以陜西省為研究目標(biāo)，基于GWR方法，使用NDVI對GPM降水進(jìn)行融合降尺度分析，結(jié)合87個(gè)地面雨量計(jì)數(shù)據(jù)，分析融合前后降水在空間上的差異和原因;同時(shí)，考慮陜西省特殊地形，將陜西分為陜北、關(guān)中和陜南三部分，利用雨量計(jì)數(shù)據(jù)分析這3個(gè)區(qū)域的降尺度效果.研究發(fā)現(xiàn)：1） GPM和融合降尺度數(shù)據(jù)均能反映降水在空間上的分布特征，融合降尺度數(shù)據(jù)更能呈現(xiàn)降水細(xì)節(jié);2） 參數(shù)計(jì)算顯示，融合降尺度數(shù)據(jù)與站點(diǎn)數(shù)據(jù)更接近;3） 當(dāng)具體到某一個(gè)較小的范圍時(shí)，GPM和融合降尺度數(shù)據(jù)精度仍有待提高;4） GPM和融合降尺度數(shù)據(jù)能反映陜北、關(guān)中和陜南不同的降水特征，且關(guān)中和陜南觀測質(zhì)量優(yōu)于陜北;5） GPM和融合降尺度數(shù)據(jù)對高降水量的記錄更為準(zhǔn)確，對小降水量的記錄能力有待提高.

GWR方法; GPM; NDVI; 融合降尺度

P237

A

0786-08

06.008

0 引言

降水是影響區(qū)域氣候最重要的因素之一，獲取準(zhǔn)確的降水信息不僅有利于促進(jìn)氣象災(zāi)害的防治，也關(guān)系到生產(chǎn)生活的多個(gè)方面;同時(shí)，降水是大氣水循環(huán)中的重要過程，降水的探測在氣候診斷、數(shù)值天氣預(yù)報(bào)和多種大氣模式中均有著重要應(yīng)用.因此，掌握準(zhǔn)確的大氣降水信息就顯得極為重要.

針對降水的觀測，地面上以雨量計(jì)觀測為主，該方法最為直接，也被認(rèn)為是最準(zhǔn)確的數(shù)據(jù)，研究中往往作為真值出現(xiàn);其次是雷達(dá)觀測，伴隨雷達(dá)技術(shù)的進(jìn)步，在各類天氣環(huán)境下，均可以獲得較好的觀測結(jié)果;第三種方式則是基于空基手段的衛(wèi)星觀測.雨量計(jì)觀測受到地形和觀測環(huán)境影響，如高原地區(qū)、山區(qū)等，雨量計(jì)難以架設(shè)和維護(hù)，同時(shí)雨量計(jì)的分布也較為分散，一般研究人員也較難獲取雨量計(jì)數(shù)據(jù)，這也使得基于雨量計(jì)的降水觀測雖然準(zhǔn)確，但存在應(yīng)用壁壘.雷達(dá)觀測降水，能在無遮擋物的條件下獲取較好結(jié)果，但雷達(dá)更難做到大規(guī)模布設(shè)，同時(shí)遮擋物存在時(shí)其觀測效能會受到極大影響，因而獲取的降水信息有限.另一方面，基于衛(wèi)星反演降水則不存在以上問題，衛(wèi)星平臺能提供長時(shí)間、大范圍且連續(xù)的降水結(jié)果，不受地形和觀測環(huán)境影響，如海洋地區(qū)和高原地區(qū)的觀測，獲取渠道暢通，在一線工作和研究中被大量應(yīng)用，在一些無資料地區(qū)，衛(wèi)星降水產(chǎn)品甚至是研究人員唯一的選擇[1-3].盡管衛(wèi)星降水觀測有著這些優(yōu)點(diǎn)，但由于是空基觀測，也受到如探測波段、傳感器硬件條件、傳輸干擾等影響造成探測結(jié)果的偏差[4];此外，衛(wèi)星降水?dāng)?shù)據(jù)空間分辨率較粗糙，限制了其進(jìn)一步的推廣應(yīng)用.因此，提升衛(wèi)星降水質(zhì)量，提高數(shù)據(jù)精度就成為了必要之舉，在此基礎(chǔ)上，通過引入相關(guān)參數(shù)來對降水?dāng)?shù)據(jù)進(jìn)行融合降尺度成了衛(wèi)星降水的熱點(diǎn)研究方向.

