基于GWR模型的典型区域G...降尺度研究——以浙江省为例_林书睿.pdf

第 42 卷第 6 期气象科学Vol 42，No62022 年 12 月Journal of the Meteorological SciencesDec，2022林书睿，顾恒竹，路明月基于 GW 模型的典型区域 GPM 数据降尺度研究 以浙江省为例气象科学，2022，42(6):793-803LIN Shurui，GU Hengzhu，LU MingyueDownscaling research of GPM data in typical region based on GW model:a case study ofZhejiang ProvinceJournal of the Meteorological Sciences，2022，42(6):793-803基于 GW 模型的典型区域 GPM 数据降尺度研究 以浙江省为例林书睿顾恒竹路明月(南京信息工程大学 地理科学学院，南京 210044)摘要为提高研究区域的降尺度效果，基于地理加权回归法(Geographically Weightedegression，GW)，选取全球降水计划(Global Precipitation Measurement，GPM)3IMEGM 产品，以数字高程模型(Digital Elevation Model，DEM)作为控制解释变量，将其分别与解释变量水汽通量散度、气温构建两个降尺度模型、与解释变量归一化植被指数(Normalized Difference Vegetation Index，NDVI)构建对照降尺度模型，对浙江省进行降尺度研究。利用研究区域内气象站点的实测数据，对由不同解释变量构建的 3 个降尺度模型的降尺度结果进行对比分析及精度验证。结果表明:构建的 3 个降尺度模型中，引入解释变量水汽通量散度构建的降尺度模型的综合效果优于其余两种模型，水汽通量散度较 NDVI、气温更适合作为解释变量。构建的降尺度模型有效地提高了 GPM 数据的空间分辨率(由 01提升至 1 km)，降尺度数据维持了精度且能够更真实反映研究区域内的降水量分布情况。关键词GW;GPM 3IMEGM;降尺度模型;水汽通量散度;气温分类号:P426.6doi:1012306/2022jms0003文献标识码:A收稿日期(eceived):2021-06-05;修改稿日期(evised):2022-01-15基金项目:国家自然科学基金资助项目(41871285)通信作者(Corresponding author):路明月(LU Mingyue)lumingyue nuisteducnDownscaling research of GPM data in typical region based onGW model:a case study of Zhejiang ProvinceLIN ShuruiGU HengzhuLU Mingyue(School of Geographical Sciences，Nanjing University of Information Science Technology，Nanjing 210044，China)AbstractIn order to explore precipitation explanatory variables which better conform to regionaltypical characters，on the basis of GPM 3IMEGM precipitation product in Zhejiang Province，threeGeographically Weighted egression(GW)models for downscaling were constructed taking advantageof Digital Elevation Model(DEM)Compared with Normalized Difference Vegetation Index(NDVI)which was commonly used as explanatory variable in downscaling research，divergence of moisture fluxand air temperature were innovatively