRB RB最低的。一定水文效用可以一定程度上作为输入水文模型的建立在缺乏的地区数据,没有数据。

数据可用性

部分或全部雨量计和流数据,模型或代码生成或使用在研究本质上是专有或机密,可能只是提供了限制。作者将进行进一步的研究在未来在这方面。现有的研究数据将在随后的论文,逐步发展,只是目前暂时保密。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

g . s .本文的构想最初的设计和执行数据管理,y . W .手稿进行了初步的写作和论文的结构改善,g·W。r S。,和H. C. contributed to review and editing, and M. C. took part in the final review and funding. All authors have read and agreed to the published version of the manuscript.

确认

这项研究是由中国国家自然科学基金批准号下51969004;下的中国,广西自然科学基金批准号2017 gxnsfaa198361;广西研究生教育创新工程,在批准号YCBZ2019022。