• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多源數(shù)據(jù)融合的海河流域降水資源評價(jià)

    2022-09-14 07:10:14石羽佳王忠靜
    水科學(xué)進(jìn)展 2022年4期
    關(guān)鍵詞:海河柵格校正

    石羽佳,王忠靜,2,索 瀅

    (1. 清華大學(xué)水利系,北京 100084;2. 寧夏大學(xué)西北土地退化與生態(tài)恢復(fù)省部共建國家重點(diǎn)實(shí)驗(yàn)室培育基地,寧夏 銀川 750021)

    海河流域位于中國北方,112°E—120°E、35°N—43°N,東臨渤海,南瀕黃河流域,流域面積為32.06萬km2,高程范圍為-10~2 864 m,總地勢是西北高東南低,大致分山地及平原2種地貌類型,是中國三大經(jīng)濟(jì)區(qū)之一和重要的工農(nóng)業(yè)基地,戰(zhàn)略地位十分重要。由于受氣候自然條件變化和人類社會(huì)經(jīng)濟(jì)活動(dòng)影響,海河流域出現(xiàn)了水資源嚴(yán)重不足、土地鹽堿化、水污染等一列生態(tài)環(huán)境問題,流域內(nèi)水資源與水環(huán)境問題突出。降水資源作為流域水資源的最主要部分,對其正確地分析與準(zhǔn)確地評價(jià)有助于理解流域水資源數(shù)量特征和空間分布特點(diǎn),因此,亟需明晰海河流域近年來的降水特征及規(guī)律以輔助水資源與水環(huán)境綜合治理。

    目前主要有4種估算降水的方法:地基測量觀測、地基雷達(dá)遙感、衛(wèi)星遙感和大氣再分析模型[1]。一般認(rèn)為地基測量觀測值為降水真值,這也是以往研究分析海河流域多年平均年降水量及其空間分布規(guī)律的主要依據(jù)[2- 5]。但當(dāng)站點(diǎn)空間分布不均、不密時(shí),觀測數(shù)據(jù)只能代表一定范圍內(nèi)的降水值,難以描繪流域整體降水的空間分布。近年來,衛(wèi)星降水觀測因其大范圍面尺度優(yōu)勢成為各類研究與規(guī)劃中的重要參考[6],也為準(zhǔn)確評價(jià)流域降水資源及其空間分布特征提供了可能,在海河流域也有所評價(jià)和應(yīng)用[7- 10]。然而,衛(wèi)星遙感數(shù)據(jù)并非直接觀測數(shù)據(jù),是由反演得出的,存在一定的不確定性[11],需加以融合校正,以表達(dá)流域真實(shí)的降水空間分布特征,進(jìn)而估算更為可靠的降水資源值。

    為得到特定研究區(qū)準(zhǔn)確的降水空間分布數(shù)據(jù),通常的做法是將衛(wèi)星反演的面降水?dāng)?shù)據(jù)與地基觀測的點(diǎn)降水?dāng)?shù)據(jù)融合,校正得到特定區(qū)域的降水融合產(chǎn)品,增強(qiáng)衛(wèi)星降水?dāng)?shù)據(jù)在應(yīng)用中的可靠性[12- 15],為區(qū)域水資源管理提供數(shù)據(jù)支撐。然而,以往涉及海河流域的遙感降水成果存在2個(gè)主要問題:一是所使用的地基觀測校正站點(diǎn)分布較為稀疏[16- 17];二是在校正時(shí)忽視了與降水密切相關(guān)的協(xié)變因子[16- 17],得到的結(jié)果難以再現(xiàn)海河流域降水實(shí)際空間分布。因此,有必要引入與降水密切相關(guān)的協(xié)變因子,將更密集的地基觀測數(shù)據(jù)與衛(wèi)星遙感相結(jié)合,提供海河流域高質(zhì)量、高分辨率的降水?dāng)?shù)據(jù)來更準(zhǔn)確地評價(jià)海河流域降水資源量及其空間分布。