introduced in models respectively In light of measured data fromZhejiang meteorological stations，precision verification and comparison between the models were taken forfurther analysis The results show that the downscaling model with divergence of moisture flux asexplanatory variable has better fitting effect and precision than others among the three models constructedDivergence of moisture flux is more suitable than NDVI and air temperature as explanatory variableMeanwhile，the constructed downscaling model effectively improves the spatial resolution of GPM data(from 0 1 to 1 km)The downscaling data maintains the precision and reflects the precipitationdistribution more accurately in study regionKey wordsGW;GPM 3IMEGM;downscalingmodel;divergenceofmoistureflux;air temperature引言降水作为一种重要的天气现象及水循环过程的基本环节，研究广泛，具有十分重要的价值1。作为常用研究数据之一，降水数据的精度成为是否准确得出研究结果的前提。对比于传统区域降水数据的获取，卫星反演降水产品的出现有效地解决了传统方法中利用地面气象站点观测数据进行空间内插需要获取足够多且分布均匀的站点的问题2。卫星反演降水产品能够提供较为精确的降水数据，且具有较强的时效性与连续性3。近年数据研究中较常使用的卫星降水数据为 TMM 数据，其为美国与日本联合开展的遥感降水观测计划，是当前精度最高的卫星遥感数据之一4。而全球降水计划 GPM 是 TMM 的后续之作，其可以提供比TMM 数据空间分辨率更高5 且覆盖全球的降水观测资料。GPM 卫星上增加了一个新的载有 Ka 波段的降水雷达以及一个高频微波仪，可以提高卫星对小雨以及降雪的观测能力，且在此基础上，GPM的综合多卫星反演可以显著提高其时空分辨率和空间覆盖率等。张茹等6 认为 GPM 数据能够较准确地反映中国大陆的降水情况。但是目前的卫星反演降水产品空间分辨率普遍较低，GPM 数据的空间分辨率最高仅达 0.10.1，仍然无法满足高精度数据研究的精度要求，因此对于降水数据的降尺度研究具有十分重要的意义。传统的降尺度方法采用一般线性回归模型7，该模型基于最小二乘法进行参数估计，然而降水与地表特征之间的关系具有空间非平稳性及空间异质性8，一般线性回归模型忽略了降水数据具有的局部 特 性。地 理 加 权 回 归 模 型(GeographicallyWeighted egression，GW)9 是对普通线性回归模型的拓展，它创新地应用了局部回归的思想，遵循地理学第一定律，通过引入数据的空间位置计算数据在局部回归方程中的权重，在考虑相邻点的空间权重下，估算每一位置的因变量与解释变量的参数来建立回归模型。GW 模型不仅强调了空间局部特征，还能反映降水的空间异质性。史岚等10 分别基于 GW 方法和最小二乘法构建降尺度模型对闽浙赣地区进行降尺度分析并使用验证站点实测数据进行验证，结果表明 GW 模型降尺度效果整体优于两种最小二乘法模型。相关研究11-12 成果表明，GW 模型对于不同地区、地形具有较好的适用性，整体降尺度效果较好。归 一 化 植 被 指 数(NormalizedDifferenceVegetation Index，NDVI)是降尺度模型中最为常见的解释变量，曾昭昭等13 基于 NDVI 降水数据构建GW 模型对陕西秦巴山区 TMM 降水数据进行降尺度分析，获得了 1 km 分辨率的降水数据。