-
降水是全球水循环的重要组成部分, 同时也是地表水文过程的基本驱动因子[1]。降水资料是进行流域水文分析、水资源规划管理及洪涝干旱监测等研究所需的基础资料, 其数据的质量直接影响到各分析决策的结果。然而, 受大气运动、地理位置及地形条件等诸多因素共同影响, 降水具有高度的时空变异性[2], 如何获取高精度高分辨率的降水资料是当今水文领域一个具有挑战性的难题。传统获取降水资料的途径是通过地面雨量站进行观测, 目前在全球各地已建成了复杂的雨量站网。随着以天气雷达和气象卫星为代表的遥测技术迅速发展, 地面雷达降水产品和卫星降水产品的出现进一步丰富了全球降水数据库[3], 受限于各方法本身的缺陷以及外部条件的制约, 当前, 各类遥感降水资料仍难以满足水文领域对高精度高分辨率数据的需求, 因此, 需要进一步开展降水资料空间降尺度、偏差校正及产品融合等后处理研究, 旨在生成更高质量的降水资料[4-6]。
本文介绍获取降水资料的主要方法, 分析对比各类方法的主要优势和不足, 针对遥感降水资料存在的问题, 综述遥感降水资料的后处理方法研究进展, 归纳后处理降水产品评价指标, 对尚需加强研究的问题提出看法与建议, 为进一步生成更高质量的降水资料提供参考依据。
-
布设雨量站是采集降水数据的基本途径, 该观测手段已有100多年的历史, 在整个降水观测体系中起到基础性的作用。在中国大陆地区, 雨量站平均密度为500 km2/站, 其中<300 km2/站[7]占69%, 从布局来看, 大部分雨量站位于中、东部, 西部地区雨量站相对稀疏, 尤其在地势陡峭、不易建站的高山地区。
雨量站观测降水具有2点明显的优势, 一是作为最直接的观测手段, 该方法测得的降水资料通常被视为单点精度最高的降水资料[8]；二是作为最早出现的观测手段, 该方法测得的降水资料通常具有较长的时间长度[9]。但是, 受地形及环境因素的制约影响, 世界各地雨量站分布不均, 很多关键区域的站网密度稀疏, 难以精确反映降水的时空分布。当雨量站网密度较为稀疏时, 将插值获取的面降水数据输入到水文模型中会给模拟过程带来很大的不确定性, 从而对径流模拟结果造成显著的影响[10]。
-
地面天气雷达向空中发射电磁波, 电磁波遇到雨滴或积雨云时会发生散射, 进而产生回波信号, 通过对雷达回波信号的分析处理可获取短时间内大气中的雨量、雨强以及空间分布等降水信息[4]。中国于1998年开始建设新一代多普勒天气雷达网, 截至2020年, 中国已经在全国范围内布设了200多部天气雷达, 其中大部分位于中国东部及东南沿海等人口密集地区, 西北部则相对较少。
地面天气雷达的优点在于能够跟踪雨区范围, 捕获高时空分辨率的降水空间分布信息, 在中小尺度地区的短期强降水监测中具有较强的优势。其缺陷主要有3点: 一是单个雷达对降水的观测范围有限, 且成本较高, 雷达监测网络的建设需要消耗大量的人力物力；二是对于不同时期、不同区域、不同降水类型需确定不同的雷达降水关系；三是雷达测雨易受环境、气候等多种因素影响, 估测的降水数据误差较大。
-
卫星反演降水的原理根据传感器的不同而不同, 具体可分为可见光/红外(VIS/IR)、微波(MW)和多传感器联合(MS)3种反演方法。微波传感器估测降水的精度较高, 但其时空分辨率有限；可见光/红外光传感器估测降水的时空分辨率比微波传感器高, 但精度却往往表现得不如前者[9]；随着对卫星反演降水技术研究的不断深入, 科学家们尝试将微波传感器和可见光/红外传感器结合起来, 充分利用两者的优势, 以获取更加可靠的降水数据[11]。基于多传感器联合演算方法, 一系列卫星降水产品在水文领域与气象领域得到广泛应用, 如GSMaP(Global Satellite Mapping of Precipitation)、CMORPH(Climate Prediction Center morphing technique)、PERSIANN(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks)、TMPA(TRMM Multi-satellite Precipitation Analysis)和IMERG(GPM Integrated Multi-satellite Retrievals)等。
卫星反演降水具有覆盖空间范围广、不受地理条件约束、能够监测降水连续时空变化等优点, 在缺资料及无资料地区具有较为明显的优势。但卫星反演降水仍有2个明显的弊端: 一是作为一种间接测雨方法, 受反演算法、传感器性能等限制, 难免会在测量过程中产生误差, 进而导致输出的降水数据精度有限；二是原始卫星降水产品的空间分辨率大约为10 km量级, 不能表征降水在中尺度或者微尺度的空间变异, 无法直接应用于区域尤其是流域研究中。
-
雨量站网观测降水、天气雷达估测降水和气象卫星反演降水3种方法各有利弊。从观测原理及数据精度来看, 雨量站网观测属于直接观测手段, 该方法通过雨量计直接测量降水量, 在单点上具有较高的精度, 而后2种方法属于间接观测手段, 通过建立起反馈信息(降水反馈的回波信息或者云顶反馈的红外信息等)与降水的关系, 从而利用雷达或卫星接收到的反馈信息来反映区域内的实时降水空间分布, 通过这2种方法得到的降水资料往往存在一定的误差, 通常需要以雨量站数据为基准来进行校正。从空间上来看, 雨量站观测得到的降水数据为点数据, 为获得降水的空间分布通常需要进行插值处理, 而后2种方法得到的降水数据为面降水数据, 它们之间的区别在于分辨率大小和空间覆盖范围的不同, 一般来说, 雷达降水数据的分辨率要高于卫星降水产品, 但前者的空间覆盖范围远不及后者；从时间上来看, 受开始年份及使用年限的限制, 雷达与卫星所得到的降水资料长度一般较短, 而雨量站资料长度较长。
上述3种方法的优势与缺陷不尽相同, 应根据研究目的、研究区域等具体信息来选择最合适的降水资料。3种方法的主要优缺点及资料适用情况见表 1。
表 1 不同降水资料获取方法的主要优缺点及资料适用情况
Table 1. Main advantages and disadvantages of different methods and the application condition of their data
方法 原理 主要优势 主要缺陷 降水资料的适用情况 雨量站观测 在选定的固定观测场使用雨量计进行定点降水观测(直接观测) 精度最高, 资料较长 无法反映降水的空间分布 适用于站网密集地区的研究 天气雷达估测 利用雨滴对电磁波的后向散射特征, 通过建立雷达反射率因子和雨强的关系来推算瞬时降水信息(间接观测) 能连续捕获短时间内降水的时空分布 监测范围有限、造价高昂、精度较低 适用于地形平缓的中小尺度地区的研究 气象卫星反演 根据传感器类型的不同采用不同的反演算法进行降水反演(间接观测) 空间覆盖范围广, 全天监测 空间分辨率粗糙, 精度较低 适用于大尺度地区的研究, 以及无资料地区和缺资料地区的研究 近10年来, 多源降水数据融合的理念为生成更高质量的降水资料提供了新的思路。目前降水融合思想也是对雷达、卫星降水产品进行偏差校正的主要思想[7, 12], 通过一定的融合方法, 在相同时空尺度上将雨量站观测数据、雷达降水产品、卫星降水产品等不同来源的降水数据进行融合, 融合后的降水数据结合了多种信息源的优势, 更加接近降水的真实空间分布。但多源融合同样也意味着增加了数据的不确定性来源, 因此, 发展能定量考虑降水信息来源不确定性的多源融合分析框架是未来值得探索的热点问题之一。
-
目前获取降水资料的主要方法有雨量站网观测、地面天气雷达估测和气象卫星反演, 其中雨量站测得的数据通常被认为是降水“真值”, 常常被用作评价或校正其他2类遥感降水资料的依据。
-
根据校正原理的不同, 目前提高雷达降水产品精度的方法大致可分为2类, 一类是直接法, 另一类是间接法。
直接法从雷达估测降水的原理入手, 利用雨量计资料或雨滴谱资料对雷达测雨的Z—R关系(即雷达反射率与雨强的关系)进行修正, 通过修正后的Z—R关系进行降水量的推算, 以提高数据的精度。具体方法包括雨滴谱法、最优化法和概率密度匹配法等[12-14]。受地形、季节、降水类型等多种因素影响, Z—R关系复杂多变, 不同区域、不同时期、不同降水类型的Z—R关系均不一致[15], 采用固定的Z—R关系会导致校正后的数据仍存在着较大的偏差, 因此, 有些学者采用了分型Z—R法、动态Z—R关系法、动态分型Z—R关系法和分区域动态分型Z—R关系法等方法[5, 16], 根据不同的情况拟合相应的Z—R关系进行雨强推求, 校正效果也更为显著。基于Z—R关系变化的思想, 神经网络法[17]等智能算法也逐渐被应用于关系拟合中, 该类算法能够快速地从时空变化率复杂的Z—R关系中找出一定的演变规律, 并建立较为稳定的Z—R关系。直接法的校正效果主要受2方面因素的影响, 一是观测样本量的大小, 在样本数量少的情况下该方法并不能起到较好的校正效果; 二是分型的依据, Z—R关系受到区域气候特点等其他多种因素的影响, 目前同时考虑降雨类型分型和区域分区的研究并不多见, 未来需加强这方面的研究。
