基于深度學(xué)習(xí)的閩浙贛GPM降水產(chǎn)品降尺度方法

李新同, 史嵐, 陳多妍

(南京信息工程大學(xué)地理科學(xué)學(xué)院,南京 210044)

0 引言

在地球水循環(huán)的環(huán)節(jié)中,水循環(huán)通過降水連接陸地、大氣和海洋的水分交換過程。降水對氣候、水文、植被等方面有著重要的意義,降水量影響大氣中的水循環(huán)過程、局地氣候和全球糧食作物的收成[1-4]。研究降水的空間分布,有利于監(jiān)測洪澇災(zāi)害,做到提前預(yù)警,同時也能提前應(yīng)對干旱地區(qū)的缺水情況。雖然獲得降水?dāng)?shù)據(jù)依靠地面氣象站點監(jiān)測,但是受到地形的限制和氣象儀器設(shè)備缺少的影響,有些區(qū)域甚至沒有完整連續(xù)的多年降水?dāng)?shù)據(jù),因此很難獲取某些地區(qū)的實測降水?dāng)?shù)據(jù)[5]。在海洋上,由于沒有地面氣象站點,所以對研究降水時空分布造成了很大的困擾,而衛(wèi)星遙感則沒有這些限制,它為獲得全球降水?dāng)?shù)據(jù)提供了便利。

全球降水測量計劃(Global Precipitation Measurement,GPM)衛(wèi)星于2014年由美國國家航空航天局地球科學(xué)辦公室和日本空間發(fā)展署發(fā)射,目的是為星載定量降水估計建立新的標(biāo)準(zhǔn),提供下一代新的降水產(chǎn)品[6-7]。GPM產(chǎn)品與上一代的衛(wèi)星降水產(chǎn)品熱帶降雨測量(Tropical Rainfall Measuring Mission,TRMM)比較,觀測范圍更大,由原來的50°N～50°S擴(kuò)大成90°N～90°S,也更加適用于研究中國區(qū)域降水。

GPM的空間分辨率(0.1°×0.1°)雖然比TRMM高,但在地形復(fù)雜的地區(qū),其精度仍然不高,需要用降尺度的方法提升GPM降水產(chǎn)品的精度。目前已有國內(nèi)外學(xué)者基于降水主導(dǎo)因子對GPM降水衛(wèi)星產(chǎn)品建立降尺度模型,如Lu等[8]以中國天山山脈為研究區(qū)域,基于地形因子和植被指數(shù)構(gòu)建地理加權(quán)回歸降尺度模型,與逐步回歸降尺度模型進(jìn)行對比; 史嵐等[9]引入水汽數(shù)據(jù),結(jié)合地形因子和植被因子,構(gòu)建地理加權(quán)回歸降尺度模型; 胡實等[10]研究將GPM降水產(chǎn)品與植被指數(shù)和高程結(jié)合,構(gòu)建時滯地理加權(quán)回歸模型; Brocca等[11]結(jié)合GPM早期降水產(chǎn)品、雨量計和歐洲中期降水中心天氣預(yù)報再分析3種降水產(chǎn)品,提出3種不同的降水徑流模型。雖然GPM降水產(chǎn)品基于降水主導(dǎo)因子的研究眾多,但是運用深度學(xué)習(xí)方法研究降水降尺度的相關(guān)研究較少。