地形因子也是影响降水的主要因子之一，胡实等14 基于降水与 DEM、NDVI 之间存在较好相关关系的假设构建 GW 模型，降尺度效果较好。然而在回归模型中，解释变量具有一定的适应性，由于不同研究区域的典型特征差异，解释变量对于回归模型的解释效力也会有所改变，以上的研究仅笼统的基于降水与被引入解释变量的整体关系进行降尺度研究，而忽略了解释变量在不同研究区域中的适应性差异。探索对应研究区域中更符合其区域典型特征的降水解释变量对于该区域降水数据的降尺度研究具有积极意义。对于本文的研究区域浙江省，其全年相对湿度大、水汽资源丰富，水汽输送对该区域的降水具有一定程度的影响15。黄荣辉等16 研究表明中国夏季降水的周期振荡变化与东亚上空夏季风水汽输送通量的准 2 a 周期振荡密切相关。田红等17 研究夏季东亚季风水汽输送特征，分析了 4 条水汽通道对中国夏季降水的影响，其中东南通道强度与长江流域降水呈正相关。谭璐璐18 基于水汽因子等对中国中东部地区进行降尺度分析，降尺度结果较为理 想。水 汽 通 量 散 度(Divergence of MoistureFlux)，指单位时间汇入单位体积或从该体积辐散出的水汽量，其作为解释变量能够较好的表征研究区域内水汽输送的强度。同时，全球变暖导致极端气候事件的强度和频率都在不断增加，气温对于降水变化的影响也不可忽视19。以往的降尺度研究中一般不涉及对气温因素的分析，然而大量研究证明，气温与降水之间存在相关性。陈金明等20 研究结果表明我国的西北和长江以南地区极端降水事件频数与气温呈正相关关系。贺伟等21 采用线性倾向率法，累积距平法等方法研究了我国东北地区497气象科学42 卷近 45 a 来的气候变化和突变现象并得出了气候变暖使得降水变率增大，极端降水事件的频率和强度增加的结论。并且，在全球变暖的气候背景下，云量的变化与气温和相对湿度有着密切的联系22，可以认为气温在一定程度上能够表征研究区域内的降水情况。基于上述背景，本文以浙江省为研究区域，为了探索除 NDVI 之外更符合浙江省典型特征的降水解释变量，在考虑地形因子与降水量的相关关系，以 DEM 为解释变量的前提下，比较 NDVI 引入解释变量水汽通量散度、气温，分别基于 GW 模型进行降尺度研究并基于研究区域内验证气象站点实测数据对引入不同解释变量构建的 3 个降尺度模型的降尺度结果及降尺度前后进行精度验证和对比分析。1研究区域与数据11研究区概况本文研究区域浙江省(图 1)位于(2702 3111N，1180112310E)，总面积达 10.55 万平方千米，其地形复杂，东北部为低平的冲积平原，东部主要呈丘陵和沿海平原，中部以丘陵和盆地为主，西南以山地和丘陵为主。全省海洋资源丰富，海岸线总长居全国首位，共有 3 000 余个沿海岛屿，海域面积达 26 万平方千米。地处亚热带季风气候区，气候温和湿润，全年平均相对湿度在 75%以上，降水充沛，全省降水具有分布不均，时空变化较大的特点23，且夏季多暴雨，易发生洪涝、滑坡等次生灾害，受台风等气象灾害影响较为严重24。12数据来源与处理本文采用的 GPM 降水数据下载自 NASA 地球科学数据和信息服务中心(https:discgsfcnasagov/)，选用经过全球降水气候中心的月均站点资料误差订正处理(Final un 产品)的 GPM_3IMEGM降水产品，数据的空间范围为(90S90N，180W180E)，空间分辨率为 0.10.1，时间分辨率为月，年份为 2020 年，单位为每个月的平均每小时降水量(mmh1)，数据格式为 netCDF，利用 Arcgis进行栅格转换、投影转换、裁剪、求和等得到 2020 年逐月总降水量数据。NDVI 数据来自 NASA 数据库(https:searchearthdatanasagov)MOD13A3 数据产品，空间分辨率为 1 km1 km，时间分辨率为月，数据格式为 HDF，利用 Python 和 Arcgis 进行栅格转换、投影转换、拼接等。DEM 数据获取自地理空间数据云(https:wwwgscloudcn/)STM 数据集，空间分辨率为 90 m90 m，利用 Arcgis 进行投影转换、拼接、裁 剪 等。气 温、水 汽 通 量 散 度 数 据 来 自ECMWF 的 EA5 气候再分析数据集(http:cdsclimatecopernicuseu/)，数据格式为 netCDF，空间分辨率为 0.250.25，时间分辨率为月，单位分别为K 和 kgm2s1)，再利用 Arcgis 进行栅格转换、投影转换、裁剪等。