基于星地協同的降水數據插值方法及其適用性*

徐 勇，郭振東，盤鈺春，鄭志威

基于星地協同的降水數據插值方法及其適用性*

徐 勇，郭振東，盤鈺春，鄭志威

（桂林理工大學測繪地理信息學院，桂林 541006）

以長江中下游地區為研究區，協同地面氣象站點降水數據和TRMM以及GPM衛星降水數據，利用六種Anusplin插值模型，基于驗證站點實測降水數據對比分析星地協同降水數據插值結果與單一的TRMM和GPM降水數據、TRMM和GPM降尺度降水數據，以及基于地面氣象站點插值降水數據的優劣，進而為獲取地面氣象站稀缺地域的高精度、高分辨率以及優良的空間細節性降水數據提供理論支撐。結果表明：（1）2001?2019年長江中下游地區TRMM（R2=0.81，BIAS=0.06，RMSE=171.1mm）和GPM星地協同插值方案（R2=0.81，BIAS=0.07，RMSE=172.8mm）各模型結果多年平均精度優于地面氣象站點（R2=0.66，BIAS=0.02，RMSE=198.66mm）插值方案各模型、TRMM降尺度（R2=0.79，BIAS=0.06，RMSE=174.8mm）和GPM降尺度（R2=0.81，BIAS=0.09，RMSE=192.4mm）多年平均精度。（2）星地協同插值結果在降水數據空間細節表達、圖像完整性以及模型穩定性上具有明顯的優勢，TRMM星地協同插值方案模型五插值效果最優。（3）Anusplin插值模型的變量、樣條次數對地面氣象站點插值結果精度影響顯著，但對星地協同插值結果的影響微弱。（4）降尺度模型受輔助變量影響，會對降尺度結果造成一定的精度損失和圖像殘缺。

長江中下游地區；星地協同；TRMM；GPM；降尺度；Anusplin插值模型

降水是地球物質交換和生態循環的重要載體[1?3]，與區域生態環境質量[4]、氣象水文條件[5]、植被生長狀況[6]等息息相關。因此，獲取高精度、高分辨率的降水數據對農業生產和區域生態環境保護等具有重要意義。目前，降水數據主要通過降雨雷達、地面氣象站點和衛星測雨三種方式獲取[7]。其中，降雨雷達受環境影響較大，實際應用中適用性相對較低[8]。地面氣象站數據精度較高，應用最為廣泛，往往采用空間插值法來反映降水的時空分布特征，其中，平滑樣條法（Anusplin插值法）相較于其它插值方法優勢明顯[9?11]。Anusplin插值法是一種平滑樣條函數對多變量數據進行分析插值的工具，既考慮地形對降水量的影響，還考慮了氣象站點分布及數量對降水插值的影響[9]。Tan等[10]研究結果表明，相較于反距離插值法（Inverse Distance Weight, IDW）、混合邏輯回歸（Mixed Logistic Regression, MLR）和隨機森林（Random Forests, RF）模型，Anusplin模型對中國降水和氣溫插值結果誤差更小。Guo等[12]使用Anusplin對中國降水數據進行了插值，結果表明旱季降水插值結果的平均誤差、平均絕對誤差和均方根誤差都小于濕季。徐翔等[13]通過Anusplin插值模型對康滇區多年月平均降水進行插值，且與IDW和普通克里金（Ordinary Kriging，OK）插值法進行對比，得出Anusplin更加適合山地地形的空間插值。譚劍波等[14]采用Anusplin插值法和克里金插值法對青藏高原東南緣年累計降水進行插值，得出Anusplin的插值效果優于克里金空間插值法。以上研究都證明了Anusplin插值法相較于其他插值方法具有一定的優越性，但插值精度受點位密度和空間分布等影響較大，具有一定的局限性。

衛星數據具有覆蓋范圍廣、空間連續性強、所受地形制約小等特點，是降水信息獲取的重要途徑[15?18]，其中，熱帶降水觀測計劃（Tropical Rainfall Measuring Mission，TRMM）衛星和全球降水觀測計劃（Global Precipitation Measurement，GPM）提供的遙感數據是目前最常用的兩種遙感降水數據源[19?21]。但是TRMM和GPM降水數據空間分辨率較低，分別為0.25°×0.25°和0.1°×0.1°，因此，國內外學者對以上兩種數據進行了降尺度研究，以提高其空間分辨率。Zhang等[22]在考慮植被NDVI和高程的基礎上對三江源地區TRMM降水數據進行了降尺度研究，結果表明，降尺度后的結果空間分辨率上有顯著提高，且降尺度結果與實測數據的相關性也得到了一定提升。Wang等[23]對祁連山地區GPM數據進行了降尺度，得出降尺度降水數據的精度高于原始數據，但高緯度地區降尺度結果精度明顯低于區域平均值。崔路明等[20]對黃河流域、長江流域和珠江流域的TRMM和GPM降水數據進行降尺度，得出兩種衛星數據的空間分辨率在降尺度后得到顯著提升，但是其精度對原始數據依賴大，沒有顯著提升。以上研究結果表明，TRMM和GPM降尺度能夠有效提升數據空間分辨率和空間細節性，但地形、緯度以及輔助變量的差異對于降尺度的結果也存在較大影響。

