EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 1: 108 - 117

DOI: https://doi.org/10.3724/SP.J.1047.2015.00108

多源遥感数据的降水空间降尺度研究——以川渝地区为例

  • 嵇涛 , 1 ,
  • 刘睿 , 1, 2, * ,
  • 杨华 1 ,
  • 何太蓉 1 ,
  • 吴建峰 1
展开
  • 1. 重庆师范大学 重庆市GIS应用研究重点实验室,重庆 400047
  • 2. 华东师范大学 上海市城市化生态过程与生态恢复重点实验室,上海 200062
*通讯作者：刘睿(1983-),男,重庆人,博士,副教授,主要从事生态资源遥感方面研究。E-mail:

作者简介：嵇涛(1988-),男,江苏扬州人,硕士生,主要从事资源环境遥感与GIS研究。E-mail:

收稿日期: 2014-04-11

  要求修回日期: 2014-05-16

  网络出版日期: 2015-01-05

基金资助

国家自然科学基金面上项目(41271411、40771135)

重庆市科委软科学计划项目(CSTC2011CX-rkxA0280)

科技基础性工作专项项目“格网化资源环境综合科学调查规范”(2011FY110400)

收起

Spatial Downscaling of Precipitation Using Multi-source Remote Sensing Data: A Case Study of Sichuan-Chongqing Region

  • JI Tao , 1 ,
  • LIU Rui , 1, 2, * ,
  • YANG Hua 1 ,
  • HE Tairong 1 ,
  • WU Jianfeng 1
Expand
  • 1. Key Laboratory of GIS Application, Chongqing Municipal Education Commission, Chongqing Normal University, Chongqing 400047, China
  • 2. Shanghai Key Laboratory for Urban Ecology and Sustainability, East China Normal University, Shanghai 200062, China
*Corresponding author: LIU Rui, E-mail:

Received date: 2014-04-11

  Request revised date: 2014-05-16

  Online published: 2015-01-05

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

大量研究表明,通过传统地面气象站点实测的单点数据,不能有效地反映降水的空间变化特征。目前,以遥感数据获取的降水产品已得到了广泛的应用,但在地形地势复杂区域,遥感降水产品的空间分辨率与数据精度等方面仍然存在着极大的不足。因此,本文以四川重庆（川渝）地区为例,通过建立降水产品降尺度算法,以实现降水产品的降尺度估算,提高降水数据的空间分辨率。依据在不同尺度下（0.25°、0.50°、0.75°和1.00°）,TRMM 3B43、地理因子,以及MOD13A3（NDVI）之间存在的相关关系,构建了多元回归模型。通过对比这4种尺度下的回归模型,选择其中精度最高的作为最终的降尺度算法,然后再把这种降尺度算法应用到1 km分辨率下进行降水估算。进一步,以区域差异分析（GDA）和区域比率分析法（GRA）对降尺度估算的降水数据进行校正,并结合部分地面气象站点实测的降水数据进行验证。验证结果表明：降尺度算法是可靠的,能有效提升降水产品的空间分辨率,同时GDA和GRA校正方法能减小误差,进一步提升降水估算的精度,满足区域地表过程应用的需求。

关键词： 空间降尺度; TRMM降水; NDVI; 地理因子; 川渝地区

本文引用格式

嵇涛 , 刘睿 , 杨华 , 何太蓉 , 吴建峰 . 多源遥感数据的降水空间降尺度研究——以川渝地区为例[J]. 地球信息科学学报, 2015 , 17(1) : 108 -117 . DOI: 10.3724/SP.J.1047.2015.00108