深度學(xué)習(xí)由Hinton等[12]在2006年提出,它由機(jī)器學(xué)習(xí)演變而來,可以一次性學(xué)習(xí)所有特征,具有更強(qiáng)大的學(xué)習(xí)能力。深度學(xué)習(xí)有多種算法,如前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)等。深度學(xué)習(xí)在其他領(lǐng)域獲得了不小的成果,使得更多的學(xué)者將深度學(xué)習(xí)應(yīng)用在降尺度方面。如Afshin等[13]選取了卡隆盆地的降水量、南方濤動指數(shù)、海平面氣壓和海表面溫度等數(shù)據(jù),將人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯和小波函數(shù)結(jié)合,海平面氣壓和海表溫度達(dá)到了最佳的結(jié)果。國內(nèi)外學(xué)者不僅將深度學(xué)習(xí)方法應(yīng)用在海溫降尺度方面,而且更偏向于利用深度學(xué)習(xí)方法預(yù)報降尺度的研究。Bonnet等[14]運用視覺預(yù)測深度學(xué)習(xí)算法預(yù)測巴西圣保羅的降水量,指出視覺預(yù)測深度學(xué)習(xí)算法作為輔助臨近預(yù)報具有很大的潛力; 王慧媛[15]基于雷達(dá)回波數(shù)據(jù)和氣象站數(shù)據(jù),運用多時間尺度支持向量機(jī)估測華東地區(qū)短時動態(tài)降水; 周康輝等[16]結(jié)合多源觀測數(shù)據(jù)和高分辨率數(shù)值天氣預(yù)報,運用深度學(xué)習(xí)算法,可視化強(qiáng)對流天氣并解釋預(yù)測過程,發(fā)現(xiàn)該算法得出的結(jié)果比單一數(shù)據(jù)的預(yù)報更加可靠; 郭瀚陽等[17]利用卷積循環(huán)網(wǎng)絡(luò)模型預(yù)報高分辨率的強(qiáng)對流天氣; 徐海龍等[18]基于長短時記憶網(wǎng)絡(luò)(long short-term memory neural network,LSTM)算法,結(jié)合最小二乘法,提高了日長變化預(yù)報的精確性; 袁建剛等[19]根據(jù)遞歸神經(jīng)網(wǎng)絡(luò)算法建立全球電離層模型,成功模擬出電離層的物理變化; Xiang等[20]提出了新的基于參考和梯度引導(dǎo)的降尺度深度學(xué)習(xí)模型。深度學(xué)習(xí)的算法多應(yīng)用于圖像識別、無人機(jī)和預(yù)測等領(lǐng)域[21-24],在降水降尺度研究領(lǐng)域應(yīng)用較少。

目前,降水降尺度研究大多基于年尺度、季尺度和月尺度,很少研究日尺度,同樣也缺乏構(gòu)建深度學(xué)習(xí)降尺度模型。本文選擇閩浙贛作為研究區(qū),基于2015—2019年日降水?dāng)?shù)據(jù),對GPM衛(wèi)星遙感降水產(chǎn)品運用深度學(xué)習(xí)方法構(gòu)建降尺度模型,獲得研究區(qū)高精度的降水?dāng)?shù)據(jù),并對模型結(jié)果進(jìn)行評估。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

閩浙贛地區(qū)(如圖1)位于中國的東南部,處于中國地形第三級階梯,東瀕東海,西臨湖南和湖北,南近廣東,北與江蘇和安徽接壤。該區(qū)域經(jīng)緯度范圍為E113.5°～122°,N23.5°～31°。研究區(qū)包含福建、浙江和江西三省行政區(qū)域,有杭州市、南昌市、福州市等31個地級城市,三省總面積大約是39萬km2。海拔由西向東升高,地勢起伏較大,地形多為高山、山地、丘陵,同時也有平原。該研究區(qū)域的氣候類型屬于亞熱帶季風(fēng)氣候和亞熱帶季風(fēng)性濕潤氣候,具有雨熱同期的特點,夏季高溫多雨,盛行東南季風(fēng),冬季低溫少雨,盛行西北風(fēng)。研究區(qū)域的年降水量可以達(dá)到1 000～2 000 mm左右。從春末到夏季都是多雨時節(jié),容易發(fā)生滑坡、泥石流等地質(zhì)災(zāi)害和洪澇災(zāi)害,同時也容易出現(xiàn)風(fēng)雹、臺風(fēng)等氣象災(zāi)害。因此,研究閩浙贛地區(qū)降水的時間和空間分布具有十分重大的意義,可以為監(jiān)測、預(yù)測自然災(zāi)害提供技術(shù)支撐。