间接法的基本思路是通过比较雷达降水场(初始场)与雨量站观测场(修正场)的差异, 利用统计方法或插值方法计算校正权重或偏差场, 对降水初始场进行校正, 使其更接近降水的真实分布[4]。常见的方法有平均偏差法、局部偏差法、变分校准法、卡尔曼滤波校准法、最优插值法、联合校准法和地统计学法等[8, 18-20]。Goudenhoofdt和Delobbe[21]比较了平均偏差法、局部偏差法以及多种地统计学方法的校准效果, 结果表明地统计学的校准效果最佳。而在普通克里金(OK)、协克里金(CK)及具有外部漂移的克里金(KED)等多种地统计学法中, 经KED校正之后的降水数据往往精度表现更高。间接法对雨量站的分布密度有着较为严格的要求, 总的来说, 其校正效果随雨量站网密度的增加而升高, 当增加到某个阈值时, 此后雨量站再增加, 校正效果几乎保持不变。各方法对雨量站密度变化的敏感程度也不一致[21], 平均偏差法的校正效果随雨量站数量的变化改变不大, 而各地统计学法对雨量站变化尤为敏感, 因此, 需要根据研究区域的具体情况来选用合适的方法进行校正。
-
如前所述, 卫星降水产品存在2个主要问题, 一是空间分辨率较为粗糙, 二是精度较低。因此, 有必要在应用之前对卫星降水产品进行数据后处理(空间降尺度、偏差校正以及多卫星降水产品融合), 进而获取更有参考价值的降水信息。
-
对卫星降水产品进行空间降尺度的主要步骤为: 首先筛选出与降水密切相关的解释变量, 然后在低分辨下建立降水与解释变量之间的回归关系, 计算回归残差并将其插值至目标分辨率, 最后将建立的回归式应用于目标分辨率下, 输出的结果与插值后的残差进行叠加, 得到最终的降尺度结果。目前基于卫星降水产品的降尺度研究内容主要为解释变量的选择、降尺度模型的建立, 以及残差插值等。
寻找合适的解释变量是降尺度研究的重点之一。降水往往和区域植被信息、地形信息、地理位置信息、气象信息以及人类活动信息有关[22]。在选取解释变量的时候要遵循3条原则[23] : 一是要根据研究区域的具体情况, 选取与降水关系密切的解释变量, 例如在高山区, 降水受高程、坡度等地形因子影响大, 可将地形因子作为备选的解释变量; 在灌溉区, 植被的生长并不主要受降水的影响, 不宜将植被信息作为备选的解释变量等。二是解释变量应具有较高的空间分辨率, 以便将低分辨率下建立的回归关系应用于高分辨率下, 进而输出高分辨率的降水信息。三是空间分布范围要覆盖整个研究区, 最好能通过卫星遥感途径直接获取。基于上述原则, 目前国内外在降尺度研究中大多以归一化植被指数(NDVI)等表征区域植被信息[24-25], 以高程、坡度、坡向、水汽运输距离等表征区域的地形信息[25-26], 以经度、纬度等表征区域的地理位置信息[23, 27], 以湿度、温度等表征气象信息[28], 以GDP、城镇化率、人口密度等表征人类活动信息[22, 29]。值得注意的是, NDVI对降水的响应存在一定的时间延迟[30], 但在降尺度过程中是否需要考虑这种时滞性仍存在一定争议[25, 30]。除此之外, 学者们发现通过耦合多个因子所形成的综合信息更能够表征与降水之间的联系[27], 因此, 在选择解释变量时, 不仅要根据原则选取单个解释变量, 还要适当考虑各解释变量之间的相互作用, 构建新的具有物理意义的耦合变量, 以提升降尺度效果。
建立解释变量与降水的回归关系是降尺度研究的另一重点。最常见的降尺度模型为一元线性回归模型、多元线性回归模型、指数回归模型和二次多项式模型等, 它们均属于全局回归, 虽然数学结构简单, 但是忽略了降水的空间异质性。近几年来, 局部加权回归模型被广泛应用于降尺度的研究中, 最具有代表性的方法是地理加权回归(GWR)模型[23, 25, 31], 该模型考虑了降水与解释变量之间非平稳的空间关系, 降尺度的效果通常比全局回归模型好。传统的回归方法大多为线性回归, 而降水与解释变量之间的关系可能并不是简单的线性关系, 尽管指数回归模型、二次多项式模型等非线性模型能处理非线性问题, 但它们都需要假定变量之间存在已知的函数关系, 对于此问题, 不少学者开展了基于机器学习方法的降尺度研究, 该类方法不需要设定特定的函数关系, 能快速地拟合出降水与解释变量的非线性关系, 常见的模型有人工神经网络模型、支持向量机模型、随机森林模型和Cubist模型等[6, 32-34]。
残差插值是保证降尺度结果精度的必要步骤[35]。利用空间插值方法将低分辨率下的回归残差进行插值, 得到目标分辨率的回归残差, 进而将回归残差与降尺度结果叠加, 最终得到高分辨率下的降水数据。常用的插值方法有双线性插值[5]、克里金插值[36]等。
目前大多数研究是对年(或月)降水进行降尺度, 针对日及以下尺度降水的降尺度研究较少。考虑到部分解释变量(如NDVI)与日降水的相关性较弱, 直接在日尺度上利用这些解释变量进行降尺度并不可取, 建议尝试将卫星日降水数据累积至年(或月)尺度, 利用年(或月)降水和解释变量的函数关系对累积所得年(或月)降水进行空间降尺度处理, 并将年(或月)降尺度结果离散至日尺度, 最终实现卫星日降水产品的空间降尺度[37-39]。
-
卫星降水产品精度受多种因素影响, 如降水类型、地形条件及时空尺度等。多数卫星降水产品存在高估小雨、低估暴雨的问题[40-41]。对于同一降水产品, 在不同区域内的精度相差可能会很大。研究表明, 绝大部分卫星降水产品通常在湿润半湿润地区以及地势平缓的区域表现出更好的精度, 而在干旱区、地形复杂的山区以及海岸带呈现出的精度往往有待提高[42-43]。即使是对于同一区域, 降水产品的精度还随着时间尺度的变化而变化。随着时间尺度的增加, 多数降水产品的精度会逐渐提高[42, 44]。
与校正雷达降水数据的方法相似, 校正卫星降水产品的主要方法也是与雨量站数据进行融合[6], 在融合过程中可以引入其他辅助信息(例如地理位置、地形信息、植被信息等)来提升校正效果。目前雨量站数据和卫星降水产品的融合方式主要可分为全局校正和局部校正。全局校正法较为简单, 其假定区域内所有格点的卫星降水数据与站点数据的关系不随空间位置变化, 因此只能起到全局平滑校正的作用, 在校正的过程中容易丢失强降水信息。代表方法有全局回归法、平均偏差校正法等[45]。然而, 受地形条件、气候类型等多方面因素影响, 在不同的空间位置上, 卫星降水数据与站点数据并非呈现空间平稳的关系[46], 因此, 考虑了数据间空间非平稳特征的局部校正法在融合技术中逐渐占据主导地位。该类方法基于加权平均、多元回归等数学思想, 根据单个格点自身包含的信息并量化其他格点对该格点的影响, 逐点构建局部校正模型, 最终通过参数求解得到校正后的降水“真实场”。代表性方法有地理差分/比率分析、协克里金法、漂移克里金法、贝叶斯融合法、最优插值法、双核函数法、条件融合法和统计偏差校正法等[6, 45, 47-50]。尽管局部校正法考虑了数据之间的空间非平稳性, 但多数方法的校正效果在很大程度上受雨量站密度的影响, 在雨量站稀疏的地区并不能起到很好的校正作用。传统的融合方法受诸多前提假设限制, 例如全局校正假设卫星降水数据与站点数据的关系是空间平稳的, 基于克里金的校正法假设降水符合正态(高斯)分布等, 在利用各类方法进行偏差校正时需要根据具体情况注意其假设的合理性。近年来, 深度学习也被逐渐应用于卫星降水与站点数据的融合研究中[51-52], 该类方法具有强大的自学习能力, 在处理非线性关系数据问题方面具有独特的优势, 且没有限制性的假设条件, 适用于多源(三源及以上)的复杂融合模式中, 在雨量站稀疏地区同样也能够表现出较好的校正效果[53]。代表方法有随机森林法、人工神经网络和支持向量机法等[51-52]。
各方法校正结果很大程度上受雨量站网密度的影响, 应根据站网密度情况选择合适的校正方法[45, 47, 52-53]。在雨量站密集(< 250 km2/站)的地区, 建议采用普通克里金法、漂移克里金法进行校正；在雨量站密度适中(250~1 500 km2/站)的地区, 建议采用贝叶斯融合法、漂移克里金法进行校正；在雨量站稀疏(>1 500 km2/站)的地区, 建议采用随机森林法、双核函数法、条件融合法或者全局校正法进行校正。
-
单个卫星降水产品与站点数据的融合研究已取得了一定的进展, 但卫星降水产品精度不仅受降水类型、地形条件等外部条件的影响, 还受反演算法等内部条件的制约, 不同产品的优势和劣势各不相同[54], 单个产品很难全面捕捉降水的时空分布特征。为解决此问题, 近几年来学者们将多种卫星降水产品与雨量站数据进行融合, 发现多卫星降水融合产品相较于单一卫星降水融合产品能提供更加可靠的降水分布信息[23, 37]。因此, 在校正的过程中不仅要关注各类降水数据(雨量站数据、卫星降水产品、雷达降水数据等)之间的融合, 同时还要充分考虑同类降水数据之间的优势, 并将这些优势进行融合以提升校正效果。然而, 引入了更多数据参与融合的同时, 也会衍生出新的难题。一是如何识别各产品之间的有效信息, 以充分挖掘各源数据的优势；二是如何发展多种数据来源的融合分析框架；三是在融合过程中如何量化多源数据的不确定性并分析其误差特征。由单纯提高降水数据精度过渡到量化不同来源数据的不确定性, 以减小最终融合数据的不确定性, 是近年来多源降水数据融合的主要转变思路。
