基于TRMM 3B43數據的川西高原月降水量空間降尺度模擬*

鄭　杰，閭　利，馮文蘭，涂　坤（成都信息工程大學資源環境學院，成都 610225）

?

基于TRMM 3B43數據的川西高原月降水量空間降尺度模擬*

鄭杰，閭利，馮文蘭**，涂坤
（成都信息工程大學資源環境學院，成都 610225）

摘要：利用2001-2013年TRMM 3B43、MODIS-NDVI、DEM、氣象觀測等數據，在分析植被對降水響應滯后性的基礎上，構建了TRMM 3B43數據中月降水量與經緯度、海拔、坡向和NDVI因子間的多元線性回歸方程式，作為川西高原月降水量資料的降尺度計算模型，采用“回歸方程+殘差”的插值方法獲取研究區2001-2013年1km空間分辨率的月降水量空間數據，并利用區內16個氣象站點的觀測數據與模擬結果進行了相關分析和誤差檢驗。結果表明：（1）各氣象觀測站點基于TRMM 3B43資料的降尺度模擬降水量的數據均具有很高的精度，其中，精度最高的稻城站模擬結果與站點觀測值的相關系數高達0.9839，精度最低的小金站相關系數亦高達0.8781；（2）在月、年尺度上，降尺度模擬降水量的數據亦具有很高的精度，其中，5-10月的精度明顯高于其它月份，濕潤年份精度總體高于干旱年份；（3）降尺度模擬降水量與站點實測降水量整體上相關系數為0.9499，偏差為0.0866，兩者吻合度較高，但降尺度模擬降水量值略偏高；（4）降尺度在月尺度上能基本保證TRMM 3B43原始數據的精度，而在年尺度上能有效提高原始數據的精度，加之對空間分辨率的提高，可為獲得更加全面、精細的降水分布數據提供有效方法。

關鍵詞：TRMM3B43數據；降水數據；空間降尺度；滯后性；多元線性回歸

鄭杰,閭利,馮文蘭,等.基于TRMM 3B43數據的川西高原月降水量空間降尺度模擬[J].中國農業氣象,2016,37(2):245-254

降水是全球水循環的基本組成物質，具有顯著的時空變異性，影響一個區域的水分和熱量分布，因此，獲取精確度較高的降水數據對了解降水量的時空變化特征和掌握區域能量平衡起著重要作用[1-3]。

傳統的降水資料主要由地面氣象站直接觀測獲取，并通過實測點插值計算出研究區的空間降水數據，然而，站點觀測數據僅能反映站點周邊一定范圍內地區的降水量，很難有效反映整個區域的空間降水信息[4]。近年來，隨著RS和GIS技術的快速發展，通過衛星遙感數據對降水進行探測、反演，覆蓋范圍廣、空間分辨率較高且受氣候和地形限制較小的衛星降水觀測數據得以實現[5-6]。熱帶降水測量衛星（Tropical Rainfall Measuring Mission，TRMM）于1997年成功發射，是由美國宇航局（NASA）和日本國家空間發展局（JAXA）共同研制的第一顆專門用于定量測量熱帶和亞熱帶地區降水的氣象衛星，由于融合了多個衛星的數據以及地面觀測數據，該數據空間分辨率和數據質量均較高，且能保證降水數據的均一性[7-8]。然而，盡管TRMM降水數據的空間分辨率在同類衛星降水數據中最高，但仍難以滿足流域的水文和氣候模型等研究對較高空間分辨率降水數據的需求，因此，進一步提高TRMM數據的空間分辨率及其精度非常必要。

目前，國內外已有學者開展了氣象觀測站點數據的多元回歸統計插值研究以及TRMM 3B43數據的空間降尺度研究。周鎖銓等[9]表明，可用多元線性回歸方程表示降水量和高程、坡度、坡向等地形信息之間的關系，并在此基礎上建立了降水量和地形因子關系的模型，獲取了長江中上游地區4km分辨率的空間降水信息；馬金輝等[10]通過建立高程、坡度、坡向等地形因子和TRMM降水之間的多元線性回歸方程，將TRMM 3B43數據的空間分辨率由原來的0.25°提高至1km。然而，降水是一個復雜的天氣過程，且近年來，人類活動對地表過程的影響顯著，影響氣候的不確定因素增多[11]。植被是連結氣候和人文因素的重要紐帶[12]，因而，Jia等[13-15]將降水量與歸一化植被指數（NDVI）的相關性引入降水數據的空間插值以及降尺度研究中，既不完全依賴于地形因子與降水數據的相關性，又對降水數據的空間變異信息進行了補充，可減小空間插值和降尺度的誤差。嵇濤等[16]綜合考慮了地形和植被因子，分別從不同空間尺度（0.25°、0.5°、0.75°和1°）對TRMM 3B43數據進行回歸模擬，結果指出，川渝地區0.25°分辨率下降水數據的空間降尺度效果最好，且能進一步提高降水估算的精度。然而，目前已有的成果多針對TRMM 3B43的年降水數據進行空間降尺度研究，對月尺度降水數據的空間降尺度研究相對較少。