綜上可知，無論是基于氣象站點的空間插值還是衛星降水數據的降尺度，都具有得天獨厚的優勢以及各自的弊端。然而，已有研究大多局限于使用同一數據源生成更高空間分辨率的降水數據，少有研究將地面氣象站點與衛星數據相結合，生成高精度、高分辨率的降水數據。因此，本文以長江中下游地區為研究區，基于Anusplin插值模型，融合地面氣象站點與衛星降水數據，獲得更高空間分辨率的降水數據，并分別與TRMM和GPM降水數據、TRMM和GPM降尺度數據以及單一的地面氣象站點插值結果進行精度對比和適用性分析，以期為地面氣象站稀缺地域的環境保護、經濟建設以及預防洪澇災害等提供數據支撐。

1 資料與方法

1.1 研究區概況

長江中下游地區包括湖北、安徽、江蘇、湖南、江西、浙江和上海7個省（市），地理位置為24°39′N? 35°7′N，108°22′E?122°56′E，地形總體呈現“西南高、東北低”的空間分布格局，海拔最低處為–70m，最高處可達2944m（圖1）。長江中下游地區是中國經濟最發達的地區之一，該地區受季風氣候影響，降水豐沛，氣候溫暖濕潤，且地勢平坦，區域內河道縱橫交錯，湖泊星羅棋布，地表水和地下水資源豐富。受西太平洋副熱帶高氣壓等因素影響，該地區旱澇災害頻發[24]。

1.2 數據類型及其來源

1.2.1 地面氣象站觀測降水數據

基于站點的降水數據源于國家氣象科學數據中心（http://data.cma.cn/site/index.html）提供的2001?2019年逐日降水量數據，并基于逐日降水數據合成2001?2019年各年年均降水量數據。研究區內共有無缺測值站點148個，選取84個隨機分布的站點作為插值站點，其余64個作為精度驗證站點，其如圖1所示。

1.2.2 衛星降水數據

采用由NASA（https://search. earthdata.nasa.gov/）發布的2001?2019年TRMM 3B43（0.25°×0.25°）和GPM IMERG月降水數據（0.1°×0.1°）。經過格式轉換、重采樣、柵格投影、裁剪等操作，獲得2001?2019年逐月TRMM和GPM衛星降水數據。

1.2.3 其余數據

降尺度所需要的輔助變量數據包括2001?2019年逐月歸一化植被指數（Nominalized difference vegetation index, NDVI）和數字高程模型（Digital elevation model, DEM）數據。輔助變量數據均來源于中國科學院資源與環境科學數據中心（http:// www.resdc.cn /）。其中，植被NDVI數據的空間分辨率為1km×1km，時間分辨率為1個月，來源于Terra衛星MODIS傳感器的植被指數數據MOD13A3。DEM數據來源于美國奮進號航天飛機的雷達地形測繪數據，經過重采樣后，空間分辨率為1km×1km。

1.3 模型和實驗方案

1.3.1 降尺度模型及方法

地理加權回歸模型（Geographically Weighted Regression，GWR）是Brunsdon等[25]提出的一種用于研究空間異質性的局部參數預測方法，GWR模型在遵循地理學第一定律的前提下，依據數據的地理位置信息計算衰減函數，從而得出局部回歸方程的各項權重。通過估算每一地理位置的自變量和因變量參數建立回歸模型[7]，對數據進行降尺度計算。其基本公式為

以植被NDVI、高程和坡向作為GWR模型的輔助變量，以TRMM降水數據降尺度為例，同理可得GPM降尺度數據。具體步驟為，（1）將植被NDVI、高程、坡向、經度和緯度數據分別提取至與TRMM（0.25°×0.25°）相同的分辨率；（2）通過柵格轉點和多值提取至點等操作將上述數據分別提取至TRMM的點矢量圖上；（3）運用地理加權回歸工具，將TRMM作為因變量，用植被NDVI、高程、坡向、經度和緯度作為自變量，選取自適應法（ADAPTIVE）作為核函數，內核帶寬為交叉驗證（CV），從而得到常數項、植被NDVI、高程、坡向、經度和緯度各自對應系數和殘差項；（4）對常數項、對應系數和殘差項運用反距離權重法（IDW）插值，并進行投影柵格操作，將其分辨率采樣至1km×1km；（5）利用柵格計算器對分辨率為1km×1km的植被NDVI、高程、坡向、經度和緯度數據和重采樣后的常數項、系數、殘差進行回代，得到降尺度的TRMM數據。基于GWR模型的TRMM和GPM降尺度方案，如表1所示。

表1 地理加權回歸模型（GWR）降尺度方案

1.3.2 Anusplin插值模型

利用Anusplin插值模型對單一的地面氣象站點數據以及星地協同降水數據進行插值。Anusplin是基于普通薄盤函數以及局部薄盤樣條函數插值理論，最早由澳大利亞學者Hutchinson等研發[26]，其原理是采用平面平滑樣條函數對多變量數據進行插值。局部薄盤光滑樣條插值是對于其前身薄盤光滑樣條的改進，除可以引入自變量外，還可以引入高程等線性協變量，即

式中，zi為空間第i點因變量，xi為d維樣條獨立變量，函數f(xi)是對xi進行估算的光滑函數，yi是p維的獨立協變量，其系數為b，ei是均值等于零的自變量隨機誤差。

Anusplin插值模型允許引入多元線性因子模型，對時間序列的插值尤為適用。本文設計了基于地面站點的氣象數據、TRMM星地協同數據和GPM星地協同數據下的三種插值方案，如表2所示。其中，Anusplin插值方案的設計是基于大量有關Anusplin插值研究中常見的變量組合（經度、緯度為自變量，高程為協變量/經度、緯度、高程為自變量）和樣條次數（2、3、4）[27?28]以及三種不同的插值數據（單一的地面氣象站點數據、地面氣象站點數據協同TRMM衛星降水數據、地面氣象站點數據協同GPM降水數據）的排列組合。其中，地面氣象站點插值方案的插值數據是研究區內隨機選取的84個插值地面氣象站按照所設計的模型進行插值。TRMM和GPM星地協同插值方案的數據由上述84個用于插值的氣象站點分別融合TRMM和GPM數據柵格，轉點后隨機選取900個TRMM數據點和900個GPM數據點，即如圖2中的遙感衛星數據點，其中，TRMM數據點與GPM數據點位一致，最后分別形成984個TRMM和GPM星地協同數據點（圖2）。