-
定性或定量评价降尺度、数据融合后的降水资料是验证后处理方法可行性的必要步骤, 同时也为该降水资料在研究区域内的后续使用提供可靠依据。定性评价从时空分布的角度出发, 通过比较后处理产品的降水时空分布与站点观测、原始产品的降水时空分布, 判断后处理产品是否能提供更加精细的降水信息, 以此验证后处理方法在降尺度方面的有效性; 以定量评价则通过一系列的统计指标来量化站点降水资料和遥感降水资料的相关性和偏差, 判断后处理降水产品是否能提供更加精准的降水信息, 以此验证后处理方法在提升精度方面的有效性。
-
常规的连续性指标主要分为2类[55] : 第1类指标从整体上反映后处理产品与站点资料的吻合程度, 代表性指标如相关系数(Correlation coefficient, CC)；第2类指标描述后处理降水产品的误差特征, 代表性指标如平均绝对误差(Mean absolute error, EMA)、均方根误差(Root mean squared error, ERMS)和相对误差(Relative bias, SR)。近年来, 克林效率系数(Kling-Gupta efficiency, EKG)也被广泛应用于遥感降水产品评价中, 该指标将误差分解为相关系数、均值误差和标准差误差3个组成部分, 从而可以更好地理解误差根源, 是一个较为高效的综合性指标。连续性指标具体信息见表 2。
表 2 降水资料连续性评价指标
Table 2. Continuous indices used for evaluation of precipitation products
指标 表达式 指标含义 理想值 变量解释 CC $ {C_{\rm{C}}} = \frac{{\sum\limits_{i = 1}^n {\left( {{S_i} - \bar S} \right)\left( {{O_i} - \bar O} \right)} }}{{\sqrt {\sum\limits_{i = 1}^n {{{\left( {{S_i} - \bar S} \right)}^2}} } \times \sqrt {\sum\limits_{i = 1}^n {{{\left( {{O_i} - \bar O} \right)}^2}} } }} $ 表示后处理降水数据与站点数据的线性相关程度 1 Si为后处理降水量; Oi为站点观测降水量; S为后处理降水量的均值; O为站点观测降水量的均值; n为样本数量; σO为后处理降水量的标准差; σS为站点观测降水量的标准差 EMA $ {E_{{\rm{MA}}}} = \frac{{\sum\limits_{i = 1}^n {\left| {\left( {{S_i} - {O_i}} \right)} \right|} }}{n} $ 表示后处理降水数据与站点数据的平均偏差 0 mm ERMS $ {E_{{\rm{RMS}}}} = \sqrt {\frac{{\sum\limits_{i = 1}^n {\left( {{S_i} - {O_i}} \right)} }}{n}} $ 表示后处理降水数据与站点数据的离散程度 0 mm SR $ {S_{\rm{R}}} = \frac{{\sum\limits_{i = 1}^n {\left( {{S_i} - {O_i}} \right)} }}{{\sum\limits_{i = 1}^n {{O_i}} }} \times 100\% $ 表示后处理降水数据的系统偏差 0 EKG $ {E_{{\rm{KG}}}} = 1 - \sqrt {{{\left( {{C_{\rm{C}}} - 1} \right)}^2} + {{\left( {\frac{{\bar S}}{{\bar O}} - 1} \right)}^2} + {{\left( {\frac{{{\sigma _{\rm{S}}}/\bar S}}{{{\sigma _{\rm{O}}}/\bar O}} - 1} \right)}^2}} $ 综合反映后处理产品的估测效率 1 当利用多个指标对后处理降水资料进行评价时, 不同指标对应的最优结果可能存在差异, 这使得对后处理方法的验证、选择存在困难, 可采用泰勒图进行辅助验证[56]。泰勒图巧妙地利用了三角函数几何原理, 将标准差、相关系数、中心化均方根误差3种指标呈现在同一张二维图中, 在泰勒图上距离观测点越近的点, 其降水资料质量越佳, 所代表的后处理方法效果也越好。
-
分类指标可以反映后处理降水产品对日尺度及日尺度以下降水事件的捕捉能力, 主要有探测率(Probability of detection, DPO)、误报率(False alarm ratio, RFA)、频率偏差指数(Frequency bias index, IFB)、临界成功指数(Critical success index, ICS)等, 其中临界成功指数综合了探测率和误报率, 是更为全面的分类指标。分类指标具体信息见表 3。
表 3 降水资料分类评价指标
Table 3. Categorical indices used for evaluation of precipitation products
指标 表达式 指标含义 理想值 变量解释 DPO $ {D_{{\rm{PO}}}} = \frac{H}{{H + M}} $ 表示后处理产品成功捕捉降水事件的概率 1 H为成功捕捉降水事件的次数(雨量站和遥感均探测到的降水事件); M为漏报降水事件的次数(雨量站探测到而遥感未探测到的降水事件); F为误报降水事件的次数(遥感探测到而雨量站未探测到的降水事件) RFA $ {R_{{\rm{FA}}}} = \frac{F}{{H + F}} $ 表示后处理产品误报降水事件的概率 0 IFB $ {I_{{\rm{FB}}}} = \frac{{H + F}}{{H + M}} $ 表示后处理产品高估或低估降水事件发生的频次 1 ICS $ {I_{{\rm{CS}}}} = \frac{H}{{H + M + F}} $ 表示后处理产品对降水事件的综合探测能力 1 为了更直接地展现各分类指标之间的关系, Roebber[57]提出了一种Performance diagram的方法, 该方法类似于泰勒图, 利用成功率(1-误报率)、探测率、偏差、临界成功指数4种指标之间的三角函数几何关系, 构造出能同时包含4个指标信息的二维性能图, 直观地展示后处理产品对降水事件的捕捉能力, 与泰勒图具有良好的互补性。
-
如何获取高精度高分辨率的降水资料一直是水文领域的研究热点之一。本文通过介绍获取降水资料的主要方法, 包括雨量站观测、地面天气雷达估测以及气象卫星反演, 指出每种观测途径的主要优势和不足, 在此基础上综述遥感降水资料后处理的研究进展, 归纳后处理降水产品评价指标, 提出以下展望:
(1) 发展和改进降水估计技术, 进一步丰富和改善全球降水数据源。一方面, 需要充分认识并挖掘各学科的独特优势, 发展新的降水估计技术, 进一步丰富全球降水数据源；另一方面, 目前的降水估计技术仍有许多不足, 导致输出的降水数据并不能满足水文领域对高精度高分辨率数据的要求, 需要改进现有的降水估计技术, 从源头上改善全球降水数据源。
(2) 如何更合理地构建多源降水数据融合框架是未来值得探索的热点问题之一。基于不同估计方法得到的降水资料具有不同的优势和劣势, 即使是基于同一估计方法, 得到的降水资料也会随着反演算法或模型结构的不同而存在差异。如何有效识别并结合不同来源降水资料的优势, 构建多源降水融合框架, 使得融合之后的降水数据更加符合真实分布, 是近年来生成高质量降水产品的主流思想。一方面, 要考虑不同类别的降水资料之间的融合, 如雨量站资料、再分析资料、雷达降水产品、卫星降水产品等; 另一方面, 还要考虑同类降水资料之间的融合, 如不同的卫星降水产品(GSMaP、CMORPH、PERSIANN、TRMM等)。另外, 遥感降水资料与雨量站资料的融合效果很大程度上受雨量站密度的影响, 应进一步加强不同站网密度下各融合方法的适用性研究, 同时也需加强融合方法在站点稀疏地区的优化研究, 扩大融合产品的应用范围。
(3) 加强降尺度法对比研究, 进一步改进和完善降尺度法。目前对卫星降水产品的降尺度研究已取得了一定进展, 但仍存在一些问题值得学者们去思考与探究。第一, 降尺度方法种类繁多, 不同方法对同一区域的降尺度结果往往有着较大差异, 需进一步开展对降尺度方法的对比研究, 包括同类降尺度方法的对比和不同类降尺度方法的对比, 并探讨各方法的适用范围。第二, 对于卫星降水产品来说, 现阶段降尺度研究只是从统计的层面上建立降水与各解释变量的关系, 但这种方法缺乏物理基础, 无法描述降水和解释变量之间的复杂关系, 需要结合研究区域的实际情况, 考虑降水形成的物理机制, 将单一的解释变量耦合为新的具有物理意义的解释变量, 以提升降尺度效果。
(4) 开展降水相关的不确定性分析。经过一系列后处理得到的高精度高分辨率的降水资料包含大量的不确定性, 将不确定性分析引入到后处理研究中能增加后处理产品的可信度, 定量分析并减少后处理过程中的不确定性是未来值得探究的问题之一。