川西高原地區是長江上游重要的生態屏障，是地理、氣象學者研究的重點區域。鑒于該區域氣象站點稀少且分布不均勻，本研究充分借鑒已有研究成果的思路，進一步考慮植被生長對降水響應的滯后性特征，結合地形和植被因子構建TRMM 3B43降水數據與經緯度、高程、坡向和NDVI的多元線性回歸模型，開展TRMM 3B43月降水數據在地形復雜地區的空間降尺度研究，以期為地形復雜的山區獲取高時空分辨率的降水數據提供有效方法。

1　資料與方法

1.1研究區概況

川西高原地區（97 °26′-104°27′E，27°57′-34°21′N）處于橫斷山脈東段，青藏高原的東部邊緣，包括甘孜藏族自治州和阿壩藏族羌族自治州，面積約20萬km2。平均海拔3900m，地勢高差懸殊，是四川省海拔最高的地區，總體上呈現西部高東部低的態勢（圖1a）。

川西高原屬高山高原高寒氣候區，以寒溫帶氣候為主，全區氣候垂直變化顯著，從河谷到山脊依次可分為亞熱帶、暖溫帶、中溫帶、寒溫帶、亞寒帶、寒帶和永凍帶。區內氣候特征的水平差異也很顯著，河谷干暖，山地冷濕。全區冬寒夏涼，太陽輻射強烈，光能資源豐富，年均溫4～12℃，極端最低氣溫-20℃以下，年降水量500～900mm，多集中在5-10月[17]。研究區地形地貌復雜，山脈縱橫，地形起伏大（圖1b），坡向等地形因子對植被覆蓋和降水等的空間分布有較大影響。

圖1　研究區高程和氣象站點分布(a)及坡向(b)Fig. 1　Elevation and distribution of meteorological stations(a),aspect(b) in study area

1.2數據來源及預處理

研究使用的TRMM 3B43數據為TRMM第6版3級產品（V6-3B43）的月降水資料（http://precip. gsfc.nasa.gov/），空間分辨率為0.25°×0.25°，時間分辨率為1個月。利用IDL程序讀取HDF格式的2001-2013年的TRMM 3B43數據，并將其轉化為矢量格式的點數據。

MODIS NDVI數據來源于NASA Terra衛星提供的MODIS 13A2 級產品中16d最大值合成NDVI數據集（http://www.gscloud.cn/），數據空間分辨率為1km×1km，時間覆蓋范圍為2001年1月-2014年1月，該數據在制備過程中經過輻射校正、大氣校正、幾何校正等預處理。為反映植被變化對降水的響應，對該數據進行投影轉換和拼接等處理，并采用最大值合成法（MVC）獲取月NDVI值。

SRTM-DEM數據來源于地理空間數據云平臺（http://www.gscloud.cn/），該數據由美國宇航局（NASA）和國防部國家測繪局（NIMA）聯合測量，空間分辨率為90m×90m。經檢查，研究區內沒有數據空洞。為建立地形因子與降水的相關關系，首先對DEM數據進行投影轉換和裁剪，再采用最臨近插值法將其重采樣至空間分辨率為1km×1km。

氣象資料來源于中國地面氣候資料月值數據集（http://cdc.nmic.cn/home.do），包括甘孜藏族自治州和阿壩藏族羌族自治州境內的16個氣象站點（圖1a）2001-2013年的月降水量數據。為檢驗研究結果的精度，利用ArcGIS軟件生成氣象站點降水量的矢量點圖層。

1.3研究方法

1.3.1植被對降水的滯后性分析

為了說明植被NDVI因子在降尺度模型構建中的可行性，本文引入植被NDVI的局部Moran’s I指數，該指數用來反映NDVI分布的空間自相關性，即揭示當前像元與其鄰近的空間像元NDVI值的相似性，其計算式為