圖1 閩浙贛地區(qū)的地形和氣象站點分布圖(該圖基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2016)2923號的標(biāo)準(zhǔn)地圖制作,底圖無修改。下文同。)

1.2 數(shù)據(jù)源及其預(yù)處理

1.2.1 GPM數(shù)據(jù)

本文采用的GPM數(shù)據(jù)來自美國國家航空航天局(http: //disc.gsfc.nasa.gov/datasets?keywords=i-merg&page=1)。該降水產(chǎn)品的數(shù)據(jù)范圍是180°W～180°E,產(chǎn)品格式是nc4。研究時間為2015年1月—2020年12月,時間分辨率為1 d,空間分辨率為0.1°×0.1°。在ArcGIS軟件平臺上對GPM降水?dāng)?shù)據(jù)進(jìn)行預(yù)處理操作。

1.2.2 氣象數(shù)據(jù)

氣象站點數(shù)據(jù)來自于中國氣象科學(xué)共享服務(wù)網(wǎng)(http: //cdc.nmic.cn/)的中國地面日值數(shù)據(jù)集(V3.0),時間為2015年1月—2020年12月。數(shù)據(jù)文件有站點編號、高程、逐日降水量和站點的經(jīng)緯度等信息。常規(guī)氣象站點一共有78個,鄱陽湖流域加密站84個,經(jīng)質(zhì)量控制之后得到了153個站點,根據(jù)氣象觀測數(shù)據(jù)與GPM IMERG降水產(chǎn)品的觀測時間不一致,將觀測數(shù)據(jù)的北京時間訂正為世界時(UTC)時間。其中將常規(guī)氣象站點2015—2019年數(shù)據(jù)集作為訓(xùn)練集,2020年降水?dāng)?shù)據(jù)集作為個例年驗證數(shù)據(jù)集,鄱陽湖流域84個加密站作為加密站驗證數(shù)據(jù)集。

1.2.3 基礎(chǔ)地理數(shù)據(jù)

數(shù)字高程模型 (digital elevation model, DEM)來自國家基礎(chǔ)地理信息數(shù)據(jù)庫(http: //www.g-scloud.cn),分辨率為1 km×1 km,比例為1∶100萬,采取正軸等積割圓錐投影(Albers equal area project),在ArcGIS軟件平臺上投影,提取DEM的坡度、坡向等地形信息。

1.2.4 植被指數(shù)數(shù)據(jù)

歸一化植被指數(shù) (normalized difference vegetation index,NDVI)數(shù)據(jù)為MOD13A2中國區(qū)域NDVI合成產(chǎn)品,來自于美國國家航空航天局的官方網(wǎng)站(http: //ladsweb.modaps.eosdis.nasa.gov/),空間分辨率是1 km×1 km。NDVI產(chǎn)品從MODIS的TERRA衛(wèi)星上獲取,產(chǎn)品格式是HDF。數(shù)據(jù)前期處理包括: 校正、拼接、裁剪、投影轉(zhuǎn)換、單位換算等。

2 研究方法

2.1 降尺度模型構(gòu)建

2.1.1 模型構(gòu)建

根據(jù)前人的研究[25-26],地理因子和植被指數(shù)均對Integrated Multi-satellite Retrievals for GPM(GPM IMERG)降水精度有影響。本文引入高程(H)、坡向(aspect)、坡度(slope)、經(jīng)度(lon)、緯度(lat)和植被指數(shù)(NDVI)作為自變量的因子,模型運行成功后的GPM降水?dāng)?shù)據(jù)作為降水主導(dǎo)因子,建立降尺度模型,公式為:

GPM=f(Lon,Lat,Slope,Aspect,H,NDVI) 。

(1)

