基于二次多項(xiàng)式回歸模型的黑河流域TRMM數(shù)據(jù)降尺度研究

樊 東, 薛華柱, 董國(guó)濤, 蔣曉輝, 張文鴿, 殷會(huì)娟, 郭欣偉

(1.河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院, 河南 焦作 454000;2.黃河水利科學(xué)研究院 水利部黃土高原水土流失過(guò)程與控制重點(diǎn)實(shí)驗(yàn)室, 鄭州 450003)

基于二次多項(xiàng)式回歸模型的黑河流域TRMM數(shù)據(jù)降尺度研究

樊 東1,2, 薛華柱1, 董國(guó)濤2, 蔣曉輝2, 張文鴿2, 殷會(huì)娟2, 郭欣偉2

(1.河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院, 河南 焦作 454000;2.黃河水利科學(xué)研究院 水利部黃土高原水土流失過(guò)程與控制重點(diǎn)實(shí)驗(yàn)室, 鄭州 450003)

在不同空間尺度下分別建立TRMM 3B43降水?dāng)?shù)據(jù)與數(shù)字高程模型(DEM)和歸一化植被指數(shù)(NDVI)的二次多項(xiàng)式回歸模型，將2001—2013年黑河流域TRMM降水?dāng)?shù)據(jù)的空間分辨率從0.25°提高到1 km，并利用流域內(nèi)9個(gè)氣象站點(diǎn)實(shí)測(cè)數(shù)據(jù)對(duì)降尺度結(jié)果進(jìn)行了檢驗(yàn)。結(jié)果表明：降尺度方法不僅提高了TRMM數(shù)據(jù)的空間分辨率，數(shù)據(jù)的精確程度也有所提高；與傳統(tǒng)線性回歸模型降尺度方法相比，基于二次多項(xiàng)式回歸模型獲得的降尺度結(jié)果更接近于實(shí)測(cè)值，其結(jié)果更為準(zhǔn)確；模型建立的尺度對(duì)最終降尺度結(jié)果精確性具有較大影響，0.50°是基于DEM和NDVI對(duì)黑河流域TRMM降水?dāng)?shù)據(jù)進(jìn)行降尺度的相對(duì)最優(yōu)尺度。

TRMM數(shù)據(jù)降尺度; 二次多項(xiàng)式回歸模型; DEM; NDVI; 黑河流域

降水是指地面從大氣中獲得水汽凝結(jié)物的總稱。作為大氣中最活躍的要素之一，降水的大小直接影響著地表的物質(zhì)和水熱循環(huán)，與氣溫氣壓、區(qū)域徑流、植被生長(zhǎng)以及人類工農(nóng)業(yè)生產(chǎn)有著密切的聯(lián)系。因此，準(zhǔn)確并定量研究降水，特別是不同尺度降水的時(shí)空分布對(duì)于氣候分析、區(qū)域水分循環(huán)、水量平衡、水資源評(píng)價(jià)、旱澇災(zāi)害管理和生態(tài)環(huán)境治理等都具有重要意義[1-2]。長(zhǎng)期以來(lái)，降水?dāng)?shù)據(jù)依賴于地面雨量站的觀測(cè)與收集[3]，空間化降水?dāng)?shù)據(jù)通常借助插值方法獲取。但由于降水的高時(shí)空異質(zhì)性，單個(gè)雨量站所獲得的降水資料僅能表示其周圍有限范圍內(nèi)的降水狀況，受雨量站數(shù)量和分布影響難以準(zhǔn)確反映出降水的時(shí)空分布規(guī)律[4-5]?；谛l(wèi)星遙感的降水觀測(cè)方式能有效克服地面觀測(cè)站點(diǎn)數(shù)量不足和分布不均的問(wèn)題，在全球范圍內(nèi)得到廣泛應(yīng)用，特別是對(duì)于地面雨量站相對(duì)缺乏地區(qū)[6]。與其他降水測(cè)量衛(wèi)星相比，TRMM(Tropical Rainfall Measuring Mission)搭載了首個(gè)降雨雷達(dá)[7]，空間分辨率相對(duì)較高，達(dá)到0.25°，但在具體應(yīng)用中其分辨率仍過(guò)于粗糙而不能滿足某些研究需求[8]。為獲取高時(shí)空分辨率的降水?dāng)?shù)據(jù)，一是發(fā)展更高分辨率的降水反演模式[9]，另一種方法則是降尺度[10]，由于提高降水反演模式難度較大，降尺度成為更可選的方法[11-12]。