    本文提出多要素融合的降水?dāng)?shù)據(jù)校正方法框架,擴(kuò)展了一致性系數(shù)內(nèi)涵;基于地面站點(diǎn)觀測數(shù)據(jù)、衛(wèi)星降水?dāng)?shù)據(jù)、地理時(shí)空數(shù)據(jù)等進(jìn)行多源數(shù)據(jù)融合校正,形成海河流域2001—2019年融合降水?dāng)?shù)據(jù)集;利用融合降水?dāng)?shù)據(jù)集對海河流域降水資源時(shí)空分布進(jìn)行全面評價(jià)。研究成果可為海河流域水資源管理提供更可靠的降水資源數(shù)據(jù)基礎(chǔ)。

    1 數(shù)據(jù)來源

    1.1 地面觀測降水資料

    本文將海河流域分為區(qū)域Ⅰ(平原區(qū))、區(qū)域Ⅱ(山區(qū)迎風(fēng)坡)和區(qū)域Ⅲ(山區(qū)背風(fēng)坡)3個(gè)片區(qū)融合分析。使用的地面觀測降水?dāng)?shù)據(jù)來源于中國氣象局國家氣象中心氣象數(shù)據(jù)網(wǎng)(http:∥data.cma.cn/),包括海河流域244個(gè)氣象站點(diǎn)2001—2019年逐月實(shí)測降水?dāng)?shù)據(jù),區(qū)域及站點(diǎn)空間分布如圖1所示。

    圖1 海河流域氣象站分布Fig.1 Meteorological stations in Haihe River basin

    1.2 衛(wèi)星降水產(chǎn)品

    本文使用了2種衛(wèi)星降水產(chǎn)品,分別是Integrated Multi- satellitE Retrievals for the Global Precipitation Measurement Final Run V06(IMERG- F)[18]和Global Satellite Mapping of Precipitation Guage- calibrated Standard V6[19](GSMaP- G)。時(shí)間范圍為2001—2019年,時(shí)間分辨率為月,空間分辨率為0.1°。IMERG- F來自NASA官網(wǎng)(https:∥pmm.nasa.gov/),GSMaP- G來自JAXA官網(wǎng)(https:∥sharaku.eorc.jaxa.jp/GSMaP/)。

    1.3 其他數(shù)據(jù)來源

    本文其他數(shù)據(jù)包括表征地面高程信息的ASTER GDEM數(shù)據(jù)(簡稱為DEM)和ERA5- Land數(shù)據(jù)。DEM數(shù)據(jù)來源于地理國情監(jiān)測云平臺(tái)(http:∥www.dsac.cn/),ERA5- Land數(shù)據(jù)來源于歐洲中期天氣預(yù)報(bào)中心(ECMWF,https:∥cds.climate.copernicus.eu/)。ERA5系列產(chǎn)品(ERA5和ERA5- Land)是ECMWF最新和最先進(jìn)的全球再分析產(chǎn)品[20],已有諸多研究論證了該系列產(chǎn)品在溫度、風(fēng)速、植被分析等方面與實(shí)際觀測具有良好的相關(guān)性和較低的誤差[21- 22],可以被作為環(huán)境信息的來源和創(chuàng)建高分辨率氣候數(shù)據(jù)集的基礎(chǔ)[20]。相較ERA5而言,ERA5- Land具有更高的空間分辨率,可以達(dá)到0.1°,與本研究選用的衛(wèi)星降水產(chǎn)品一致,因此本文選取ERA5- Land數(shù)據(jù)作為協(xié)變量數(shù)據(jù)來源之一。風(fēng)場、溫度、氣壓、植被等[22- 25]都與降水有很緊密的反饋與聯(lián)系,本研究選取ERA5- Land數(shù)據(jù)集中的8個(gè)要素作為協(xié)變量,以反映10 m風(fēng)場(10 m 風(fēng)向u分量、10 m 風(fēng)向v分量)、溫度與空氣距離飽和的程度(2 m露點(diǎn)溫度、空氣溫度)、氣壓(表面氣壓)、冬季降水(降雪量)和植被縱向分布情況(高大植被葉面積指數(shù)、矮小植被葉面積指數(shù))。