Abstract

Precipitation data with high spatial resolution is deemed necessary for hydrology, meteorology, ecology and others. Currently there are mainly two sources of precipitation estimation: meteorological stations and remote sensing technology. However, a large number of studies demonstrated that the measurements acquired from conventional meteorological stations are single points of data, and they can not reflect the spatial variation of precipitation effectively, especially in studying the more complex areas. While the technology of remote sensing can not only improve the quality of the actual observations, but also be able to produce reasonably high resolution gridded precipitation fields. These products obtained by satellites have been widely used in previous studies. However, when applied to complex topography region, the spatial resolution of these products is too coarse and data accuracy is not high. Therefore, we present a statistical downscaling algorithm based on the relationships between precipitation and other environmental associated factors such as topography and vegetation in the Sichuan-Chongqing region, which was developed for downscaling the spatial precipitation fields with these remote sensing products. This algorithm is demonstrated with the Tropical Rainfall Measuring Mission (TRMM) 3B43 dataset, the Digital Elevation Model (DEM) from ASTER Global Digital Elevation Model (ASTER GDEM) and Moderate resolution Imaging Spectroradiometer (MODIS) 13A3 dataset. The statistical relationship among precipitation, geographical factors and Normalized Difference Vegetation Index (NDVI), which is a representation for vegetation, is variable at different scales; therefore, a multiple non-linear regression model was established under four different scales (0.25°, 0.50°, 0.75° and 1.00°, respectively). By applying a downscaling methodology, TRMM 3B43 0.25°×0.25° precipitation fields were downscaled to 1 km×1 km pixel resolution for each year from 2000 to 2011. By comparing these four regression models, we first select the regression model with the highest accuracy as the final downscaling algorithm, and then apply this downscaling algorithm (0.25°) to 1 km resolution for the estimation of high precision in this study. Second, the calibration of downscaling precipitation was conducted based on Geographical Difference Analysis (GDA) and Geographical Ratio Analysis (GRA). The final downscaling estimation results were validated by applying part of meteorological stations measured precipitation data for a period of 12 years in Sichuan-Chongqing region. As a whole, these results indicated downscaling algorithm is reliable, and can effectively improve spatial resolution of precipitation products. The resultant best value of the 1 km annual precipitation data are achieved through downscaling followed by GDA and GRA calibration for most cases. And the downscaling 1 km annual precipitation has not only been significantly improved in the spatial resolution, but also corresponded well with TRMM 3B43 precipitation data and meteorological stations data achieved for Sichuan-Chongqing region.

Key words： spatial downscaling; TRMM precipitation; NDVI; geographical factors; Sichuan-Chongqing region

1 引言

降水是参与全球水循环的关键过程之一,准确掌握详细的降水信息对研究不同时空尺度下的水循环有着至关重要的作用[1]。然而,降水过程作为一种复杂的自然现象,具有显著的时空变异性特征[2-3]。因此,获取高时空分辨率的降水数据,对于认识与理解陆地表面过程至关重要[4]。
传统的降水观测手段主要是地面气象站点的直接观测,并通过插值方法获取研究区域的空间降水数据。站点观测数据具有较高的精度,然而其获取的点状降水数据存在着点位密度与分布不均匀的问题,插值结果的精度难以得到保证。近年来,基于气象雷达的回波强度推算降水数据具有大面积遥测的优点,然而该方法理论基础复杂,因子多,实际应用中仍然存在较大限制。因此,以上2种方法通常难以满足研究中对降水的时空分辨率需求。
遥感和地理信息科学的快速发展提供了降水大面积同步观测的新方法[5]。多平台、多传感器的遥感数据具备覆盖范围广、时空分辨率高以及不受地形地貌条件限制的特点,在获取降水数据的时空分布方面具有明显的优势。近年来,在全球与区域尺度上已经形成了一系列的遥感降水数据集,如全球降水气候计划（GPCP）[6-8],全球卫星测绘降水计划（GSMaP）[9]和热带降水测量卫星（TRMM）[10-12]等。其中,TRMM数据产品在水文模型[13-15]、洪水预测[16]、降雨侵蚀力估算[17],以及气候研究[18]等方面都得到了广泛的应用。然而,在区域尺度与流域尺度等方面的应用中,0.25°空间分辨率的TRMM数据产品仍然存在较大的限制。
对此,许多学者致力于研究地表参数的降尺度方法,即低空间分辨率变量与另一个高空间分辨率变量间的对应关系,如地表温度[19-20]和土壤水分[21-22]等。其中,降水作为自然过程中的重要环节,与植被状况呈现明显的正相关关系[23-26]。故而,这种关系在不同区域不同尺度下同样存在显著的差异。因此,构建降水与不同环境因子间的最优尺度下的最优相关关系是降水数据降尺度研究的关键问题。近年来,Immerzeel等对伊比利亚半岛利用0.25°分辨率的TRMM降水与归一化植被指数（NDVI）的研究获得1 km空间分辨率的年降水量[1]。Jia等通过降尺度算法基于TRMM降水数据估算得到1 km的降水数据[27]。Duan等结合TRMM产品与气象站点数据,获得1 km空间分辨率的月降水数据[4]。其中,Immerzeel与Duan在构建模型时均未考虑地形因素对区域降水的影响。而目前对于具有复杂地形条件的川渝地区的降水降尺度估算尚未见报道。
西南地区地跨青藏高原、横断山脉、云贵高原、四川盆地、秦巴山地等几大地貌单元,地形地势复杂,气象站点分布不均匀,气象数据插值精度难以得到保证。本研究面向地势复杂区域,综合考虑地形地貌与植被覆被因素,通过构建多元回归方程,实现0.25°的TRMM降水产品降尺度,并估算得到1 km分辨率的降水数据与验证。