Review of post-processing research for remote-sensing precipitation products
-
摘要: 获取高精度高分辨率的降水数据对于流域水文分析、水资源管理及洪涝干旱监测等均具有重要意义。遥感技术虽然能有效再现降水的时空分布，但原始遥感降水资料无法满足水文领域对高精度高分辨率数据的需求，需要开展遥感降水资料的后处理研究。介绍获取降水资料的主要方法，包括雨量站观测、地面天气雷达估测以及气象卫星反演，讨论各方法的主要优势和当前存在的问题，在此基础上综述遥感降水资料的后处理方法研究进展，包括空间降尺度、偏差校正以及产品融合，并归纳后处理降水产品的评价指标，最后指出今后的研究重点：发展和改进降水估计技术；构建更为合理的多源降水数据融合框架；加强降尺度法对比研究，进一步改进和完善降尺度法；开展降水相关的不确定性分析。Abstract: Obtaining high-precision, high-resolution precipitation data is of great significance for hydrological analysis, water resources management, and flood and drought monitoring. Although remote-sensing precipitation products can effectively reproduce the spatial and temporal distribution of precipitation, few original remote-sensing precipitation products can meet the requirements in either precision or resolution in the hydrological field. It is therefore necessary to carry out post-processing research on existing remote-sensing precipitation products. The main methods used to obtain precipitation data are introduced, including rain-gauge observations, weather radar estimates, and satellite products. The advantages of each method and their problems are discussed. Next, the research advances made in post-processing methods of remote-sensing precipitation products are summarized, including spatial downscaling, bias correction, and multi-product fusion. Then, the indices used for evaluation of post-processing precipitation products are reviewed. Finally, the following research directions that must be pursued more avidly in the future are discussed: development and improvement of precipitation-estimation techniques, construction of a more reasonable framework for multi-source precipitation data fusion, strengthening of the comparative study of downscaling methods and ideas for their improvement, and uncertainty analysis.
-
表 1 不同降水资料获取方法的主要优缺点及资料适用情况
Table 1. Main advantages and disadvantages of different methods and the application condition of their data
方法 原理 主要优势 主要缺陷 降水资料的适用情况 雨量站观测 在选定的固定观测场使用雨量计进行定点降水观测(直接观测) 精度最高, 资料较长 无法反映降水的空间分布 适用于站网密集地区的研究 天气雷达估测 利用雨滴对电磁波的后向散射特征, 通过建立雷达反射率因子和雨强的关系来推算瞬时降水信息(间接观测) 能连续捕获短时间内降水的时空分布 监测范围有限、造价高昂、精度较低 适用于地形平缓的中小尺度地区的研究 气象卫星反演 根据传感器类型的不同采用不同的反演算法进行降水反演(间接观测) 空间覆盖范围广, 全天监测 空间分辨率粗糙, 精度较低 适用于大尺度地区的研究, 以及无资料地区和缺资料地区的研究 
下载: 导出CSV
表 2 降水资料连续性评价指标
Table 2. Continuous indices used for evaluation of precipitation products
指标 表达式 指标含义 理想值 变量解释 CC $ {C_{\rm{C}}} = \frac{{\sum\limits_{i = 1}^n {\left( {{S_i} - \bar S} \right)\left( {{O_i} - \bar O} \right)} }}{{\sqrt {\sum\limits_{i = 1}^n {{{\left( {{S_i} - \bar S} \right)}^2}} } \times \sqrt {\sum\limits_{i = 1}^n {{{\left( {{O_i} - \bar O} \right)}^2}} } }} $ 表示后处理降水数据与站点数据的线性相关程度 1 Si为后处理降水量; Oi为站点观测降水量; S为后处理降水量的均值; O为站点观测降水量的均值; n为样本数量; σO为后处理降水量的标准差; σS为站点观测降水量的标准差 EMA $ {E_{{\rm{MA}}}} = \frac{{\sum\limits_{i = 1}^n {\left| {\left( {{S_i} - {O_i}} \right)} \right|} }}{n} $ 表示后处理降水数据与站点数据的平均偏差 0 mm ERMS $ {E_{{\rm{RMS}}}} = \sqrt {\frac{{\sum\limits_{i = 1}^n {\left( {{S_i} - {O_i}} \right)} }}{n}} $ 表示后处理降水数据与站点数据的离散程度 0 mm SR $ {S_{\rm{R}}} = \frac{{\sum\limits_{i = 1}^n {\left( {{S_i} - {O_i}} \right)} }}{{\sum\limits_{i = 1}^n {{O_i}} }} \times 100\% $ 表示后处理降水数据的系统偏差 0 EKG $ {E_{{\rm{KG}}}} = 1 - \sqrt {{{\left( {{C_{\rm{C}}} - 1} \right)}^2} + {{\left( {\frac{{\bar S}}{{\bar O}} - 1} \right)}^2} + {{\left( {\frac{{{\sigma _{\rm{S}}}/\bar S}}{{{\sigma _{\rm{O}}}/\bar O}} - 1} \right)}^2}} $ 综合反映后处理产品的估测效率 1
下载: 导出CSV
表 3 降水资料分类评价指标
Table 3. Categorical indices used for evaluation of precipitation products
指标 表达式 指标含义 理想值 变量解释 DPO $ {D_{{\rm{PO}}}} = \frac{H}{{H + M}} $ 表示后处理产品成功捕捉降水事件的概率 1 H为成功捕捉降水事件的次数(雨量站和遥感均探测到的降水事件); M为漏报降水事件的次数(雨量站探测到而遥感未探测到的降水事件); F为误报降水事件的次数(遥感探测到而雨量站未探测到的降水事件) RFA $ {R_{{\rm{FA}}}} = \frac{F}{{H + F}} $ 表示后处理产品误报降水事件的概率 0 IFB $ {I_{{\rm{FB}}}} = \frac{{H + F}}{{H + M}} $ 表示后处理产品高估或低估降水事件发生的频次 1 ICS $ {I_{{\rm{CS}}}} = \frac{H}{{H + M + F}} $ 表示后处理产品对降水事件的综合探测能力 1
