摘 要:降水作為水文模擬中關(guān)鍵的輸入數(shù)據(jù),其數(shù)據(jù)的質(zhì)量在流域水文模擬等領(lǐng)域具有極其重要的影響。傳統(tǒng)的地面站點(diǎn)降水精度較高,但空間分布不均,存在一定局限性。而衛(wèi)星降水雖時(shí)空連續(xù)性較好,但數(shù)據(jù)質(zhì)量有所欠缺。基于此,本文將青龍河上游流域作為研究區(qū)域,開展GPM衛(wèi)星與地面站點(diǎn)降水?dāng)?shù)據(jù)融合研究。試驗(yàn)結(jié)果表明,各時(shí)間尺度下的GPM衛(wèi)星降水與地面站點(diǎn)降水之間存在較好相關(guān)性,且相關(guān)性隨時(shí)間尺度的增大在一定程度上有所加強(qiáng)。RMSE和SD隨著時(shí)間尺度的增加而逐漸增大,BIAS保持不變,總體上高估了降水。
關(guān)鍵詞:GPM衛(wèi)星;地面站點(diǎn);降水?dāng)?shù)據(jù);融合
中圖分類號(hào):P 412" " 文獻(xiàn)標(biāo)志碼:A
在全球變暖的大背景下,水循環(huán)過(guò)程更復(fù)雜,極端天氣事件頻發(fā)。降水作為水循環(huán)過(guò)程的重要環(huán)節(jié),是生存和發(fā)展不可或缺的重要基礎(chǔ),也是水文模型的重要輸入?yún)?shù)之一,其優(yōu)劣直接影響水文模擬的準(zhǔn)確性。受季風(fēng)氣候、地形地貌、海陸位置等因素的影響,相比于其他氣象數(shù)據(jù),降水時(shí)空復(fù)雜和變異特性明顯,較大程度上制約了水文模擬效果[1]。因此,如何獲得高質(zhì)量、高精度的降雨數(shù)據(jù)成為當(dāng)今水文研究的重要課題之一。
已有的降水資料主要通過(guò)地面站點(diǎn)觀測(cè)、天氣雷達(dá)測(cè)量和衛(wèi)星遙感反演等方式獲得。其中,地面站點(diǎn)觀測(cè)是獲取降水?dāng)?shù)據(jù)的傳統(tǒng)方式,數(shù)據(jù)精度較高。由于站點(diǎn)數(shù)量較稀疏,空間分布不均勻,在一定程度上增加了不確定性,限制了部分地區(qū)降水?dāng)?shù)據(jù)的獲取[2]。作為一種間接觀測(cè)的降水,衛(wèi)星降水?dāng)?shù)據(jù)的時(shí)空連續(xù)性較好、觀測(cè)范圍廣,彌補(bǔ)了地面站點(diǎn)觀測(cè)降水的不足,被廣泛應(yīng)用于徑流模擬、預(yù)測(cè)預(yù)報(bào)等領(lǐng)域。但由于氣候、地形地貌等因素的影響,衛(wèi)星降水?dāng)?shù)據(jù)會(huì)在質(zhì)量上有所差異,存在一定偏差。因此,有必要將衛(wèi)星降水與地面站點(diǎn)降水?dāng)?shù)據(jù)融合,提高降水質(zhì)量,對(duì)水文模擬有極其重要的意義。
1 研究區(qū)域概況
青龍河為秦皇島境內(nèi)的河流,匯入灤河,屬于灤河支流,集水面積為38625km2,地形起伏較小,整體呈現(xiàn)南北高、中間低的特點(diǎn)。區(qū)域?qū)儆趤啛釒駶?rùn)性季風(fēng)氣候,多年平均氣溫為13℃~15℃。受氣候、人類活動(dòng)等影響,降水量空間分布不均勻,多年平均降水量約為877mm,降水由上游向下游遞增。流域上游水量充盈,氣候適宜,水力資源豐富,農(nóng)業(yè)生產(chǎn)發(fā)達(dá),是我國(guó)水資源開發(fā)利用和糧食、油料生產(chǎn)的重要基地。其水資源總量約為338億m3,約占全流域的66.7%,水資源開發(fā)利用已達(dá)規(guī)劃的50%以上。
2 GPM衛(wèi)星與地面站點(diǎn)降水?dāng)?shù)據(jù)融合
2.1 GPM衛(wèi)星與地面站點(diǎn)降水?dāng)?shù)據(jù)融合方法
2.1.1 影響變量選取