Immerzeel等[13]研究發(fā)現(xiàn)植被的空間分布能較為有效地反映出降水的時(shí)空差異，并基于這種半經(jīng)驗(yàn)關(guān)系建立了伊比利亞半島TRMM降水?dāng)?shù)據(jù)與高分辨率NDVI之間的回歸模型，將TRMM數(shù)據(jù)分辨率提高到1 km。Jia等[14]在此基礎(chǔ)上引入地形信息建立了TRMM數(shù)據(jù)與NDVI和DEM的二元線性回歸模型，提高了TRMM數(shù)據(jù)的空間分辨率。王超等[15]建立了TRMM數(shù)據(jù)與DEM的高次多項(xiàng)式回歸模型，實(shí)現(xiàn)了對(duì)TRMM數(shù)據(jù)的降尺度。降尺度過(guò)程中，由于不同尺度下的降水量與地形、植被等預(yù)測(cè)因子之間的關(guān)系并不相同，因此不同建模尺度所得出的降尺度結(jié)果也會(huì)有所差異；同樣，由于降水受地形、氣候、緯度位置、海陸位置等因素影響，使得降水量與DEM，NDVI等預(yù)測(cè)因子間的關(guān)系存在時(shí)空上的不連續(xù)與非線性特征。王超等[15]通過(guò)融合高分辨率DEM獲取了1 km分辨率的降水?dāng)?shù)據(jù)，但僅在單一尺度下建立多項(xiàng)式模型，沒(méi)有考慮模型建立尺度對(duì)最終降尺度結(jié)果的影響；Jia等分別在4個(gè)不同尺度(0.25°，0.50°，0.75°和1.00°)下建立了TRMM數(shù)據(jù)和DEM，NDVI的統(tǒng)計(jì)回歸模型，選擇最優(yōu)建模尺度用于最終降尺度過(guò)程，但是其基本假設(shè)是降水、高程和植被覆蓋程度之間呈簡(jiǎn)單的線性關(guān)系，由于山區(qū)降水與高程之間關(guān)系的復(fù)雜性導(dǎo)致其降尺度結(jié)果精度仍有待提高。

為獲取可靠的高分辨率降水?dāng)?shù)據(jù)，提高TRMM數(shù)據(jù)在黑河流域的空間分辨率與精度，本文基于Jia等[14]和王超等[15]提出的研究方法進(jìn)行改進(jìn)，將傳統(tǒng)線性回歸模型對(duì)高程進(jìn)行二次展開，構(gòu)建基于DEM和NDVI的二次多項(xiàng)式回歸模型實(shí)現(xiàn)對(duì)山區(qū)降水模擬的逼近。同時(shí)，為研究模型建立尺度對(duì)降尺度結(jié)果精度的影響，分別在四個(gè)不同尺度下構(gòu)建回歸模型對(duì)2001—2013年黑河流域TRMM 3B43降水?dāng)?shù)據(jù)進(jìn)行降尺度處理，并用同時(shí)期流域內(nèi)9個(gè)氣象站的實(shí)測(cè)降水量對(duì)降尺度結(jié)果進(jìn)行驗(yàn)證。本研究一方面為黑河流域水文水資源過(guò)程分析獲取高分率年降水?dāng)?shù)據(jù)，促進(jìn)TRMM數(shù)據(jù)在黑河流域的應(yīng)用；另一方面也為類似的低分辨率遙感降水?dāng)?shù)據(jù)降尺度，特別是地形變化較大的山區(qū)降水?dāng)?shù)據(jù)的降尺度提供參考實(shí)例。