    2 研究方法

    2.1 融合校正方法

    衛(wèi)星降水融合校正方法包括偏差校正法、插值展布法、多元回歸法和機(jī)器學(xué)習(xí)法等[13],效果各不相同[11,12,26- 29]。與傳統(tǒng)的插值或回歸方法相比,機(jī)器學(xué)習(xí)方法具有較強(qiáng)的學(xué)習(xí)和泛化能力,在建模更復(fù)雜的數(shù)據(jù)模式和處理大量數(shù)據(jù)方面具有優(yōu)勢[13,30]。同時(shí),海河流域雨量站分布密度約為1 302 km2/站,研究表明在該雨量站分布密度下更適宜采用機(jī)器學(xué)習(xí)方法進(jìn)行校正[28]。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是典型的機(jī)器學(xué)習(xí)方法,是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng),具有獨(dú)特的分布并行處理、非線性映射和自適應(yīng)學(xué)習(xí)能力等優(yōu)點(diǎn),在氣象領(lǐng)域的降水、徑流、蒸散發(fā)等研究中發(fā)揮了重要作用[29- 30],諸多研究表明ANN在數(shù)據(jù)關(guān)系擬合、挖掘等方面表現(xiàn)效果較優(yōu)[31- 32]。因此本文以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),以地理要素、氣象要素、植被因子等作為協(xié)變量,構(gòu)建了海河流域衛(wèi)星降水產(chǎn)品融合校正框架,如圖2所示。

    圖2 海河流域衛(wèi)星降水產(chǎn)品融合校正框架Fig.2 Diagram and framework of satellite precipitation product fusion and correction in Haihe River basin

    該融合校正框架是以站點(diǎn)降水?dāng)?shù)據(jù)為目標(biāo)值,輸入相應(yīng)位置柵格中的衛(wèi)星降水值,以經(jīng)緯度、高程及ERA5- Land要素作為協(xié)變量,利用ANN進(jìn)行關(guān)系挖掘。測量值觀測數(shù)據(jù)在空間上隨機(jī)分為兩部分,一部分占比70%作為訓(xùn)練數(shù)據(jù)集,另一部分占比30%作為測試數(shù)據(jù)集。在本研究中,采用了3層結(jié)構(gòu)(即輸入層、隱含層和輸出層)的多層感知器(multilayer perceptron,MLP),這是神經(jīng)網(wǎng)絡(luò)算法中廣泛使用的一種形式,通過擇優(yōu)比較后,將隱含層設(shè)定為2層,節(jié)點(diǎn)數(shù)設(shè)置為20。

    2.2 評價(jià)檢驗(yàn)方法

    2.2.1 站點(diǎn)處精度評價(jià)檢驗(yàn)方法

    利用氣象站點(diǎn)坐標(biāo)提取衛(wèi)星降水對應(yīng)格點(diǎn)數(shù)據(jù),以氣象站點(diǎn)降水觀測數(shù)據(jù)為基準(zhǔn)進(jìn)行站點(diǎn)處精度對比評價(jià)。評價(jià)指標(biāo)分別為相關(guān)系數(shù)(r)、平均誤差(EM)、相對偏差(SBIA)和均方根誤差(ERMS)。這4個(gè)指標(biāo)是常用的統(tǒng)計(jì)參數(shù),此處不再贅述各指標(biāo)的計(jì)算方法。

    2.2.2 無站點(diǎn)處精度評價(jià)檢驗(yàn)方法

    Xia等[26]提出了一種基于降水- 高程連續(xù)性的一致性假定,用于評價(jià)無地表測站柵格的遙感降水產(chǎn)品精度。該假定建立降水與高程因子之間的關(guān)系,用一致性系數(shù)(RC)量化指標(biāo),并對衛(wèi)星降水在中國8個(gè)山區(qū)和柴達(dá)木盆地的表現(xiàn)進(jìn)行了一致性評價(jià)[26- 27]。本研究將其影響因子擴(kuò)展到一般情況,形成廣義一致性系數(shù)。擴(kuò)展后RC計(jì)算如下:

    (1)

    (2)

    (3)

    式中:Nsum為衛(wèi)星降水落入掩膜內(nèi)的柵格總數(shù);N為評價(jià)區(qū)柵格總數(shù);Ci為每個(gè)柵格的判定值,i=1,2,,N;Pti為每個(gè)柵格的衛(wèi)星降水值,i=1,2,,N;D為降水- 主要因子掩膜,由站點(diǎn)處主要因子數(shù)值與實(shí)測降水關(guān)系繪制得出,其方法參見文獻(xiàn)[26]。若無地面降水觀測站柵格上的衛(wèi)星降水值落入掩膜內(nèi),則認(rèn)為其與地面測降水值有一致性,亦即可靠度較高。

    3 結(jié)果及分析

    3.1 有站點(diǎn)柵格融合校正結(jié)果精度評價(jià)

    根據(jù)圖2,基于人工神經(jīng)網(wǎng)絡(luò)和協(xié)變量要素,將IMERG- F和GSMaP- G迭代融合成多源融合校正數(shù)據(jù)集IG- F(IMERG- F & GSMaP- G Fusion),1 367次后達(dá)到最優(yōu),迭代尋優(yōu)收斂過程如圖3。

    圖3(a)表示神經(jīng)網(wǎng)絡(luò)在迭代過程中的梯度下降過程,在1 000次迭代后下降趨勢顯著減??;圖3(b)表示神經(jīng)網(wǎng)絡(luò)收斂參數(shù)在迭代過程中的結(jié)果,在第1 367次迭代時(shí)收斂參數(shù)超出閾值使得迭代停止;圖3(c)表示有效參數(shù)個(gè)數(shù)的變化,在400次迭代后趨于穩(wěn)定;圖3(d)表示參數(shù)平方和變化,在800次迭代后趨于穩(wěn)定;圖3(e)表示神經(jīng)網(wǎng)絡(luò)的泛化能力檢查過程,可以看出未被包含在訓(xùn)練過程中的數(shù)據(jù)在該網(wǎng)絡(luò)中都可以得到合理的輸出。綜合以上,本研究建立的神經(jīng)網(wǎng)絡(luò)模型對此類多柵格多屬性數(shù)據(jù)融合問題的尋優(yōu)搜索是較為有效的。

    將多源融合校正數(shù)據(jù)集在有站點(diǎn)柵格上的精度分布結(jié)果繪于圖4。從圖4中可以看出,衛(wèi)星降水產(chǎn)品IMERG- F和GSMaP- G原始數(shù)據(jù)在季節(jié)尺度上與實(shí)測值符合性最佳,在年尺度上最差,總體均高估海河流域降水。多源融合校正降水?dāng)?shù)據(jù)集IG- F在4個(gè)統(tǒng)計(jì)指標(biāo)的表現(xiàn)均有顯著提升,平均r在月、季節(jié)、年尺度上分別為0.94、0.97、0.86,均大于原始產(chǎn)品;平均ERMS在月、季節(jié)、年尺度上分別降低至19.18 mm、33.19 mm、68.63 mm,均小于原產(chǎn)品;平均SBIA在月、季節(jié)、年尺度上均為-0.02%,優(yōu)于IMERG- F的8.6%和GSMaP- G的7.3%;平均EM在月、季節(jié)、年尺度上分別為-0.01 mm、-0.02 mm、-0.08 mm,同樣優(yōu)于原產(chǎn)品。

    圖3 模型尋優(yōu)收斂過程Fig.3 Optimization convergence process diagram

    圖4 降水?dāng)?shù)據(jù)集站點(diǎn)精度分布評價(jià)箱線圖Fig.4 Distribution of the precision of precipitation datasets in stations