下载: 导出CSV
-
[1] 袁定波, 艾萍, 洪敏, 等. 基于地理空间要素的雅砻江流域面雨量估算[J]. 水科学进展, 2018, 29(6): 779-787. doi: 10.14042/j.cnki.32.1309.2018.06.003 YUAN D B, AI P, HONG M, et al. Estimation of areal rainfall in Yalong River basin based on geospatial factors[J]. Advances in Water Science, 2018, 29(6): 779-787. (in Chinese) doi: 10.14042/j.cnki.32.1309.2018.06.003 [2] 任国玉, 战云健, 任玉玉, 等. 中国大陆降水时空变异规律: I: 气候学特征[J]. 水科学进展, 2015, 26(3): 299-310. doi: 10.14042/j.cnki.32.1309.2016.03.001 REN G Y, ZHAN Y J, REN Y Y, et al. Spatial and temporal patterns of precipitation variability over mainland China: I: climatology[J]. Advances in Water Science, 2015, 26(3): 299-310. (in Chinese) doi: 10.14042/j.cnki.32.1309.2016.03.001 [3] 吴炳方, 朱伟伟, 曾红伟, 等. 流域遥感: 内涵与挑战[J]. 水科学进展, 2020, 31(5): 654-673. doi: 10.14042/j.cnki.32.1309.2020.05.003 WU B F, ZHU W W, ZENG H W, et al. Watershed remote sensing: definition and prospective[J]. Advances in Water Science, 2020, 31(5): 654-673. (in Chinese) doi: 10.14042/j.cnki.32.1309.2020.05.003 [4] 田丹丹, 殷水清. 雷达测雨及其在土壤侵蚀中的应用研究进展[J]. 水土保持学报, 2019, 33(6): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-TRQS201906001.htm TIAN D D, YIN S Q. Advances in radar rainfall measurement and its application in soil erosion[J]. Journal of Soil and Water Conservation, 2019, 33(6): 1-9. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TRQS201906001.htm [5] SHARIFI E, SAGHAFIAN B, STEINACKER R. Downscaling satellite precipitation estimates with multiple linear regression, artificial neural networks, and spline interpolation techniques[J]. Journal of Geophysical Research: Atmospheres, 2019, 124(2): 789-805. doi: 10.1029/2018JD028795 [6] 孙乐强, 郝振纯, 王加虎, 等. TMPA卫星降水数据的评估与校正[J]. 水利学报, 2014, 45(10): 1135-1146. https://www.cnki.com.cn/Article/CJFDTOTAL-SLXB201410001.htm SUN L Q, HAO Z C, WANG J H, et al. Assessment and correction of TMPA products 3B42RT and 3B42V6[J]. Journal of Hydraulic Engineering, 2014, 45(10): 1135-1146. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLXB201410001.htm [7] 何惠. 中国水文站网[J]. 水科学进展, 2010, 21(4): 460-465. http://skxjz.nhri.cn/article/id/237 HE H. China gauging station network[J]. Advances in Water Science, 2010, 21(4): 460-465. (in Chinese) http://skxjz.nhri.cn/article/id/237 [8] YAN J R, BÁRDOSSY A. Short time precipitation estimation using weather radar and surface observations: with rainfall displacement information integrated in a stochastic manner[J]. Journal of Hydrology, 2019, 574: 672-682. doi: 10.1016/j.jhydrol.2019.04.061 [9] TAPIADOR F J, TURK F J, PETERSEN W, et al. Global precipitation measurement: methods, datasets and applications[J]. Atmospheric Research, 2012, 104/105: 70-97. doi: 10.1016/j.atmosres.2011.10.021 [10] 陈华, 霍苒, 曾强, 等. 雨量站网布设对水文模型不确定性影响的比较[J]. 水科学进展, 2019, 30(1): 34-44. doi: 10.14042/j.cnki.32.1309.2019.01.004 CHEN H, HUO R, ZENG Q, et al. Comparative study on the influence of rain-gauge network on the uncertainty of hydrological modeling[J]. Advances in Water Science, 2019, 30(1): 34-44. (in Chinese) doi: 10.14042/j.cnki.32.1309.2019.01.004 [11] 郭瑞芳, 刘元波. 多传感器联合反演高分辨率降水方法综述[J]. 地球科学进展, 2015, 30(8): 891-903. https://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201508006.htm GUO R F, LIU Y B. Multi-satellite retrieval of high resolution precipitation: an overview[J]. Advances in Earth Science, 2015, 30(8): 891-903. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201508006.htm [12] HASAN M M, SHARMA A, MARIETHOZ G, et al. Improving radar rainfall estimation by merging point rainfall measurements within a model combination framework[J]. Advances in Water Resources, 2016, 97: 205-218. doi: 10.1016/j.advwatres.2016.09.011 [13] 朱亚乔, 刘元波. 地面雨滴谱观测技术及特征研究进展[J]. 地球科学进展, 2013, 28(6): 685-694. https://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201306009.htm ZHU Y Q, LIU Y B. Advances in measurement techniques and statistics features of surface raindrop size distribution[J]. Advances in Earth Science, 2013, 28(6): 685-694. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201306009.htm [14] 唐颖, 张永祥, 王昊, 等. 基于雷达外推的城市内涝实时预警[J]. 哈尔滨工业大学学报, 2019, 51(2): 58-62, 145. https://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201902011.htm TANG Y, ZHANG Y X, WANG H, et al. Research on real time urban flooding warning base on radar extrapolation[J]. Journal of Harbin Institute of Technology, 2019, 51(2): 58-62, 145. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201902011.htm [15] 吴亚昊, 刘黎平, 周筠珺, 等. 雨滴谱的变化对降水估测的影响研究[J]. 高原气象, 2016, 35(1): 220-230. https://www.cnki.com.cn/Article/CJFDTOTAL-GYQX201601021.htm WU Y H, LIU L P, ZHOU Y J, et al. Study of raindrop influence of spectrum change on precipitation estimation[J]. Plateau Meteorology, 2016, 35(1): 220-230. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GYQX201601021.htm [16] WU W X, ZOU H B, SHAN J S, et al. A dynamical Z-R relationship for precipitation estimation based on radar echo-top height classification[J]. Advances in Meteorology, 2018, 2018: 1-11. [17] 肖晨. 人工神经网络在雷达定量测量降水中的研究与实现[D]. 南京: 南京信息工程大学, 2014. XIAO C. Research and implementation of artificial neural networks in radar quantitative measurements of precipitation[D]. Nanjing: Nanjing University of Information Science & Technology, 2014. (in Chinese) [18] THORNDAHL S, NIELSEN J E, RASMUSSEN M R. Bias adjustment and advection interpolation of long-term high resolution radar rainfall series[J]. Journal of Hydrology, 2014, 508: 214-226. doi: 10.1016/j.jhydrol.2013.10.056 [19] 曲小康, 芮小平, 于雪涛, 等. 基于改进卡尔曼滤波算法的雷达定量降雨估算[J]. 中国农业气象, 2017, 38(7): 417-425. doi: 10.3969/j.issn.1000-6362.2017.07.003 QU X K, RUI X P, YU X T, et al. Quantitative rainfall estimation using weather radar based on improved Kalman filter method[J]. Chinese Journal of Agrometeorology, 2017, 38(7): 417-425. (in Chinese) doi: 10.3969/j.issn.1000-6362.2017.07.003 [20] BHARGAVA M, DANARD M. Application of optimum interpolation to the analysis of precipitation in complex terrain[J]. Journal of Applied Meteorology, 1994, 33(4): 508-518. doi: 10.1175/1520-0450(1994)033<0508:AOOITT>2.0.CO;2 [21] GOUDENHOOFDT E, DELOBBE L. Evaluation of radar-gauge merging methods for quantitative precipitation estimates[J]. Hydrology and Earth System Sciences, 2009, 13(98): 195-203. [22] ZHAO Y J, DENG Q Y, LIN Q, et al. Quantitative analysis of the impacts of terrestrial environmental factors on precipitation variation over the Beibu Gulf Economic Zone in Coastal Southwest China[J]. Scientific Reports, 2017, 7: 44412. doi: 10.1038/srep44412 [23] 杜军凯, 贾仰文, 李晓星, 等. 基于TRMM卫星降水的太行山区降水时空分布格局[J]. 水科学进展, 2019, 30(1): 1-13. doi: 10.14042/j.cnki.32.1309.2019.01.001 DU J K, JIA Y W, LI X X, et al. Study on the spatial-temporal distribution pattern of precipitation in the Taihang Mountain region using TRMM data[J]. Advances in Water Science, 2019, 30(1): 1-13. (in Chinese) doi: 10.14042/j.cnki.32.1309.2019.01.001 [24] 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. doi: 10.1016/j.rse.2008.10.004 [25] XU S G, WU C Y, WANG L, et al. A new satellite-based monthly precipitation downscaling algorithm with non-stationary relationship between precipitation and land surface characteristics[J]. Remote Sensing of Environment, 2015, 162: 119-140. doi: 10.1016/j.rse.2015.02.024 [26] JIA S F, ZHU W B, LYU 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. doi: 10.1016/j.rse.2011.06.009 [27] 史岚, 王茜雯, 邵颖, 等. 武夷山热带降雨测量卫星降水产品降尺度研究[J]. 遥感信息, 2018, 33(6): 9-19. doi: 10.3969/j.issn.1000-3177.2018.06.002 SHI L, WANG Q W, SHAO Y, et al. Downscaling of precipitation products from Wuyishan tropical rainfall survey satellite[J]. Remote Sensing Information, 2018, 33(6): 9-19. (in Chinese) doi: 10.3969/j.issn.1000-3177.2018.06.002 [28] FANG J, DU J, XU W, et al. Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area[J]. Advances in Water Resources, 2013, 61: 42-50. doi: 10.1016/j.advwatres.2013.08.011 [29] 黄玉莹, 赵银军, 谢琼英, 等. 