將降水主導(dǎo)因子輸入深度學(xué)習(xí)降尺度模型中,構(gòu)建空間分辨率1 km×1 km的GPM降尺度模型。

2.1.2 基于LSTM的降尺度模擬

RNN與普通神經(jīng)網(wǎng)絡(luò)相比沒有太多的限制因素,應(yīng)用于序列數(shù)據(jù)集更優(yōu),但是在訓(xùn)練過程中容易出現(xiàn)梯度消失或者梯度爆炸的問題,尤其是長序列的時候,問題更加明顯。在此基礎(chǔ)上,Hochreiter等[27]對RNN進(jìn)行了算法提升,提出了LSTM,LSTM克服了RNN的不足之處[28]。如圖2所示,LSTM由

圖2 LSTM結(jié)構(gòu)圖

單元狀態(tài)(cell state)和門控(gates)構(gòu)成,在每個序列索引位置t的門是由輸入門、遺忘門和輸出門構(gòu)成,輸入門控制信息流入,遺忘門控制狀態(tài)更新,輸出門控制信息輸出。圖2中,Xt和ht分別為t時刻的輸入和輸出,σ和Tanh分別為sigmoid和Tanh激活函數(shù),?表示乘法,輸出結(jié)果的值域為[0,1],表示允許輸出多少數(shù)據(jù),值越小,表示輸出數(shù)據(jù)越少,反之,輸出數(shù)據(jù)越多,⊕為加法,A為其他時刻的LSTM結(jié)構(gòu)。

一般LSTM可解決長時間序列的問題,隨之而來的局限性是當(dāng)前時間t的目標(biāo)值不僅與t-1時刻的變量有關(guān),還和當(dāng)前時間t的變量有關(guān),事實上,當(dāng)前時間t的變量并不存在,因為t時間的變量與輸出結(jié)果共同存在。在此基礎(chǔ)上,本文考慮將第一個數(shù)據(jù)集輸入LSTM模型中,輸出的結(jié)果和下一個數(shù)據(jù)集再次輸入到LSTM模型中,對LSTM進(jìn)行優(yōu)化,得到優(yōu)化后的LSTM(optimized LSTM, OLSTM)算法,具體如下: ①調(diào)整算法網(wǎng)絡(luò),初始化權(quán)重值、迭代次數(shù)等參數(shù); ②將2015—2019年的數(shù)據(jù)集分為訓(xùn)練集和測試集,輸入第一個訓(xùn)練集主導(dǎo)因子,輸出的結(jié)果和下一個訓(xùn)練集主導(dǎo)因子輸入模型中,得到OLSTM模型; ③將數(shù)據(jù)的測試集輸入降尺度模型中進(jìn)行測試并計算精度指標(biāo),以檢驗降尺度模型。

2.2 誤差驗證

本文從加密站和個例年2方面進(jìn)行驗證,以說明模型在空間和時間上的普適性。采用相關(guān)系數(shù)R、平均相對誤差(mean relative error, MRE)以及均方根誤差(root mean square error, RMSE)對估算降水量與實測降水量比較,分析兩者之間的誤差,評估降尺度模型結(jié)果精度。采用標(biāo)準(zhǔn)差σ、相關(guān)系數(shù)R和RMSE,3個指標(biāo)組成一個極坐標(biāo)圖,評估降尺度模型在極坐標(biāo)圖中的監(jiān)測精度。各指標(biāo)計算公式分別為:

,

(2)

,

(3)

,

(4)

,

(5)

,

(6)

3 分析與討論

3.1 模型調(diào)整參數(shù)

