TRMM衛星降水產品降尺度及其在湘江流域水文模擬中的應用

范田億，張 翔，黃 兵，錢 湛，黃 略

TRMM衛星降水產品降尺度及其在湘江流域水文模擬中的應用

范田億1,2，張 翔2，黃 兵1，錢 湛1，黃 略1

（1. 湖南省水利水電勘測設計規劃研究總院有限公司，長沙 410007；2. 武漢大學水資源與水電工程科學國家重點實驗室，武漢 430072）

高時空分辨率降水數據對準確刻畫區域降水時空變化特征、精準模擬區域生態和水文過程具有重要的現實意義。以湘江流域為例，在考慮地理、地形和植被等多重要素的基礎上，建立了基于地理加權回歸法（Geographic Weighted Regression，GWR）的熱帶降雨測量衛星（Tropical Rainfall Measuring Mission，TRMM）降水降尺度模型，并采用比例指數法反演得到星地融合日降水Ⅰ、Ⅱ、Ⅲ三種產品，用來驅動土壤和水評估模型（Soil and Water Assessment Tool，SWAT），分析評估其在水文模擬中的應用潛力。結果表明：1）GWR降尺度后，在TRMM降水空間分辨率由0.25°提升至0.05°的同時，同氣象站點觀測月降水之間的決定系數（2）平均提升了0.33，均方根誤差（RMSE）平均降低了43.30 mm，平均相對偏差（Average Relative Error，ARE）平均降低了38.71個百分點，表明該降尺度模型在湘江流域TRMM月降水降尺度研究中具有良好的適用性；2）與TRMM日降水量相比，星地融合日降水Ⅲ產品同氣象站點觀測日降水量的2提高了0.81，RMSE降低了10.27 mm，ARE降低了0.11個百分點，表明以氣象站點觀測日降水量作比例指數展布星地融合月降水是可行有效的；3）星地融合日降水Ⅲ產品在SWAT模型日、月徑流模擬中的納什效率系數最大，分別為0.79、0.93，相對誤差最小，分別為0.12%、1.10%，水文模擬效果最優，可替代氣象站點和TRMM衛星降水進行水文模擬。研究結果可為氣象站點稀缺區域的高精度降水資料獲取和高效水文模擬提供數據支撐和方法借鑒。

降水；遙感；TRMM；GWR；比例指數法；降尺度；水文模擬

0 引 言

精準地掌握降水的時空變化特征和獲取高精度、高時空分辨率的降水數據對提高水文、氣象模型模擬精度具有重要的現實意義[1-2]。作為傳統的觀測手段，氣象站點觀測的降水數據精度最高，但由于站點數量有限且空間分布不均，尤其是在地形條件復雜的地區，在研究中往往以點代面，用離散的點數據插值到整個面，在產生較大誤差的同時給模型模擬帶來了極大的不確定性。隨著遙感技術的發展，衛星測雨由于覆蓋范圍廣、時空連續性好、不受下墊面條件的限制，成為獲取降水數據的重要手段[3]。

經過多年的發展，多種衛星降水產品相繼推出，如TRMM（Tropical Rainfall Measuring Mission）[4]、GPM（Global Precipitation Measurement）、GSMaP（Global Satellite Mapping of Precipitation）、CMORPH（Climate Predication Centre Morphing Technique）[5]及PERSIANN-CDR（Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record）[6]等，其中TRMM由于集成了多源衛星數據，其降水產品不僅時空分辨率較高，且具有不同時效性，得到了廣泛的應用[7]。但該數據0.25°（25.7 km）的空間分辨率較低，且諸多研究表明TRMM衛星降水精度存在較大的不確定性[8-10]，而降尺度方法可以有效彌補這一劣勢，成為近年來的研究熱點之一。

TRMM降尺度研究的內容主要包括輔助變量的選取、降尺度方法的選取與改進。其中輔助變量的選取主要依賴高程（DEM）且/或歸一化植被指數（Normalized Difference Vegetation Index，NDVI）[11-13]。降尺度方法可以分為線性和非線性兩大類[1]，與非線性方法相比，線性方法更易操作、便于求解且計算量較小，常用的線性方法主要包括多元線性回歸法[13]、地理加權回歸法（Geographic Weighted Regression，GWR）[14]、偏最小二乘法[15]、主成分-逐步回歸法[16]等。大多數TRMM降尺度研究均不同程度地提高了TRMM降水的空間分辨率，但時間分辨率大多停留在月甚至是年[14,17-18]，且缺少在水文模擬中的應用研究，數據精度有待進一步驗證。

