基于TRMM数据的福建省降水时空格局BME插值分析

doi:10.3724/SP.J.1047.2014.00470

地球信息科学学报 ›› 2014, Vol. 16 ›› Issue (3): 470-481.doi: 10.3724/SP.J.1047.2014.00470

• 本期要文(可全文下载) • 上一篇下一篇

基于TRMM数据的福建省降水时空格局BME插值分析

史婷婷^1,2, 杨晓梅¹, 张涛¹, 刘李³, 田文君⁴

1. 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室, 北京100101;
2. 中国科学院大学, 北京100049;
3. 中国资源卫星应用中心, 北京100094;
4. 黄河水利委员会水文局, 郑州450004

收稿日期:2013-09-03 修回日期:2013-10-29 出版日期:2014-05-10 发布日期:2014-05-10
通讯作者: 杨晓梅（1970- ），女，湖北武汉人，博士，研究员，研究方向为遥感与地理信息系统应用研究。E-mail：yangxm@lreis.ac.cn E-mail:yangxm@lreis.ac.cn
作者简介:史婷婷（1986- ），女，河南南阳人，博士生，研究方向为地理空间分析模型研究。E-mail：shitt@lreis.ac.cn
基金资助:
国家“863计划”课题（2012AA121201、2011AA120101）；国家自然科学基金项目（40971224）。

Spatiotemporal Analytical Research of Precipitation in Fujian Province Based on TRMM and BME

SHI Tingting^1,2, YANG Xiaomei¹, ZHANG Tao¹, LIU Li³, TIAN Wenjun⁴

1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. China Centre for Resources Satellite Data and Application, Beijing 100094, China;
4. Hydrology Bureau of Yellow River Conservancy Committee, Zhengzhou 450004, China

Received:2013-09-03 Revised:2013-10-29 Online:2014-05-10 Published:2014-05-10

摘要/Abstract

摘要：

传统空间插值方法可获得福建省区域内降水的总体分布，但该地区气象站点较稀疏且分布不均，导致该区域内降水的空间插值结果误差较大。为提高插值精度，本文利用TRMM卫星数据以弥补站点数据的不足，尝试将TRMM数据作为“软数据”、台站数据作为“硬数据”，两者相结合后采用贝叶斯最大熵（Bayesian Maximum Entropy，BME）方法对福建省降水的时空格局进行分析。以2000-2012年近13年20个气象站点的年降水量和月降水量为基础数据，分别利用普通克里格法（Ordinary Kriging，OK）和TRMM为“软数据”的BME插值法，分析福建省多年降水的时空分布格局，并对2种方法的插值结果进行比较。结果表明：在时空分布上，以TRMM数据为辅助变量的贝叶斯最大熵插值结果能更好地体现降水的局部差异特征；在误差评价上，以TRMM数据为辅助变量的贝叶斯最大熵插值结果的MAE和RMSE较小，表明TRMM数据作为“软数据”参与插值的BME方法可以在一定程度上弥补站点数据的不足，有效降低预测结果的绝对误差。通过对福建省降水插值的时空分布格局分析和误差评价可看出，BME插值法通过对基础台站数据，以及TRMM卫星产品数据的利用，使降水的时空分析结果更加真实客观，同时，为TRMM卫星降水数据的应用提供了一个新思路。

关键词: TRMM, 贝叶斯最大熵（BME）, 时空分析, 降水, 软数据

Abstract:

Due to the spatiotemporal heterogeneity of regional precipitation, and sparseness and uneven spatial distribution of meteorological stations in Fujian Province, the overall accuracy of the regional precipitation spatiotemporal interpolation is limited. Tropical Rainfall Measurement Mission (TRMM) 3B42 rainfall estimates can directly provide spatially distributed precipitation estimations over global areas, which are used to make up the drawbacks of observed data of rain gauge stations. At the same time, Bayesian Maximum Entropy (BME) is used to improve the accuracy of spatial interpolation because BME can use the soft data with uncertainty and accurate hard data to perform the spatial interpolation. Based on annual and monthly precipitation data of 20 meteorological stations from 2000 to 2012, the BME with TRMM as soft data and the Ordinary Kriging (OK) are employed to analyze the spatiotemporal characteristics of multi-yearly precipitation in Fujian Province, and the results of interpolation methods are compared. The results indicate that BME with TRMM as soft data performs are better in reflecting the local spatial disparity. Comparing the calculation results of two interpolation methods, the MAE and RMSE values of BME with TRMM as soft data are smaller than OK with hard data only. The results show that BME could effectively reduce the absolute error by taking account of using TRMM rainfall estimates as soft data. In conclusion, BME makes the spatiotemporal analysis results of precipitation more objectively because of the integration of hard and soft data. The study also provides new opportunities in application of TRMM rainfall estimates.