不斷調(diào)整隱含層L、神經(jīng)元N和迭代次數(shù)epochs,得到降水?dāng)?shù)據(jù)的訓(xùn)練集和測試集的決定系數(shù)R2、RMSE和MRE,根據(jù)降水?dāng)?shù)據(jù)集的長度,神經(jīng)元數(shù)量N為300,隱含層L和迭代次數(shù)的調(diào)整結(jié)果如表1所示。從表1可知,當(dāng)L=5,N=300,epochs=250時,訓(xùn)練集的決定系數(shù)R2為0.89,RMSE為0.39 mm,此時決定系數(shù)最高,RMSE最低,擬合出的降水精度理論上是最優(yōu)的,但是此時的測試集R2和MRE不是最優(yōu)解,過分追求評估指數(shù)最優(yōu),導(dǎo)致結(jié)果過于擬合,模型將會表現(xiàn)出極差的泛化能力,甚至得到的降水精度不如預(yù)期的理想,這是因為迭代次數(shù)過多,擬合了訓(xùn)練集數(shù)據(jù)的噪聲和訓(xùn)練樣例中沒有代表性的特征。為了解決過擬合的問題,本文逐漸減少隱含層的層數(shù)和迭代次數(shù),直到隱含層為4,迭代次數(shù)為150時,損失值(loss)慢慢收斂穩(wěn)定,故選取模型的參數(shù)為:L=4,N=300,epochs=150,將參數(shù)和降水?dāng)?shù)據(jù)集輸入模型中,得到2015—2019年降水?dāng)?shù)據(jù)集。

表1 模型調(diào)整參數(shù)表

3.2 降尺度的結(jié)果分析與驗證

圖3—6分別為2019年四季中某一天的氣象站降水、遙感衛(wèi)星GPM IMERG和降尺度結(jié)果的對比圖,可以看出降尺度結(jié)果降水的分布圖比氣象站降水分布圖和遙感衛(wèi)星GPM IMERG降水分布圖具有更高的空間分辨率,還精細(xì)地刻畫了研究區(qū)降水的空間分布差異。從整體上來看,GPM IMERG降水產(chǎn)品對研究區(qū)進(jìn)行了嚴(yán)重的低估,降尺度結(jié)果則與氣象站降水量比較接近,但是在7月12日,GPM降水產(chǎn)品對研究區(qū)局地進(jìn)行了高估,比如江西宜春。降尺度結(jié)果的空間分布情況與氣象站降水?dāng)?shù)據(jù)的空間格局也更為一致,但是空間差異性較氣象站降水?dāng)?shù)據(jù)更為精細(xì),在降水的最值區(qū)域三者有差異: 在1月17日(圖3),氣象站降水最大值在浙江玉環(huán),降水量是42.1 mm,GPM和降尺度結(jié)果的最大降水量分別在浙江上虞和平湖,數(shù)值較低,分別是11.2 mm和25.1 mm; 在4月7日(圖4),浙江云和的氣象站降水量最大,為52.8 mm,GPM和降尺度結(jié)果的最大降水量都位于福建福鼎; 在7月12日(圖5),福建福安的氣象站最大降水量達(dá)到了75.7 mm,GPM和降尺度結(jié)果的最大降水量都在福建永定; 在10月16日(圖6),江西靖安的氣象站降水量最大,為14.5 mm,GPM降水量在江西遂川最大,達(dá)6 mm,降尺度結(jié)果的最大降水量位于江西靖安,為13.5 mm,與氣象站最大降水量所在位置和數(shù)值都更為一致。總體而言氣象站降水的最值區(qū)域與GPM的最值降水區(qū)域有區(qū)別,與降尺度結(jié)果的最值區(qū)域更為接近。