在以往研究中，往往通過加入和降水相關(guān)的參數(shù)來開展降尺度研究，如Immerzeel等[5]利用歸一化植被指數(shù)（NDVI）對熱帶降水測量任務(wù)（TRMM）降水?dāng)?shù)據(jù)進(jìn)行降尺度分析，不僅有效提高了原始數(shù)據(jù)的分辨率，也提升了數(shù)據(jù)質(zhì)量;Jia等[6]在NDVI基礎(chǔ)上引入數(shù)字高程模型（DEM），發(fā)現(xiàn)降尺度后，數(shù)據(jù)在空間上更加連續(xù);此外，相關(guān)研究直接引入地面站點(diǎn)對衛(wèi)星數(shù)據(jù)進(jìn)行校正，如Tobin等[7]利用地面雨量計(jì)數(shù)據(jù)和TRMM數(shù)據(jù)融合，生產(chǎn)的數(shù)據(jù)產(chǎn)品目前已被應(yīng)用到水文模擬之中.基于雨量計(jì)的融合，在全球其他區(qū)域也取得了較好的效果[8-10];此外，融合降尺度研究中，把土壤濕度作為融合因子也取得了較好的效果[11].

國內(nèi)，沈艷等[12]使用全國超4萬個(gè)氣象站點(diǎn)數(shù)據(jù)對CMORPH數(shù)據(jù)進(jìn)行概率密度匹配和最優(yōu)差值融合，發(fā)現(xiàn)融合數(shù)據(jù)與雨量計(jì)具有更高的契合性，宇婧婧等[13]對比了中國地區(qū)的融合降水與國際降水產(chǎn)品的差異，發(fā)現(xiàn)中國區(qū)域融合降水質(zhì)量更優(yōu);文獻(xiàn)[14-15]在新疆使用BP神經(jīng)網(wǎng)絡(luò)算法對4種降水?dāng)?shù)據(jù)進(jìn)行融合，取得了較好效果;文獻(xiàn)[16-17]則提出貝葉斯模型平均（BMA）算法，該算法對多源衛(wèi)星降水產(chǎn)品均具有較好效果;溫伯清等[18]利用地形因子，在地理加權(quán)回歸模型（GWR）基礎(chǔ)上對陜西省的GPM數(shù)據(jù)進(jìn)行降尺度分析，發(fā)現(xiàn)降尺度數(shù)據(jù)能準(zhǔn)確反映陜西省月值降水特征;熊俊楠等[19]也利用GWR模型對青藏高原地區(qū)的TRMM數(shù)據(jù)進(jìn)行降尺度研究，發(fā)現(xiàn)降尺度數(shù)據(jù)精度較融合前有顯著提升.

從以往研究可以看到，盡管目前有許多針對融合降尺度的研究，但整體而言降尺度方法仍處于探索階段，如不同數(shù)據(jù)和方法在不同地區(qū)存在差異，沒有確定的可適用于所有地區(qū)的方法和數(shù)據(jù)，需要根據(jù)實(shí)際情況和條件來開展分析.本文把研究區(qū)放在陜西省，一方面因?yàn)殛兾魇【哂休^為獨(dú)特的地形結(jié)構(gòu)，陜北、關(guān)中和陜南有著差異性較大的氣候背景，獨(dú)特的背景場可驗(yàn)證融合降尺度結(jié)果在不同區(qū)域的差異;同時(shí)，本文擬采用NDVI作為降水影響參數(shù)，這也是首次在陜西省試用該參數(shù)來開展相關(guān)工作，研究結(jié)果也將為區(qū)域降尺度方法和數(shù)據(jù)選擇提供重要參考，為開展拓展研究提供支持.