式中，Ii為局部Moran’s I指數，xi和xj分別為空間像元i和j的NDVI值，wij為權重矩陣，n為像元總數；若Moran’s I指數負值太大，說明植被NDVI會影響降尺度模型的精度，需排除這些點的NDVI值。本文運用OpenGeoDa軟件計算局部Moran’s I指數。

植被生長受降水的影響較大，本文在降尺度模型中考慮了植被因子，但降水從到地表被植被吸收并反映到植被的生長狀況需要一定的時間[18]，即當前月份的植被NDVI值與當月降水的關系并不很密切，在當月降水量降尺度模型中選擇當月NDVI值作為植被因子其模擬效果并不理想，因此，本研究通過對比當月、前一月和前兩月降水變化與植被NDVI的相關關系，揭示植被NDVI對降水響應的滯后性。

1.3.2降水數據的空間統計降尺度方法

1.3.2.1降尺度原理

統計降尺度方法是指采用統計經驗方法確立不同空間尺度影像之間某一特征量的線性和非線性函數關系，從而針對柵格影像進行空間尺度的轉換，是低分辨率氣候資料轉換為高分辨率氣候資料的重要手段之一[19]。本文在統計降尺度方法的基礎上，結合經緯度、高程、坡向和植被因子，構建適于該地區的TRMM月降水量多元線性回歸模型，然后加上回歸預測的殘差值，得到降尺度后的降水空間分布數據，其模型為

P= F(X,Y,H,V,A)+D TRMMHR（2）

式中，F(X，Y，H，V，A)表示由地形和地理因子線性回歸得到的降水預測值，X為經度（o），Y為緯度（o），H為高程（m），V為植被因子，A為坡向因子，ΔTRMMHR為由地形、地理和植被因子引起的降水分布的殘差（mm）。馬金輝等[10]在建立降水量與地形因子之間的回歸方程時，采用坡向的余弦值來計算降水量，取得了較理想的結果，因此，本文在月降水量降尺度模型的建立時也采用坡向的余弦值來量化坡向因子。

1.3.2.2降尺度步驟

（1）對研究區邊界向外做25km的緩沖區（約向外增加一個TRMM像元），以緩沖區邊界裁取研究區內2001-2013年TRMM 3B43月降水量格點數據。

（2）在0.25°分辨率下提取每一個對應位置上TRMM像元的逐月降水量值，以及該點對應的經緯度信息（X、Y）、海拔值（H）、坡向的余弦值（A）、植被因子的值（V），構建多元線性回歸模型F（X，Y，H，V，A）0.25°。

（3）在0.25°分辨率下，計算模擬預測值與TRMM原始降水量數據的殘差ΔTRMMLR，并運用樣條函數法插值到1km空間分辨率殘差影像，即

ΔTRMMLR= TRMM3B43-F(X,Y,H,V,A)0.25o（3）

（4）將1km分辨率的經緯度、DEM、坡向因子和植被因子等影像代入多元線性回歸模型F（X，Y，H，V，A）0.25°中計算1km分辨率的預測降水量F（X，Y，H，V，A）。再利用式（2）通過預測降水量數據和殘差數據疊加得到1km分辨率的降尺度模擬降水量。

1.3.3模擬結果檢驗方法

分別計算降尺度模型模擬的降水量數據、TRMM 3B43原始降水量數據與地面站點實測降水量數據的相關系數（R）、偏差（Bias）和均方根誤差（RMSE），對兩組數據的一致性和誤差進行檢驗分析，計算式為

其中

式中，iP和Mi分別表示站點實測降水量和降尺度模擬降水量或TRMM 3B43降水量數據，n為樣本容量；相關系數R用來反映兩組數據的密切程度，R的取值范圍為[0,1]，數值越接近1，表示數據的一致性越好；偏差反映站點實測數據與降尺度模擬數據或TRMM 3B43原始數據的偏離程度，其中Bias>0，說明估算值大于實測值，Bias越接近0，兩組數據的吻合度越高，本研究以|Bias|表示相對誤差；均方根誤差也用來表示降尺度模擬降水量與站點實測降水量之間的偏差，數值越小，表示兩組數據誤差越小。

2　結果與分析

2.1月降水量降尺度模型的建立

2.1.1植被指數對月降水量響應的時間滯后性

像元NDVI的Moran’s I指數為負，主要是由河流、湖泊和人類活動干擾等因素造成的，NDVI值的空間變異性較大，會影響降尺度模型的構建。考慮到不同地物NDVI的大小有所差異，本研究將Moran’s I指數<-1的區域認為是水體的干擾。計算研究區多年年最大NDVI的Moran’s I指數發現，研究區平均Moran’s I指數為0.17，其中，65%像元的NDVI值的Moran’s I指數>0，Moran’s I指數<-1（空間變異較大）的僅占0.04%，綜合考慮Moran’s I指數，故引入植被NDVI作為因子之一進行TRMM 3B43數據的降尺度研究是可行的。同時，為了排除水體NDVI值對降尺度模型精度的影響，本研究在構建降尺度模型時，未將水體的NDVI值參與方程的構建。