為此，本研究以湘江流域作為研究區，為盡可能全面地解釋降水，選取經度、緯度、DEM、坡度、坡向和NDVI作為輔助變量，選取能較好地考慮預測、結果變量之間非平穩關系的GWR構建了降尺度模型[19]，并利用提出的多種比例指數克服了時間尺度下延的問題，生成多種高時、空分辨率的融合降水產品供SWAT（Soil and Water Assessment Tool）徑流模擬，以期為更有效地進行流域水文預報、水資源規劃、自然災害防治工作提供技術和數據支撐[2]。

1 研究區概況

湘江隸屬于長江流域的洞庭湖水系，是湖南省最大的河流，干流全長844 km，形成的流域介于110°51′～114°25′E，24°64′～28°56′N，是三面環山的長條形盆地，面積94 660 km2。流域內多是平原和丘陵，平均高程僅351 m，流域內DEM空間分布見圖1。湘江流域夏季受西南、東南季風的影響，冬季受蒙古高壓的控制[20]，光照充足、雨量豐沛，是典型的亞熱帶季風濕潤氣候，多年平均降水量高達1 450 mm，4－9月是全年降水的集中期，該時段降水量占全年降水量的70%左右，年平均氣溫介于17～20℃，多年平均徑流量722×108m3，多年平均徑流深815 mm[20]，多年平均蒸發量641 mm。

2 數據來源與研究方法

2.1 數據來源

2.1.1 氣象站點數據

2006－2017年逐日氣象站點數據（降水、溫度、風速、濕度、日照時數）均來自國家氣象科學數據中心（http://data.cma.cn/），站點分布情況見圖1。

2.1.2 遙感數據

TRMM衛星降水產品是由美國Goddard中心提供的TRMM 3B42V7數據產品（https://disc.gsfc.nasa.gov/），是空間分辨率為0.25°×0.25°的逐日降水數據。NDVI數據采用NASA和美國地質調查局USGS共同構建的陸地產品分發中心LP DAAC網站上發布的MOD13A3v006版本的數據（https://lpdaac.usgs.gov/products/mod13a3v006/），是空間分辨率為1 km的逐月合成數據。DEM數據采用由美國航空航天局和國防部國家測繪局聯合測量得到的空間分辨率為90 m的SRTM3數據（http://www.gscloud.cn/）。坡度和坡向數據由DEM數據在ArcGIS軟件中生成。

2.2 降尺度方法

2.2.1 輔助變量的選取

降水作為大氣過程的基本輸出通量，受多種因素的影響，所以模型輔助變量的選取直接關系到降尺度效果。理想的輔助變量需要具備以下特征：一是與降水密切相關，能反映降水的變化[15]；二是空間分辨率小于0.05°，這是因為本文的目的是實現0.25°的TRMM衛星降水數據降尺度到0.05°（降尺度前后格點的空間分布圖見圖2）；三是獲取途徑快捷準確，且具有“面狀數據”的特點和優勢[21]。在以上選取原則的基礎上，結合前人的研究成果[15,22]，從地理因素考慮，區域的經度越高，海陸距離會越小，發生降水概率越大，而緯度越低，溫度和濕度會相對較高，區域更易產生降水[15]；從地形因素考慮，地形起伏可觸發水汽對流活動，當低層水汽較為充沛時，地形能夠促使水汽持續上升并控制暴雨中心的位置，從而形成豐沛的降水[22]；從植被因素考慮，水分是制約植被生長的關鍵要素，水分充足與否關系到植被的長勢[15]。因此，選取影響降水分布和反映降水強弱的經度、緯度、DEM、坡度、坡向和NDVI六個因子作為降尺度模型的輔助變量。

2.2.2 因變量的選取

站點觀測降水雖然分布不均勻、空間代表性不強，但觀測精度最高，為最大限度地發揮站點觀測數據的優勢，將氣象站點觀測降水“嵌入”TRMM衛星降水網格中，即用氣象站點觀測的降水數據替代站點所在TRMM網格中的降水數據，形成一套“簡單融合降水數據”作為降尺度模型的因變量。

2.2.3 降尺度模型的構建

諸多研究結果表明GWR在年、月尺度TRMM的空間降尺度研究中適用性較強[15,23]，所以本文選定GWR構建降尺度模型，將月尺度的TRMM衛星降水由0.25°提升至0.05°。GWR是一種變參數空間回歸模型，其核心思想是通過局部加權最小二乘法估算每個位置因變量與自變量之間的參數來建立回歸模型，GWR降尺度模型結構如下：

式中為研究區域降水格點的序號；為研究區內降水格點個數，在降尺度前=133，降尺度后=3 339；y為格點的簡單融合降水量；(u,v)為格點的經緯度坐標；0(u,v)為格點的回歸參數常數項；為輔助變量的序號；為輔助變量的個數；β(u,v) 為輔助變量在格點的回歸參數系數項；x是格點處的輔助變量值；(u,v)為格點的殘差。