气象台站观测数据来自中国科学院资源环境科学与数据中心(http:wwwresdccn/)，共选取研究区域 75 个气象站点的逐日降水观测数据，在充分考虑研究区域内不同区域降水变化特征的前提下利用 ArcGIS 平台子集要素工具选取其中 56 个气象站点(75%)作为训练集站点，余下 19 个气象站点(25%)作为验证集站点(图 1)，利用 Python 求和获得 2020 年逐月总降水观测数据。图 1浙江省地形及验证集、训练集站点分布Fig1Topography of Zhejiang Province and sites distributionof validation set and test set2研究方法21GPM 数据订正GPM 降水产品虽然优于纯卫星数据，但其在复杂地形和高海拔地区仍表现不佳，甚至出现部分数据不可靠的现象，且存在明显的季节差异性，主要表现为夏秋两季的表现效果优于春冬两季25。因此，对于典型区域 GPM 降水产品的误差订正尤为重要。本文利用训练集站点对原始 GPM 数据进行误差订正，采用的订正方法26 如下:Pk=xk+yk+，k=1，2，n，(1)Pi，j()=max Pki，j()yi，j()+()，0()，(2)5976 期林书睿，等:基于 GW 模型的典型区域 GPM 数据降尺度研究 以浙江省为例其中:xk与yk分别为第 k 个训练站点对应网格的降水观测值和 GPM 降水值;为常数，一般取 10 mm;Pk(i，j)为比值系数Pk全局内插后在第(i，j)个网格上的值;P(i，j)为第(i，j)个网格上订正后的 GPM 降水值。22降尺度模型建立(1)构建 GW 模型地理加权回归是对普通线性回归模型的扩展，将数据的空间位置嵌入到回归方程中8，形式如下:yi=0ui，vi()+pj=1jui，vi()xij+i，(3)其中:ui，vi()为第 i 个样本点的经纬度坐标;p 为共有的样本点个数;yi为第 i 个样本点的降水量;0ui，vi()为第 i 个 样 本 点 的 常 数 项 回 归 参 数;jui，vi()为第 i 个样本点对应第 j 个解释变量的线性回归参数，由式 4 计算得到;xij为第 j 个解释变量在第 i 个样本点的值;i为第 i 个样本点的残差值。ui，vi()=XTW ui，vi()X()1XTW ui，vi()Y，(4)其中:X 为包含常数项的解释变量矩阵;Y 为因变量矩阵;W ui，vi()为空间权重矩阵，是 GW 模型的核心，基于高斯权函数法(如式 5)求出:W ui，vi()=exp d2ui，vi()/b2()。(5)其中:d ui，vi()为第 i 个样本点到数据点之间的距离;b 称为带宽，是描述权重与距离函数关系的参数。(2)相关性验证对研究区域内 GPM 数据与解释变量 NDVI、水汽通量散度、气温分别进行相关性分析，计算得到的的相关系数 如表 1。由表 1 可知，对于 2020 年的 12 个月份，待引入的 3 个解释变量均与因变量降水量之间存在较高的相关性(表中结果均通过=0.05 的显著性检验，即P0.05)，且在多个月份中解释变量水汽通量散度、气温与降水量相关系数均优于 NDVI 与降水量相关系数。故本文研究中将 NDVI、水汽通量散度、气温 3 个解释变量分别引入降尺度模型中，期望能得到较好的降尺度结果。2.3降尺度方法本文在以 GPM 数据为因变量，DEM 为解释变量的前提下，引入解释变量 NDVI、水汽通量散度、气温，分别基于 GW 模型构建对研究区域 GPM 数据的降尺度方法(简称 GW_NDVI 模型、GW_DMF表 1待引入解释变量与因变量相关系数Table 1The correlation coefficient between dependent variableto be introduced and explanatory variable月份NDVIDMFTemp10.3560.3440.79920.3000.0580.12430.3420.1590.08640.3130.4300.34050.3290.2080.15960.1400.2480.27470.1000.2920.41780.0750.2810.22990.2260.1220.311100.1730.1420.314110.1840.0920.459120.2770.1110.316模型、GW_Temp 模型)，具体步骤如下:(1)采用最邻近插值法将 NDVI 重采样至 0.10.1，将 DEM、水汽通量散度、气温数据分别重采样至 0.10.1、1 km1 km。