1 研究資料及方法

1.1 研究資料

1.1.1 衛(wèi)星降水?dāng)?shù)據(jù)

本文所用數(shù)據(jù)來自全球衛(wèi)星降水計(jì)劃（GPM），該套數(shù)據(jù)集是TRMM數(shù)據(jù)集的后續(xù)，與TRMM相比，GPM的觀測范圍擴(kuò)展到了南北兩極;GPM對傳感器載荷進(jìn)行了提升，由1顆主衛(wèi)星和10顆小衛(wèi)星組成的觀測系統(tǒng)可實(shí)現(xiàn)3 h一次的全球降水觀測;衛(wèi)星上搭載的雙頻雷達(dá)可探測Ku波段信號，而Ka波段可實(shí)現(xiàn)高敏模式交錯采樣，這讓衛(wèi)星對固態(tài)、微量降水的探測能力全面提高[20].目前，GPM提供了3種降水產(chǎn)品，分別是前期處理數(shù)據(jù)“Earlyrun”和“Laterun”產(chǎn)品，以及經(jīng)過校正的“Finalrun”產(chǎn)品，本次研究所采用的數(shù)據(jù)集為“Laterun”級產(chǎn)品.這主要是由于該產(chǎn)品能提供時(shí)間分辨率為逐日的降水產(chǎn)品，同時(shí)數(shù)據(jù)時(shí)間可延續(xù)至當(dāng)下時(shí)間點(diǎn)，且不同于“Laterun”級產(chǎn)品，“Finalrun”產(chǎn)品未經(jīng)過地面站點(diǎn)數(shù)據(jù)調(diào)控，因此在融合降尺度應(yīng)用中具有更多可能性.該數(shù)據(jù)源自GPM官網(wǎng)（https：//gpm.nasa.gov/），可免費(fèi)下載獲取，獲取的原始數(shù)據(jù)空間分辨率為0.1°×0.1°，時(shí)間分辨率為逐日.

1.1.2 NDVI數(shù)據(jù)

研究所用NDVI來自中分辨率成像光譜儀的MOD13C1產(chǎn)品（MODIS），時(shí)間分辨率為16 d，空間分辨率為0.05°×0.05°，可在官方網(wǎng)站下載（https：//ladsweb.modaps.eosdis.nasa.gov/）.之所以選擇NDVI數(shù)據(jù)主要是由于以往研究顯示，NDVI與降雨存在較好的響應(yīng)關(guān)系，能間接反映降水信息[21].本次所用MOD13C1數(shù)據(jù)為MODIS的三級產(chǎn)品，該產(chǎn)品質(zhì)量高，具有反映區(qū)域植被覆蓋的能力.

1.1.3 地面雨量站數(shù)據(jù)及研究區(qū)

研究搜集了陜西地區(qū)2022年5月—8月共87個(gè)地面觀測站點(diǎn)的逐日降水?dāng)?shù)據(jù)，這些數(shù)據(jù)經(jīng)過了質(zhì)量控制，但缺失了7月的部分?jǐn)?shù)據(jù)，因此7月將不被納入研究中.研究數(shù)據(jù)具體分布上，陜北地區(qū)24個(gè)，關(guān)中地區(qū)37個(gè)，陜南地區(qū)26個(gè)，站點(diǎn)數(shù)量滿足研究需求，站點(diǎn)分布及陜西省地形分布見圖1.

從陜西省的地形上看，陜北、關(guān)中、陜南有著不同的地形特點(diǎn)，氣候存在較為顯著的差異.陜北地區(qū)為溫帶大陸性半干旱氣候，年降水不均，主要集中在夏季;關(guān)中地區(qū)則為暖溫帶大陸性季風(fēng)氣候，也有夏季降水多、冬季降水少的特點(diǎn)，但整體降水量比陜北已有顯著增加;陜南則屬于亞熱帶大陸性濕潤季風(fēng)氣候，年度降水量充足.

1.2 研究方法

研究所用融合降尺度方法為地理加權(quán)回歸（GWR），地理加權(quán)回歸是傳統(tǒng)線性回歸的擴(kuò)展，與傳統(tǒng)線性回歸不同，GWR考慮到了每個(gè)位置的不同，因而GWR中每個(gè)位置的回歸系數(shù)也不同.同時(shí)，研究將利用4個(gè)參數(shù)來定量分析融合前后降水?dāng)?shù)據(jù)質(zhì)量及適用性.

1.2.1 GWR降尺度融合方法

地理加權(quán)回歸思路來源于地理學(xué)第一定律，該定律認(rèn)為距離相近位置的地理屬性也越相近，這就給了構(gòu)建因變量與自變量參數(shù)模型的理論基礎(chǔ).GWR計(jì)算如（1）式，其中Yi為第i因變量，本文中為降水，β0（ui，vi）是經(jīng)緯度分別為ui與vi的回歸常數(shù)，n為自變量的數(shù)量，j為第j個(gè)自變量，βj（ui，vi）為第j個(gè)自變量在ui和vi處的回歸系數(shù)，xi，j為第j個(gè)自變量在第i點(diǎn)的數(shù)據(jù)，本文研究中為該點(diǎn)的NDVI值，而ε（ui，vi）則是ui和vi點(diǎn)處的殘差，k為像元點(diǎn)個(gè)數(shù)[18-19].