2 研究区地理特征和数据源

2.1 研究区地理背景

川渝地区地处中国西南部,介于97°22'~110°12'E、26°02'~34°18'N之间,总面积约为567 400 km2,地势西高东低,其中,山地面积约占50%左右,高原、丘陵其次,平原仅为2.6%（图1）。地形复杂,区域代表性和气候特点突出。受地貌和季风环流的影响,该地区气候复杂多样、空间差异大。研究区多年平均气温在11.4~13.1℃之间,多年平均降水量1000 mm左右,且年内降水分布极不均匀,具有雨热同期的特点（图2）。降水主要集中在夏季,6-8月的降水量占全年降水量的45.54%,研究区植被的分布受降水的影响较大[28]。另外,研究区的气象站点相对稀少,且分布不均匀（图1）。
Fig. 1 Location, elevation of study area and distribution of the meteorological stations

图1 研究区地理位置、高程及气象站点分布

Fig. 2 Average monthly precipitation and temperature of study area. The bars represent precipitation and the line represents temperature.

图2 研究区各月平均降水和气温（其中柱状图表示降水,折线图表示气温）

2.2 数据来源

（1）遥感数据产品
本研究采用的数据主要包括降水、植被指数与地形数据。降水数据为TRMM（Tropical Rainfall Measuring Mission）3B43产品,该卫星是由美国宇航局NASA和日本国家空间发展局NASDA共同研制的第一颗专门用于定量测量热带/亚热带地区降水的气象卫星,于1997年11月27日发射,其VIRS、TMI和PR传感器可用来测量降水。TRMM 3B43降水是TRMM多卫星降水分析（TMPA）在50°N~50°S之间提供“最好”空间分辨率的降水数据之一[13],其空间分辨率为0.25°,时间分辨率为月,通过累加得到相应年份的降水数据。针对四川盆地云雾多,云对NDVI的干扰影响大的问题,文中的植被指数为MODIS的MOD13A3 NDVI产品数据,该产品的生产即是对该月30 d的原始MODIS NDVI采用最大值合成。考虑到云、雾的NDVI值很小,文中数据经过了投影转换与拼接等预处理,再对获得月合成的NDVI数据进行年平均计算得到年均NDVI。地形数据为ASTER GDEM数字高程模型Version 2,其空间分辨率为30 m,故文中采用了30 m的DEM,并对其进行重采样,使其与NDVI的分辨率保持一致。
（2）气象站点数据
气象观测数据包括川渝地区72个气象站点1960-2011年的月降水、气温数据等。

3 多源遥感数据的降水空间降尺度分析

3.1 降水数据降尺度方法

考虑到研究区域下垫面的复杂程度,本文从4种不同的空间尺度（0.25、0.50、0.75和1.00°分辨率）开展降水与植被指数、地理因子的相关性分析,采用4种降尺度模型旨在选出其中最优的降尺度模型,从而能保证降水降尺度的精确性（图3）。
Fig. 3 Flowchart of high-precision reconstruction of precipitation based on multi-source remote sensing data