(2)分别构建 GW 模型，回归计算后分别得到GW_NDVI 模型、GW_DMF 模型、GW_Temp 模型常数项、各解释变量系数及残差值。(3)将得到的 GW_NDVI 模型、GW_DMF 模型、GW_Temp 模型常数项、各解释变量系数及残差值结果栅格化并利用最邻近插值法重采样至 1km1 km。(4)将 GW _NDVI 模型、GW _DMF 模型、GW_Temp 模型各解释变量系数与对应的空间分辨率为 1 km1 km 的解释变量相乘，并分别与空间分辨率为 1 km1 km 的各模型常数项、残差值相加，得到各模型降尺度初步结果;(5)将得到的降尺度初步结果矢量点化，基于箱形图原则剔除异常值后，利用反距离加权插值方法插值得到 GW_NDVI 模型、GW_DMF 模型、GW_Temp 模型降尺度结果。2.4降尺度精度验证引入均方根误差 MSE，平均绝对误差 MAE，距平 相 关 系 数(AnomalyCorrelationCoefficient，ACC)27，空间技巧评分Ss9，28 4 个指标分别对气象台站实际观测数据(真值)与引入不同解释变量构建的 3 个降尺度模型的降尺度结果进行精度对比及验证分析。均方根误差 MSE 可以衡量降尺度降水697气象科学42 卷值与实际观测值之间的偏差，其数值越小表示数据越准确。平均绝对误差 MAE 是所有单个降尺度降水值与实际观测值的偏差的平均绝对值，其数值越小越好。距平相关系数 ACC 可以用来评估降尺度降水值和实际观测值之间的相关程度，其数值越大则相关程度越高，效果越好。空间技巧评分Ss综合考虑了降尺度降水值与实际观测值的空间相关性和偏差程度，其值越接近于 1 数据的空间精度越高。4 个指标公式分别如下:MSE=ni=1xi yi()2n，(6)MAE=ni=1xi yin，(7)ACC=1nni=1xi X()yi Y()1nni=1xi X()21nni=1yi Y()2，(8)Ss=1 1nni=1xi yi()21nni=1Y yi()2，(9)图 2GPM 数据及订正后 GPM 数据精度验证:(a)均方根误差(单位:mm);(b)相关系数Fig.2Precision verification of GPM data and revised GPM data:(a)MSE(unit:mm);(b)其中:xi、X 分别为降尺度降水值和降尺度降水值的算数平均值;yi、Y 分别为气象台站实际观测值与气象台站实际观测值的算术平均值。此外，再引入拟合优度2和平方损失函数 L 以评估模型拟合效果，公式如下:2=ni=1xi T()2ni=1ti T()2，(10)L=ni=1ti xi()2。(11)其中:ti、T 分别为 GPM 数据与 GPM 数据的算术平均值。3结果与分析3.1GPM 数据订正结果基于验证集站点对订正后 GPM 数据进行精度验证。如图 2 所示，GPM 数据与订正后 GPM 数据均与验证集站点(真值)之间存在一定程度的相关性，订正后 GPM 数据的均方根误差 MSE 对比于原始数据逐月分别有不同程度的下降，相关系数 较原始数据整体有所提高。订正后 GPM 数据较原始数据精度更高更可靠，故本文使用订正后 GPM 数据进行研究，后文采用的 GPM 数据均为订正后 GPM数据。拟合效果可以反映模型对降水量的模拟情况，拟合效果越好则回归结果越接近于真值。引入拟合优 度，平 方 损 失 函 数 对 GW _ NDVI 模 型、GW_DMF模型、GW_Temp模型的拟合效果评估分析。拟合优度2的值越接近 1，说明回归模型对观测值的拟合程度越好，平方损失函数的值表示拟合值与观测值的误差，其值越大则回归模型误差越大。3 个模型拟合优度与平方损失函数的对比如图3。对比于 GW_NDVI 模型，GW_DMF 模型在111 月的拟合优度均有所提高，平方损失函数均有所下降;GW_Temp 模型在 1、4、5、6、7、8、9、10、11 月的拟合优度均有所提高，平方损失函数均有所下降。GW_DMF 模型、GW_Temp 模型整体优于GW_NDVI 模 型。对 比 于 GW _ Temp 模 型，GW_DMF模型除 5 月外，其余月份的拟合优度均有所提高，平方损失函数均有所下降。