GWR降尺度的具體步驟為：1）將輔助變量和簡單融合降水量累加到月尺度；2）將月尺度輔助變量的空間分辨率分別重采樣至0.25°和0.05°；3）將0.25°輔助變量和0.25°簡單融合降水量代入公式（1）計算得到0.25°的回歸參數系數項、常數項及殘差，并將其重采樣至0.05°；4）將0.05°輔助變量和對應的0.05°回歸參數系數項、常數項和殘差代回公式（1），得到降尺度結果即空間分辨率為0.05°的“星地融合月降水產品”。

2.2.4 比例指數法

采用比例指數法將星地融合月降水產品展布到日尺度[24]，具體步驟如下：1）計算 TRMM/簡單融合/氣象站點降水的逐日降水量占當月降水量的比例，并將其制成相應的矢量文件；2）采用反距離加權法（Inverse Distance Weight，IDW）對矢量文件進行插值，得到0.05°的比例矢量數據；3）用星地融合月降水量乘以TRMM/簡單融合/氣象站點的0.05°的比例矢量數據，分別得到星地融合日降水Ⅰ/Ⅱ/Ⅲ產品。對本文涉及到的所有衛星降水產品進行總結，結果見表1。

表1 衛星降水產品總結

注：TRMM為熱帶降雨測量衛星；GWR為地理加權回歸法。下同。

Note: TRMM is tropical rainfall measuring mission; GWR is geographic weighted regression. Same as below.

2.3 精度評價方法

留一交叉驗證法是一種沒有任何前提假設、直接估計誤差的模型精度驗證方法，應用普遍、操作簡單，行之有效[25]，本文以單個氣象站的全部月降水數據為單元劃分成15個樣本，依次減少1個樣本，使用剩余的樣本作為訓練樣本進行GWR建模，然后代入該樣本，估算該樣本降尺度后的降水量，重復15次，得到15個氣象站點處的星地融合月降水量。然后以氣象站點觀測降水量作為真值，提取氣象站點所在網格處的衛星降水量，選取決定系數（2）、均方根誤差（RMSE）和平均相對偏差（Average Relative Error，ARE）作為精度評價指標，分析星地融合月降水和星地融合日降水Ⅰ/Ⅱ/Ⅲ的精度。

選用相關系數（）、納什效率系數（Nash-Sutcliffe Efficiency Coefficient, NSE）和相對誤差（Relative Error, Re）作為目標函數，定量評價不同來源降水驅動下SWAT徑流模擬效果。

2.4 SWAT模型建模

構建SWAT模型需要的土地利用和土壤類型數據分別采用中國科學院資源環境科學數據中心的2010年土地利用類型數據集（http://www.resdc.cn/）和寒區旱區科學數據中心的中國土壤數據集（v1.1）（http://data.casnw.net/portal/），降水數據分別是逐日氣象站點觀測降水量、TRMM衛星降水量、簡單融合降水量和星地融合日降水Ⅱ、Ⅲ，氣溫、風速、濕度等數據直接從氣象站獲取。

利用長江水利委員會水文局提供的湘潭站2006－2017年逐日、逐月流量對SWAT模型進行率定和驗證，預熱期為2006－2008年，率定期為2009－2014年，驗證期為2015－2017年。以、NSE和Re作為評價模型模擬效果的目標函數，一般認為，≤0.60時，一致性較差；0.60<≤0.80時，一致性良好；>0.80時，一致性很好；0≤NSE≤0.54時，擬合程度較低；0.540.65時，擬合程度很高；15%<|Re|≤25%，系統偏差較大；10%<|Re|≤15%，系統偏差較小；|Re|≤10%，系統偏差很小[26]。

3 結果與分析

3.1 降水精度評估

3.1.1 月降水量精度評估

圖3是GWR降尺度前、后TRMM月均降水量的空間分布情況。從圖中可知：1）TRMM衛星降水產品空間分辨率低，同一柵格覆蓋面積較大，無法反映柵格內部降水的空間異質性，而降尺度后的TRMM降水產品空間分辨率得以大大提升，空間分布更加精細化，格點之間均勻過渡，分布光滑，能更好地刻畫流域內降水的空間分布特征；2）整體上TRMM月均降水量在降尺度前、后的空間分布特征基本一致，呈現東北、西南部偏高和中部、北部偏低的空間分布特征，個別區域存在明顯的差異，尤其是在南岳站、長沙站、株洲站和桂東站附近，這是由于用氣象站點觀測降水代替了所在TRMM網格處的降水再進行回歸降尺度，而這些站點的觀測月降水量明顯高于TRMM網格處月降水量的緣故。