Yi=β0（ui，vi）+∑nj=1βj（ui，vi）xi，j+ε（ui，vi）， i=1，2，…，k.

（1）

本文研究時(shí)間段為2022年的5、6、8月，最主要的原因是可獲取的站點(diǎn)時(shí)間段主要集中在這一范圍內(nèi)，同時(shí)研究時(shí)間和當(dāng)下距離較近，研究結(jié)果更具有實(shí)效性;此外，GPM與NDVI數(shù)據(jù)在這一時(shí)間上也相互匹配，數(shù)據(jù)關(guān)聯(lián)性有充足保障.

降尺度融合前，需要對GPM和NDVI進(jìn)行時(shí)間匹配，降水事件發(fā)生后，NDVI對降水的響應(yīng)時(shí)間上存在滯后，根據(jù)以往研究，滯后時(shí)間在16 d左右[5].本次研究首先在逐日GPM降水?dāng)?shù)據(jù)基礎(chǔ)上，計(jì)算得到每16 d的降水總量，與時(shí)間分辨率同樣為16 d的NDVI進(jìn)行匹配，即當(dāng)期GPM與16 d后的NDVI進(jìn)行GWR融合降尺度.研究將降尺度目標(biāo)分辨率設(shè)定為0.01°×0.01°，相較于原始分辨率提高一個(gè)數(shù)量級.具體實(shí)現(xiàn)步驟如下：將分辨率為0.05°×0.05°的NDVI重采樣至0.1°×0.1°，與同樣分辨率的GPM進(jìn)行GWR回歸，獲取常數(shù)、殘差矩陣;將常數(shù)和殘差矩陣插值到0.01°×0.01°，使用（1）式與同樣插值后的NDVI數(shù)據(jù)計(jì)算獲得降尺度后的降水?dāng)?shù)據(jù).

1.2.2 評價(jià)指標(biāo)

研究擬采用兩類指標(biāo)4個(gè)系數(shù)來構(gòu)建評價(jià)指標(biāo)體系，第一類指標(biāo)為相關(guān)系數(shù)（CC，X1）和納什效率系數(shù)（NSE，X2），這2個(gè)指標(biāo)主要表現(xiàn)的是與實(shí)際降水一致性程度，NSE的取值范圍為負(fù)無窮到1，越接近1，表示可信度越高，NSE在-1～0間，表示模擬結(jié)果接近觀測值的平均值水平，即總體結(jié)果可信;第二類指標(biāo)為均方根誤差（RMSE，X3）和相對誤差（RB，X4），反映的是與實(shí)際降水的偏離程度.4個(gè)系數(shù)如（2）～（5）式，其中xi和yi分別代表i點(diǎn)處融合和實(shí)測的降水量，n代表樣本量.

研究將逐期計(jì)算融合降尺度數(shù)據(jù)、原始GPM數(shù)據(jù)與雨量計(jì)的評價(jià)參數(shù)，通過散點(diǎn)圖的形式表現(xiàn)數(shù)據(jù)的相關(guān)性.同時(shí)，考慮到陜北、關(guān)中和陜南的氣候差異，研究將單獨(dú)計(jì)算這3個(gè)區(qū)域的評價(jià)指標(biāo)，以獲取更準(zhǔn)確的差異化信息.

X1=∑ni=1（xi－）（yi－）∑ni=1（xi－）2∑ni=1（yi－）2，

（2）

X2=1－∑ni=1（xi－yi）2∑ni=1（xi－）2，

（3）

X3=1n∑ni=1（xi－yi）2，

（4）

X4=∑ni=1（xi－yi）∑ni=1yi.