具體步驟如下：（1）將插值數據（xls文件）導入SPSS，導出dat批處理文件。（2）將dat文件放置于Anusplin插件文件夾中，依據模型修改sp.txt中的樣條次數、自變量與協變量等參數設置。（3）運行run.cmd，進行Anusplin插值。（4）對生成的grd文件進行格式轉換、異常值處理等相關操作，得到最終結果。

1.3.3 模型模擬結果檢驗指標

選用決定系數（R2）、偏差（BIAS）和均方根誤差（Root mean square error, RMSE）檢驗降尺度和插值方案下結果的精度[29]，即

（5）

表2 地面氣象站點數據、TRMM星地協同和GPM星地協同數據的Anusplin插值模型設計

注：方案I即地面氣象站點插值方案，以研究區內隨機選取的84個地面氣象站點2001?2019年各年平均降水量為插值數據；方案II和方案III分別為TRMM和GPM星地協同插值方案，以984個TRMM和GPM星地協同數據點（84個地面氣象站點與900個遙感衛星數據點融合）的2001?2019年各年平均降水為插值數據的方案；模型一、模型二和模型三代表以經度、緯度為自變量，高程為協變量，樣條次數分別為2、3、4的插值模型。模型四、模型五和模型六代表以經度、緯度和高程為自變量，樣條次數分別為2、3、4的插值模型。TVTPS2、TVTPS3和TVTPS4均為三變量薄盤光滑樣條函數。

Note: Scheme I is the interpolation scheme of in situ meteorological stations. The average annual precipitation of 84 randomly selected in situ meteorological stations in the study area from 2001 to 2019 is taken as the interpolation data; Scheme II and Scheme III are the TRMM and GPM satellite ground cooperative interpolation schemes, respectively. The scheme uses the average precipitation of 984 TRMM and GPM satellite ground cooperative data points (84 ground meteorological stations and 900 remote sensing satellite data points are fused) in 2001?2019 as the interpolation data; Model 1, Model 2, and Model 3 represent interpolation models with longitude and latitude as independent variables, elevation as covariates, and spline times of 2, 3, and 4, respectively. Model 4, Model 5, and Model 6 represent interpolation models with longitude(LO), latitude(LA), and elevation(EL) as independent variables and spline degree of 2, 3, and 4, respectively. TVTPS2,TVTPS3 and TVTPS4 are three variable thin disk smooth spline function.

圖2 星地協同點位空間分布

2 結果與分析

2.1 星地協同插值方案的精度評價和對比

2.1.1 地面氣象站點插值

以2001?2019年各年地面氣象站降水數據為插值數據，利用表2中地面氣象站點插值方案中六種Anusplin插值模型分別進行處理，并以站點實測值對其進行精度驗證，將所得結果的決定系數（R2）、偏差（BIAS）和均方根誤差（RMSE）分別取多年平均值，結果見圖3。由圖中可見，六種方案的R2、BIAS和RMSE平均值分別為0.66、0.02和198.66mm，與地面氣象站點實測數據整體擬合程度較高，其中，模型四的插值結果擬合程度最高，且穩定性最強，R2達到了0.72，BIAS和RMSE分別為0mm和168.43mm，模型六的插值結果擬合程度最低，且穩定性最差，R2為0.53，BIAS和RMSE分別為0.02和278.89mm。從樣條次數上對比，模型一（樣條次數為2）的整體精度明顯優于模型二（樣條次數為3）和模型三（樣條次數為4），模型四（樣條次數為2）的整體精度優于模型五（樣條次數為3）和模型六（樣條次數為4）。從變量方式上對比，模型一、模型二、模型三（以經度、緯度為自變量，高程為協變量）和模型四、模型五、模型六（以經度、緯度和高程為自變量）的精度差距較小。綜上可知，基于地面氣象站點的六種模型插值結果精度差距較大，總體上模型四的插值結果精度最高，模型六的插值結果精度最低，變量方式對插值精度整體影響較小，樣條次數對插值精度有著較為明顯的影響，在地面氣象站點插值方案中，樣條次數為2的插值模型精度更高。模型四的平均降水量的空間分布見圖4。

圖3 方案I（站點插值方案）中六種模型對84個地面氣象站點年降水量（2001?2019年平均值）的插值結果與實測數據對比

2.1.2 TRMM星地協同插值

以2001?2019年各年TRMM星地協同降水數據為插值數據，利用表2中TRMM星地協同插值方案下六種Anusplin插值模型分別進行處理，并以站點實測值對其進行精度驗證，所得結果的R2、BIAS和RMSE分別取多年平均值。如圖5所示，2001?2019年TRMM星地協同六種模型間插值結果差距較小，2001?2019年TRMM星地協同插值方案下R2、BIAS和RMSE六種方案平均值分別為0.81、0.06和171.1mm，與氣象站點實測數據整體擬合程度較高且穩定性較好。其中，模型五的插值精度最高，R2達0.81，BIAS和RMSE分別為0.06mm和170.03mm，模型五的平均降水量的空間分布見圖6。由于六種模型間精度差距較小，因此，樣條次數和變量方式對TRMM星地協同插值方案結果的精度影響并不明顯。由上可知，基于TRMM星地協同數據的六種模型插值結果的精度差距較小，其中，模型五插值精度最高且精度年際變化穩定，適用性優良，樣條次數和變量方式對該方案影響微小。

圖4 方案I中模型四對2001?2019年年降水量平均值的插值結果

圖5 方案II(TRMM星地協同)六種插值模型對984個數據點降水量（2001?2019年平均值）插值結果與實測數據對比

注：984個數據點包括84個地面氣象站點和900個TRMM衛星數據點。圖7同。

Note: 984data points include 84 ground meteorological stations and 900 TRMM satellite data points. The same as Fig.7.