本文采用基于地理加權(quán)回歸克里金法融合校正GPM衛(wèi)星與地面站點(diǎn)月降水?dāng)?shù)據(jù)。選取GPM衛(wèi)星月降水?dāng)?shù)據(jù)、經(jīng)緯度、高程、坡度、坡向、地形起伏度和山體陰影等多個(gè)影響因子作為影響變量,采用ArcGIS軟件構(gòu)建GWR模型,選擇高斯Gauss核函數(shù)作為空間權(quán)函數(shù),基于AIC準(zhǔn)則確定帶寬,得到融合后的月降水結(jié)果。統(tǒng)計(jì)融合月降水?dāng)?shù)據(jù),即可得到融合年降水?dāng)?shù)據(jù)。為獲得融合GPM衛(wèi)星與地面站點(diǎn)的日降水?dāng)?shù)據(jù),研究擬采用比例指數(shù)法計(jì)算融合日降水結(jié)果
同時(shí),本文擬選用GPM衛(wèi)星月降水?dāng)?shù)據(jù)、經(jīng)緯度以及多種地形因子作為影響變量。其中,結(jié)合各地形因子與降水的相關(guān)性,主要選取高程、坡度、坡向、地形起伏度及山體陰影這5個(gè)地形因子進(jìn)行研究[3]。
首先,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,驗(yàn)證選取的地形因子是否相互獨(dú)立,并解決冗余問(wèn)題,進(jìn)而提高回歸精度。選用主成分分析法對(duì)上述5個(gè)地形因子進(jìn)行降維處理,消除多重線性關(guān)系與冗余問(wèn)題。各地形因子特征向量、特征值見表1、表2。
由表1、表2可知,主成分1和2的累積貢獻(xiàn)率達(dá)到94.928%,對(duì)地形因子的貢獻(xiàn)度最大,可認(rèn)為前2個(gè)主成分能夠較好替代上述地形因子。因此,最終選定前2個(gè)主成分的數(shù)據(jù)組來(lái)代表地形因子變量進(jìn)行后續(xù)計(jì)算[4-5]。
2.1.2 地理加權(quán)回歸克里金法
地理加權(quán)回歸法(GWR)是局部校正降水的一種變參數(shù)空間回歸方法,在傳統(tǒng)線性回歸方法的基礎(chǔ)上引入樣本空間位置,以估計(jì)區(qū)域內(nèi)降水誤差的空間分布,探討變量間空間關(guān)系的異質(zhì)性,如公式(1)所示。
式中:(ui,vi)為站點(diǎn)i的地理坐標(biāo);yGWR(ui,vi)為站點(diǎn)i的GWR降水估計(jì)值;p為影響變量的個(gè)數(shù);β0(ui,vi)為第k個(gè)影響變量在站點(diǎn)i上的參數(shù);xik為站點(diǎn)i的第k個(gè)影響變量;εi為站點(diǎn)i的殘差,可由克里金法進(jìn)行插值,計(jì)算研究區(qū)域內(nèi)的回歸殘差[6]。
融合降水?dāng)?shù)據(jù)估計(jì)值由回歸殘差與GWR降水估計(jì)值兩部分組成,如公式(2)所示。
式中:yGWRK(ui,vi)為觀測(cè)點(diǎn)i的GWRK降水估計(jì)值;yGWR(ui,vi)為觀測(cè)點(diǎn)i的GWR降水估計(jì)值;εi(ui,vi)為由克里金插值后觀測(cè)點(diǎn)i的回歸殘差。
本文采用基于地理加權(quán)回歸克里金法融合校正GPM衛(wèi)星與地面站點(diǎn)月降水?dāng)?shù)據(jù)。選取GPM衛(wèi)星月降水?dāng)?shù)據(jù)、經(jīng)緯度、高程、坡度、坡向、地形起伏度和山體陰影等多個(gè)影響因子作為影響變量,采用ArcGIS軟件構(gòu)建GWR模型,選擇高斯Gauss核函數(shù)作為空間權(quán)函數(shù),基于AIC準(zhǔn)則確定帶寬,得到融合后的月降水結(jié)果。統(tǒng)計(jì)融合月降水?dāng)?shù)據(jù),即可得到融合年降水?dāng)?shù)據(jù)[7]。
為獲得融合GPM衛(wèi)星與地面站點(diǎn)的日降水?dāng)?shù)據(jù),研究擬采用比例指數(shù)法計(jì)算融合日降水結(jié)果。1)計(jì)算地面站點(diǎn)日降水占當(dāng)月降水的比值。2)采用反距離權(quán)重法對(duì)其進(jìn)行空間插值,得到整個(gè)研究區(qū)域的比值數(shù)據(jù)。3)將融合月降水?dāng)?shù)據(jù)與插值后的比值相乘,使融合月降水?dāng)?shù)據(jù)有效分配至日尺度,獲得融合日降水?dāng)?shù)據(jù)。
2.1.3 GPM衛(wèi)星降水?dāng)?shù)據(jù)精度評(píng)估指標(biāo)