川西高原逐月NDVI與當月、前一月和前兩月降水量的相關系數見表1。由表可見，（1）從年內的對比來看，多數月份的月NDVI值與前一月降水量有更高的相關系數，尤其在4、5、6和10月，兩者相關性均通過顯著性檢驗；（2）無論是在植被生長期（5-10月）還是全年平均，植被月NDVI與前一月降水量的相關系數（R前一月）>當月（R當月）>前兩月（R前兩月）。綜上可知，研究區植被對降水的響應具有一定的滯后性，整體來看滯后期約為1個月，這與相關研究成果一致[20-21]。因此，本研究選取下一個月的植被NDVI值作為當月降水的降尺度模型的植被因子。

表 1　川西高原逐月NDVI與當月、前一月及前兩月降水量的相關系數Table 1　Correlation coefficients between NDVI of current month and precipitation of current month, previous month, month before previous one in the Western Sichuan Plateau

2.1.2月降水量數據的降尺度模型

考慮到川西高原地區植被對降水響應的滯后性，同時考慮山區存在最大或最小降水高程帶[22]，將式（2）展開為一次多項式，并進一步對高程和NDVI進行三次多項式的展開，得到最終的降尺度模型為

式中，Pi為第i月的降尺度模擬降水量(mm)；X為經度(°)；Y為緯度(°)；A為坡向的余弦值；NDVIi+1為第i+1月的NDVI值，當i=12時，NDVIi+1為下一年1月的NDVI值；H為海拔(m)；ΔTRMMHR為1km空間分辨率的殘差影像；a，b，c，d，…，j，k為多元線性回歸模型的回歸系數。

2.2月降水量降尺度模型的有效性檢驗

2.2.1各站點精度檢驗

將2001-2013年16個氣象觀測站的月降水量，與各站點對應地理位置的降尺度模型模擬的月降水量進行對比，其散點分布和相關系數見圖2。由圖可見，（1）色達、甘孜、理塘、稻城和九龍站，其模擬值與實測值的相關系數R>0.97（P<0.001），且散點多集中在線性趨勢線周邊，說明這些氣象站點的降尺度模擬結果與實測降水量的相關性顯著且偏離程度較小，數據精度高；（2）若爾蓋、馬爾康和石渠等（圖2 f-圖2 l）7個站點，其模擬值與實測值的相關系數R在0.95～0.97（P<0.001），散點分布相對較集中，僅少部分點偏離線性趨勢線較遠，數據精度相對較高；（3）紅原、小金、巴塘和康定站點模擬值與實測值的相關系數偏低（R<0.95，P<0.001），其中小金站的相關系數最低，僅0.8781，明顯低于研究區其它站點，且其散點分布較分散，有較多的點偏離線性趨勢線的程度較高，說明該站點降尺度結果的精度相對偏低。總體上（對比圖1a），西部海拔相對較高的甘孜藏族自治州各站的精度相對較高，海拔相對較低的阿壩藏族羌族自治州的精度相對偏低。

以研究區氣象站點所在1km范圍內的平均高程為自變量，分別以各站點降尺度模型模擬的降水量與實測值之間的相關系數R和相對誤差|Bias|為因變量作三次多項式回歸分析，高程與R和|Bias|的相關系數分別為0.7409和0.6998，均通過0.05水平的顯著性檢驗，呈現較強的三次函數關系特征。隨著海拔的升高，相關系數也隨之增加，且增加的速度不斷減緩，|Bias|值則隨著海拔的升高呈現急劇減小—緩慢增大的波動變化趨勢。由圖2和圖3可見，R值最低的站點，其|Bias|最大，即降尺度模擬數據精度最差的站點是海拔高度最低的小金站，其原因是：（1）由于數據記錄的不連續性以及融合地面雨量統計資料時算法本身的不足，導致TRMM 3B43原始降水數據的精度存在一定問題；（2）小金站點地處河谷區，海拔高度2273m，但周圍高山脊的海拔高達4500m（圖1a），高程落差2000m左右，地形起伏較大，氣候垂直變化顯著，且嶺谷地貌對大氣流通的阻隔作用較大，導致該地區降水誤差明顯[23]。