月均拟合优度与平方损失函数见表 2。由表 2 可得，GW_DMF模型的月均拟合优度最高且月均平方损失函数值最小。3 个模型的拟合优度与平方损失函数整体趋势表现基本一致，拟合效果评估结果较为可靠。整7976 期林书睿，等:基于 GW 模型的典型区域 GPM 数据降尺度研究 以浙江省为例图 33 个模型拟合优度与平方损失函数对比:(a)拟合优度;(b)平方损失函数Fig3Comparison of goodness of fit and square loss function of the three models:(a)2;(b)L体来看，GW_DMF 模型、GW_Temp 模型的拟合效果均优于 GW_NDVI 模型，其中 GW_DMF 模型的拟合效果最优。表 23 个模型月均拟合优度与平方损失函数Table 2Mean monthly goodness of fit and square loss functionof the three modelsGW_NDVI模型GW_DMF模型GW_Temp模型20.9690.9880.982L58 024.7716 886.0520 175.25为了进一步对比分析，本文引入均方根误差，平均绝对误差，距平相关系数，空间技巧评分 4 个指标对 3 个模型进行精度验证。3 个模型基于 19 个验证集站点实测数据计算的均方根误差、平均绝对误差、距平相关系数、空间技巧评分的结果如表 3 所示，4 个指标的对比如图 4 所示。由表 3、图 4 可知，GW_Temp 模型的均方根误差除 10 月外，其余月份均小于 GW_NDVI 模型，而GW_DMF 模型的均方根误差仅在 1、8 月大于GW_NDVI 模型。GW_DMF 模型在 2、6、9、10、12月的均方根误差均小于 GW_Temp 模型，而其余月份略大于 GW_Temp 模型。3 个模型的月均均方根误差分别为 29.969，26.939，25.493，GW_DMF模 型 较 GW_NDVI 模 型 下 降 了 10.11%，较GW_Temp模型仅增加了 5.67%。3 个模型的平均绝对误差整体趋势与均方根误差基本一致，月均相对误差分别为 22.417，20.708，19.899，GW_DMF模 型 较 GW _ NDVI 模 型 下 降 了 7.62%，较GW_Temp模型仅增加了 4.07%。3 个模型的距平相关系数在同月份数值较为均匀，逐月变化趋势基本一致。GW_NDVI 模型在 10 月的距平相关系数较其余两种模型数值最大，即最优，GW_DMF 模型在 2、3、6、9、12 月最优，GW_Temp 模型在其余 6 个月份中最优。3 个模型的月均距平相关系数分别为0.710、0.775、0.759，GW_DMF 模型较其余两种模型分别提高了 9.15%、2.11%。3 个模型的空间技巧评分整体趋势与距平相关系数基本一致，其中，12月 3 个模型的空间技巧评分均为负值，这也与 3 个模型的距平相关系数在同月份分别为全年最小值的结果一致，主要原因在于该月 GPM 原数据与验证集站点实测数据相关性较低甚至呈负相关。3 个模型的月均空间技巧评分分别为 0.495、0.577、0.5571，GW_DMF 模型较其余两种模型分别提高了16.57%、3.59%。整体来看，GW _ DMF 模 型、GW_Temp 模型的精度指标验证结果均优于 GW_NDVI 模型，GW_DMF 模型的距平相关系数、空间技巧评分两指标略优于 GW_Temp 模型，而均方根误差、平均相对误差略低于 GW_Temp 模型。综上，GW_DMF 模型拟合效果优于 GW_NDVI 模型、GW_Temp 模型，而 GW_DMF 模型与GW_Temp 模型的各精度指标验证结果基本持平。GW_DMF 模型整体略优于 GW_Temp 模型。水汽通量散度较 NDVI、气温更适合作为解释变量，故后文采用 GW_DMF 模型进行降尺度研究。3.2降尺度结果评估分析3.2.1空间分辨效果2020 年浙江省 GPM 逐月降水量分布、GPM 降尺度后逐月降水量分布如图 5、6 所示。