1 研究區(qū)概況

黑河流域位于37°45′—42°40′N，96°42′—102°04′E，流域面積13萬(wàn)km2，是中國(guó)第二大內(nèi)流區(qū)，地勢(shì)南高北低，地形以山地和高原為主。流域上游為高山冰雪帶和森林草原帶，由于東南季風(fēng)的影響導(dǎo)致其降水量相對(duì)較多，年平均降水超過(guò)350 mm；中游為河西走廊綠洲帶，地形相對(duì)平坦，年均降水為200 mm左右；下游為阿拉善高原，降水通常不足50 mm，地表景觀主要為荒漠，在河流沿岸有少量綠洲分布。流域內(nèi)多年平均降水為168 mm(1960—2010年)，降水量年內(nèi)分布表現(xiàn)為1—7月降水量逐漸增加，在7月達(dá)到最大值，之后逐漸減小，夏季降水量占全年降水量的58.29%。由于其干旱半干旱的氣候條件和脆弱的生態(tài)環(huán)境，短缺的流域水資源成為控制整個(gè)流域生態(tài)平衡和社會(huì)經(jīng)濟(jì)發(fā)展的制約因素[16-18]。

2 數(shù)據(jù)和方法

2.1 數(shù)據(jù)與處理

2.1.1 數(shù)據(jù)來(lái)源 TRMM 3B43數(shù)據(jù)來(lái)源于美國(guó)NASA的Goddard數(shù)據(jù)分發(fā)中心，其空間范圍為50°S—50°N，空間分辨率為0.25°×0.25°。DEM數(shù)據(jù)為SRTM (Shuttle Radar Topography Mission)DEM，空間分辨率為3″(約90 m)，數(shù)據(jù)格式為TIF。植被指數(shù)NDVI使用了搭載于Terra衛(wèi)星上的中分辨率成像光譜儀(MODIS)提供的MOD13A2產(chǎn)品，時(shí)間分辨率為16 d，空間分辨率為1 km。實(shí)測(cè)降水?dāng)?shù)據(jù)來(lái)源于中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)，包含了流域內(nèi)的9個(gè)國(guó)家基本和基準(zhǔn)氣象站2001—2013年的日降水?dāng)?shù)據(jù)。

2.1.2 數(shù)據(jù)處理 TRMM 3B43是月內(nèi)平均每小時(shí)降水量，單位為mm/h，編程計(jì)算出每月降水量并將每月降水?dāng)?shù)據(jù)累加得到2001—2013年TRMM逐年降水量。研究[19-21]表明TRMM數(shù)據(jù)存在對(duì)降水高值的低估和低值的高估，式(1)(R2=0.84)是由流域內(nèi)9個(gè)站點(diǎn)的實(shí)測(cè)降水量與其所在TRMM網(wǎng)格值所建立的回歸函數(shù)，用來(lái)減少原始TRMM數(shù)據(jù)誤差。

v=0.342u1.144

(1)

式中：u是TRMM 3B43獲得的年降水量(mm)；v是9個(gè)氣象站13年的年降水量觀測(cè)值(mm)。

由于MOD13A2產(chǎn)品由16 d的NDVI所合成，根據(jù)其質(zhì)量說(shuō)明去除填充值，并通過(guò)最大值合成法獲取2001—2013年每月NDVI，之后將年內(nèi)NDVI取平均以代表該年的區(qū)域植被覆蓋程度。此外，為去除人類農(nóng)業(yè)活動(dòng)導(dǎo)致的植被覆蓋程度在空間上的不連續(xù)性，通過(guò)公式(2)計(jì)算每年NDVI的局部莫蘭指數(shù)(Local Moran Index)，以排除降水量與植被覆蓋程度不一致的區(qū)域。

(2)

式中：Ii為局部莫蘭指數(shù)；xi為像元i的屬性值；ωij為空間權(quán)重系數(shù)；n為像元個(gè)數(shù)。莫蘭指數(shù)是探測(cè)空間變異的有效手段[14,22]，空間上過(guò)于集聚和孤立的區(qū)域表現(xiàn)為莫蘭指數(shù)小于0，故排除莫蘭指數(shù)小于0的像元，其像元值由周圍像元通過(guò)普通克里金法內(nèi)插得到。

STRM DEM空間分辨率為3″，為保證與其他數(shù)據(jù)空間分辨率的統(tǒng)一，將其重采樣到1 km，采樣方法為最鄰近元法。

2.2 降尺度方法

隨著時(shí)間尺度的增大，地形和植被通常能有效地指示降水的空間分布狀況。本文以高程表示區(qū)域地形信息、以NDVI表示區(qū)域植被信息，則降水的空間分布模型可以表示為：

