華中地區不同植被指數反演TRMM降尺度數據分析

覃金蘭,韋夢思,張寒博,竇世卿

(桂林理工大學 測繪地理信息學院，廣西 桂林 541006)

0 引言

降水是全球水循環的關鍵部分，對調節全球氣候有著重要的作用，推動全球物質循環和能量交換，在不同時空尺度的大氣過程均扮演著非常重要的角色[1]。降水數據是水文模型模擬、水資源管理和洪澇災害監測等的關鍵[2]。大量研究表明，基于氣象站點的傳統點測量無法有效反映降水的空間變化[3]。隨著遙感地理信息的飛速發展，基于衛星觀測開發出了一系列降水數據產品，熱帶降雨測量任務(Tropical Rainfall Measuring Mission，TRMM)數據被廣泛應用。

近年來，TRMM數據的適應性備受關注，Ning等[4]對TRMM數據在天山地區的適應性做了研究，相關系數在0.7以上。王凱等[5]的研究表明，TRMM數據和實測站點數據具有良好的線性回歸關系。

然而，TRMM數據的地面分辨率較低，不能滿足大尺度分析的需求，需要用到空間降尺度的方法[6]。通過各種植被指數數據、數據高程模型(DEM)數據和降水量之間的響應關系可以實現TRMM數據降尺度。國外基于歸一化植被指數(NDVI)、DEM[7-8]對TRMM數據進行了降尺度研究。國內基于海拔、坡度、坡向、增強型植被指數(EVI)、NDVI、GDP[9-11]等因子實現了TRMM數據的降尺度轉換。有研究結果表明，EVI和TRMM數據之間存在較強的相關性。Wong[12]通過將EVI值對各種時空尺度上的降水數據進行線性回歸，可以建立EVI值和降水量之間的關系，且研究表明，相對于NDVI，EVI和降水量的關系更為密切。

基于不同的降尺度方法，可以得到不同的降尺度降水數據。國外有兩步空間縮減[13]、統計降尺度模型[14]等方法。國內有偏最小二乘法[15]和隨機森林算法[16]等。近段時間以來，基于地理加權回歸(GWR)模型進行TRMM數據降尺度的方法有很高的熱度，LYU[17]等人通過GWR模型估計了柴達木盆地的TRMM空間分布。曾業隆等[18]利用GWR模型，對貴州喀斯特山區的TRMM數據進行降尺度和校正，提高了TRMM數據的分辨率和準確度。杜軍凱等[19]通過GWR模型校正TRMM數據，校正前后TRMM降水與實測降水的決定系數提高了20%以上。姬世保等[20]的研究結果顯示,GWR法的校正精度優于多元線性回歸法。因此，本文基于GWR模型，在華中地區用EVI或NDVI數據結合其他影響因子對TRMM數據進行了降尺度處理和分析。

1 研究區域概況與數據

1.1 研究區域概況

本文研究區域為華中地區。華中地區由湖南、湖北和河南3個省份組成，經緯度范圍為24°38′N～36°24′N，108°21′E～116°39′E[21]，面積約為5.6×105km2[22]。華中地區地處交通要塞，北接華北、西北，南接華南，西鄰西南，東鄰華東，輕工業發達，經濟發展水平較高。華中地區的地理位置特殊，隸屬于黃河的中下游和長江的中游，河系發達。氣候類型以溫帶季風氣候和亞熱帶季風氣候為主，夏季以短時降雨為主，短時降雨對地表沖擊力大，容易引發洪澇災害，造成水土流失。地形主要由平原、丘陵、盆地和湖泊構成，年降水量在800～2 000 mm,年均溫度在14～21 ℃[23]，濕度較大，溫度適宜，區域氣候有利于植被生長。本文通過研究GWR模型實現TRMM數據降尺度，有利于華中地區的洪澇災害研究。研究區及氣象站點分布如圖1所示。