表2是GWR降尺度前、后TRMM月降水量的數據精度評價結果。從中可以看出，降尺度前所有月份的決定系數均大于0.38，表明TRMM月降水量與氣象站點觀測月降水量在各個月份均有較強的相關性。經GWR降尺度后，所有月份的決定系數均不小于0.80，與降尺度前相比，2平均提高了0.33，表明GWR降尺度可以顯著提高所有月份的TRMM衛星降水量同氣象站點觀測降水量之間的相關程度。

表2 降尺度前后TRMM月降水量精度評價結果統計

注：ARE為平均相對偏差。

Note: ARE is average relative error.

從表2中可以看出，降尺度前1－12月的RMSE介于31.40～80.32 mm，表明TRMM月降水量的誤差整體水平偏高，且RMSE較大值集中在4－9月，這是由于該時期是全年強降雨的集中期，而TRMM衛星雷達對強降水的信號捕捉能力較差[27]。經GWR降尺度后，RMSE介于4.03～12.83 mm，與降尺度前相比，RMSE平均降低了43.30 mm，其中4－9月的降低幅度更大，說明GWR降尺度可以在顯著降低TRMM衛星降水誤差整體水平的同時，彌補TRMM衛星對強降水捕捉不力的缺陷。

從表2中可以看出，降尺度前1－12月的ARE介于25.51%～63.02%，表明TRMM月降水量明顯偏離氣象站點降水量，而且冬季的ARE明顯偏高，原因在于冬季的主要降水形式是降雪，而TRMM衛星難以捕捉降雪[28]。經GWR降尺度后，ARE介于2.31%～10.74%，與降尺度前相比，ARE平均降低了38.71個百分點，且冬季ARE偏高的現象得以有效改善，表明GWR降尺度可以顯著減小TRMM衛星降水量對氣象站點觀測降水的偏離程度，同時有助于彌補TRMM衛星對冬季降雪捕捉不力的缺陷。

綜上所述，考慮了多個陸表環境變量的GWR降尺度模型有助于彌補TRMM衛星降水對強降水、降雪捕捉不力的缺陷，能夠顯著提升TRMM衛星降水在月尺度方面的數據精度，適用性較好，其原因是植被、地理、地形等綜合要素可以充分解釋降水[1]，且GWR考慮了降水的空間異質性，將局部參數的擬合結果加權至采樣點，建立了強魯棒性的局部回歸函數[21]。

3.1.2 日降水量精度評估

對多源日降水產品進行精度評估，結果見圖4。從圖4a可以看出，TRMM日降水量精度評價指標RMSE、ARE和2分別為12.83 mm、1.46%和0.14，表明雖然TRMM日降水量的誤差整體水平不高，但相關性極弱，且線性擬合線明顯位于1:1線下方，表明TRMM日降水量明顯低估了氣象站點日降水量。

星地融合日降水Ⅰ、Ⅱ、Ⅲ的數據精度評價結果見圖4b～4d。對比圖4a和圖4b發現，星地融合日降水Ⅰ的數據精度與TRMM日降水量相比無明顯改善，不予采納。對比圖4a和圖4c、4d發現，星地融合日降水Ⅱ、Ⅲ的數據精度較TRMM日降水量有了較為明顯的改善，2分別提高了0.54、0.81，RMSE分別降低了6.44、10.27 mm，ARE分別降低了0.17、0.11個百分點，表明以簡單融合、氣象站點觀測降水作比例指數展布星地融合月降水產品的方法是可行的。

3.2 水文模擬效用評估

由于氣象站點數量有限且分布不均，不能很好地刻畫流域內降水的空間分布特征，所以單以氣象站點觀測降水數據作為真值對衛星降水數據進行精度評價存在一定的局限性[2]。而流域出口徑流大小及徑流過程不僅可以反映流域內降水量的多少，同時也可以反映流域內降水的時空分布特征[29]。此外，由于分布式水文模型在構建之初考慮了流域內下墊面和水文要素的空間異質性，所以本文分別用氣象站點觀測降水、TRMM衛星降水、簡單融合降水和星地融合日降水Ⅱ、Ⅲ五種降水數據驅動SWAT模型，從日、月兩個時間尺度對五種降水數據在湘江流域徑流模擬中的適用性進行了評估，并間接檢驗其數據精度[30]。表3是不同降水產品驅動SWAT模型模擬湘潭站日、月徑流時，相應的模型敏感性參數及其最佳值。

表3 SWAT敏感性參數及最佳值

注：參數CN2、SOL_AWC、SOL_K和SOL_BD對應數值為其參數變化百分比。

Note: The values corresponding to the parameters CN2, SOL_AWC, SOL_K, and SOL_BD refer to the relative change of each initial parameter value.