（5）

2 降尺度前后降水時(shí)空特征對比分析

2.1 降尺度前后降水空間分布特征

圖2為2022年5月8日—2022年8月13日總降水量及每16 d的GPM降水量（a）、GWR融合降尺度降水量（b）和雨量計(jì)插值降水量（c）空間分布圖.從圖2可見，GPM和降尺度數(shù)據(jù)在空間上具有較好的一致性;同時(shí)，降尺度數(shù)據(jù)能夠更好地呈現(xiàn)降水細(xì)節(jié)，這并非能通過簡單的空間插值就能實(shí)現(xiàn)，也表明加入NDVI和基于GWR方法具有將原始數(shù)據(jù)改進(jìn)到更高分辨率的能力.

從GPM和降尺度降水與雨量計(jì)插值結(jié)果看，具有相似性和差異性2種特點(diǎn).相似性體現(xiàn)在GPM和降尺度降水與雨量計(jì)降水在大部分區(qū)域具有一致性，如2022年5月9日在延安西部（據(jù)圖1），5月25日在延安、渭南等地區(qū)，6月10日在渭南等地區(qū)均有著相似的降雨分布，在6月26日和8月13日，盡管降水量大小有差異，但空間上有著相似的分布特點(diǎn).差異性則主要表現(xiàn)在陜南地區(qū)，除6月10日和6月26日外，GPM和融合數(shù)據(jù)基本均無法正確反映陜南地區(qū)的降水.針對以上現(xiàn)象，一方面，這與雨量計(jì)數(shù)量相關(guān)，如西安市就沒有可用的站點(diǎn)（圖1），5月9日的空間降水分布圖中，GPM和融合降尺度數(shù)據(jù)在西安市有一個(gè)較為明顯的高值，但卻無法得到驗(yàn)證;此外，陜南地區(qū)高山較多，植被覆蓋也較密，是秦嶺經(jīng)過的區(qū)域，巨大的高差變化讓該地區(qū)的降水粒子受到強(qiáng)烈的聚合和上載，盡管GPM系列衛(wèi)星使用了13.6 GHz的Ku波段和35.5 GHz的Ka波段來加強(qiáng)對微量降雨的探測，但從實(shí)際情況看，在復(fù)雜環(huán)境背景下，降水的探測能力仍有待加強(qiáng).另一方面，也可從散點(diǎn)分布和參數(shù)結(jié)果中看到GPM、融合降尺度數(shù)據(jù)和雨量計(jì)的差異.

2.2 降尺度前后降水散點(diǎn)及參數(shù)分析

圖3是GPM、融合降尺度和雨量計(jì)降水的散點(diǎn)圖，散點(diǎn)是根據(jù)距離雨量計(jì)最近的GPM和融合降尺度像元點(diǎn)數(shù)據(jù)而生成.圖3包含了研究時(shí)段內(nèi)總降水量的散點(diǎn)圖和不同日期上降水量的散點(diǎn)圖.從參數(shù)結(jié)果看，盡管融合后參數(shù)在數(shù)據(jù)量級上提升不多，但考慮到獲得的結(jié)果在空間分辨率上上升了一個(gè)數(shù)量級，在更小范圍內(nèi)參數(shù)值獲得了提升，且以往研究中也有相似的結(jié)果[22]，因此降尺度是提升了原始數(shù)據(jù)質(zhì)量的.

融合降尺度的相關(guān)系數(shù)（CC）相比于原始GPM有所提升，平均提高了0.24.從NSE看，降尺度前后的值均沒有超過0，但也未出現(xiàn)遠(yuǎn)小于-1的情況，表明GPM和融合降尺度數(shù)據(jù)與實(shí)測降水?dāng)?shù)據(jù)差異不大，但仍有待提高，且融合后RSE值明顯高于原始GPM;同時(shí)，從散點(diǎn)密度看，當(dāng)降水量越多集中在40 mm以下時(shí)，如5月9日、5月25日、6月10日，RSE普遍偏低，GPM與融合降尺度的RSE值分別為：-1.09、-0.95，-0.83、-0.8，-0.83、-0.8，而當(dāng)降水量較大時(shí)，如總降水量在6月26日、8月13日，RSE更高，分別為-0.50、-0.42，-0.32、-0.27，表明當(dāng)降水總量越小時(shí)，GPM和融合降尺度結(jié)果越不準(zhǔn)確.融合降尺度數(shù)據(jù)的RMSE顯著低于GPM數(shù)據(jù)，盡管從研究時(shí)段總降水量看，兩者差異不大，融合前為93.42 mm，融合后為94.35 mm，但在具體時(shí)段上，RMSE平均下降2.21 mm，表明融合降尺度數(shù)據(jù)與真實(shí)數(shù)據(jù)偏離程度更小.從RB的結(jié)果看，GPM和融合降水存在不同程度的高估（RB為正）和低估（RB為負(fù)），且融合降尺度RB更小;同時(shí)，在低降水量時(shí)（5月9日），存在顯著低估降水量的現(xiàn)象，同樣表明GPM和融合數(shù)據(jù)對低降水量反映能力不足.