逐月对比可知，GPM 降尺度后的降水量分布的空间分辨率较GPM 数据降水量分布有较大的提升，主要体现在其对降水分布的呈现更为精细，对于降水量高值区域及低值区域，其斑块更丰富，降水分布、界限与走向更为清晰可辨;以及对于局部区域降水量分布的呈现，其更接近真实浙江省省界，如对杭州湾、舟山群岛、嵊泗列岛、台州列岛等区域分布的呈现更加精897气象科学42 卷表 33 个模型精度指标数值(NDVI 为 GW_NDVI 模型，DMF 为 GW_DMF 模型，Temp 为 GW_Temp 模型)Table 3The precision index values of the three models(NDVI is GW_NDVI model，DMF is GW_DMF model，Temp is GW_Temp model)月份MSE/mmMAE/mmACCSsNDVIDMFTempNDVIDMFTempNDVIDMFTempNDVIDMFTemp113.43213.70312.60110.55511.0149.8580.9780.9790.9830.9470.9440.95329.4258.5118.8306.6785.6916.0670.4460.6490.5660.1930.4170.292328.69026.09825.93022.77521.81021.5040.7710.8260.8250.5830.6440.659410.50610.4779.7828.9039.0248.5550.7080.7570.7620.4850.5200.553535.12631.68429.53826.05124.67322.0200.7920.8280.8590.6170.6810.729665.71160.71462.03653.01448.81350.8490.7080.7790.7280.4650.6000.523791.14660.88859.24356.61942.40241.0940.7570.9080.9110.5700.8110.818843.44650.24136.60037.60938.79231.9110.9260.8680.9480.7700.6600.837940.71039.72039.82529.78729.30029.9440.6100.6250.6010.2680.3340.300105.6486.1466.5094.6885.0615.2580.9190.9000.8940.8420.8070.790118.3158.1227.9836.1146.0915.9990.8610.8760.8800.7260.7380.747127.4786.9647.0416.2105.8285.7290.0390.3060.154-0.525-0.227-0.352月均29.96926.93925.49322.41720.70819.8990.7100.7750.7590.4950.5770.571图 43 个模型精度指标对比:(a)均方根误差(单位:mm);(b)平均绝对误差(单位:mm);(c)距平相关系数;(d)空间技巧评分Fig4Comparison of precision indexes of the three models:(a)MSE(unit:mm);(b)MAE(unit:mm);(c)ACC;(d)Ss细。GPM 降水量分布与 GPM 降尺度后降水量分布在空间分布趋势上基本一致，降尺度后的降水量数值范围整体大于原始数据，全年降水量高值主要集中在夏季，高值区域主要位于富春江以西，千里岗一带。小部分月的降尺度后降水量较 GPM 数据出现较小值，主要原因是重采样时极小部分较周围格点具有极大或极小趋势回归系数的扰动。整体而言，降尺度数据较 GPM 数据具有更优的空间分辨效果。3.2.2精度验证分析本文基于 19 个验证集站点实测数据，引入均方根误差，平均绝对误差，距平相关系数，空间技巧评分 4 个指标对 GPM 数据与降尺度数据进行精度验证，验证结果如表 4 所示。GPM 数据与降尺度数据9976 期林书睿，等:基于 GW 模型的典型区域 GPM 数据降尺度研究 以浙江省为例图 52020 年浙江省 GPM 逐月降水量分布(单位:mm):(a)1 月;(b)2 月;(c)3 月;(d)4 月;(e)5 月;(f)6 月;(g)7 月;(h)8 月;(i)9 月;(j)10 月;(k)11 月;(l)12 月Fig.5Monthly GPM precipitation distribution of Zhejiang Province in 2020(unit:mm):(a)Jan.;(b)Feb.;(c)Mar.;(d)Apr.;(e)May;(f)Jun.;(g)Jul.;(h)Aug.;(i)Sep.;(j)Oct.;(k)Nov.;(l)Dec.4 个精度指标逐月变化趋势一致。