北部湾经济区TRMM降水数据空间降尺度研究[J]. 广西师范大学学报(自然科学版), 2019, 37(4): 163-169. https://www.cnki.com.cn/Article/CJFDTOTAL-GXSF201904021.htm HUANG Y Y, ZHAO Y J, XIE Q Y, et al. Downscaling method of TRMM satellite precipitation data in beibu gulf economic zone in southwest China[J]. Journal of Guangxi Normal University (Natural Science Edition), 2019, 37(4): 163-169. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GXSF201904021.htm [30] 胡实, 韩建, 占车生, 等. 太行山区遥感卫星反演降雨产品降尺度研究[J]. 地理研究, 2020, 39(7): 1680-1690. https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ202007017.htm HU S, HAN J, ZHAN C S, et al. Spatial downscaling of remotely sensed precipitation in Taihang Mountains[J]. Geographical Research, 2020, 39(7): 1680-1690. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ202007017.htm [31] 胡实, 韩建, 占车生, 等. 基于地理加权回归模型的典型山地卫星反演降水产品降尺度研究[J]. 山地学报, 2019, 37(3): 451-461. https://www.cnki.com.cn/Article/CJFDTOTAL-SDYA201903015.htm HU S, HAN J, ZHAN C S, et al. Spatial downscaling of remotely sensed precipitation using geographically weighted regression algorithms in typical mountainous areas, China[J]. Mountain Research, 2019, 37(3): 451-461. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SDYA201903015.htm [32] MIN X X, MA Z Q, XU J T, et al. Spatially downscaling IMERG at daily scale using machine learning approaches over Zhejiang, Southeastern China[J]. Frontiers in Earth Science, 2020, 8: 146. doi: 10.3389/feart.2020.00146 [33] MEI Y W, MAGGIONI V, HOUSER P, et al. A nonparametric statistical technique for spatial downscaling of precipitation over high mountain Asia[J]. Water Resources Research, 2020, 56(11): e2020WR027472. [34] MA Z Q, SHI Z, ZHOU Y, et al. A spatial data mining algorithm for downscaling TMPA 3B43V7 data over the Qinghai-Tibet Plateau with the effects of systematic anomalies removed[J]. Remote Sensing of Environment, 2017, 200: 378-395. doi: 10.1016/j.rse.2017.08.023 [35] 蔡明勇, 吕洋, 杨胜天, 等. 雅鲁藏布江流域TRMM降水数据降尺度研究[J]. 北京师范大学学报(自然科学版), 2017, 53(1): 111-119. https://www.cnki.com.cn/Article/CJFDTOTAL-BSDZ201701019.htm CAI M Y, LYU Y, YANG S T, et al. TRMM precipitation downscaling in the data scarce Yarlung Zangbo River basin[J]. Journal of Beijing Normal University (Natural Science), 2017, 53(1): 111-119. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-BSDZ201701019.htm [36] 李运龙, 熊立华, 闫磊. 基于地理加权回归克里金的降水数据融合及其在水文预报中的应用[J]. 长江流域资源与环境, 2017, 26(9): 1359-1368. doi: 10.11870/cjlyzyyhj201709008 LI Y L, XIONG L H, YAN L. A geographically weighted regression kriging approach for trmm-rain gauge data merging and its application in hydrological forecasting[J]. Resources and Environment in the Yangtze Basin, 2017, 26(9): 1359-1368. (in Chinese) doi: 10.11870/cjlyzyyhj201709008 [37] CHEN S L, XIONG L H, MA Q M, et al. Improving daily spatial precipitation estimates by merging gauge observation with multiple satellite-based precipitation products based on the geographically weighted ridge regression method[J]. Journal of Hydrology, 2020, 589: 125156. doi: 10.1016/j.jhydrol.2020.125156 [38] MA Z Q, HE K, TAN X, et al. A new approach for obtaining precipitation estimates with a finer spatial resolution on a daily scale based on TMPA V7 data over the Tibetan Plateau[J]. International Journal of Remote Sensing, 2019, 40(22): 8465-8483. doi: 10.1080/01431161.2019.1612118 [39] CHEN F R, GAO Y Q, WANG Y G, et al. A downscaling-merging method for high-resolution daily precipitation estimation[J]. Journal of Hydrology, 2020, 581: 124414. doi: 10.1016/j.jhydrol.2019.124414 [40] TIAN F Q, HOU S Y, YANG L, et al. How does the evaluation of the GPM IMERG rainfall product depend on gauge density and rainfall intensity?[J]. Journal of Hydrometeorology, 2018, 19(2): 339-349. doi: 10.1175/JHM-D-17-0161.1 [41] XU R, TIAN F Q, YANG L, et al. Ground validation of GPM IMERG and TRMM 3B42V7 rainfall products over southern Tibetan Plateau based on a high-density rain gauge network[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(2): 910-924. doi: 10.1002/2016JD025418 [42] 杨云川, 程根伟, 范继辉, 等. 