2.1.3 GPM星地協同插值

以2001?2019年各年GPM星地協同降水數據為插值數據，利用表2中GPM星地協同插值方案下六種Anusplin插值模型分別進行處理，并以站點實測值對其進行精度驗證，所得結果的R2、BIAS和RMSE分別取多年平均值。如圖7所示，2001?2019年GPM星地協同六種模型間插值結果差距較小，2001?2019年GPM星地協同插值方案下R2、BIAS和RMSE六種方案平均值分別為0.81、0.07和172.8mm，與氣象站點實測數據整體擬合程度較高且穩定性較好。其中，模型六的插值精度最高，R2達到0.81，BIAS和RMSE分別為0.07和171.68mm，模型六的平均降水量的空間分布見圖8。GPM星地協同模型五2001?2019年R2、BIAS和RMSE的變化均較小，說明年際精度變化平穩，模型穩定性較強。由于六種模型間精度差距較小，因此樣條次數和變量方式對GPM星地協同插值方案結果的精度影響并不明顯。由上可知，基于GPM星地協同數據的六種模型插值結果的精度差距較小，其中，模型五插值精度最高且精度年際變化穩定，適用性優良，樣條次數和變量方式對該方案影響微小。

圖6 方案II中模型五對2001?2019年年降水量平均值的插值結果

圖7 方案III（GPM星地協同）六種插值模型對984個數據點降水量（2001?2019年平均值）插值結果與實測數據對比

2.1.4 星地協同與地面氣象站點插值方案結果精度對比

TRMM與GPM星地協同插值結果精度差距較小，TRMM星地協同各模型中，模型五插值結果最好，GPM星地協同各模型中，模型六插值結果最好，但TRMM星地協同模型五插值結果整體精度略優于GPM星地協同模型六插值結果。相較于地面氣象站點插值方案，星地協同方案與實測數據的R2得到了顯著提升，并且TRMM與GPM星地協同方案下的六種模型間插值結果精度差距微小，模型間的精度穩定性有了明顯的優化和提升。錢永蘭等[30]研究表明，增加站點數量可以進一步提高Anusplin插值結果的精度。因此，融合氣象站點和遙感數據后，星地協同方案的數據量得到了大幅增加，進而極大地提升了插值結果精度。星地協同方案下的BIAS相較于氣象站點插值方案有輕微上升，這是由于BIAS是用來表示數據與真值的偏離程度，而星地協同方案融入了遙感數據，與完全采用實測數據進行插值的氣象站點插值方案相比，偏差會相對較大，但是變化幅度十分微小，依然可以滿足精度的需要。星地協同方案模型一、模型四、模型五下結果的RMSE與氣象站點插值方案接近，而星地協同方案模型二、模型三、模型六下結果的RMSE明顯優于氣象站點插值方案。從整體上看，星地協同方案相較于氣象站點插值方案對RMSE有著更強的適應性。

圖8 方案III中模型六對2001?2019年年降水量平均值的插值結果

不論是星地協同插值方案還是地面氣象站點插值方案，其插值結果的精度年際變化較小，這體現出Anusplin插值隨時間變異的穩定性較強。同時，樣條次數和變量方式對星地協同插值方案的影響十分微弱，體現出星地協同插值方案受Anusplin插值參數影響較小，使用容錯率較高，適用性較強。

綜上所述，星地協同方案插值結果的精度明顯優于氣象站點插值方案，并且星地協同在精度穩定性、模型使用容錯率等方面均有著不錯的體現，TRMM和GPM星地協同方案下的所有模型中，TRMM星地協同方案模型五的整體精度最高。

2.2 星地協同插值方案與降尺度方案精度對比

2.2.1 TRMM和GPM降水數據精度評價

為了檢驗TRMM和GPM數據在研究區內的適用性，以站點實測值對其進行精度驗證，并計算2001?2019年R2、BIAS和RMSE多年平均值。由圖9可知，TRMM和GPM降水數據的R2分別為0.80和0.82，與氣象站點實測數據整體擬合程度較高，但存在一定的偏差，BIAS分別為0.07和0.09，RMSE范圍為180.4～186.1mm，存在一定的高估現象。TRMM和GPM降水數據的R2、BIAS和RMSE的年際變化均較小。綜上所述，TRMM數據與GPM數據整體精度差距較小，GPM數據的R2更高，與實測數據的相關性更強，但TRMM數據的BIAS和RMSE更低，在數據的穩定性上更勝一籌。TRMM和GPM整體精度年際變化均較小。