圖2　2001-2013年利用降尺度模型模擬各站點月降水量與實測值的散點圖Fig. 2　Scatter diagram of monthly precipitation between simulated by downscaling model and observed during 2001-2013

圖3　川西高原地區高程與相關系數R（a）、相對偏差|Bias|（b）的散點圖Fig.3　Scatter diagram of elevation, R(a) and |Bias|(b) in the Western Sichuan Plateau

2.2.2各月精度檢驗

分別統計歷年降尺度模型模擬的各月降水量和TRMM 3B43數據中各月降水量資料，與16個氣象觀測站的月降水量進行對比，其相關系數、偏差和均方根誤差統計結果見表2。由表可見，（1）各月降尺度模型模擬的降水量與實測站點降水量的相關系數均通過0.001水平的顯著性檢驗，1月和12月的相關系數相對偏低（R<0.6），其余月份兩組數據均具有較強的相關性（R>0.7）。其中降水量相對集中的5-10月，降尺度模型模擬的降水量與站點實測數據的偏差較低（Bias<0.1），同時偏差值相對較高的1-4月和11-12月降尺度模擬結果的均方根誤差較低，可見，對川西高原地區2001-2013年的TRMM 3B43月降水數據進行降尺度操作取得很好的效果，降尺度模擬結果比站點實測數據略偏高；（2）降尺度模型模擬的各月降水量、TRMM 3B43原始數據各月降水量數據2-10月的R、Bias和RMSE的值基本相近，其中4、5、6和9月降尺度模型模擬的降水量的精度比TRMM 3B43原始數據的精度略偏高；相比而言，1、11和12月降尺度模型模擬的降水量的精度較之TRMM 3B43原始數據明顯偏低，說明多數情況下降尺度結果能夠保證原始數據的精度，但降水量偏低的情況下降尺度效果不佳，其原因一是降水量偏低的月份，降水量與植被指數的相關性偏低（表1），多元線性回歸模型的精度相對偏低，導致降尺度效果不佳；二是降水量偏低的月份，TRMM 3B43原始數據相對于站點實測值的誤差也較大，精度較低，導致降尺度模擬數據的精度較低。

2.2.3典型干濕年份精度檢驗

選取2001-2013年間降水量最多的年份2012年（776.64mm）作為濕潤年份，降水量最少的年份2006年（598.27mm）作為干旱年份，將典型干、濕年份的降尺度模型模擬數據和TRMM 3B43數據的各月降水量資料，與16個氣象觀測站的月降水量進行對比。由表3可見，（1）干濕年份兩組數據的相關系數數值接近，且均通過0.001水平的顯著性檢驗，濕潤年份降尺度模型模擬的數據的偏差和均方根誤差均低于TRMM 3B43原始數據，干旱年份降尺度模型模擬的數據的偏差低于TRMM 3B43原始數據，均方根誤差略高于TRMM 3B43原始數據，可見，降尺度模型模擬的數據精度較高。（2）2012年兩組數據的均方根誤差均略低于2006年，但其相關系數大于2006年，且偏差更接近0，說明濕潤年份的降尺度模型模擬的數據精度略高于干旱年份。

表2　2001-2013年兩組數據各月降水量與實測值間的誤差統計Table 2　Statistics of error between monthly precipitation of two sets data and observed during 2001-2013

表3　典型年兩組數據的檢驗結果Table 3　Validation results of two sets data in two typical years

2.2.4整體精度檢驗

將2001-2013年16個氣象觀測站對應位置、年份和月份的降尺度模型模擬數據和TRMM 3B43數據的各月降水量值分別與站點實測值作一元線性回歸分析，其散點分布和誤差統計見圖4。由圖4a可見，（1）降尺度模型模擬的月降水量和站點實測月降水量的相關系數達到0.9499（P<0.001），兩者存在顯著的線性相關關系；兩組數據的偏差為0.0866，表明降尺度模型模擬的月降水量值整體略偏高。（2）對比圖4b可見，降尺度模型模擬的月降水量與站點實測月降水量的R值、Bias值、RMSE值雖然比TRMM 3B43原始數據與之相對應的值略偏低，但基本接近，表明降尺度模擬的結果與站點實測數據誤差形成的主要原因是TRMM 3B43數據本身存在一定的誤差[10]；同時，川西高原地勢復雜，地形因素對大氣流動的影響很大，而本文在利用TRMM 3B43數據結合經緯度、高程、坡向和NDVI進行多元線性回歸分析時，高程和坡向并不能完全代表整個地形因素對降水的影響，導致個別氣象觀測站點的模擬值誤差偏大（圖2）。