卫星降雨数据在高山峡谷地区的代表性与可靠性[J]. 水科学进展, 2013, 24(1): 24-33. http://skxjz.nhri.cn/article/id/30 YANG Y C, CHENG G W, FAN J H, et al. Representativeness and reliability of satellite rainfall dataset in alpine and gorge region[J]. Advances in Water Science, 2013, 24(1): 24-33. (in Chinese) http://skxjz.nhri.cn/article/id/30 [43] 刘少华, 严登华, 王浩, 等. 中国大陆流域分区TRMM降水质量评价[J]. 水科学进展, 2016, 27(5): 639-651. doi: 10.14042/j.cnki.32.1309.2016.05.001 LIU S H, YAN D H, WANG H, et al. Evaluation of TRMM 3B42V7 at the basin scale over mainland China[J]. Advances in Water Science, 2016, 27(5): 639-651. (in Chinese) doi: 10.14042/j.cnki.32.1309.2016.05.001 [44] ISLAM M A, YU B F, CARTWRIGHT N. Assessment and comparison of five satellite precipitation products in Australia[J]. Journal of Hydrology, 2020, 590: 125474. doi: 10.1016/j.jhydrol.2020.125474 [45] NERINI D, ZULKAFLI Z, WANG L P, et al. A comparative analysis of TRMM-rain gauge data merging techniques at the daily time scale for distributed rainfall: runoff modeling applications[J]. Journal of Hydrometeorology, 2015, 16(5): 2153-2168. doi: 10.1175/JHM-D-14-0197.1 [46] 胡庆芳. 基于多源信息的降水空间估计及其水文应用研究[D]. 北京: 清华大学, 2013. HU Q F. Rainfall spatial estimation using multi-source information and its hydrological application[D]. Beijing: Tsinghua University, 2013. (in Chinese) [47] BAIK J, PARK J, RYU D, et al. Geospatial blending to improve spatial mapping of precipitation with high spatial resolution by merging satellite-based and ground-based data[J]. Hydrological Processes, 2016, 30(16): 2789-2803. doi: 10.1002/hyp.10786 [48] MANZ B, BUYTAERT W, ZULKAFLI Z, et al. High-resolution satellite-gauge merged precipitation climatologies of the Tropical Andes[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(3): 1190-1207. doi: 10.1002/2015JD023788 [49] LI M, SHAO Q X. An improved statistical approach to merge satellite rainfall estimates and raingauge data[J]. Journal of Hydrology, 2010, 385(1/2/3/4): 51-64. [50] MA Q M, XIONG L H, XIA J, et al. A censored shifted mixture distribution mapping method to correct the bias of daily IMERG satellite precipitation estimates[J]. Remote Sensing, 2019, 11(11): 1345. doi: 10.3390/rs11111345 [51] 陈浩, 宁忱, 南卓铜, 等. 基于机器学习模型的青藏高原日降水数据的订正研究[J]. 冰川冻土, 2017, 39(3): 583-592. https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201703014.htm CHEN H, NING C, NAN Z T, et al. Correction of the daily precipitation data over the Tibetan Plateau with machine learning models[J]. Journal of Glaciology and Geocryology, 2017, 39(3): 583-592. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201703014.htm [52] BAEZ-VILLANUEVA O M, ZAMBRANO-BIGIARINI M, BECK H E, et al. RF-MEP: a novel Random Forest method for merging gridded precipitation products and ground-based measurements[J]. Remote Sensing of Environment, 2020, 239: 111606. doi: 10.1016/j.rse.2019.111606 [53] ROMILLY T G, GEBREMICHAEL M. Evaluation of satellite rainfall estimates over Ethiopian River basins[J]. Hydrology and Earth System Sciences, 2011, 15(5): 1505-1514. doi: 10.5194/hess-15-1505-2011 [54] SUN Q H, MIAO C Y, DUAN Q Y, et al. A review of global precipitation data sets: data sources, estimation, and intercomparisons[J]. Reviews of Geophysics, 2018, 56(1): 79-107. doi: 10.1002/2017RG000574 [55] BIN Y, LI L R, YANG H, et al. Hydrologic evaluation of multisatellite precipitation analysis standard precipitation products in basins beyond its inclined latitude band: a case study in Laohahe Basin, China[J]. Water Resources Research, 2010, 46(7): W07542. [56] TAYLOR K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D7): 7183-7192. doi: 10.1029/2000JD900719 [57] ROEBBER P J. Visualizing multiple measures of forecast quality[J]. Weather and Forecasting, 2009, 24(2): 601-608. doi: 10.1175/2008WAF2222159.1 -