Key words: Bayesian Maximum Entropy (BME), TRMM, spatiotemporal, soft data, precipitation

史婷婷, 杨晓梅, 张涛, 刘李, 田文君. 基于TRMM数据的福建省降水时空格局BME插值分析[J]. 地球信息科学学报, 2014, 16(3): 470-481.DOI:10.3724/SP.J.1047.2014.00470

SHI Tingting, YANG Xiaomei, ZHANG Tao, LIU Li, TIAN Wenjun. Spatiotemporal Analytical Research of Precipitation in Fujian Province Based on TRMM and BME[J]. , 2014, 16(3): 470-481.DOI:10.3724/SP.J.1047.2014.00470

参考文献

[1] 何红艳,郭志华,肖文发.降水空间插值技术的研究进展[J].生态学杂志,2005,24(10):1187-1191.
[2] 邬伦,吴小娟,肖晨超,等.五种常用降水量插值方法误差时空分布特征研究——以深圳市为例[J].地理与地理信息科学,2010,26(3):19-24.
[3] Bussieres N, Hogg W. The objective analysis of daily rainfall by distance weighting schemes on a mesoscale grid[J]. Atmosphere-Ocean, 1989,27(3): 521-541.
[4] 朱求安,张万昌,赵登忠.基于PRISM和泰森多边形的地形要素日降水量空间插值研究[J].地理科学,2005,25(2): 233-238.
[5] 刘登伟,封志明,杨艳昭.海河流域降水空间插值方法的选取[J].地球信息科学,2006,8(4):75-83.
[6] 朱蕾,黄敬峰.山区县域尺度降水量空间插值方法比较[J].农业工程学报,2007,23(7):80-85.
[7] 封志明,杨艳昭,丁晓强.气象要素空间插值方法优化[J]. 地理研究,2004,23(3):357-364.
[8] Christakos G. A Bayesian/maximum-entropy view to the spatial estimation problem[J]. Mathematical Geology, 1990,22(7):763-777.
[9] Christakos G. Modern spatiotemporal geostatistics[M]. New York:Oxford University Press,2000.
[10] D'Or D. Spatial prediction of soil properties, the Bayesian Maximum Entropy approach[D]. University Catholique de Louvain, 2003.
[11] Lee S J, Balling R, Gober P. Bayesian maximum entropy mapping and the soft data problem in urban climate research[J]. Annals of the Association of American Geographers, 2008,98(2):309-322.
[12] Bogaert P, Christakos G, Jerrett M, et al. Spatiotemporal modelling of ozone distribution in the State of California[J]. Atmospheric Environment, 2009,43(15):2471-2480.
[13] Yu H L, Chen J C, Christakos G, et al. BME estimation of residential exposure to ambient PM10 and ozone at multiple time scales[J]. Environmental health perspectives, 2009,117(4):537.
[14] Pang W, Christakos G, Wang J F. Comparative spatiotemporal analysis of fine particulate matter pollution[J]. Environmetrics, 2010,21(3-4):305-317.
[15] Wang J F, Guo Y S, Christakos G, et al. Hand, foot and mouth disease: Spatiotemporal transmission and climate[J]. International Journal of Health Geographics, 2011,10 (25):1-10.
[16] 李爱华,柏延臣.基于贝叶斯最大熵的甘肃省多年平均降水空间化研究[J].中国沙漠,2012,32(5):1408-1416
[17] 陈举,施平,王东晓,等.TRMM卫星降雨雷达观测的南海降雨空间结构和季节变化[J].地球科学进展, 2005,20 (1):29-35.
[18] 熊隽,毛德发,闫娜娜.TRMM卫星估算降雨量在海河流域的应用评价[EB/OL],2009.
[19] HuffmanGJ, BolvinDT, Nelkin E J, et al. TheTRMMMultisatellite Precipitation Analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales[J]. Journal of Hydrometeorology, 2007,8(1): 38-55.
[20] 原立峰,张增信,刘星飞,等.鄱阳湖流域近49 年降雨序列一致性检验与分析[J]. 安徽农业科学,2013,41(2): 732-735.
[21] Duan Z, BastiaanssenWG M, Liu J Z. Monthly and annual validation of TRMM Multisatellite Precipitation Analysis (TMPA) products in the Caspian Sea Region for the period 1999-2003[C]. Proceedings of International Geoscience and Remote Sensing Symposium (IGARSS), 2012,22-27.
[22] Su F, 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, 2008,9(4):622-640.
[23] Zeng H, Li L, Li J. The evaluation of TRMM Multisatellite Precipitation Analysis (TMPA) in drought monitoring in the Lancang River Basin[J]. Journal of Geographical Sciences, 2012,22(2):273-282.
[24] Furuzawa F A, Nakamura K. Differences of rainfall estimates over land by Tropical Rainfall Measuring Mission (TRMM) Precipitation Radar (PR) and TRMM Microwave Imager (TMI)-Dependence on storm height[J]. Journal of Applied Meteorology, 2005,44(3):367-383.