采用皮爾遜相關(guān)系數(shù)R、均方根誤差RMSE、標(biāo)準(zhǔn)差SD、相對(duì)偏差BIAS4項(xiàng)精度評(píng)價(jià)指標(biāo),定量評(píng)價(jià)所用衛(wèi)星降水產(chǎn)品的有效性。
皮爾遜相關(guān)系數(shù)R反映數(shù)據(jù)之間的相關(guān)性。絕對(duì)值越接近1,表明相關(guān)性越高,如公式(3)所示。
式中:Qi為GPM衛(wèi)星降水?dāng)?shù)據(jù);為GPM衛(wèi)星降水?dāng)?shù)據(jù)的平均值;Si為地面站點(diǎn)降水?dāng)?shù)據(jù);為地面站點(diǎn)降水?dāng)?shù)據(jù)的平均值;n為時(shí)間序列長(zhǎng)度。
2.2 融合降水?dāng)?shù)據(jù)的精度分析
分析日、月和年尺度下研究區(qū)域GWRK融合降水的數(shù)據(jù)精度,以6個(gè)站點(diǎn)2004—2022年所有地面站點(diǎn)日、月和年降水量作為自變量,以所有GWRK融合相應(yīng)降水量作為因變量,繪制各時(shí)間尺度下研究區(qū)域融合降水與地面站點(diǎn)降水之間的散點(diǎn)圖,如圖1所示。
對(duì)比原始GPM衛(wèi)星日、月和年降水的精度評(píng)價(jià)結(jié)果(見表3),融合降水的精度評(píng)價(jià)結(jié)果明顯提高。其中,各尺度下融合降水的R值均升至0.98以上,與地面站點(diǎn)相應(yīng)降水?dāng)?shù)據(jù)存在極高的相關(guān)性。SD值略高于原始GPM衛(wèi)星,這可能與融合降水中部分?jǐn)?shù)據(jù)與均值偏差較大有關(guān)。除SD值以外,融合后日、月和年降水?dāng)?shù)據(jù)的RMSE和BIAS值均顯著降低,有效改善了衛(wèi)星降水?dāng)?shù)據(jù)精度較低與高估降水的現(xiàn)象[8-9]。結(jié)合3種降水的評(píng)價(jià)指標(biāo)結(jié)果,對(duì)比分析GPM衛(wèi)星與融合降水?dāng)?shù)據(jù)在日、月和年尺度下的精度。
從皮爾遜相關(guān)系數(shù)來(lái)看,GWRK融合日降水在5個(gè)站點(diǎn)的R中值由0.493升至0.998,月降水的R中值由0.947升至0.997,年降水的R中值也由0.883升至0.990。由此可見,GWRK融合后的降水?dāng)?shù)據(jù)與地面站點(diǎn)降水之間的相關(guān)性極強(qiáng),均優(yōu)于GPM衛(wèi)星降水。尤其是月尺度與年尺度下的融合降水與地面站點(diǎn)降水具有極強(qiáng)的相關(guān)性,能夠較好地替代地面站點(diǎn)降水。從均方根誤差考慮,GWRK融合降水的RMSE值均低于原始GPM衛(wèi)星降水的RMSE值。尤其是GWRK融合年降水的RMSE中值由97.84降至29.39,極大程度上降低了數(shù)據(jù)平均誤差,提高降水精度。針對(duì)標(biāo)準(zhǔn)差,GWRK融合月降水?dāng)?shù)據(jù)的SD中值整體低于原始GPM衛(wèi)星降水,但在各站點(diǎn)的SD值在一定程度上較大偏離了中值。而日和年尺度下的融合降水略高于GPM衛(wèi)星數(shù)據(jù),表明融合降水?dāng)?shù)據(jù)的誤差穩(wěn)定性較弱,但處于誤差范圍內(nèi)。從相對(duì)偏差來(lái)分析,GWRK融合降水BIAS的絕對(duì)值低于原始GPM衛(wèi)星降水,BIAS的中值由0.058降至-0.002,整體略微低估了降水,偏差極小。整體來(lái)看,經(jīng)GPM衛(wèi)星與地面站點(diǎn)降水融合校正后,各時(shí)間尺度精度評(píng)價(jià)結(jié)果整體較優(yōu)。與原始衛(wèi)星降水相比,融合降水和地面站點(diǎn)降水具有更強(qiáng)的相關(guān)性,精度更高,能夠更好地替代地面站點(diǎn)降水?dāng)?shù)據(jù)。
3 結(jié)語(yǔ)