图3 多源遥感数据的降水高精度重建流程图

考虑到构建多元回归方程过程中,NDVI的值容易受到包括水体、人类活动等因素的影响,进而也会影响降尺度模型的构建,故有必要排除这些NDVI值。通过计算研究区每年Moran指数发现,只有小部分NDVI值的Moran指数小于0,但同时这些NDVI的P值却很大（P值大表明局部Moran指数统计意义不大）。所以,综合考虑Moran指数,事实上对川渝地区降尺度方法研究并无实质性的影响。同时,在构建回归方程时,水体的NDVI值无疑是影响降尺度方法精度重要的因素,因此,本研究在构建降水、NDVI及地理因子之间的降尺度方程时,已经排除了水体的NDVI值,即水体的NDVI并未参与构建方程。
考虑将空间分辨率分为低分辨率（LR）和高分辨率（HR）,其中,HR是植被指数产品的分辨率（1 km）,LR是由TRMM 3B43原始分辨率（0.25°）得到的4种分辨率（0.25°、0.50°、0.75°、1.00°）,X、Y分别表示经度和纬度。故多年TRMM降水与NDVILR、DEMLR、X和Y之间存在最优多元相关关系：
TRMM = a ∙ X + b ∙ Y + c ∙ NDVI ¯ LR + d ∙ NDVI ¯ LR 2 + e ∙ NDVI ¯ LR 3 + f ∙ DE M LR + g ∙ DE M LR 2 + h ∙ DE M LR 3 + l （1）
式（1）中,a、b、c、d、e、f、g、h和l是由NDVI、地理因子和TRMM 3B43在不同尺度下回归模型得到的拟合系数。
由拟合系数计算的NDVILR、DEMLR、X和Y降水预测值PLR（mm/a）：
P LR = a ∙ X + b ∙ Y + c ∙ NDV I LR + d ∙ NDV I LR 2 + e ∙ NDV I LR 3 + f ∙ DE M LR + g ∙ DE M LR 2 + h ∙ DE M LR 3 + l （2）
进一步计算得到0.25°分辨率下PLR预测值与TRMM降水数据实测值之间的残差（ΔTRMMLR）：
ΔTRM M LR = TRMM 3 B 43 - P LR （3）
对0.25°栅格中心点残差值插值得到高分辨率的残差值（ΔTRMMHR）。插值方法包括样条插值、IDW插值与kriging插值,经反复验证,样条插值结果最优。
在此基础上,估算高分辨率（1 km）的降水预期值,基于获取高分辨率残差值来修正得到降尺度估算的降水数据 P HP ：
P HR = a ∙ X + b ∙ Y + c ∙ NDV I HR + d ∙ NDV I HR 2 + e ∙ NDV I HR 3 + f ∙ DE M HR + g ∙ DE M HR 2 + h ∙ DE M HR 3 + l （4）
P HP = P HR + ΔTRM M HR （5）
（1）GDA和GRA降尺度校正方法
考虑采用地理差异分析（Geographical Differential Analysis,GDA）与地理比率分析（Geographical Ratio Analysis,GRA）[4]对研究得到的高精度降水数据开展校正分析,具体步骤包括：
① 计算实测站点降水数据与降尺度算法得到对应的1 km降水数据（PHP）的差值（Perror）和比值（Pratio）;
② 对得到的差值/比值结果进行空间插值,计算得到高分辨率的校正数据。经验证,反距离权重插值（IDW）数据精度最高;
③ 利用校正数据相加或相乘降尺度估算的降水数据,从而得到校正后的高精度降水数据PGDA和PGRA。
（2）有效性检验
结合气象站点实测数据,采用拟合优度（R2）、偏差（Bias）、均方根误差（RMSE）等统计学方法评估获取的降尺度空间降水的精度。同时,利用平均绝对误差（MAE）与平均相对误差（MRE）评估降水数据高精度估算的可信程度。其计算方法如下：
Bias = ∑ i = 1 n P i ∑ i = 1 n M i - 1 （6）
RMSE = ∑ i = 1 n P i - M i 2 n （7）
MAE = ∑ i = 1 n P i - M i / n （8）
MRE = ∑ i = 1 n P i - M i M i / n × 100 % （9）
其中,Pi为0.25°分辨率下的降尺度估算的年累计降水量;Mi为原始分辩率0.25°下TRMM 3B43年累计降水量;i为某一具体的像元;n为总像元数。对4种尺度下的12 a降水估算结果与对应的气象站点降水数据分别进行比较。

3.2 降水空间降尺度遥感分析

3.2.1 NDVI、地理因子和TRMM回归模型
经计算得到川渝地区2000-2011年均降水量与年均NDVI（图4）,显示出植被NDVI分布与降水分布具有相近的空间分布格局。
Fig. 4 TRMM 3B43 average annual precipitation and average annual NDVI of the study area during 2000-2011