結(jié)合空間分布和散點(diǎn)圖可以看到，降水在空間上具有較好的一致分布，但散點(diǎn)和參數(shù)結(jié)果顯示，兩者與雨量計(jì)仍存在一定偏差，考慮到散點(diǎn)是在一個(gè)較小范圍上生成的，這表明GPM和融合降尺度數(shù)據(jù)在較大范圍上具有反映真實(shí)降水情況的能力，但具體到小范圍上，仍與真實(shí)降水量存在差異.

3 融合前后陜北、關(guān)中、陜南降水分布差異

由于陜北、關(guān)中和陜南具有截然不同的地形和氣候特征，為進(jìn)一步分析不同背景帶來的降水差異，研究繪制了這3個(gè)區(qū)域的散點(diǎn)圖，并計(jì)算了對應(yīng)參數(shù)，結(jié)果如圖4所示，對應(yīng)參數(shù)見表1.通過統(tǒng)計(jì)，陜北的24個(gè)雨量站的平均高程為1 027 m，關(guān)中37個(gè)雨量站的平均高程為764 m，陜南26個(gè)雨量站平均高程為631 m.

總體而言，融合降尺度的各項(xiàng)參數(shù)比GPM均有提升，從散點(diǎn)分布上看，3個(gè)區(qū)域也呈現(xiàn)出不同特點(diǎn).陜北地區(qū)的散點(diǎn)密度更多集中在40 mm以內(nèi)，降水量較少，其余2個(gè)區(qū)域降水量較多，與當(dāng)?shù)貧夂蛱卣飨喾?具體到參數(shù)，關(guān)中地區(qū)則對降水存在明顯的高估，RB均為0.35，而陜南地區(qū)則對降水存在低估，RB均為-0.18，這也與空間上（圖2）呈現(xiàn)的結(jié)果一致.陜北地區(qū)的相關(guān)系數(shù)分別為0.47和0.49，略低于關(guān)中的0.50和0.49，明顯低于陜南的0.64和0.66，由于陜北地區(qū)較干旱，或許存在微量降水未落地就蒸發(fā)的現(xiàn)象，造成了相關(guān)系數(shù)較低的結(jié)果.從NSE上看，陜北和陜南高于關(guān)中，關(guān)中雖然低于-1，但也未遠(yuǎn)遠(yuǎn)小于-1，表明GPM和降尺度降水與真實(shí)降水存在偏差，但整體也接近真實(shí)水平[15].從RMSE上看，融合前后平均在50 mm左右，而關(guān)中和陜南則分別為41.94和40.20 mm，考慮到陜北地區(qū)降水量級較其他2個(gè)地區(qū)小，而RMSE更高，表明在陜北地區(qū)GPM和融合降水偏離真實(shí)值更多，結(jié)合以往研究，盡管GPM提高了對微量降水的探測能力，但具體到不同區(qū)域，特別是復(fù)雜背景下，卻存在一定誤差，這也與本文研究結(jié)果一致[23-24]，也從側(cè)面表明陜北地形和氣候背景對降水探測存在較大影響.

4 結(jié)論及存在的不足

研究以NDVI產(chǎn)品為自變量，通過GWR模型對陜西省的GPM降水?dāng)?shù)據(jù)進(jìn)行了融合降尺度分析，將空間分辨率從0.1°×0.1°降尺度到0.01°×0.01°，發(fā)現(xiàn)空間上降尺度數(shù)據(jù)能清晰呈現(xiàn)降水細(xì)節(jié)，定量化參數(shù)計(jì)算結(jié)果也顯示，降尺度數(shù)據(jù)質(zhì)量更優(yōu)異，現(xiàn)將研究做如下總結(jié).

1） GPM降水?dāng)?shù)據(jù)和降尺度數(shù)據(jù)均具有反映真實(shí)空間降水分布的能力，降尺度數(shù)據(jù)在細(xì)節(jié)上更加完整，但2種降水產(chǎn)品均未能正確反映陜南地區(qū)的降水情況，這可能與陜南地區(qū)特殊的地形存在聯(lián)系.