(a) 氣象站降水 (b) GPM降水 (c) 降尺度結(jié)果

(a) 氣象站降水 (b) GPM降水 (c) 降尺度結(jié)果

(a) 氣象站降水 (b) GPM降水 (c) 降尺度結(jié)果

(a) 氣象站降水 (b) GPM降水 (c) 降尺度結(jié)果

從降水時間分布來看,1月17日,圖3(a)和圖3(c)可知,閩浙贛地區(qū)降水分布由西北向東南方向遞減,降水集中在浙江北部,浙江東北沿海地區(qū)降水量最多,達(dá)到了大雨級別,而降尺度結(jié)果的級別仍是中雨,在福建地區(qū)降水最少; 4月7日,從圖4(a)和圖4(c)可以看出,氣象站降水集中在浙江和福建交界處、江西中部和西部,降尺度結(jié)果在浙江和福建交界處降水量較多,在其他地方是少量降水; 7月12日,由圖5(a)可以見到,研究區(qū)大部分地區(qū)是少雨,除了福建地區(qū)沿海和南部地區(qū)仍有降水,降尺度結(jié)果的空間分布格局與氣象站一致; 10月16日,圖6(a)和圖6(c)可知,氣象站降水集中在江西西北部,其他地方仍有少量降水,而降尺度結(jié)果也集中在江西西北部。運用深度學(xué)習(xí)算法訂正降水?dāng)?shù)據(jù)的方法提高了原始GPM IMERG數(shù)據(jù)的精度,該方法在一定程度上是可靠的。本文降尺度結(jié)果雖然能夠較好地反映出閩浙贛降水的時間和空間分布情況,但是在一些細(xì)節(jié)上仍有偏差。主要在4月7日這一天,降水集中在浙江南部和福建北部,處于暴雨強(qiáng)度,而降尺度結(jié)果并沒有達(dá)到暴雨強(qiáng)度,即降尺度結(jié)果在4月7日訂正效果并不好,未來將引入水汽含量、風(fēng)向等其他降水因子,提升深度學(xué)習(xí)降尺度模型的效果。

3.3 模型驗證

3.3.1 典型區(qū)域加密站驗證

利用鄱陽湖流域84個加密氣象站點2015—2019年平均月降水量對OLSTM降尺度模型進(jìn)行驗證。為更好地驗證OLSTM深度學(xué)習(xí)的降尺度效果,本文將降尺度結(jié)果繪制成平均月降水的泰勒圖。從圖7可知,平均月降水量的相關(guān)系數(shù)R都超過了0.7,其中,10月的降尺度結(jié)果最優(yōu),比其他月份表現(xiàn)更佳,R達(dá)到了0.91,RMSE為1.19 mm,標(biāo)準(zhǔn)差是2.46,最接近標(biāo)準(zhǔn)差之比2.5; 7月和4月次之,7月的R是0.9,RMSE是3.01 mm,標(biāo)準(zhǔn)差是5.23,4月的相關(guān)系數(shù)是0.8,RMSE是1.66 mm,標(biāo)準(zhǔn)差是1.66。但是1月誤差偏差較大,R是0.7,RMSE是1.9 mm,標(biāo)準(zhǔn)差是0.78。這是因為1月降水量少,降尺度模型存在高估的現(xiàn)象。

圖7 平均月降水的泰勒圖

3.3.2 個例年驗證

為了驗證深度學(xué)習(xí)降尺度模型在時間尺度的模擬水平,本文選取未參與模型訓(xùn)練的2020年降水?dāng)?shù)據(jù),對研究區(qū)的空間降水進(jìn)行降尺度,將降尺度后的降水?dāng)?shù)據(jù)與氣象站點數(shù)據(jù)分別從日尺度和月尺度2個時間尺度進(jìn)行精度評估,計算降尺度前后的精度指標(biāo)R,RMSE和MRE以評估模型的實用性。

1) 日尺度降水精度評估。為對比分析日尺度下GPM降水?dāng)?shù)據(jù)與降尺度結(jié)果的降水?dāng)?shù)據(jù)的精度,圖8是氣象站點降水?dāng)?shù)據(jù)分別與GPM降水?dāng)?shù)據(jù)、降尺度結(jié)果據(jù)的對比圖。從圖8可知,降尺度結(jié)果在R指標(biāo)上相比較GPM有提升,提升了0.115,MRE和RMSE均有降低,MRE從26.71%降至9.43%,RMSE從10.26 mm降到了5.23 mm,通過深度學(xué)習(xí)降尺度模型,降尺度后的降水?dāng)?shù)據(jù)誤差更小,相關(guān)系數(shù)更大,說明降尺度結(jié)果的精度比GPM IMERG更高。