3.2.1 日徑流的模擬效用評估

圖5給出了五種降水驅動SWAT模型模擬湘潭站日徑流與實測日徑流過程曲線，并進行了數據精度評價。從中可以看出，氣象站點觀測降水、TRMM衛星降水、簡單融合降水、星地融合日降水Ⅱ、Ⅲ驅動SWAT模型模擬日徑流得到的均大于0.80，NSE均大于0.65，表明五種降水模擬的日徑流與實測日徑流過程的一致性和吻合程度非常高，均可以很好地反映實測日徑流的多年變化特征，但氣象站點觀測和星地融合日降水Ⅲ的NSE最大，反映了這兩種降水數據的擬合結果最優。氣象站點觀測降水、TRMM衛星降水、簡單融合降水、星地融合日降水Ⅱ、Ⅲ驅動SWAT模型模擬日徑流得到的Re依次是11.27%、6.86%、6.73%、?1.70%和0.12%，表明與實測日徑流相比，五種降水的徑流模擬結果均存在不同程度的偏差，但星地融合日降水Ⅲ的偏離程度最小。綜上所述，在日尺度下，星地融合日降水Ⅲ的徑流模擬效果最優，可替代氣象站點和TRMM降水進行日尺度的水文模擬。

3.2.2 月徑流的模擬效用評估

圖6給出了湘潭站的實測月徑流和五種降水驅動SWAT模型模擬的月徑流曲線，并進行了模擬結果精度評價。從圖中可以看出，氣象站點觀測降水、TRMM衛星降水、簡單融合降水、星地融合日降水Ⅱ、Ⅲ驅動SWAT模型模擬月徑流得到的都接近1，NSE均大于0.65，表明在月尺度下，五種降水的模擬結果均可以很好地捕捉實測徑流過程曲線的變化特征，但簡單融合降水和星地融合日降水Ⅲ的NSE最大，擬合效果最好。氣象站點觀測降水、TRMM衛星降水、簡單融合降水、星地融合日降水Ⅱ、Ⅲ驅動SWAT模型模擬月徑流得到的Re分別為7.07%、1.73%、1.25%、?1.94%和1.10%，表明與實測月徑流相比，五種降水的徑流模擬結果均存在不同程度的偏差，但星地融合日降水Ⅲ的偏離程度最小。綜上所述，在月尺度下，星地融合日降水Ⅲ的徑流模擬效果最優，可替代氣象站點和TRMM降水進行月尺度的水文模擬。

4 討 論

本文利用GWR和比例指數法不僅大幅提高了TRMM衛星降水數據的空間分辨率和數據精度，還成功克服了時間尺度下延的問題，但降尺度過程中重采樣和插值方法也會產生誤差，有待進一步對比分析[20]。本文將氣象站點觀測降水數據“嵌入”TRMM衛星降水中進行了空間降尺度，有效地發揮了站點觀測降水數據精度高的優勢，豐富了降水數據資料庫。但由于收集到的氣象數據資料有限，導致“嵌入”優勢的渲染輻射范圍受到一定的限制（圖3）。此外。降尺度方法極大地依賴輔助變量的分辨度和精度，普適性有待進一步檢驗[31]。值得注意的是，各降水產品驅動的SWAT模型均在各自最優參數下進行校驗（表3），因此，參數對模擬結果的補償效應值得進一步分析[32]。

5 結 論

本文以湘江流域作為研究區，將氣象站點觀測降水“嵌入”熱帶降雨測量衛星（Tropical Rainfall Measuring Mission，TRMM）降水網格中，選取經度、緯度、DEM、坡度、坡向和歸一化植被指數（Normalized Difference Vegetation Index，NDVI）作為輔助變量，構建了地理加權回歸法（Geographic Weighted Regression，GWR）降尺度模型，并利用比例指數法生成多種高時、空分辨率的融合降水產品供土壤和水評估模型（Soil and Water Assessment Tool，SWAT）徑流模擬，挖掘其在水文模擬中的應用潛力，結果表明：

1）月尺度上，TRMM衛星降水同氣象站點觀測降水之間的相關性較強，但誤差整體水平偏高，尤其是在4－9月，且偏離程度較大，特別是在冬季；日尺度上，TRMM衛星降水同氣象站點觀測降水之間的相關性極弱，且TRMM衛星降水明顯低估了氣象站點觀測降水，TRMM衛星降水在湘江流域的數據精度有待提升。