2.2.2 TRMM和GPM降尺度方案精度評價

為比較TRMM與GPM降尺度結果在研究區內的準確性，以站點實測值對其進行精度驗證，并計算2001?2019年R2、BIAS和RMSE多年平均值。由圖10可知，TRMM和GPM降尺度結果的R2分別為0.79和0.81，與氣象站點實測數據整體擬合程度較高，但存在一定的偏差，BIAS分別為0.06和0.09。RMSE分別為174.8mm和192.4mm，存在一定的高估現象。TRMM和GPM降尺度結果的R2、BIAS和RMSE的年際變化均較小。綜上所述，TRMM降尺度結果與GPM降尺度結果精度差距較小，GPM降尺度結果的R2更高，與實測數據的相關性更強，但TRMM降尺度結果的BIAS和RMSE更低，在數據的穩定性上更勝一籌。TRMM降尺度結果和GPM降尺度結果整體精度年際變化較小，TRMM和GPM及其降尺度結果平均降水量的空間分布見圖11。

2.2.3 星地協同插值方案與降尺度方案精度對比

相較于TRMM遙感數據（0.25°×0.25°）和GPM遙感數據（0.1°×0.1°），星地協同插值和降尺度結果空間分辨率均為1km×1km，數據在空間細節性上有了極大的改進，但星地協同插值結果的精度整體上優于降尺度結果的精度。其中，TRMM星地協同插值結果的R2相較于TRMM降尺度結果提升了2%，相關性得到了一定的提升。GPM星地協同插值結果的BIAS和RMSE相較于GPM降尺度結果分別降低了2%和10%，穩定性得到了一定的提升。以上結果表明，在同等空間分辨率下，TRMM和GPM星地協同方案結果的精度優于降尺度方案的結果。相較于TRMM數據和GPM數據，星地協同方案結果的BIAS和RMSE均有了一定程度的改進，說明在融合地面氣象站點后進行插值可以有效提升遙感數據的穩定性。

圖9 2001?2019年TRMM和GPM數據平均值與實測數據散點圖

圖10 2001?2019年TRMM和GPM降尺度平均值與實測數據散點圖

圖11 2001?2019年TRMM和GPM及其降尺度結果平均降水量的空間分布

3 結論與討論

3.1 討論

3.1.1 地面氣象站點插值方案

氣象站點插值方案的最優模型是以經度、緯度、高程為變量，樣條次數為2的三變量薄盤光滑樣條函數TVTPS2函數（模型四）。變量方式對地面氣象站點插值方案的結果精度影響較小，但樣條次數對結果精度的影響較為顯著。這可能是由于長江地區地勢相對平坦，區域內大部分為平原、丘陵地形[31]，進而使得高程對Anusplin插值的影響顯著性較低。氣象站點插值方案對于偏差（BIAS）有著極強的適應性。但是對于不同的插值模型，其R2、BIAS和RMSE參差不齊且波動較大，這也體現出氣象站點插值的精度十分依賴模型選擇。其原因可能是因為參與插值的地面氣象站點總量僅84個，較為稀疏，使得插值精度受到影響，這與孟清等[32]的結論基本一致。氣象站點插值結果具有高分辨率（1km×1km）和優良的空間細節性。而降水空間分布往往具有一定的局域性，由陳金明等[33]的研究可知，長江流域降水具有一定的局域性和聚集度，但氣象站點插值結果的降水空間分布細節上與高程空間分布細節具有較高的一致性。這可能是因為地面氣象站點數據較少使得DEM數據在Anusplin插值中比重較大的緣故。這也說明在氣象站點稀疏的情況下，Anusplin的插值結果會十分依賴DEM數據，導致其降水局域性特征不夠明顯。

3.1.2 TRMM和GPM降水數據及其降尺度方案

GPM數據在研究區內的R2優于TRMM數據，但BIAS和RMSE均大于TRMM數據。總體上，兩種降水數據與真實值均存在較大的相關性，且GPM數據與實測數據的相關性優于TRMM數據，但是從數據的穩定性上來說，TRMM數據要優于GPM數據。金曉龍等[34]的研究中提到GPM使用了雙頻雷達觀測系統（DPR）并利用站點數據進行矯正，這可能是GPM數據與實測數據相關性較強的原因，而GPM原始數據進行地面站點矯正后，其數據穩定性可能會受到一定的影響，從而使得其BIAS和RMSE相對較大。

GPM降尺度結果在研究區內的R2優于TRMM降尺度結果，但其BIAS和RMSE均大于TRMM降尺度方案結果，這與降尺度前的TRMM數據與GPM數據在R2、BIAS和RMSE的適應性上具有一致性。總體上，GPM降尺度結果與實測數據的相關性優于TRMM降尺度結果，但是從數據穩定性上來說，TRMM降尺度結果要更勝一籌。TRMM降尺度結果的R2相較于TRMM數據降低了1%，但是BIAS和RMSE均有了不同程度的改進。而對于GPM降尺度結果，R2相較于GPM數據同樣降低了1%，但是BIAS和RMSE并未得到改進。TRMM降尺度結果與實測數據的相關性有所下降，但是穩定性有所提升，而GPM降尺度結果相關性和穩定性都有所下降。但無論是TRMM降尺度結果還是GPM降尺度結果，其R2、BIAS和RMSE均與未經過降尺度處理的TRMM和GPM數據相近，說明在研究區內降尺度所帶來的精度損失是很小的。

在經過降尺度處理后，遙感影像分辨率由原來0.25°×0.25°和0.1°×0.1°提升至1km×1km，獲得了更多的降水空間細節，說明對TRMM和GPM降水數據進行降尺度操作是可行的。值得一提的是，不論TRMM降尺度還是GPM降尺度，其結果均出現了殘缺的情況，這可能是因為缺失部分為城鎮、湖泊等無植被覆蓋區域[31]，植被NDVI值為0，導致了相應區域降尺度圖像的缺失。同時，由白淑英等[35]的研究可知，植被NDVI存在一定的時滯效應，因此，在未考慮滯后期的前提下使用植被NDVI作為降尺度輔助變量，可能會對降尺度結果的精度產生一定影響。這也體現出降尺度模型在使用過程中需要考慮輔助變量的精度與適用性。