图4 研究区2000-2011年TRMM 3B43年均降水量和年均NDVI

4种不同尺度下的多元回归方程拟合结果如图5所示,从4幅拟合图可看出植被指数、地理因子（经纬度、海拔）与降水之间存在明显的相关关系,且该相关关系存在差异。不同尺度下的模型拟合结果都通过了显著性检验（P<0.01）,并且R2都大于0.50,进一步说明模型拟合的有效性。以下是4种不同尺度构建的方程：
Fig. 5 Scatter diagram between annual precipitation derived from TRMM 3B43 and predicted by regression models

图5 不同尺度下TRMM3B43和回归模型预测降水量之间的散点图

0.25°尺度的多元回归方程：
P = 51.67 ∙ X + 35.62 ∙ Y - 312.16 ∙ NDVI + 754.18 ∙ NDV I 2 - 516.28 ∙ NDV I 3 + 0.25 ∙ DEM - 0.00011 ∙ DE M 2 + 1.24 ∙ 10 - 8 ∙ DE M LR 3 - 3379.77
0.50°尺度的多元回归方程：
P = 53.56 ∙ X + 38.71 ∙ Y + 2015.58 ∙ NDVI - 4897.44 ∙ NDV I 2 + 3735.61 ∙ NDV I 3 + 0.26 ∙ DEM - 0.00012 ∙ DE M 2 + 1.45 ∙ 10 - 8 ∙ DE M LR 3 - 3765.42
0.75°尺度的多元回归方程：
P = 52.04 X + 40.00 ∙ Y - 118.22 ∙ NDVI - 11 5.98 ∙ NDV I 2 + 318.15 ∙ NDV I 3 + 0.28 ∙ DEM - 0.00013 ∙ DE M 2 + 1.46 ∙ 10 - 8 ∙ DE M LR 3 - 3277.65
1.00°尺度的多元回归方程：
P = 56.69 X - 43.15 ∙ Y - 183.00 ∙ NDVI - 520.63 ∙ NDV I 2 - 339.77 ∙ NDV I 3 + 0.12 ∙ DEM - 4.3 ∙ 10 - 5 ∙ DE M 2 + 3.68 ∙ 10 - 9 ∙ DE M LR 3 - 3652.01
3.2.2 有效性检验和误差分析
（1）降尺度估算结果对比
利用4种尺度下构建的4种回归模型,并结合气象站点观测数据对降尺度估算的结果进行对比分析,川渝地区72个站点的拟合优度（R2）、偏差（Bias）、均方根误差（RMSE）、平均绝对误差（MAE）和平均相对误差（MRE）如表1所示。
Tab. 1 Validation results for downscaling of the 2000-2011 TRMM3B43 precipitation at 72 meteorological stations in the study area

表1 研究区72个气象站点对应TRMM 3B43降水的降尺度估算结果验证

0.25° 0.50° 0.75° 1.00°
R2 0.71 0.69 0.70 0.65
Bias 0.03 0.02 0.03 0.03
RMSE(mm) 14.77 14.90 14.59 15.61
MAE(mm) 126.60 127.70 129.00 132.60
MRE(%) 13.26 12.87 13.67 13.58
由表1可见,4种降尺度估算的R2都大于0.6;同时,拟合优度（R2）越大则表明偏差（Bias）、均方根误差（RMSE）、平均绝对误差（MAE）,以及平均相对误差（MRE）越小。值得注意的是在4种降尺度估算结果的偏差（Bias）都是正值,这表明由TRMM降水数据估算的结果偏高。
通过上述5种指标对降尺度估算对比可以看出,0.25°分辨率下的降尺度估算结果虽然拟合优度不是最佳,但误差最小,效果最优。本研究采用0.25°分辨率下构建的回归模型作为最终降尺度算法。
图6为研究区2011年平均降水量。由此可见,通过不同方法获得的降水具有相似的空间格局,即降水主要集中在川渝的东北地区,而西部区域则相对稀少。
Fig. 6 Annual average precipitation of Sichuan-Chongqing region in 2011

图6 川渝地区2011年平均降水量

（2）降尺度估算结果的误差分析
为了进一步验证最终降尺度估算结果的有效性,从2000-2011年时间序列中,选择湿润年份（2004年降水最大）、干旱年份（2006年降水最小）和平均年份（2011年）测试上述3种方法获得降水数据的鲁棒性,分别计算拟合优度（R2）、偏差（Bias）、均方根误差（RMSE）、平均绝对误差（MAE）,以及平均相对误差（MRE）,并随机选择30个地面气象站点降水数据进行验证,结果如图7和表2所示。
Fig. 7 Scatter plot of the measured annual precipitation from 30 validation rain gauge stations versus the estimated precipitation data from original TRMM 3B43, downscaled (DS), calibrated downscaled using GDA method (DSGDA) and using GRA method