2）GWR在湘江流域TRMM衛星月降水的降尺度研究中具有良好的適用性，GWR降尺度后TRMM的空間分辨率由0.25°提高到0.05°的同時，數據精度也得到了大幅度的提升，2平均提高0.33，RMSE平均降低43.30 mm，ARE平均相對偏差（Average Relative Error, ARE）平均降低38.71個百分點，同時揭示出在月尺度上，地理、地形和植被等綜合因素對降水具有良好的解釋能力。

3）降尺度后，TRMM衛星月降水在4－9月的RMSE明顯減小，冬季的ARE明顯降低，表明考慮降水空間異質性的GWR降尺度模型有助于彌補TRMM衛星對降雪、強降水捕捉不力的缺陷。

4）星地融合日降水Ⅱ、Ⅲ產品的數據精度較TRMM有了較為明顯的改善，2分別提高0.54、0.81，RMSE分別降低了6.44、10.27 mm，ARE分別降低0.17、0.11個百分點，表明以簡單融合日降水量、氣象站點觀測日降水量作比例指數，對星地融合月降水量進行展布的方法可行有效。

5）星地融合日降水Ⅲ驅動SWAT模型模擬的徑流與實測徑流擬合程度最高、偏離程度最小，可替代氣象站點和TRMM衛星降水進行日、月徑流模擬，在為模型高效模擬徑流帶來了優質降水數據的同時，豐富降水數據資料庫，還可為資料缺乏地區獲得可靠的降水數據來源提供技術支撐。

[1] 寧珊，張正勇，劉琳，等. TRMM偏最小二乘降尺度降水模型在新疆不同地貌的適應性[J]. 農業工程學報，2020，36(12)：99-109.

Ning Shan, Zhang Zhengyong, Liu Lin, et al. Adaptability of precipitation estimation method based on TRMM data combined with partial least squares downscaling in different landforms of Xinjiang, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(12): 99-109. (in Chinese with English abstract)

[2] 張華巖. 北江流域TRMM衛星與地面站點降水數據融合及徑流模擬應用研究[D]. 武漢：華中科技大學，2019.

Zhang Huayan. Research on TRMM Satellite and Ground Precipitation Data Fusion and its Application to Runoff Simulation in Beijiang River Basin[D]. Wuhan: Huazhong University of Science and Technology, 2019. (in Chinese with English abstract)

[3] 李哲. 多源降雨觀測與融合及其在長江流域的水文應用[D]. 北京：清華大學，2015.

Li Zhe. Multi-source Precipitation Observations and Fusion for Hydrological Applications in the Yangtze River Basin[D]. Beijing: Tsinghua University, 2015. (in Chinese with English abstract)

[4] Kummerow C, Barnes W, Kozu T, et al. The Tropical Rainfall Measuring Mission (TRMM) sensor package[J]. Journal of Atmospheric & Oceanic Technology, 1998, 15(3): 809-817.

[5] Joyce R J, Janowiak J E, Arkin P A, et al. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution[J]. Journal of Hydrometeorology, 2004, 5(3): 287-296.

[6] Sorooshian S, Hsu K L, Gao X, et al. Evaluation of PERSIANN system satellite-based estimates of tropical rainfall[J]. Bulletin of the American Meteorological Society, 2000, 81(9): 2035-2046.

[7] 王存光，洪陽. 衛星遙感降水的反演、驗證與應用綜述[J]. 水利水電技術，2018，49(8)：1-9.

Wang Cunguang, Hong Yang. Review on inversion, verification and application of satellite remote sensing of precipitation[J]. Water Resources and Hydropower Engineering, 2018, 49(8): 1-9. (in Chinese with English abstract)

[8] 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.

[9] Semire F A, Mohd-Mokhtar R, Ismail W, et al. Ground validation of space-borne satellite rainfall products in Malaysia[J]. Advances in Space Research, 2012, 50(9): 1241-1249.

[10] Kenawy A M, Lopez-Moreno J I, McCabe M F, et al. Evaluation of the TMPA-3B42 precipitation product using a high-density rain gauge network over complex terrain in northeastern Iberia[J]. Global and Planetary Change, 2015, 133: 188-200.

[11] 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.

[12] 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 Jinhui, Qu Chuang, Zhang Haixiao, 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 with English abstract)

[13] Jia S F, Zhu W B, Lyu A F, 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.

[14] Chen F R, Liu Y, Liu Q, et al. Spatial downscaling of TRMM 3B43 precipitation considering spatial heterogeneity[J]. International Journal of Remote Sensing, 2014, 35(9/10): 3074-3093.

[15] 杜軍凱，賈仰文，李曉星，等. 基于TRMM衛星降水的太行山區降水時空分布格局[J]. 水科學進展，2019，30(1)：1-13.