P=F(X,Y)+ε

(3)

式中：P為某時(shí)段內(nèi)的降水量；X為高程所代表的地形信息；Y為由NDVI表示的植被信息；ε為殘差，它表示不能由地形和植被有效指示的那部分降水量。考慮到山區(qū)降水會(huì)存在最大或最小高程帶，并針對(duì)傳統(tǒng)的線性模型在山區(qū)降水模擬精度較低的情況，對(duì)高程進(jìn)行二次展開：

P=aX2+bX+cY+d+ε

(4)

式中：a，b，c分別為各變量的系數(shù)；d為常數(shù)項(xiàng)；ε為殘差。

不同尺度下地形、植被和降水量之間的關(guān)系是不同的[13-14]。同樣，不同尺度下建立的回歸函數(shù)所得到的降尺度結(jié)果也不相同，故分別在四個(gè)不同尺度下(0.25°，0.50°，0.75°和1.00°)建立二次回歸模型，分析模型建立尺度對(duì)降尺度結(jié)果精度的影響。具體步驟為：

(1) 分別在四個(gè)不同尺度下提取TRMM，DEM和NDVI對(duì)應(yīng)像元值P，X，Y，由最小二乘法求出式(4)中的各變量系數(shù)a，b，c和常數(shù)項(xiàng)d。

(5)

(3) 用簡(jiǎn)單張力樣條函數(shù)法將殘差(ε)內(nèi)插為1 km分辨率。

(4) 根據(jù)所得的各變量系數(shù)a，b，c，d及1 km分辨率下的DEM和NDVI求出1 km分辨率的降水量模擬值，最后加上1 km分辨率下的殘差值便可將TRMM數(shù)據(jù)的空間分辨率由0.25°降尺度至1 km。

2.3 驗(yàn)證方法

氣象站實(shí)測(cè)降水?dāng)?shù)據(jù)雖呈離散點(diǎn)狀，但其仍然是對(duì)降水最直接的觀測(cè)結(jié)果，本文通過(guò)計(jì)算2001—2013年的TRMM數(shù)據(jù)降尺度結(jié)果與同時(shí)期9個(gè)氣象站所獲得的實(shí)測(cè)降水量的決定系數(shù)(R2)、偏差(Bias)和均方根誤差(RMSE)來(lái)對(duì)降尺度方法的有效性進(jìn)行驗(yàn)證，計(jì)算方法為：

(6)

(7)

(8)

3 結(jié)果與分析

3.1 降尺度結(jié)果與驗(yàn)證

3.1.1 降尺度結(jié)果 圖1為TRMM數(shù)據(jù)降尺度的實(shí)現(xiàn)過(guò)程(以2013年為例)。圖1A是原始分辨率下黑河流域2013年的TRMM降水?dāng)?shù)據(jù)，可明顯地看出流域內(nèi)降水量隨海拔的降低由南向北呈現(xiàn)明顯的遞減趨勢(shì)，2013年流域上游山區(qū)降水量均超過(guò)250mm，而到中下游降水量迅速降低到150mm以下。圖1B，E是將DEM和NDVI帶入二次回歸函數(shù)所求得的不同分辨率的降水模擬值，可以看出模擬降水量的空間分布與TRMM原始數(shù)據(jù)具有較高的一致性。圖1C，D是不同分辨率下的降水量殘差，它代表了不能由地形和植被覆蓋模擬出的那部分降水量。圖1F為最終的降尺度結(jié)果，它是由高分辨率的降水模擬值和降水殘差值相加得到。對(duì)比圖1A和圖1F可以發(fā)現(xiàn)，二者的降水空間分布趨于一致且降水量均在0～600mm；在空間分辨率方面，相對(duì)于原始的TRMM降水?dāng)?shù)據(jù)，降尺度結(jié)果的空間分辨率有很大提高，達(dá)到1km。