3.1.3 TRMM和GPM星地協同插值方案

TRMM星地協同最優插值模型是以經度、緯度、高程為變量，樣條次數為3的三變量薄盤光滑樣條函數TVTPS3函數（模型五），GPM星地協同最優插值模型是以經度、緯度和高程為變量，樣條次數為4的三變量薄盤光滑樣條函數TVTPS4函數（模型六）。TRMM星地協同最優插值結果的整體精度優于GPM星地協同最優插值結果。

同時，星地協同插值結果與實測數據的擬合程度、數據穩定性、時間變異性以及空間細節性上均有著不錯的體現，繼承了衛星數據的高擬合度和Anusplin插值的高穩定性、優良空間細節性的優點，符合預期期望。這可能是由于星地協同方案數據點量（984個）遠大于地面氣象站點數據量（84個），使得星地協同數據降水空間分布上兼顧了降水局域性和變化的漸進性，圖像完整無殘缺。在不同插值模型下，星地協同插值結果的精度較為穩定，方案使用的容錯率較高，彌補了地面氣象站點插值和降尺度模型各自的缺點。綜上所述，星地協同插值結果具有高精度、高穩定性、高分辨率、高空間細節性以及使用高容錯率等特點，不僅繼承了衛星數據和Anusplin插值的天然優勢，同時彌補了地面氣象站點插值和降尺度模型的缺點，研究區內最適宜的星地協同插值模型為TRMM星地協同插值方案模型五。

3.2 結論

（1）星地協同插值結果的精度、圖像完整性、空間細節表達以及模型使用的穩定性上均優于氣象站點插值結果和降尺度結果，星地協同插值方案在長江中下游流域有著較強的適應性。

（2）地面氣象站點插值方案結果的精度受插值模型的影響較大，尤其是受樣條次數的影響較為顯著，方案使用容錯率較低，且圖像呈現與DEM圖像有較高的相似度，缺乏降水的局域性特征。

（3）研究區內TRMM和GPM降水數據與降尺度方案的結果均有較高的精度，但降尺度模型受輔助變量影響，會對遙感數據造成一定的精度損失和圖像殘缺。

（4）TRMM星地協同插值方案下的最優模型是以經度、緯度、高程為變量，樣條次數為3的三變量薄盤光滑樣條函數TVTPS3函數（模型五），GPM星地協同插值方案下的最優模型是以經度、緯度和高程為變量，樣條次數為4的三變量薄盤光滑樣條函數TVTPS4函數（模型六），TRMM星地協同最優模型插值結果的整體精度優于GPM星地協同最優模型，研究區內最適用模型為TRMM星地協同插值方案模型五。

[1] Zhang L,Schlaepfer D R,Chen Z,et al.Precipitation and evapotranspiration partitioning on the Three-River Source Region:a comparison between water balance and energy balance models[J].Journal of Hydrology:Regional Studies, 2021,38:100936.

[2] Qi W,Liu J,Xia J,et al.Divergent sensitivity of surface water and energy variables to precipitation product uncertainty in the Tibetan Plateau[J].Journal of Hydrology,2020,581:124338.

[3] Chu X,Han G,Wei S,et al.Seasonal not annual precipitation drives 8-year variability of interannual net CO2exchange in a salt marsh[J].Agricultural and Forest Meteorology, 2021,308:108557.

[4] Cheng Y,Zhan H,Yang W,et al.ISWCR 346:redistribution process of precipitation in ecological restoration activity of Pinus sylvestris var.mongolica in Mu Us Sandy Land, China[J].International Soil and Water Conservation Research,2022. doi:10.1016/j.iswcr.2022.03.008.

[5] 周芷菱,張利平,王惠筠,等.基于CMIP6的萊茵河流域極端水文事件變化特征研究[J].武漢大學學報(工學版), 2022,55(4):328-338.

Zhou Z L,Zhang L P,Wang H J,et al.Change characteristics of extreme hydrological events in the Rhine river basin based on CMIP6[J].Engineering Journal of Wuhan University, 2022,55(4):328-338.(in Chinese)

[6] Guerschman J P,Hill M J,Leys J,et al.Vegetation cover dependence on accumulated antecedent precipitation in Australia:Relationships with photosynthetic and non-photosynthetic vegetation fractions[J].Remote Sensing of Environment,2020,240:111670.

[7] 竇世卿,張寒博,徐勇,等.TRMM降水數據在長江流域的降尺度分析與校正[J].中國農業氣象,2021,42(5):377-389.

Dou S Q,Zhang H B,Xu Y,et al.Research on downscaling and correction of TRMM data in the Yangtze river basin[J].Chinese Journal of Agrometeorology,2021,42(5): 377-389.(in Chinese)

[8] 馮克鵬,田軍倉,洪陽,等.TRMM/GPM和Stage IV降水產品在小流域水文模擬效用評估[J].排灌機械工程學報,2021,39(4):397-403.

Feng K P,Tian J C,Hong Y,et al.Assessment of accuracy and runoff simulation of TRMM/GPM and stage Ⅳ precipitation products in small watershed[J].Journal of Drainage and Irrigation Machinery Engineering,2021, 39(4):397-403.(in Chinese)

[9] Zhao J,Li C,Yang T,et al.Estimation of high spatiotemporal resolution actual evapotranspiration by combining the SWH model with the METRIC model[J].Journal of Hydrology,2020,586:124883.