2） 參數(shù)計(jì)算的結(jié)果顯示，GPM和降尺度產(chǎn)品在降水量較大時(shí)精度更高，降水量較小時(shí)，精度較差;考慮到散點(diǎn)在較小范圍內(nèi)生成，0.01°×0.01°分辨率獲得的參數(shù)優(yōu)于0.1°×0.1°，故降尺度產(chǎn)品質(zhì)量明顯優(yōu)于GPM數(shù)據(jù).

3） GPM和融合降尺度數(shù)據(jù)在空間上與雨量計(jì)結(jié)果較為一致，但參數(shù)顯示出差異性，因此研究認(rèn)為GPM和降尺度數(shù)據(jù)在較大范圍上可反映降水的分布特征，而小范圍上精度仍有待提高.

4） GPM和融合降尺度數(shù)據(jù)在關(guān)中和陜南的質(zhì)量高于陜北，這可能與陜北特殊的氣候背景有關(guān).

此外，研究還存在許多不足之處，如只引入了NDVI作為變量，一方面是考慮到算法復(fù)雜度，同時(shí)也考慮到多變量之間的相互干擾將影響降尺度結(jié)果;另一方面，研究所用雨量計(jì)仍不足以滿足檢驗(yàn)驗(yàn)證的需求，如缺少西安市和缺失2022年7月的降水?dāng)?shù)據(jù)等.

整體而言，融合降尺度方法具有實(shí)用性，能提升降水精度，能提高降水產(chǎn)品空間分辨率，可滿足相關(guān)研究的應(yīng)用的需求.

參考文獻(xiàn)

[1] LI Z， YANG D W， HONG Y. Multi-scale evaluation of high-resolution multi-sensor blended global precipitation products over the Yangtze River[J]. Journal of Hydrology，2013，500：157-169.

[2] 張?zhí)煊?，桂術(shù)，楊若文，等. TRMM和CMORPH衛(wèi)星資料對三峽庫區(qū)降水的評估分析[J]. 氣象，2020，46（8）：1098-1112.

[3] 尹紅剛，商建，吳瓊，等. 風(fēng)云三號降水測量雷達(dá)技術(shù)性能分析[J]. 氣象科技，2017，45（5）：795-803.

[4] 李新同，史嵐，陳多妍. 基于深度學(xué)習(xí)的閩浙贛GPM降水產(chǎn)品降尺度方法[J]. 自然資源遙感，2023，35（4）：105-113.

[5] 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.

[6] JIA S F， ZHU W B， L 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.

[7] TOBIN K J， BENNETT M E. Adjusting satellite precipitation data to facilitate hydrologic modeling[J]. Journal of Hydrometeorology，2010，11（4）：966-978.

[8] BAIK J， PARK J， RYU D， et al. Geospatial blending to improve spatial mapping of precipitation with high spatial resolution by merging satellite-based and ground-based data[J]. Hydrological Processes，2016，30（16）：2789-2803.

[9] CHAPPELL A， RENZULLO L J， RAUPACH T H， et al. Evaluating geostatistical methods of blending satellite and gauge data to estimate near real-time daily rainfall for Australia[J]. Journal of Hydrology，2013，493：105-114.

[10] GOUDENHOOFDT E， DELOBBE L. Evaluation of radar-gauge merging methods for quantitative precipitation estimates[J]. Hydrology and Earth System Sciences，2009，13（2）：195-203.

[11] BROCCA L， CIABATTA L， MASSARI C， et al. Soil as a natural rain gauge： estimating global rainfall from satellite soil moisture data[J]. Journal of Geophysical Research： Atmospheres，2014，119（9）：5128-5141.

[12] 沈艷，潘旸，宇婧婧，等. 中國區(qū)域小時(shí)降水量融合產(chǎn)品的質(zhì)量評估[J]. 大氣科學(xué)學(xué)報(bào)，2013，36（1）：37-46.

[13] 宇婧婧，沈艷，潘旸，等. 中國區(qū)域逐日融合降水?dāng)?shù)據(jù)集與國際降水產(chǎn)品的對比評估[J]. 氣象學(xué)報(bào)，2015，73（2）：394-410.