圖1TRMM降水量、模擬降水量、殘差和降尺度結(jié)果

3.1.2 精度驗(yàn)證 黑河流域2001—2013年的TRMM降水?dāng)?shù)據(jù)通過(guò)降尺度處理后數(shù)據(jù)的空間分辨率有很大提高，但降尺度結(jié)果的精確性還有待檢驗(yàn)。本文利用流域內(nèi)的9個(gè)站點(diǎn)的日降水實(shí)測(cè)數(shù)據(jù)對(duì)降尺度結(jié)果進(jìn)行了驗(yàn)證。通過(guò)提取各站點(diǎn)處的原始TRMM數(shù)據(jù)和降尺度后的像元值分別與實(shí)測(cè)降水量做線性回歸分析，結(jié)果見(jiàn)圖2。由圖2A可以看出，原始TRMM像元值多分布與1∶1線之上，存在對(duì)降水的明顯高估。經(jīng)過(guò)降尺度處理后的對(duì)應(yīng)像元值與實(shí)測(cè)降水量散點(diǎn)圖(圖2C)更接近于1∶1線，與實(shí)測(cè)值有著更高的一致性。進(jìn)一步計(jì)算實(shí)測(cè)值與對(duì)應(yīng)像元值的決定系數(shù)(R2)、偏差(Bias)和均方根誤差(RMSE)(表1)可以發(fā)現(xiàn)，與原始TRMM數(shù)據(jù)相比，降尺度結(jié)果與實(shí)測(cè)降水的決定系數(shù)提高了0.05，偏差減小了0.27，均方根誤差降低了38.23 mm。因此，降尺度結(jié)果不僅提高了TRMM數(shù)據(jù)的空間分辨率，而且較為有效地提高了數(shù)據(jù)的準(zhǔn)確性。

3.2 與傳統(tǒng)模型的精度比較

為比較傳統(tǒng)線性回歸模型(LRM)與二次多項(xiàng)式回歸模型(QPRM)TRMM數(shù)據(jù)降尺度效果，本文同時(shí)采用了傳統(tǒng)線性回歸模型對(duì)TRMM數(shù)據(jù)進(jìn)行降尺度，并用實(shí)測(cè)降水?dāng)?shù)據(jù)對(duì)降尺度結(jié)果進(jìn)行了驗(yàn)證，結(jié)果如圖2B和表1所示。對(duì)比兩種降尺度模型的降尺度結(jié)果，基于DEM展開的二次多項(xiàng)式回歸模型表現(xiàn)出更高的決定系數(shù)、更小的偏差和均方根誤差，其精度優(yōu)于傳統(tǒng)的線性模型。主要原因在于，流域上游祁連山地的存在使東南季風(fēng)受到地形的抬升作用導(dǎo)致降水隨海拔的增高逐漸增大，到達(dá)一定高程(4 000 m)后，隨著大氣水汽含量的逐漸降低，降水量隨海拔的增高而逐漸減小(圖3)。此過(guò)程可以很好地被二次函數(shù)所模擬，因此改進(jìn)的降尺度模型能獲得更為精確的降尺度結(jié)果。

圖2 TRMM數(shù)據(jù)、LRM降尺度數(shù)據(jù)、QPRM降尺度

參數(shù)TRMMDSLRMDSQPRMR20.840.880.89Bias0.300.050.03RMSE/mm90.1954.3451.96

圖3黑河流域不同高程帶降水特征

3.3 不同建模尺度對(duì)結(jié)果精度的影響

為研究回歸模型建立尺度對(duì)降尺度結(jié)果的影響，本文分別利用四個(gè)不同尺度下建立的回歸模型對(duì)2001—2013年黑河流域TRMM降水?dāng)?shù)據(jù)進(jìn)行降尺度，并計(jì)算了降尺度結(jié)果與實(shí)測(cè)數(shù)據(jù)的決定系數(shù)(R2)、偏差(Bias)和均方根誤差(RMSE)(表2)。綜合各項(xiàng)指標(biāo)可以發(fā)現(xiàn)，在0.50°下建立的降尺度模型與實(shí)測(cè)降水量有更好的一致性。究其原因，在于模型建立尺度過(guò)小時(shí)，小范圍的地形起伏和植被分布不能準(zhǔn)確地反映降水量的多少；而在尺度過(guò)大時(shí)，地形起伏和植被分布對(duì)降水的指示作用又不夠明銳。

表2 2001-2013年不同建模尺度的降尺度結(jié)果在9個(gè)站點(diǎn)的驗(yàn)證

4 結(jié) 論

(1) 基于高分辨率DEM和NDVI的黑河流域TRMM 3B43降水?dāng)?shù)據(jù)統(tǒng)計(jì)降尺度方法能極大地提高數(shù)據(jù)空間分辨率，并有效改善數(shù)據(jù)質(zhì)量提高數(shù)據(jù)精確性。