[10] Tan J,Xie X,Zuo J,et al.Coupling random forest and inverse distance weighting to generate climate surfaces of precipitation and temperature with multiple-covariates[J]. Journal of Hydrology,2021,598:126270.

[11] 張善紅,白紅英,齊貴增,等.基于多元線性回歸模型和Anusplin的秦巴山區≥10℃積溫空間模擬比較[J].水土保持研究,2022,29(1):184-189.

Zhang S H,Bai H Y,Qi G Z,et al.Spatial simulation of active accumulated temperature ≥10℃ in Qinling-Daba mountains based on Anusplin and Multiple linear regression model[J].Research of Soil and Water Conservation,2022, 29(1):184-189.(in Chinese)

[12] Guo B,Zhang J,Meng X,et al.Long-term spatio-temporal precipitation variations in China with precipitation surface interpolated by ANUSPLIN[J].Scientific Reports,2020, 10(1):1-17.

[13] 徐翔,許瑤,孫青青,等.復雜山地環境下氣候要素的空間插值方法比較研究[J].華中師范大學學報(自然科學版),2018,52(1):122-129.

Xu X,Xu Y,Sun Q Q,et al.Comparision study on meteorological spatial interpolation approaches in Kangdian region of China[J].Journal of Central China Normal University, 2018,52(1):122-129. (in Chinese)

[14] 譚劍波,李愛農,雷光斌.青藏高原東南緣氣象要素Anusplin和Cokriging空間插值對比分析[J].高原氣象, 2016,35(4):875-886.

Tan J B,Li A N,Lei G B.Contrast on Anusplin and Cokriging meteorological spatial interpolation in southeastern margin of Qinghai-Xizang plateau[J].Plateau Meteorology,2016,35(4):875-886. (in Chinese)

[15] 玉院和,王金亮.TRMM 3B43降水數據在云南地區的降尺度適用性評價[J].中國農業氣象,2020,41(9):575-586.

Yu Y H,Wang J L.Applicability evaluation of TRMM 3B43 precipitation data for downscaling in Yunnan province[J]. Chinese Journal of Agrometeorology,2020,41(9):575-586. (in Chinese)

[16] Zhang Y,Wu C,Yeh P J F,et al.Evaluation and comparison of precipitation estimates and hydrologic utility of CHIRPS,TRMM 3B42 V7 and PERSIANN-CDR products in various climate regimes[J].Atmospheric Research,2022, 265:105881.

[17] Shen Z,Yong B,Yi L,et al.From TRMM to GPM,how do improvements of post/near-real-time satellite precipitation estimates manifest[J].Atmospheric Research,2022:106029.

[18] Arshad M,Ma X,Yin J,et al.Evaluation of GPM-IMERG and TRMM-3B42 precipitation products over Pakistan[J]. Atmospheric Research,2021,249:105341.

[19] Lin Q,Peng T,Wu Z,et al.Performance evaluation,error decomposition and tree:based Machine Learning error correction of GPM IMERG and TRMM 3B42 products in the Three Gorges Reservoir area[J].Atmospheric Research, 2022,268:105988.

[20] 崔路明,王思夢,劉軼欣,等.TRMM和GPM衛星降水數據在中國三大流域的降尺度對比研究[J].長江流域資源與環境,2021,30(6):1317-1328.

Cui L M,Wang S M,Liu Y X,et al.Comparative study on downscaling of TRMM and GPM satellite precipitation data in three major river basins in China[J].Resources and Environment in the Yangtze Basin,2021,30(6):1317-1328. (in Chinese)

[21] 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 S,Zhang Z Y,Liu L,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,2020,36(12):99-109.(in Chinese)

[22] Zhang T,Li B,Yuan Y,et al.Spatial downscaling of TRMM precipitation data considering the impacts of macro- geographical factors and local elevation in the Three-River Headwaters region[J].Remote Sensing of Environment, 2018,215:109-127.

[23] Wang H,Zang F,Zhao C,et al.A GWR downscaling method to reconstruct high-resolution precipitation dataset based on GSMaP-Gauge data:a case study in the Qilian Mountains, Northwest China[J].Science of the Total Environment, 2022,810:152066.

[24] 王小杰,夏軍強,李啟杰,等.長江中下游地區洪澇災情時空變化及影響因素[J/OL].水資源保護, http://kns.cnki. net/kcms/detail/32.1356.TV.20220520.1357.012.html,2022-05-24.

Wang X J,Xia J Q,Li Q J,el al.Spatio-temporal distribution of flood disasters and influencing factors in the Middle and Lower Yangtze River Zone[J/OL].Water Resources Protection, http://kns.cnki.net/kcms/detail/32.1356.TV.20220520.1357.012.html,2022-05-24.(in Chinese)

[25] Brunsdon C,Fotheringham S,Charlton M.Geographically weighted local statistics applied to binary data[C]// International Conference on Geographic Information Science.Springer,Berlin,Heidelberg,2002:38-50.

[26] Hutchinson M F,Xu T.Anusplin version 4.2 user guide[J].Canberra:Centre for Resource and Environmental Studies,2004.

[27] 梅曉丹,李丹,王強,等.基于ANUSPLIN的小興安嶺地區降水格點數據空間插值[J].測繪與空間地理信息, 2021,44(12):7-10.

Mei X D,Li D,Wang Q,et al.Spatial interpolation of precipitation grid data in Xiaoxing′anling region based on ANUSPLIN[J].Geomatics & Spatial Information Technology, 2021,44(12):7-10.(in Chinese)

[28] 李任君,高懋芳,李強,等.基于ANUSPLIN的降水空間插值方法研究[J].中國農業信息,2019,31(1):48-57.