整體而言，降尺度模型模擬的月降水量的精度較高，雖略低于TRMM 3B43原始數據的精度，但相差不大，說明本文TRMM 3B43數據降尺度的模型是可行的，同時又提高了降水數據的空間分辨率，能夠更加全面地反映川西高原地區降水量分布的空間格局。

圖 4　2001-2013年降尺度模擬月降水量(a)和TRMM3B43月降水量(b)與實測值間的散點圖Fig. 4　Scatter diagram of monthly precipitation between observed and simulated by downscaling model(a) and TRMM 3B43 data(b) during 2001-2013

3　結論與討論

（1）在空間上，各氣象觀測站點降尺度模型模擬的降水量數據精度較高，其中，精度最高的稻城站模擬結果與站點實測值的相關系數高達0.9839，精度最低的小金站相關系數亦高達0.8781，且該數據精度的空間差異明顯，西部的甘孜藏族自治州的數據精度比東部的阿壩藏族羌族自治州偏高，這主要與TRMM 3B43原始數據自身的精度、研究區復雜的地形地貌以及多元線性回歸模型的精度有關。

（2）在月尺度上，降尺度模型模擬的月降水量數據與站點實測數據的吻合度較好，能較好地反映區域降水量的年內變化，但各月份的精度有所差異，降水相對集中的5-10月比其它月份數據精度較高。與TRMM 3B43原始降水數據相比，降尺度模型模擬的月降水量在不降低其數據精度的基礎上，大幅提高了數據的空間分辨率，使其能更加全面、精細地反映研究區降水的空間分布特征。

（3）在年尺度上，典型干、濕年份降尺度模型模擬的降水量數據的精度較高，且略高于TRMM 3B43原始數據的精度。同時，濕潤年份的精度高于干旱年份，這與在降尺度過程中同樣考慮到植被NDVI因子的Immerzeel等[13，16]的研究成果不一致，其原因一是植被的影響，濕潤年份與干旱年份相比，降水量更充足，植被對降水響應的滯后性更明顯，降水集中的5-10月多元回歸模型的效果更好，精度更高；二是TRMM 3B43原始數據的影響，濕潤年份TRMM原始數據的精度比干旱年份偏高，與本文降尺度模型模擬結果干濕年份的精度對比結果一致，這也進一步說明了在降尺度過程中考慮植被對降水響應的滯后性，降尺度模型模擬的數據與TRMM原始數據能呈現更好的一致性。

（4）研究區2001-2013年156個月的降尺度模型模擬的月降水量與16個地面觀測實測值整體上的R=0.9499，Bias=0.0866，RMSE=19.92，說明降尺度結果與站點實測降水數據之間存在顯著的線性相關關系，數據誤差較小，數據精度較高，降尺度模型可行。且與TRMM 3B43原始數據的整體精度相比，降尺度模型模擬的數據精度與之非常接近，只是略偏低，說明本文降尺度數據適于川西高原地區的降水研究。但馬金輝等[10,24]在對TRMM 3B43年降水量降尺度研究中發現降尺度結果的精度較之原始數據偏高，可能是因為馬金輝等是針對TRMM年降水數據進行降尺度研究，而本文是對TRMM月降水數據進行降尺度研究，研究的時間尺度不同，且年內不同月份降水量的降尺度精度有所差異，說明降水量的年內變化是影響年尺度和月尺度降水數據降尺度精度的主要原因。

參考文獻References

[1] Goovaerts P.Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall[J].Journal of Hydrology, 2000,228(1):113-129.

[2] Bohnenstengel S,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(3-4):387-395.

[3]曾麗紅,宋開山,張柏,等.1960-2008年吉林省降水量的時空演變特征[J].中國農業氣象,2010,31(3):344-352.

Zeng L H,Song K S,Zhang B,et al.Spatial-temporal precipitation variation over Jilin Province during 1960-2008[J].Chinese Journal of Agrometeorology,2010,31(3):344-352.(in Chinese)

[4]朱會義,劉述林,賈紹鳳.自然地理要素空間插值的幾個問題[J].地理研究,2004,23(4):425-432.

Zhu H Y,Liu S L,Jia S F.Problems of the spatial interpolation of physical geographical elements[J].Geographica Research, 2004,23(4):425-432.(in Chinese)

[5]張濤,李寶林,何元慶,等.基于TRMM訂正數據的橫斷山區降水時空分布特征[J].自然資源學報,2015,30(2):261-270.