本文以安康站以上漢江上游流域?yàn)檠芯繀^(qū)域,收集區(qū)域內(nèi)實(shí)測(cè)降水、衛(wèi)星降水和實(shí)測(cè)徑流等氣象數(shù)據(jù)。選取4項(xiàng)評(píng)價(jià)指標(biāo)評(píng)估不同時(shí)空維度下GPM衛(wèi)星降水?dāng)?shù)據(jù)精度,采用地理加權(quán)回歸克里金法開展降水?dāng)?shù)據(jù)的融合工作,進(jìn)一步驗(yàn)證不同降水情景模擬日、月徑流的應(yīng)用價(jià)值。主要研究結(jié)論如下。
從不同時(shí)空維度綜合評(píng)估GPM衛(wèi)星降水?dāng)?shù)據(jù)。從時(shí)間維度上看,GPM衛(wèi)星降水在日尺度下與地面站點(diǎn)降水之間存在較弱的相關(guān)性,但月和年尺度下的相關(guān)性明顯較強(qiáng),由此說(shuō)明隨著時(shí)間尺度增長(zhǎng),兩者之間的相關(guān)性在一定程度上有所提高。RMSE和SD值隨時(shí)間尺度增長(zhǎng)而增加,均處于精度較高水平。各尺度下的衛(wèi)星降水?dāng)?shù)據(jù)均略微高估了實(shí)際降水,但偏差程度很小。從空間維度上看,GPM衛(wèi)星降水?dāng)?shù)據(jù)在研究區(qū)域內(nèi)大致自西向東遞增,在局部地區(qū)具有較好的一致性,僅佛坪和安康區(qū)域有一定偏差,整體上能夠較好地呈現(xiàn)研究區(qū)域降水分布變化特征。
參考文獻(xiàn)
[1]劉元波,傅巧妮,宋平,等.衛(wèi)星遙感反演降水研究綜述[J].地球科學(xué)進(jìn)展,2021,26(11):1162-1172.
[2]SU F G,HONG Y,LETTENMAIER D P.Evaluation of TRMM Multisatellite Precipitation Analysis(TMPA)and its utility in hydrologic prediction in the La Plata Basin[J].Journal of Hydrometeorology,2018,9(4):622-640.
[3]SEMIRE F A,MOHD-MOKHTAR R,ISMAIL W,et al.Ground validation of space-borne satellite rainfall products in Malaysia[J].Advances in Space Research,2022,50(9):1241-1249.
[4]KENAWY A M,LOPEZ-MORENO J I,MCCABE M F,et al.Evaluation of the TMPA-3B42 precipitation product using a high-density rain gauge network over complex terrain in northeastern Iberia[J].Global and Planetary Change,2019,133(10):188-200.
[5]齊泓瑋,尚松浩,李江.中國(guó)水資源空間不均勻性定量評(píng)價(jià)[J].水力發(fā)電學(xué)報(bào),2020,39(6):28-38.
[6]SOROOSHIAN S,HSU K L,GAO X G,et al.Evaluation of persiann system satellite-based estimates of tropical rainfall[J].Bulletin of the American Meteorological Society,2020,81(9):2035-2046.
[7]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,2024,5(3):287-296.
[8]YANG K,HE J,TANG W J,et al.On downward shortwave"and longwave radiations over high altitude regions:Observation and"modeling in the Tibetan Plateau[J].Agricultural and Forest Meteorology,2019,150(1):38-46.
[9]孟現(xiàn)勇,師春香,劉時(shí)銀,等.CMADS數(shù)據(jù)集及其在流域水文模型中的驅(qū)動(dòng)作用——以黑河流域?yàn)槔齕J].人民珠江,2019,37(7):1-19.