图7 地面气象站点降水数据与TRMM 3B43以及3种降尺度降水之间的散点图

Tab. 2 Validation results using 30 independent validation rain gauge stations on annual scale for three typical years in Sichuan-Chongqing region

表2 3个典型年份川渝地区气象站点降水与TRMM 3B43以及3种降尺度降水之间的验证结果

年份 Dataset Mean(mm) R2 Bias RMSE(mm) MAE(mm) MRE(%)
2004(wet) RGS 1114
TRMM 1095 0.61 -0.02 177 140 11.86
DS 1109 0.60 0.00 191 158 13.69
DSGDA 1062 0.64 -0.05 188 150 12.58
DSGRA 1067 0.60 -0.04 189 150 12.65
2006(dry) RGS 819
TRMM 877 0.50 0.07 135 103 12.97
DS 841 0.67 0.03 124 87 11.34
DSGDA 809 0.76 -0.01 98 68 8.92
DSGRA 808 0.75 -0.01 99 70 8.97
2011(avg) RGS 997
TRMM 1072 0.81 0.08 143 117 13.76
DS 1080 0.71 0.08 212 161 23.18
DSGDA 1016 0.84 0.02 144 115 13.37
DSGRA 1034 0.82 0.04 160 125 14.41
2000-2011 RGS 994
TRMM 1038 0.73 0.04 164 129 13.15
DS 1030 0.70 -0.01 166 129 13.99
DSGDA 987 0.77 -0.04 137 105 11.14
DSGRA 991 0.76 0.00 139 107 11.28

注：RGS表示地面气象站点数据

图7为川渝地区2004、2006和2011年站点降水与TRMM 3B43、DS、DSGDA、DSGRA降水数据之间的散点图。由图7看出,DSGDA和DSGRA方法得到的降水数据与站点降水数据具有更好的一致性,尤其是年降水量在500~1000 mm之间。从表2可以得出,降尺度估算结果的拟合优度（R2）越大,相对应的偏差（Bias）、均方根误差（RMSE）、平均绝对误差（MAE）,以及平均相对误差（MRE）则越低。干旱年份（2006年）的降尺度降水结果最优,然而不同年份的误差波动不大,总体相对误差在10%左右,其结果能够满足区域应用的需求。
与TRMM降水产品相比,降尺度算法（DS）获得的降水具有较高的精度,同时GDA和GRA校正方法还可进一步提高降水估算的精度,与“真值”（站点降水）更加接近。然而检验的站点数量与不均匀的问题限制了GDA和GRA方法校正高精度降水精度的功能。
将2000-2011年作为一个整体进行评价,拟合优度（R2）从DS方法的0.70上升到了DSGDA和DSGRA两种校正方法的0.77、0.76;同时用GDA和GRA校正方法得到的降水与1:1对角线更加接近（图7）。通过对降尺度估算的降水数据进行进一步校正分析,得到了更加精确的结果。就12 a来的平均值而言,进一步的地理分析能够有效降低降水结果的平均误差（从129 mm降低到105 mm）,然而这两种校正方法之间的差异不明显,GDA校正方法略优于GRA校正方法。

4 影响降尺度算法精度的因素分析

降水的降尺度估算反映了降水量在年季变化的趋势和幅度,然而在少数站点及个别年份估算数据方面仍然存在一定的误差,其影响因素：

4.1 降水数据的精度

TRMM 3B43产品本身的准确性没有得到全面的评估。虽然TRMM 3B43算法是从TRMM卫星和其他数据源得到的降水数据生成最佳降水率（mm/h）。然而,由于数据记录的不连续性及TRMM 3B43降水数据算法本身有一定的不足,导致TRMM 3B43降水数据精度存在问题。

4.2 NDVI精度的影响

建立多元回归模型的基本假设之一是降水和NDVI两者之间呈正相关关系。川渝地区大部分区域属于湿润区,而且雨热同期,该区植被的分布很大程度上受到降水的影响。然而植被同时受到如土壤类型、水文条件和人类活动等多方面的影响。降水相对稀少的西部地区,水文条件对NDVI的影响尤为明显;而人类活动对NDVI的影响主要集中在研究区的中东部（四川盆地）,农业活动不仅改变了NDVI的空间分布,也影响它的时间趋势。这些因素的相互作用打乱了NDVI受降水控制的分布格局,同时也降低了通过NDVI预测降水的可靠性。