Zhang T,Li B L,He Y Q,et al.Spatial and temporal distribution of precipitation based on corrected TRMM data in Hengduan Mountains[J].Journal of Natural Resources,2015,30(2):261-270. (in Chinese)

[6]呂洋,楊勝天,蔡明勇,等.TRMM衛星降水數據在雅魯藏布江流域的適用性分析[J].自然資源學報,2013,28(8):1414-1425.

Lv Y,Yang S T,Cai M Y,et al.The applicability analysis of TRMM precipitation data in the Yarlung Zangbo River Basin[J]. Journal of Natural Resources,2013,28(8):1414-1425.(in Chinese)

[7]曾紅偉,李麗娟.瀾滄江及周邊流域TRMM3B43數據精度檢驗[J].地理學報,2011,66(7):994-1004.

Zeng H W,Li L J.Accuracy validation of TRMM3B43data in Lancang River Basin[J].Acta Geographica Sinica,2011,66(7): 994-1004.(in Chinese)

[8]朱國鋒,蒲燾,張濤,等.TRMM降水數據在橫斷山區的精度[J].地理科學,2013,33(9):1125-1131.

Zhu G F,Pu T,Zhang T,et al.The accuracy of TRMM precipitation data in Hengduan Mountainous region,China[J]. Scientia Geographica Sinica,2013,33(9):1125-1131.(in Chinese)

[9]周鎖銓,薛根元,周麗峰,等.基于GIS降水空間分析的逐步插值方法[J].氣象學報,2006,64(1):100-111.

Zhou S Q,Xue G Y,Zhou L F,et al.The stepwise interpolation approach of precipitation for spatial analysis based on GIS[J]. Acta Meteopologica Sinica,2006,64(1):100-111.(in Chinese)

[10]馬金輝,屈創,張海筱,等.2001-2010年石羊河流域上游TRMM降水資料的降尺度研究[J].地理科學進展,2013, 32(9):1423-1432.

Ma J H,Qu C,Zhang H X,et al.Spatial downscaling of TRMM precipitation data based on DEM in the upstream of Shiyang River Basin during 2001-2010[J].Progress in Geography,2013,32(9):1423-1432.(in Chinese)

[11]徐成東,孔云峰,仝文偉.線性加權回歸模型的高原山地區域降水空間插值研究[J].地球信息科學,2008,10(1):14-19.

Xu C D,Kong Y F,Tong W W.A weighted Linear Regression Model for precipitation spatial interpolation in Altiplano and Mountain in area[J].Geo-information Science,2008,10(1):14-19. (in Chinese)

[12]李曉光,劉華民,王立新,等.鄂爾多斯高原植被覆蓋變化及其與氣候和人類活動的關系[J].中國農業氣象,2014,35(4): 470-476.

Li X G,Liu H M,Wang L X,et al.Vegetation cover change and its relationship between climate and human activities in Ordos Plateau[J].Chinese Journal of Agrometeorology,2014, 35(4):470-476.(in Chinese)

[13]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.

[14]王智,吳友均,梁鳳超,等.新疆地區年降水量的空間插值方法研究[J].中國農業氣象,2011,32(3):331-337.

Wang Z,Wu Y J,Liang F C,et al.Study on spatial interpolation method of annual precipitation in Xinjiang[J].Chinese Journal of Agrometeorology,2011,32(3):331-337.(in Chinese)

[15]Jia S,Zhu W,Lv 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.

[16]嵇濤,劉睿,楊華,等.多源遙感數據的降水空間降尺度研究:以川渝地區為例[J].地球信息科學學報,2015,17(1):108-117.

Ji T,Liu R,Yang H,et al.Spatial downscaling of precipitation using multi-source remote sensing data:a case study of Sichuan-Chongqing Region[J].Journal of Geo-information Science,2015,17(1):108-117.(in Chinese)

[17]張虹嬌.川西北高原氣候變化特征研究[J].西南大學學報（自然科學版）,2014,36(12):148-156.

Zhang H J.A study on the characteristics of climate change on Northwestern Sichuan Plateau[J].Journal of Southwest University(Natural Science Edition),2014,36(12):148-156.(inChinese)

[18]姜琳,馮文蘭,郭兵.雅魯藏布江流域近13年植被覆蓋動態監測及與降水因子的相關性分析[J].長江流域資源與環境,2014,23(11):1610-1619.