(a) 站點降水量與GPM降水量散點圖 (b) 站點降水量與降尺度結(jié)果散點圖

2) 月尺度降水精度評估。為對比分析月尺度下GPM降水?dāng)?shù)據(jù)與降尺度結(jié)果的精度,表2是2020年各月的2種降水?dāng)?shù)據(jù)的誤差對比。從表2可以看出,降尺度結(jié)果的質(zhì)量比降尺度前更優(yōu)一點,每月的相關(guān)系數(shù)R都提升了,R的平均值達(dá)到了0.882,10月的R甚至達(dá)到了0.893,但4月的R比較低,只有0.879,2個月相差了0.14,體現(xiàn)出降尺度結(jié)果與實測值有較好的一致性; 4個月的MRE在5.71%～7.87%之間,大大降低了GPM降水?dāng)?shù)據(jù)與實測數(shù)據(jù)的誤差; 每月的RMSE在0.324～4.123之間,降低了0.359～3.269,提升了GPM 降水產(chǎn)品的精度。其中,降尺度結(jié)果最好的是7月和10月,1月和4月降尺度結(jié)果稍微較差,這與以前學(xué)者研究的結(jié)果一致[29]。GPM由于自身的算法的限制,對微量降水和固態(tài)降水敏感,有可能出現(xiàn)少雨強(qiáng)高估的現(xiàn)象[30],也有臺風(fēng)登陸,帶來強(qiáng)降水,造成誤差的原因。總的來說,利用深度學(xué)習(xí)降尺度模型對GPM降水產(chǎn)品進(jìn)行降尺度具有一定的效果。

表2 GPM降水?dāng)?shù)據(jù)與降尺度結(jié)果精度指標(biāo)

4 結(jié)論

本文根據(jù)深度學(xué)習(xí)模型的特點,構(gòu)建OLSTM深度學(xué)習(xí)降尺度模型,基于2015—2019年的逐日降水?dāng)?shù)據(jù)和植被數(shù)據(jù)以及高程數(shù)據(jù),對GPM降水產(chǎn)品訂正,得到研究區(qū)的降水空間分布。通過降水實測值和降尺度結(jié)果的誤差驗證,得出如下結(jié)論:

1)從降水空間分布來看,降尺度結(jié)果與氣象站降水?dāng)?shù)據(jù)的空間分布趨于一致,比GPM IMERG降水產(chǎn)品更能體現(xiàn)出閩浙贛地區(qū)的降水空間分布,氣象站降水的最值區(qū)域與降尺度結(jié)果的最值區(qū)域相同; 從降水的時間分布來看,降尺度結(jié)果在1月17日,7月12日和10月16日與氣象站降水具有一致性,1月17日降水都集中在浙江北部,7月12日降水全集中在福建地區(qū)沿海和南部地區(qū),10月16日降水中心皆集中在江西西北部。

2)加密站驗證表明,OLSTM降尺度模型在7月和10月的降水量表現(xiàn)較好,1月和4月相對較差,即在每月的降水量的相關(guān)系數(shù)大于0.7,說明該模型較為可靠。

3)個例年驗證表明,OLSTM降尺度模型的空間降水估算方法效果良好,能夠在一定程度上提升GPM產(chǎn)品的降水精度和空間分辨率,2020年降水?dāng)?shù)據(jù)經(jīng)過降尺度后R在0.8以上,說明模型適用于閩浙贛區(qū)域。但是2020年降尺度結(jié)果有季節(jié)性區(qū)別,7月和10月擬合效果較好,1月和4月次之。主要原因是4月臺風(fēng)登陸南邊沿海城市,帶來的強(qiáng)降水使得GPM產(chǎn)品的捕捉降水能力減弱。

綜上,本文提出的優(yōu)化深度學(xué)習(xí)降尺度模型無論在日尺度還是月尺度都有較高的精度,且在時間和空間具有一定的普適性,后續(xù)將引入水汽含量、風(fēng)向等其他降水因子,以期進(jìn)一步提升深度學(xué)習(xí)降尺度模型的效果。