基于TRMM数据的福建省降水时空格局BME插值分析

Spatiotemporal Analytical Research of Precipitation in Fujian Province Based on TRMM and BME

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	刘新, 赵宁, 郭金运, 郭斌. 基于LSTM神经网络的青藏高原月降水量预测[J]. 地球信息科学学报, 2020, 22(8): 1617-1629.
[2]	秦昆, 林珲, 胡迪, 许刚, 张晓祥, 卢宾宾, 叶信岳. 空间综合人文学与社会科学研究综述[J]. 地球信息科学学报, 2020, 22(5): 912-928.
[3]	贾涛, 杨仕浩, 李欣, 鄢鹏高, 喻雪松, 罗希, 陈凯. 武汉居民建筑物碳排放反演计算和时空分析[J]. 地球信息科学学报, 2020, 22(5): 1063-1072.
[4]	何飞, 刘兆飞, 姚治君. Jason-2测高卫星对湖泊水位的监测精度评价[J]. 地球信息科学学报, 2020, 22(3): 494-504.
[5]	刘艳霞, 冯莉, 田慧慧, 阳少奇. 中国气候舒适度时空分布特征分析[J]. 地球信息科学学报, 2020, 22(12): 2338-2347.
[6]	邓敏, 蔡建南, 杨文涛, 唐建波, 杨学习, 刘启亮, 石岩. 多模态地理大数据时空分析方法[J]. 地球信息科学学报, 2020, 22(1): 41-56.
[7]	左琪琳,赵娜,段红梅. 虚拟站点在黑河流域降水模拟中的应用[J]. 地球信息科学学报, 2019, 21(8): 1218-1226.
[8]	黄葵, 卢毅敏, 魏征, 陈鹤, 张宝忠, 马文津. 土地利用和气候变化对海河流域蒸散发时空变化的影响[J]. 地球信息科学学报, 2019, 21(12): 1888-1902.
[9]	徐轩, 李均力, 包安明, 王宝山, 李长春. 新疆五彩湾矿区开发对荒漠植被的扰动分析[J]. 地球信息科学学报, 2019, 21(12): 1934-1944.
[10]	史岚,何其全,杨娇,万逸波. 闽浙赣地区GPM IMERG降水产品降尺度建模与比较分析[J]. 地球信息科学学报, 2019, 21(10): 1642-1652.
[11]	康朝贵, 刘璇, 许欣悦, 秦昆. 天气因素对武汉市出租车出行活动的影响[J]. 地球信息科学学报, 2019, 21(1): 118-127.
[12]	王楠, 杜云艳, 易嘉伟, 刘张, 王会蒙. 基于手机信令数据的北京市空间品质时空动态分析[J]. 地球信息科学学报, 2019, 21(1): 86-96.
[13]	李鑫鑫, 桑燕芳, 谢平, 刘昌明. 我国不同历时年最大降雨量的随机性及空间差异性[J]. 地球信息科学学报, 2018, 20(8): 1094-1101.
[14]	赵娜, 焦毅蒙. 基于TRMM降水数据的空间降尺度模拟[J]. 地球信息科学学报, 2018, 20(10): 1388-1395.
[15]	赵志龙, 罗娅, 余军林, 罗旭琴, 杨月燕. 贵州高原1960-2016年降水变化特征及重心转移分析[J]. 地球信息科学学报, 2018, 20(10): 1432-1442.