(2) 基于DEM展開的二次多項(xiàng)式模型能在一定程度上解決傳統(tǒng)線性降尺度模型在地形起伏較大時(shí)對(duì)降水量模擬精度不高的問(wèn)題，使得降尺度結(jié)果與實(shí)測(cè)降水量有更高的一致性。

(3) 降尺度模型建立的尺度對(duì)降尺度結(jié)果精度具有較大影響，0.50°是利用區(qū)域地形和植被信息模擬黑河流域降水空間分布的相對(duì)最佳尺度。

本文對(duì)黑河流域TRMM降水?dāng)?shù)據(jù)的降尺度方法仍然存在許多不足。文中使用了DEM和NDVI兩個(gè)較為常見(jiàn)且易于獲得的降水量指示因子來(lái)對(duì)TRMM數(shù)據(jù)進(jìn)行了降尺度，而溫度、濕度、氣壓等變量可能會(huì)對(duì)降水的空間分布有著更高的模擬效果[23]。此外，對(duì)整個(gè)研究區(qū)采用了相同的降尺度系數(shù)，實(shí)際上由于地表的復(fù)雜性，降水量與高程、植被之間的關(guān)系受到水文條件、人類活動(dòng)因素的影響可能會(huì)隨著空間位置的不同而不同，這將是下一步重點(diǎn)研究和探討的方向。

致謝：感謝NASA提供的TRMM 3B43，MODIS 13A2和DEM數(shù)據(jù)；感謝中國(guó)氣象數(shù)據(jù)共享中心提供的氣象數(shù)據(jù)；感謝黑河計(jì)劃數(shù)據(jù)管理中心提供的流域基礎(chǔ)數(shù)據(jù)。

[1] 呂洋,楊勝天,蔡明勇,等. TRMM衛(wèi)星降水?dāng)?shù)據(jù)在雅魯藏布江流域的適用性分析[J].自然資源學(xué)報(bào),2013,28(8):1414-1425.

[2] Xu G, Xu X, Liu M, et al. Spatial downscaling of TRMM precipitation product using a combined multifractal and regression approach:demonstration for south China[J]. Water, 2015,7(6):3083-3102.

[3] Goodrich D C, Faurès J M, Woolhiser D A, et al. Measurement and analysis of small-scale convective storm rainfall variability[J]. Journal of Hydrology, 1995,173(1):283-308.

[4] 孫樂(lè)強(qiáng),郝振純,王加虎,等. TMPA衛(wèi)星降水?dāng)?shù)據(jù)的評(píng)估與校正[J].水利學(xué)報(bào),2014,46(10):1135-1146.

[5] Wilheit T T. Some comments on passive microwave measurement of rain[J]. Bulletin of the American Meteorological Society, 1986,67(10):1226-1271.

[6] Fang J, Du J, Xu W, et al. Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area[J]. Advances in Water Resources, 2013,61(1):42-50.

[7] Huffman G J, Bolvin D T, Nelkin E J, et al. The TRMM Multisatellite Precipitation Analysis(TMPA): quasi-global, multiyear, combined-sensor precipitation estimates at fine scales[J]. Journal of Hydrometeorology, 2007,8(1):38-55.

[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, 2007,9(4):622-640.

[9] 劉元波,傅巧妮,宋平,等.衛(wèi)星遙感反演降水研究綜述[J].地球科學(xué)進(jìn)展,2011(11):1162-1172.

[10] 范麗軍.統(tǒng)計(jì)降尺度方法的研究及其對(duì)中國(guó)未來(lái)區(qū)域氣候情景的預(yù)估[D].北京:中國(guó)科學(xué)院研究生院,2006.

[11] Park N. Spatial downscaling of TRMM precipitation using geostatistics and fine scale environmental variables[J]. Advances in Meteorology, 2013,13(11):187-190.

[12] Guan H, Wilson J L, Xie H. A cluster-optimizing regression-based approach for precipitation spatial downscaling in mountainous terrain[J]. Journal of Hydrology, 2009,375(3):578-588.

[13] 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.

[14] Jia S, Zhu W, Lv 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.