Du Junkai, Jia Yangwen, Li Xiaoxing, 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 with English abstract)

[16] 范雪薇，劉海隆. 天山山區TRMM 降水數據的空間降尺度研究[J]. 自然資源學報，2018，33(3)：478-488.

Fan Xuewei, Liu Hailong. Spatial downscaling of TRMM precipitation data in Tianshan Mountains[J]. Journal of Natural Resources, 2018, 33(3): 478-488. (in Chinese with English abstract)

[17] Chen H, Guo J, Xiong W, et al. Downscaling GCMs using the Smooth Support Vector Machine method to predict daily precipitation in the Hanjiang Basin[J]. Advances in Atmospheric Sciences, 2010, 27(2): 274-284.

[18] 曾昭昭，王曉峰，任亮. 基于GWR模型的陜西秦巴山區TRMM降水數據降尺度研究[J]. 干旱區地理，2017，40(1)：26-36.

Zeng Zhaozhao, Wang Xiaofeng, Ren Liang. Spatial downscaling of TRMM rainfall data based on GWR model for Qinling-Daba Mountains in Shaanxi Province[J]. Arid Land Geography, 2017, 40(1): 26-36. (in Chinese with English abstract)

[19] Foody G M. Geographical weighting as a further refinement to regression modelling: An example focused on the NDVI-rainfall relationship[J]. Remote Sensing of Environment, 2003, 88(3): 283-293.

[20] Zeng Q, Chen H, Xu C Y, et al. Feasibility and uncertainty of using conceptual rainfall-runoff models in design flood estimation[J]. Hydrology Research, 2016, 47(4): 701-717.

[21] Chen C, Zhao S H, Duan Z, et al. An improved spatial downscaling procedure for TRMM 3B43 precipitation product using Geographically Weighted Regression[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(9): 4592-4604.

[22] 文遷，譚國良，羅嗣林. 降水分布受地形影響的分析[J]. 水文，1997(S1)：64-66.

[23] 李瓊，魏加華，安娟，等. 基于地形因子的TRMM 3B43降水數據在黃河源區的融合校正研究[J]. 應用基礎與工程科學學報，2018，26(6)：1147-1163.

Li Qiong, Wei Jiahua, An Juan, et al. Correcting the TRMM 3B43 precipitation over the source region of the Yellow River based on Topographical factors[J]. Journal of Basic Science and Engineering, 2018, 26(6): 1147-1163. (in Chinese with English abstract)

[24] 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: 1-13.

[25] 范永東. 模型選擇中的交叉驗證方法綜述[D]. 太原：山西大學，2013.

Fan Yongdong. A Summary of Cross-Validation in Model Selection[D]. Taiyuan: Shanxi University, 2013. (in Chinese with English abstract)

[26] 胡勝. 基于SWAT模型的北洛河流域生態水文過程模擬與預測研究[D]. 西安：西北大學，2015.

Hu Sheng. Simulation and Prediction Research of the Ecohydrological Process Based on SWAT Model in Beiluo River Basin[D]. Xi’an: Northwest University, 2015. (in Chinese with English abstract)

[27] 劉小嬋. TRMM降水數據的空間降尺度研究[D]. 長春：東北師范大學，2015.

Liu Xiaochan. Spatial Downscaling of TRMM Precipitation Data[D]. Changchun: Northeast Normal University, 2015. (in Chinese with English abstract)

[28] 成業. 基于多時空分辨率降水數據的黃河源區徑流模擬研究[D]. 北京：中國地質大學（北京），2017.

Cheng Ye. The Runoff Simulation Study in the Source Region of Yellow River Base on the Multiple Spatial and Temporal Resolution of Precipitation Data[D]. Beijing: China University of Geosciences (Beijing), 2017. (in Chinese with English abstract)

[29] 陳華，霍苒，曾強，等. 雨量站網布設對水文模型不確定性影響的比較[J]. 水科學進展，2019，30(1)：34-44.

Chen Hua, Huo Ran, Zeng Qiang, 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 with English abstract)

[30] 孫樂強，郝振純，王加虎，等. TMPA 衛星降水數據的評估與校正[J]. 水利學報，2014，45(10)：1135-1146.

Sun Yueqiang, Hao Zhenchun, Wang Jiahu, et al. Assessment and correction of TMPA products 3B42RT and 3B42V6[J]. Journal of Hydraulic Engineering, 2014, 45(10): 1135-1146. (in Chinese with English abstract)

[31] 趙娜，焦毅蒙. 基于TRMM降水數據的空間降尺度模擬[J]. 地球信息科學學報，2018，20(10)：20-27.