圖1 研究區及氣象站點分布Fig.1 Distribution of study areas and meteorological stations

1.2 數據來源與預處理

本文所采用的NDVI、EVI數據為MODIS13A3產品，時間分辨率為1個月，地面分辨率為1 000 m×1 000 m。TRMM數據是從美國NASA網站下載的MODIS13A3產品，空間分辨率是0.25°×0.25°，格式是HDF。氣象站點數據是從中國氣象局國家氣象信息中心下載全國站點2010年1月—2019年12月的數據。MODIS數據首先在MRT進行波段提取、影像鑲嵌、投影坐標變換、數據格式轉換等一系列預處理，再通過Matlab最大合成法對月數據合成年數據，最終得到年NDVI和EVI數據。對于大陸表面地物，受氣候因素影響，近紅外波段和可見光相比反射作用弱時，NDVI數值一般在-1～0；裸露的地面NDVI的數值通常為0；草地、林地、濕地和農田數值在0～1.0，通過ENVI檢驗數據的正確性，剔除表現異常的數據，從而保證精度。華中地區DEM柵格數據是通過全國DEM柵格數據在ArcGIS中進行掩膜裁剪得出。TRMM數據是在MRT中將數據格式轉換為TIF格式。氣象站點數據是在ArcGIS利用柵格計算器累加得出年總降水量數據，再裁剪出研究區53個氣象站點降水數據作為降水數據的真值。

2 研究原理與方法

2.1 GWR模型原理

Brunsdon等[22]提出了一種回歸參數隨著地理位置的改變而變化的GWR模型，根據距離的遠近程度，建立距離權重比，從而得到最佳估值，結合地理位置得到的數據往往更加貼合局部的變化特征。GWR模型如下：

i=1,2,…,m，

(1)

2.2 TRMM降尺度步驟

TRMM降尺度步驟如下：

① 對數據進行預處理，將數據分為高分辨率HR(1 km)和低分辨率LR(0.25°)。

② 把TRMM(LR)柵格轉點，通過多值提取至點把EVI(LR)、NDVI(LR)、DEM(LR)和坡向(LR)提取到TRMM點矢量圖層上。

(2)

(3)

④ 對常數項、對應系數和殘差項運用IDW插值，并將插值后的柵格數據轉投影，重采樣為1 km×1 km的地面分辨率。

⑤ 重構TRMM降水數據。第一種重構方法用1 km×1 km的地面分辨率的NDVI、DEM、坡向數據和重采樣后的常數項、對應系數、殘差進行模型回代，得到降尺度的TRMM：

(4)

第二種重構方法用1 km×1 km的地面分辨率的EVI、DEM、坡向數據和重采樣后的常數項、對應系數、殘差進行模型回代，得到降尺度的TRMM：

(5)

2.3 相關性評定標準

本文通過DEM、坡向、NDVI或EVI數據對TRMM數據降尺度，降尺度結果與實測氣象站點數據相比，研究兩兩之間的相關性。相關性參考線性相關系數(R2)、相對誤差(BIAS)、均方根誤差(RMSE)和平均絕對偏差(MAE)[10]四個相關性評價指標。R2是用來評價數據之間存在的相關程度，當R2的值越接近1時，認為二者相關性越強;如果數值越接近0，則認為二者的相關性弱。BIAS是表示TRMM數據與通過插值得到的氣象站點數據估值與真實值之間存在的平均相對中誤差，當BIAS越接近0時，則說明誤差較小，得到的數據精確度越高；反之，精確度低。RMSE是表示數據誤差的總體大小，當RMSE越小時，表示數據的精度越高；反之，則表明精度較差。MAE是誤差偏離的平均值，可以直觀地表示和計算估值誤差的真實大小，其數值也是越小精度越高。這4個指標如下：

(6)

(7)

(8)

(9)

3 TRMM數據降尺度結果與分析

3.1 TRMM數據適用性分析

在使用TRMM降水數據前，首先對TRMM降水數據和氣象站點數據進行可行性分析，檢驗研究區域內二者是否呈現明顯的相關性。TRMM數據與站點數據R2如圖2所示。

圖2 TRMM數據與站點數據R2Fig.2 R2 of TRMM data and meteorological stations

由圖2可以看出，華中地區2010—2019年間TRMM數據和氣象站點數據存在明顯的相關性，且大部分數據的相關系數在0.8以上，相關系數最小也達0.544。由此可見，使用TRMM數據來實現華中地區的降水降尺度是可靠的。