[15] 王超,趙傳燕. TRMM多衛(wèi)星資料在黑河上游降水時(shí)空特征研究中的應(yīng)用[J].自然資源學(xué)報(bào),2013,28(5):862-872.

[16] 康爾泗.寒區(qū)和干旱區(qū)水文研究的回顧和展望[J].冰川凍土,1998,20(3):238-242.

[17] 程國(guó)棟,趙傳燕.干旱區(qū)內(nèi)陸河流域生態(tài)水文綜合集成研究[J].地球科學(xué)進(jìn)展,2008,23(10):1005-1012.

[18] 侯蘭功,肖洪浪,鄒松兵,等.黑河流域水循環(huán)特征研究[J].水土保持研究,2010,17(3):254-258.

[19] Liu J, Zhu A, Duan Z. Evaluation of TRMM3 B42 precipitation product using rain gauge data in Meichuan Watershed, Poyang Lake Basin, China[J]. Journal of Resources and Ecology, 2012,3(4):359-366.

[20] Li Z, Yang D, Hong Y. Multi-scale evaluation of high-resolution multi-sensor blended global precipitation products over the Yangtze River[J]. Journal of Hydrology, 2013,500(14):157-169.

[21] Peng B, Shi J, Ni-Meister W, et al. Evaluation of TRMM Multisatellite Precipitation Analysis(TMPA)products and their potential hydrological application at an arid and semiarid basin in China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014,7(9):3915-3930.

[22] Zhang X, Hu Y, Zhuang D, et al. NDVI spatial pattern and its differentiation on the Mongolian Plateau[J]. Journal of Geographical Sciences, 2009,19(4):403-415.

[23] Spak S, Holloway T, Lynn B, et al. A comparison of statistical and dynamical downscaling for surface temperature in North America[J]. Journal of Geophysical Research:Atmospheres, 2007,112(8):271-283.

DownscalingStudyonTRMM3B43DataoftheHeiheRiverBasinBasedonQuadraticPolynomialRegressionModel

FAN Dong1,2, XUE Huazhu1, DONG Guotao2, JIANG Xiaohui2,ZHANG Wenge2, YIN Huijuan2, GUO Xinwei2

(1.SchoolofSurveyingandLandInformationEngineering,HenanPolytechnicUniversity,Jiaozuo,He′nan454000,China; 2.KeyLaboratoryofSoilandWaterLossProcessandControlontheLoessPlateau,MinistryofWaterResources,YellowRiverInstituteofHydraulicResearch,Zhengzhou450003,China)

Precipitation data with high accuracy and high spatial resolution are important to ecology, hydrology and meteorology. In this study, we established a Quadratic Polynomial Regression Model (QPRM) between TRMM 3B43 precipitation, Digital Elevation Model (DEM) data and Normalized Difference Vegetation Index (NDVI) on four different scales (0.25°, 0.50°, 0.75° and 1.00°), and the TRMM 3 B430.25°×0.25° precipitation fields were downscaled to 1 km×1 km for each year from 2001 to 2013. The downscaled precipitation estimates were subsequently validated against the in-situ observation data obtained from nine rain gauge stations in the period of 13 years in the Heihe River Basin. The results showed that both spatial resolution of data and the data quality were significantly improved. Compared with multiple linear regression model downscaling method, the downscaled result obtained by QPRM is more accurate and closer to the measurements from rain gauges. The modeling scale has a great influence on the accuracy of the downscaled results, and 0.50° is the optimal scale to obtain high spatial resolution precipitation by downscaling TRMM 3B43 products using DEM and NDVI data.

downscaling of TRMM data; quadratic polynomial regression model; DEM; NDVI; Heihe River Basin

2016-03-31

：2016-05-07

國(guó)家自然科學(xué)基金(91325201,41301496,41301030);水利部公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目(201401031)

樊東(1992—),男,四川宜賓人,碩士研究生,研究方向?yàn)?S技術(shù)理論與應(yīng)用。E-mail:fan_zhonghe@163.com

董國(guó)濤(1982—),男,山東青州人,博士,高級(jí)工程師,主要從事水文水資源遙感方面研究。E-mail:dongguotao@hky.yrcc.gov.cn

P332.1

：A

：1005-3409(2017)02-0146-06