Li R J,Gao M F,Li Q,et al.Research on rainfall spatial interpolation method based on ANUSPLIN[J].China Agricultural Informatics,2019,31 (1):48-57.(in Chinese)

[29] 張寒博,竇世卿,溫穎,等.遙感降水數據空間降尺度及干旱時空監測[J].水土保持學報,2022,36(1):153-160.

Zhang H B,Dou S Q,Wen Y,et al.Spatial downscaling of remote sensing precipitation data and spatiotemporal monitoring of drought[J].Journal of Soil and Water Conservation,2022,36(1):153-160.(in Chinese)

[30] 錢永蘭,呂厚荃,張艷紅.基于ANUSPLIN軟件的逐日氣象要素插值方法應用與評估[J].氣象與環境學報,2010, 26(2):7-15.

Qian Y L,Lv H Q,Zhang Y H,et al.Application and assessment of spatial interpolation method on daily meteorological elements based on ANUSPLIN software[J]. Journal of Meteorology and Environment,2010,26(2): 7-15.(in Chinese)

[31] 劉文茹,居輝,陳國慶,等.典型濃度路徑(RCP)情景下長江中下游地區氣溫變化預估[J].中國農業氣象,2017,38(2): 65-75

Liu W R,Ju H,Chen G Q,et al.Prediction on the possible air temperature change over the middle and lower Yangtze River basin under the RCP scenarios[J].Chinese Journal of Agrometeorology,2017,38(2):65-75.(in Chinese)

[32] 孟清,白紅英,郭少壯,等.基于Anusplin秦嶺地區近50多年來的降水時空變化[J].水土保持研究,2020,27(2):207- 212.

Meng Q,Bai H Y,Guo S Z,el al.Spatial-temporal variation of precipitation in Qinling area in recent 50 years based on Anusplin[J].Reaserch of Soil and Water Conservation, 2020,27(2):207-212.(in Chinese)

[33] 陳金明,陸桂華,吳志勇,等.長江流域極端降水過程事件的年內分布特征[J].長江流域資源與環境,2014(4): 588-594.

Chen J M,Lu G H,Wu Z Y,et al.Inner-annual distribution characteristics of the extreme precipitation processes events over the Yangtze river basin.[J].Resources and Environment in the Yangtze Basin,2014(4):588-594.(in Chinese)

[34] 金曉龍,邵華,張弛,等.GPM衛星降水數據在天山山區的適用性分析[J].自然資源學報,2016,31(12):2075-2085.

Jin X L,Shao H,Zhang C,et al.The applicability evaluation of three satellite products in Tianshan Mountains[J].Journal of Natural Resources,2016,31(12):2075-2085.(in Chinese)

[35] 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)

Interpolation Method of Satellite-ground Collaborative Precipitation and Its Applicability

XU Yong, GUO Zhen-dong, PAN Yu-chun, ZHENG Zhi-wei

（College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China）

Changes in precipitation have great impacts on regional terrestrial ecosystems and water cycles. In this study, the middle and lower reaches of the Yangtze River Basin is considered to be the study area. The satellite-ground collaborative precipitation derived from in situ meteorological station, TRMM and GPM from 2001 to 2019 were collected. The interpolation results of satellite-ground collaborative precipitation against six Anusplin interpolation models were compared with the TRMM and GPM precipitation, TRMM and GPM downscaling precipitation, and interpolation precipitation based on the measured precipitation of verification stations. The research result can provide theoretical support for obtaining the precipitation with high accuracy, high resolution and excellent spatial details in the areas with sparse meteorological station. The results show that:（1）both the multi-year average accuracy of the results of the TRMM （R2=0.81, BIAS=0.06, RMSE=171.1mm）and GPM satellite-ground collaborative interpolation models（R2=0.81, BIAS=0.07, RMSE=172.8mm） in the middle and lower reaches of the Yangtze River Basin from 2001 to 2019 were superior to the multi-year average accuracy of interpolation precipitation of in situ meteorological stations（R2=0.66, BIAS=0.02, RMSE=198.66mm）, TRMM downscaling precipitation（R2=0.79, BIAS=0.06, RMSE=174.8mm）, and GPM downscaling precipitation（R2=0.81, BIAS=0.09, RMSE=192.4mm）.（2）The satellite-ground collaborative interpolation precipitation has obvious advantages in the spatial detail expression, image integrity, and model stability. The interpolation result of TRMM satellite-ground collaborative interpolation model 5 has the best accuracy.（3）The variable and spline number of Anusplin interpolation model have a stronger impact on the accuracy of the interpolation result based on in situ meteorological station, but a weaker impact on the interpolation result based on satellite-ground collaborative interpolation precipitation.（4）The result of the downscaling model is closely related to auxiliary variables, which may cause a certain loss of accuracy and image deformity to downscaling precipitation data.

Satellite-ground collaborative; TRMM; GPM; Downscaling; Anusplin interpolation model

10.3969/j.issn.1000-6362.2023.08.007

徐勇,郭振東,盤鈺春,等.基于星地協同的降水數據插值方法及其適用性[J].中國農業氣象,2023,44(8):721-734

2022?09?26

廣西自然科學基金項目（2020GXNSFBA297160）；廣西科技基地和人才專項（桂科AD21220133）；國家自然科學基金項目（42061059；42161028）；廣西空間信息與測繪重點實驗室項目（191851016）；桂林理工大學大學生創新創業訓練計劃項目（202210596388）

徐勇，博士，副教授，主要研究方向為氣候變化和植被覆蓋反演，E-mail：yongxu@glut.edu.cn