Jiang L,Feng W L,Guo B.Analysis of dynamic monitoring of vegetation change and the correlation with precipitation factor in Yalu Tsangpo River Basin during the past 13 years[J].Resources and Environment in the Yangtze Basin, 2014,23(11):1610-1619.(in Chinese)

[19] Chen J,Brissette F P,Leconte R.Coupling statistical and dynamical methods for spatial downscaling of precipitation[J]. Climatic Change,2012,114(3-4):509-526.

[20]白建軍,白江濤,王磊.2000-2010年陜北地區植被NDVI時空變化及其與區域氣候的關系[J].地理科學,2014,34(7): 882-888.

Bai J J,Bai J T,Wang L.Spatio-temporal change of vegetation NDVI and its relation with regional climate in Northern Shaanxi Province in 2000-2010[J].Scientia Geographica Sinica,2014,34(7):882-888.(in Chinese)

[21]白淑英,王莉,史建橋.長江流域NDVI對氣候變化響應的時滯效應[J].中國農業氣象,2012,33(4):579-586.

Bai S Y,Wang L,Shi J Q.Time lag effect of NDVI response to climatic change in Yangtze River Basin[J].Chinese Journal of Agrometeorology,2012,33(4):579-586.(in Chinese)

[22]王超,趙傳燕.TRMM多衛星資料在黑河上游降水時空特征研究中的應用[J].自然資源學報,2013,28(5):862-872.

Wang C,Zhao C Y.A study of the spatio-temporal distribution of precipitation in upper reaches of Heihe River of China using TRMM data[J].Journal of Natural Resources, 2013,28(5):862-872.(in Chinese)

[23]嵇濤,楊華,劉睿,等.TRMM衛星降水數據在川渝地區的適用性分析[J].地理科學進展,2014,33(10):1375-1386.

Ji T,Yang H,Liu R,et al.Applicability analysis of the TRMM precipitation data in the Sichuan-Chongqing region[J].Progress in Geography,2014,33(10):1375-1386.(in Chinese)

[24]李凈,張曉.TRMM降水數據的空間降尺度方法研究[J].地理科學,2015,35(9):1164-1169.

Li J,Zhang X.Downscaling method of TRMM satellite precipitation data[J].Scientia Geographica Sinica,2015,35(9): 1164-1169.(in Chinese)

Spatial Downscaling Simulation of Monthly Precipitation Based on TRMM 3B43 Data in the Western Sichuan Plateau

ZHENG Jie, LV Li, FENG Wen-lan, TU Kun
(College of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225, China)

Abstract:Using TRMM 3B43 data, MODIS-NDVI, DEM, meteorological data of observation stations during 2001-2013, a multiple linear regression model was built among TRMM 3B43 monthly precipitation and longitude, latitude, altitude, aspect, NDVI factor as downscaling model of monthly precipitation data in the Western Sichuan Plateau based on the analysis of the lag of vegetation response to precipitation. Then, combined with regression equation and residuals, interpolation method was adopted to obtain monthly precipitation data with 1km spatial resolution. Finally, the accuracy of simulated data obtained by downscaling model was tested by the correlation analysis and error detection between the simulated results and the observation data of 16 meteorological stations in the study area. The results showed as follows: (1) Precipitation simulated by downscaling model based on TRMM 3B43 data had a high precision in all meteorological observation stations. Daocheng site displayed the highest accuracy, the correlation coefficient between simulation results and observed values attained 0.9839, while Xiaojin site displayed the lowest accuracy, the correlation coefficient was 0.8781. (2) The precipitation simulated by downscaling model displayed high accuracy in the whole study area at both monthly and yearly time scale. The accuracy of simulated results from May to October was significantly higher than other months, as well as typical wet year (2012) was higher than dry year (2006). (3) The precipitation simulated by downscaling model displayed high accuracy to the observation data on the whole(R=0.9499, Bias=0.0866), while thevalue of simulated precipitation was slightly higher. (4) Compared to the original data TRMM 3B43, the simulated data by downscaling model guaranteed the accuracy and improved the spatial resolution. So, this method could provide an effective way to produce a more sophisticated precipitation data with higher spatial resolution.

Key words:TRMM 3B43 data; Precipitation data; Spatial downscaling; Lag; Multiple linear regression

doi:10.3969/j.issn.1000-6362.2016.02.015

* 收稿日期：2015-08-11**通訊作者。E-mail：fwl@cuit.edu.cn

基金項目：國家自然科學基金項目（41301653）

作者簡介：鄭杰（1991-），碩士生，主要從事3S集成與氣象應用研究。E-mail：zhengjie0601@sina.com