3.2 十年平均降水分析

運用柵格計算器對十年TRMM數據求平均，得到TRMM十年平均數據，如圖3所示。同理，求取EVI降尺度十年平均降水量圖，如圖4所示;NDVI降尺度十年平均降水量圖，如圖5所示，并且運用IDW插值十年氣象站點數據求取年平均，得到站點數據十年平均圖，如圖6所示，形成對比。

圖3 TRMM數據十年平均Fig.3 Ten-year average of TRMM data

圖4 EVI降尺度TRMM十年平均Fig.4 Ten-year average of EVI downscaling TRMM

圖5 NDVI降尺度TRMM十年平均Fig.5 Ten-year average of NDVI downscaling TRMM

圖6 氣象站點數據十年平均Fig.6 Ten-year average of meteorological station data

通過ArcGIS導入站點數據，多值提取出TRMM十年數據、EVI降尺度降水十年數據和NDVI降尺度十年數據，導出屬性表，以每一個站點數據十年平均值為X軸，TRMM十年平均數據、EVI降尺度降水十年平均數據和NDVI降尺度降水十年平均數據分別為Y軸做散點圖，得到圖7～圖9。

圖7 TRMM年均降水量與實測站點數據線性相關圖Fig.7 Linear correlation diagram of TRMM annual precipitation and measured station data

圖8 EVI降尺度TRMM十年平均降水量和站點實測數據線性相關圖Fig.8 Linear correlation diagram of EVI downscaling TRMM ten-year average precipitation and the measured data at the station

圖9 NDVI降尺度TRMM十年平均降水量和站點實測數據線性相關圖Fig.9 Linear correlation diagram of NDVI downscaling TRMM ten-year average precipitation and the measured data at the station

研究結果表明，EVI降尺度TRMM十年平均數據、NDVI降尺度TRMM十年平均數據和站點數據十年平均降水量有相同的空間分布規律，降水量由南向北減少，降尺度后的TRMM數據相比降尺度前TRMM數據和插值后的站點數據有更多的細節信息。同時，由圖8可知，EVI降尺度得到的TRMM十年平均數據和站點實測數據的R2為0.927 6。圖9表明NDVI降尺度得到的TRMM十年平均數據和站點實測數據的R2為0.922 8，2種降尺度TRMM數據的R2都高于0.9，和圖7顯示的TRMM數據0.930 3的R2接近，說明降尺度后的TRMM數據精度是可靠的，且EVI降尺度TRMM十年平均數據R2稍大于NDVI降尺度TRMM十年平均數據R2。

3.3 相關性評定的4個指標的年際對比

通過多值提取出的數據，計算每一年的R2、BIAS、RMSE和MAE，各個指標的分布，如圖10所示。

圖10 TRMM數據、EVI降尺度TRMM和NDVI降尺度TRMM年際的R2分布Fig.10 Interannual R2distribution of TRMM data,EVI downscaling TRMM and NDVI downscaling TRMM

由圖10可以看出，EVI降尺度TRMM的R2幾乎每一年都比NDVI降尺度TRMM的R2稍高，只是在2015年偏低。BIAS越接近0精度越高。

TRMM數據、EVI降尺度TRMM和NDVI降尺度TRMM年際的BIAS分布如圖11所示。

圖11 TRMM數據、EVI降尺度TRMM和NDVI降尺度TRMM年際的BIAS分布Fig.11 Interannual BIAS distribution of TRMM data,EVI downscaling TRMM and NDVI downscaling TRMM

由圖11可以看出，除2019年BIAS偏高外，其他年份BIAS在0.07以下，但從BIAS來看，NDVI降尺度TRMM數據的精度比EVI降尺度TRMM數據精度高。