4.3 DEM与区域气候的影响

由图8（b）和表3可知,DEM与降水呈明显的负相关,说明随着海拔的升高降水相对减少,这与川渝地区实际降水相符,降水主要集中在海拔较低的四川盆地,而西部海拔高的区域降水则相对较少。然而,地形因子对降水的影响非常复杂,例如,复杂地形对大气流通的阻隔效应,造成不同坡向降水的差异,这些都不能在回归模型中体现出来。除了海拔高度,降水还与气流方向及坡向相关。以上这些因素导致最终的降水高精度估算存在一定的不稳定性,这也是少部分地区降水估算精度不高的原因。
Fig. 8 Fittings of average annual NDVI, DEM and 3B43 accumulated annual precipitation (2000-2011)

图8 2000-2011年TRMM 3B43年累计降水与年均NDVI和DEM拟合

Tab. 3 The introduction of independent variables in the establishment of linear regression models

表3 回归模型中变量的相关性检验

模型 R R2 更改统计量
R Square change F change Sig. F change
1 0.519 0.270 0.270 304.871 0.000
2 0.751 0.564 0.564 1067.683 0.000

5 结论

本研究面向地形地势复杂区域,以川渝地区为例,针对地面气象站点的数量与空间分布导致在降水监测方面存在的问题,利用TRMM 3B43降水产品,通过降尺度算法,综合应用区域植被指数和地理因子（经纬度、海拔）数据,将降水产品的空间分辨率从0.25°提升到1 km分辨率,反演并验证了复杂地形下1 km分辨率的降水数据。研究结论如下：
（1）复杂地形地势条件下降水降尺度算法获取的精度是可靠的。以地面气象站点数据对最终降尺度估算得到的降水进行有效性验证,结果表明获取的降水数据在空间分辨率与精度方面均优于原始降水产品,空间分辨率从0.25°提升到1 km,平均相对误差最大为23.18%,最小仅为8.92%;
（2）通过对回归模型进行校正,GDA与GRA方法获取的降水产品较回归模型获取的结果更优,其1 km分辨率的降水最精确,但在年降水估算方面GDA和GRA两种方法之间没有明显的差异。
（3）人类活动尤其是农业生产行为对区域降尺度估算结果造成较大的影响,主要表现为农业灌溉、移民安置等对区域植被有较大影响作用。另外,受限于TRMM 3B43降水数据自身的精度,以及降水与植被和地形的复杂关系的影响,导致降尺度结果存在一定的差异,这正是下一步需改进的方向。
（4）本研究仅针对空间分辨率开展了降尺度反演,主要侧重于年降水量的估算,尚需进一步考虑时间方面（尤其是月、周及日时间段）的降尺度研究,以得到更高时空分辨率的降水数据。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Immerzeel W W, Rutten M M, Droogers P.Spatial downscaling of TRMM precipitation using vegetative response on the Iberian Peninsula[J]. Remote Sensing of Environment, 2009,113(2):362-370.

[2]
Bohnenstengel S I, Schlünzen K, Beyrich F.Representativity of in situ precipitation measurements-A case study for the LITFASS area in North-Eastern Germany[J]. Journal of Hydrology, 2011,400(3):387-395.

[3]
Marzano F S, Cimini D, Montopoli M.Investigating precipitation microphysics using ground-based microwave remote sensors and disdrometer data[J]. Atmospheric Research, 2010,97(4):583-600.

[4]
Duan Z, Bastiaanssen W G M. First results from Version 7 TRMM 3B43 precipitation product in combination with a new downscaling-calibration procedure[J]. Remote Sensing of Environment, 2013,131(5):1-13.

[5]
Michaelides S, Levizzani V, Anagnostou E, et al.Precipitation: Measurement, remote sensing, climatology and modeling[J]. Atmospheric Research, 2009,94(4):512-533.

[6]
Huffman G J, Adler R F, Arkin P, et al.The global precipitation climatology project (GPCP) combined precipitation dataset[J]. Bulletin of the American Meteorological Society, 1997,78(1):5-20.

[7]
Huffman G J, Adler R F, Morrissey M M, et al.Global precipitation at one-degree daily resolution from multisatellite observations[J]. Journal of Hydrometeorology, 2001,2(1):36-50.