降尺度数据的月均均方根误差、月均平均绝对误差分别为 26.939、20.708，较 GPM 数据仅分别提高了 3.54%、3.75%，即准确度较 GPM 数据略微下降。而降尺度数据的月均距平相关系数、月均空间技巧评分分别为0.775、0.577，较 GPM 数据分别提高了 2.79%、1.23%，其中两精度指标在 2 月与 9 月的提高较为明显，分别提高了 19.30%、36.72%、25.25%、78.61%。整体来看，降尺度数据在维持一定精度的同时能够更真实反映研究区域内的降水量分布情况。4讨论与结论4.1讨论本文使用订正后的 GPM 数据进行降尺度研究，然而对原始因变量数据进行订正并不是降尺度研究中的一个必要步骤。为了探讨因变量数据订正在降尺度研究中的作用，基于 19 个验证集站点实测数据，引入均方根误差，平均绝对误差，距平相关系数，空间技巧评分 4 个指标对 GPM 原始数据与使用GPM 原始数据的 GW_DMF 模型降尺度数据(后文简称原始降尺度数据)进行精度验证，并与订正后GPM 数据及使用订正后 GPM 数据的 GW_DMF 模型降尺度数据(后文简称降尺度数据)进行对比，结果如表 5 所示。原始降尺度数据的月均均方根误差、月均平均绝对误差较 GPM 原始数据略微提高，即准确度较 GPM 原始数据略微下降而月均距平相关系数、月均空间技巧评分较 GPM 原始数据小幅提高，这与上文中总结的降尺度数据与订正后 GPM 数据之间的精度验证表现一致。且对原始因变量数据进行订正并不会改变降尺度数据的空间分辨效果。由此可得，使用原始 GPM 数据降尺度的降尺度效果与使用订正后 GPM 数据的降尺度效果较为一致即使用订正后数据构建降尺度模型并不会对降尺度效果产生影响。然而，订正后 GPM 数据的 4 个精度指标均显著优于原始 GPM 数据，降尺度数据的月均均方根误差、月均平均绝对误差较原始降尺度数据分别显著下降了 60.98%、67.23%，月均距平相关系数、月均空间技巧评分较原始降尺度数据分别提高了 13.90%、46.04%。综上，虽然对原始因变量008气象科学42 卷图 62020 年浙江省 GPM 降尺度后逐月降水量分布(单位:mm):(a)1 月;(b)2 月;(c)3 月;(d)4 月;(e)5 月;(f)6 月;(g)7 月;(h)8 月;(i)9 月;(j)10 月;(k)11 月;(l)12 月Fig.6Monthly GPM precipitation distribution after downscaling of Zhejiang Province in 2020(unit:mm):(a)Jan.;(b)Feb.;(c)Mar.;(d)Apr.;(e)May;(f)Jun.;(g)Jul.;(h)Aug.;(i)Sep.;(j)Oct.;(k)Nov.;(l)Dec.表 4GPM 数据与降尺度数据精度指标Table 4The precision indexs of GPM data and downscaling data月份MSE/mmMAE/mmACCSsGPM 数据降尺度数据GPM 数据降尺度数据GPM 数据降尺度数据GPM 数据降尺度数据113.54813.70310.07911.0140.9770.9790.9460.94428.8588.5115.8185.6910.5440.6490.3050.417323.09326.09819.07121.8100.8660.8260.7320.64449.26110.4777.9759.0240.7800.7570.6070.520531.42531.68422.61824.6730.8390.8280.6940.681657.70160.71445.75048.8130.7660.7790.5930.600761.81660.88842.68942.4020.8990.9080.8030.811841.54550.24135.80738.7920.9310.8680.7890.660943.03939.72032.59329.3000.4990.6250.1870.334106.7396.1465.1525.0610.8930.9000.7750