TRMM數據、EVI降尺度TRMM和NDVI降尺度TRMM年際的RMSE和MAE分布如圖12和圖13所示。

圖12 TRMM數據、EVI降尺度TRMM和NDVI降尺度TRMM年際的RMSE分布Fig.12 Interannual RMSE distribution of TRMM data,EVI downscaling TRMM and NDVI downscaling TRMM

圖13 TRMM數據、EVI降尺度TRMM和NDVI降尺度TRMM年際的MAE分布Fig.13 Interannual MAE distribution of TRMM data,EVI downscaling TRMM and NDVI downscaling TRMM

RMSE和MAE越小精度越高，由圖12和圖13可以看出，RMSE和MAE有相同的分布。整體來說，EVI降尺度TRMM數據的RMSE和MAE都比NDVI降尺度TRMM數據小，只有2015年比較異常。4個指標中，其中3個指標都表明EVI降尺度TRMM數據精度比NDVI降尺度TRMM數據高，所以，EVI降尺度TRMM數據較為準確。

3.4 十年降水量分析

將十年(2010—2019年)TRMM數據和EVI數據、DEM、坡向數據構建GWR模型，通過模型計算得到EVI降尺度TRMM數據，同理可得NDVI降尺度TRMM數據。對每一年的站點數據進行插值，得到1 km地面分辨率的站點數據,如圖14～圖17所示。

圖14 2010—2019年EVI降尺度TRMM降水量分布Fig.14 2010—2019 EVI downscaling TRMM precipitation distribution map

圖15 2010—2019年NDVI降尺度TRMM數據降水量分布Fig.15 2010—2019 NDVI downscaling TRMM data precipitation distribution map

圖16 2010—2019年TRMM數據降水量分布Fig.16 2010—2019 TRMM data precipitation distribution map

圖17 2010—2019年站點數據插值后降水量分布Fig.17 Distribution of precipitation after interpolation of station data from 2010 to 2019

可以看出，各組數據有相近的降水分布，降水量分布符合緯度地帶性和經度地帶性規律，且降尺度降水數據比TRMM數據、站點插值得到的數據降水信息更加細致，特別是站點相對較少的地區。從降水量的最大值和最小值來看，TRMM數據和站點數據偏差較大，而降尺度TRMM數據和站點數據偏差較小。降尺度TRMM數據普遍比站點插值數據的值域范圍大一些，且EVI降尺度TRMM數據和NDVI降尺度TRMM數據的最大值相差不大，但是最小值EVI降尺度TRMM數據比NDVI降尺度TRMM數據更接近站點插值數據的最小值。

4 結束語

本文基于EVI、NDVI、DEM和坡向數據，通過GWR模型對研究區TRMM數據進行降尺度，從而提高了研究區降水數據的地面分辨率，并用研究區站點數據進行檢驗，驗證降尺度數據精度，得出以下結論：(1)用TRMM數據來研究華中地區的降水降尺度方向是可行的，通過計算空間分辨率為0.25°×0.25°的TRMM數據和站點數據的R2，發現年際R2普遍偏高，R2最大為2012年的0.94，最小為2011年的0.544，其他年份都在0.8以上。(2)結合降尺度后的TRMM十年平均降水和年際降水分布，基于4個相關性評定指標分析，用EVI、DEM和坡向數據或NDVI、DEM和坡向數據通過GWR模型，將TRMM數據地面分辨率提高到了1 km×1 km，對于站點數據分布相對較少的區域能夠比較細致地反映出降水量，和原TRMM數據相比有較多細節信息，且降尺度數據精度相對于原始TRMM數據沒有降低。(3) 通過EVI降尺度降水數據和NDVI降尺度降水數據十年平均R2和4個相關性評定指標年際對比，總體來看，研究區內EVI降尺度降水數據比NDVI降尺度降水數據精度更高，更加接近真實值，適用性更好。

本文研究了2010—2019年十年降尺度數據，但由于所獲取的資料有限，且只考慮了降水的年數據，有一定的局限性；同時，在選擇降水數據時只采取了MODIS系列產品，沒有結合其他獲取降水數據的衛星數據進行對比，會有些許偏差。