[8]
Huffman G J, Adler R F, Bolvin D T, et al.Improving the global precipitation record: GPCP version 2.1[J]. Geophysical Research Letters, 2009,36(17):1-5.

[9]
Kubota T, Shige S, Hashizume H, et al.Global precipitation map using satellite-borne microwave radiometers by the GSMaP Project: Production and validation[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2007,45(7):2259-2275.

[10]
Kummerow C, Barnes W, Kozu T, et al.The tropical rainfall measuring mission (TRMM) sensor package[J]. Journal of Atmospheric and Oceanic Technology, 1998,15(3):809-817.

[11]
Kummerow C, Simpson J, Thiele O, et al.The status of the Tropical Rainfall Measuring Mission (TRMM) after two years in orbit[J]. Journal of Applied Meteorology, 2000,39(12):1965-1982.

[12]
Huffman G J, Bolvin D T, Nelkin E J, et al.The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales[J]. Journal of Hydrometeorology, 2007,8(1):38-55.

[13]
Li X H, Zhang Q, Xu C Y.Suitability of the TRMM satellite rainfalls in driving a distributed hydrological model for water balance computations in Xinjiang catchment, Poyang lake basin[J]. Journal of Hydrology, 2012,426(3): 28-38.

[14]
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.

[15]
Swenson S, Wahr J.Monitoring the water balance of Lake Victoria, East Africa, from space[J]. Journal of Hydrology, 2009,370(1):163-176.

[16]
Li L, Hong Y, Wang J, et al.Evaluation of the real-time TRMM-based multi-satellite precipitation analysis for an operational flood prediction system in Nzoia Basin, Lake Victoria, Africa[J]. Natural hazards, 2009,50(1):109-123.

[17]
Vrieling A, Sterk G, de Jong S M. Satellite-based estimation of rainfall erosivity for Africa[J]. Journal of Hydrology, 2010,395(3):235-241.

[18]
Islam M N, Uyeda H.Use of TRMM in determining the climatic characteristics of rainfall over Bangladesh[J]. Remote Sensing of Environment, 2007,108(3):264-276.

[19]
Agam N, Kustas W P, Anderson M C, et al.A vegetation index based technique for spatial sharpening of thermal imagery[J]. Remote Sensing of Environment, 2007,107(4):545-558.

[20]
Merlin O, Duchemin B, Hagolle O, et al.Disaggregation of MODIS surface temperature over an agricultural area using a time series of Formosat-2 images[J]. Remote Sensing of Environment, 2010,114(11):2500-2512.

[21]
Merlin O, Al Bitar A, Walker J P, et al.A sequential model for disaggregating near-surface soil moisture observations using multi-resolution thermal sensors[J]. Remote Sensing of Environment, 2009,113(10):2275-2284.

[22]
Merlin O, Al Bitar A, Walker J P, et al.An improved algorithm for disaggregating microwave-derived soil moisture based on red, near-infrared and thermal-infrared data[J]. Remote Sensing of Environment, 2010,114(10):2305-2316.

[23]
Malo A R, Nicholson S.A study of rainfall and vegetation dynamics in the African Sahel using normalized difference vegetation index[J]. Journal of Arid Environments, 1990,19(1):1-24.

[24]
Martiny N, Camberlin P, Richard Y, et al.Compared regimes of NDVI and rainfall in semi-arid regions of Africa[J]. International Journal of Remote Sensing, 2006,27(23):5201-5223.

[25]
Nicholson S E, Davenport M L, Malo A R.A comparison of the vegetation response to rainfall in the Sahel and East Africa, using normalized difference vegetation index from NOAA AVHRR[J]. Climatic Change, 1990,17(2-3):209-241.

[26]
孙艳玲,郭鹏,延晓冬,等.内蒙古植被覆盖变化及其与气候、人类活动的关系[J].自然资源学报,2010,3(25):407-414.

[27]
Jia S, Zhu W, Lű A, et al.A statistical spatial downscaling algorithm of TRMM precipitation based on NDVI and DEM in the Qaidam Basin of China[J]. Remote Sensing of Environment, 2011,115(12):3069-3079.

[28]
王炳赟,范广洲,董一平,等.川渝地区气候与物候的变化特征分析[J].地理科学,2011,31(6):674-681.

Options
文章导航

/

〈 〉