[14] LU X Y， WEI M， TANG G Q， et al. Evaluation and correction of the TRMM 3B43V7 and GPM 3IMERGM satellite precipitation products by use of ground-based data over Xinjiang， China[J]. Environmental Earth Sciences，2018，77（5）：209.

[15] 盧新玉. 融合多源遙感數(shù)據(jù)與地面觀測的新疆地區(qū)降水量估算方法研究[D]. 南京：南京信息工程大學(xué)，2019.

[16] MA Z Q， SHI Z， ZHOU Y， et al. A spatial data mining algorithm for downscaling TMPA 3B43V7 data over the Qinghai-Tibet Plateau with the effects of systematic anomalies removed[J]. Remote Sensing of Environment，2017，200：378-395.

[17] MA Z Q， ZHOU L Q， YU W， et al. Improving TMPA 3B43V7 data sets using land-surface characteristics and ground observations on the Qinghai-Tibet Plateau[J]. IEEE Geoscience and Remote Sensing Letters，2018，15（2）：178-182.

[18] 溫伯清，劉戎，龐國偉，等. GPM衛(wèi)星降水?dāng)?shù)據(jù)的降尺度研究：以陜西省為例[J]. 干旱區(qū)地理，2021，44（3）：786-795.

[19] 熊俊楠，李偉，劉志奇，等. 基于GWR模型的青藏高原地區(qū)TRMM數(shù)據(jù)降尺度研究[J]. 國土資源遙感，2019，31（4）：88-95.

[20] 施麗娟，馮婉悅，雷勇，等. GPM日降水產(chǎn)品在中國大陸的準(zhǔn)確性評估[J]. 氣象，2022，48（11）：11.

[21] 胡實(shí)，韓建，占車生，等. 太行山區(qū)遙感衛(wèi)星反演降雨產(chǎn)品降尺度研究[J]. 地理研究，2020，39（7）：1680-1690.

[22] 盛夏，石玉立，丁海勇. 青藏高原GPM降水?dāng)?shù)據(jù)空間降尺度研究[J]. 遙感技術(shù)與應(yīng)用，2021，36（3）：571-580.

[23] 杜爽，王東海，李國平，等. 基于雙頻星載降水雷達(dá)GPM數(shù)據(jù)的華南地區(qū)降水垂直結(jié)構(gòu)特征分析[J]. 熱帶氣象學(xué)報(bào)，2020，36（1）：115-130.

[24] 杜懿，王大洋，張智，等. GPM IMERG降水產(chǎn)品在珠江流域的適用性分析[J]. 水文，2021，41（6）：1-6.

Geographically Weighted Regression （GWR） Based Study onDownscaling Summer GPM Precipitation in Shaanxi Province

LIU Ming1， LIU Xinzhong2， YANG Xing3

（1. Atmospheric Observation Technical Support Center of Shaanxi Province， Xi’an 710014， Shaanxi;

2. Meteorological Observation Data Center of Sichuan Province， Chengdu 610071， Sichuan;

3. Sichuan Earthquake Administration， Chengdu 610041， Sichuan）

This study focuses on Shaanxi Province and uses the Geographically-Weighted Regression （GWR） method to analyze the downscaling of GPM precipitation by integrating NDVI data. By combining data from 87 ground rain gauges， the differences and reasons for the spatial distribution of precipitation before and after integration are analyzed. Additionally， taking into account Shaanxi Province’s unique terrain， the province is divided into three regions-northern Shaanxi， central Shaanxi， and southern Shaanxi， where rain gauge data are analyzed to evaluate the downscaling effect in each region. The findings of this study are as follows： 1） both GPM data and integrated downscaling data can reflect the spatial distribution of precipitation， with the latter being more detailed; 2） the parameter calculation shows that the integrated downscaling data is closer to the station data; 3） when the analysis is focused on a smaller range， the accuracy of both GPM data and integrated downscaling data still needs improvement; 4） both GPM data and integrated downscaling data can reflect the different precipitation characteristics in northern Shaanxi， central Shaanxi， and southern Shaanxi， with the observation quality in central Shaanxi and southern Shaanxi being better than that in northern Shaanxi; 5） both GPM data and integrated downscaling data are more accurate in recording high precipitation levels， while the recording ability for low precipitation levels needs improvement.

GWR method; GPM; NDVI; integrated downscaling

（編輯 周 ?。?/p>