Zhao Na, Jiao Yimeng. Downscaling of TRMM satellite precipitation data[J]. Journal of Geo-information Science, 2018, 20(10): 20-27. (in Chinese with English abstract)

[32] 譚麗麗，黃峰，喬學瑾，等. TRMM在海河流域南系的降水估算精度評價及其對SWAT模型的適用性[J]. 農業工程學報，2020，36(6)：132-141.

Tan Lili, Huang Feng, Qiao Xuejin, et al. Evaluation of TRMM satellite-based rainfall data in southern Haihe River basin and suitability for SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(6): 132-141. (in Chinese with English abstract)

Downscaling of TRMM satellite precipitation products and its application in hydrological simulation of Xiangjiang River Basin

Fan Tianyi1,2, Zhang Xiang2, Huang Bing1, Qian Zhan1, Huang Lue1

(1.,,.,.,410007,; 2.,,430072,)

Precipitation data with a high temporal and spatial resolution is of great practical significance to accurately characterize the spatiotemporal changes of regional precipitation in ecological and hydrological processes. However, traditional meteorological station observations cannot meet the high requirements of data acquisition. The purpose of this research was to deal with the time-scale extension in Tropical Rainfall Measuring Mission (TRMM) downscaling, particularly for a higher spatial resolution of TRMM satellite precipitation products under continuous observation and wide coverage. A variable parameter spatial regression model, Geographic Weighted Regression (GWR), was selected for the spatial downscaling of annual and monthly TRMM. Specifically, the parameters were estimated between the dependent and the independent variables at each location via the local weighted least squares method. The study area was taken as the Xiangjiang River in the Dongting Lake water system of the Yangtze River Basin in Hunan Province of China. The specific procedure was as follows. The precipitation data of meteorological stations was first embedded into the TRMM satellite precipitation grid. Then the longitude, latitude, digital elevation models were selected, with the slope, aspect, and normalized difference vegetation index as auxiliary variables. Finally, a TRMM satellite precipitation downscaling model was established using GWR and multiple factors, such as geography, topography, and vegetation. In addition, a variety of scale indexes were used to invert for three products of satellite-ground fusion daily precipitation I, II, and III. The precipitation input data were selected to drive the SWAT distributed hydrological model, further to evaluate the application potential in hydrological simulation. The coefficient of determination, root mean squared error, and average relative error were used to quantitatively evaluate the accuracy of TRMM data before and after downscaling. Moreover, the relative error and Nash-Sutcliffe coefficient of efficiency were also used to quantitatively evaluate SWAT simulation. The results showed that the spatial resolution of TRMM precipitation increased from 0.25° to 0.05°, while the coefficient of determination between the monthly precipitation observed by the meteorological station increased by 0.33 on average, and the root mean square error decreased by 43.30 mm on average, and the average relative deviation decreased by 38.71 percentage points on average after the GWR downscaling, indicating excellent applicability in the TRMM downscaling. Compared with the TRMM daily precipitation, the coefficient of determination between the satellite-ground fusion daily precipitation III product and the meteorological station observation daily precipitation increased by 0.81, the root mean square error decreased by 10.27 mm, and the average relative deviation decreased by 0.11 percentage points, indicating that it was feasible and effective for the meteorological station observation daily precipitation as a proportional index to spread the satellite-ground fusion monthly precipitation. The satellite-ground fusion daily precipitation III product presented the largest Nash efficiency coefficient, the smallest relative error, and the best hydrological simulation effect in the soil and water assessment tool’s daily and monthly runoff. It infers to replace meteorological stations with the TRMM satellite precipitation for hydrological simulation. The finding can provide potential support to high-precision precipitation data acquisition and efficient hydrological simulation in scarce areas of meteorological stations.

precipitation; remote sensing; TRMM; GWR; proportional index method; downscaling; hydrological simulation

范田億，張翔，黃兵，等. TRMM衛星降水產品降尺度及其在湘江流域水文模擬中的應用[J]. 農業工程學報，2021，37(15)：179-188.doi：10.11975/j.issn.1002-6819.2021.15.022 http://www.tcsae.org

Fan Tianyi, Zhang Xiang, Huang Bing, et al. Downscaling of TRMM satellite precipitation products and its application in hydrological simulation of Xiangjiang River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(15): 179-188. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.15.022 http://www.tcsae.org

2021-03-15

2021-07-05

國家重點研發計劃項目（2019YFC0408901）；湖南省自然科學基金項目（2020JJ5316）

范田億，助理工程師，研究方向為遙感水文。Email：1723257974@qq.com

張翔，博士，教授，研究方向為城市、生態水文。Email：zhangxiang@whu.edu.cn

10.11975/j.issn.1002-6819.2021.15.022

P339

A

1002-6819(2021)-15-0179-10