    3.2 無站點(diǎn)柵格融合校正精度結(jié)果評價(jià)

    對比發(fā)現(xiàn),區(qū)域Ⅰ降水與位置參數(shù)呈現(xiàn)緊密的聯(lián)系,區(qū)域Ⅱ和區(qū)域Ⅲ降水與高程關(guān)系最為緊密。因此,式(3) 中降水- 主要因子掩膜在區(qū)域Ⅰ表現(xiàn)為降水- 位置參數(shù)掩膜,區(qū)域Ⅱ和區(qū)域Ⅲ為降水- 高程掩膜。為更直觀地顯示各分區(qū)高程(位置參數(shù))與降水之間的關(guān)系,圖5給出了海河流域等高線分布、降水?dāng)?shù)據(jù)融合分區(qū)、多年平均年降水等值線和位置參數(shù)等值線分布。在經(jīng)過經(jīng)度值與緯度值不同組合試驗(yàn)后,各柵格中心經(jīng)度平方值與緯度平方值之和與降水關(guān)系最佳,將其開平方形式作為位置參數(shù),計(jì)算過程見式(4) :

    (4)

    式中:P為柵格位置參數(shù), °;X為柵格中心經(jīng)度值, °;Y為柵格中心緯度值, °。

    圖5 海河流域等高線、降水等值線、位置參數(shù)等值線分布及區(qū)域劃分Fig.5 Contour line,precipitation contour line,location contour line and regional division in Haihe River basin

    為了對比衛(wèi)星降水產(chǎn)品在有站點(diǎn)和無站點(diǎn)柵格上的校正效果,本研究把有站點(diǎn)柵格處的降水?dāng)?shù)據(jù)集同樣進(jìn)行了一致性評價(jià),評價(jià)結(jié)果繪于圖6。圖6顯示,未經(jīng)融合校正的降水產(chǎn)品在平原區(qū)位置參數(shù)中值區(qū)嚴(yán)重高估了降水分布,在山區(qū)迎風(fēng)坡低估高程高值區(qū)的降水分布,在山區(qū)背風(fēng)坡高估高程低值區(qū)的降水分布,多源融合數(shù)據(jù)集分布與掩膜更為一致。

    對比圖6中有、無地面觀測站點(diǎn)柵格的評價(jià)結(jié)果,不難發(fā)現(xiàn),有站點(diǎn)處RC系數(shù)評價(jià)結(jié)果均比無站點(diǎn)處的評價(jià)結(jié)果要好,表明RC系數(shù)具有客觀性。同時(shí),對比校正前后的評價(jià)結(jié)果可知,校正后的降水?dāng)?shù)據(jù)集與掩膜分布較為一致,改進(jìn)后的RC系數(shù)能更好地描述無站點(diǎn)柵格處的一致性。將3個(gè)區(qū)域在海河流域的面積占比與其RC值乘積之和作為海河流域的RC值,IMERG- F和GSMaP- G在有站點(diǎn)柵格上的RC分別為55.3%和60.4%,無站點(diǎn)柵格上RC分別為42.7%和48.3%;IG- F在有、無站點(diǎn)柵格上RC分別為80.4%和56.2%。根據(jù)Xia等[26]的研究認(rèn)為,有站點(diǎn)柵格和無站點(diǎn)柵格的RC值并非完全一致,兩者差異在30%內(nèi)均可接受,因此融合數(shù)據(jù)集精度結(jié)果在理想范圍內(nèi)。對原始衛(wèi)星數(shù)據(jù)進(jìn)行融合校正后,落入掩膜內(nèi)的數(shù)量均有明顯增加,在有、無站點(diǎn)柵格上的一致性系數(shù)RC值均有提高。以上分析可以說明:改進(jìn)后的RC系數(shù)通過選取主要因子建立掩膜,能夠反映流域不同主要因子與降水之間的分布關(guān)系;生成的多源融合數(shù)據(jù)集在海河流域表現(xiàn)要優(yōu)于原始衛(wèi)星降水?dāng)?shù)據(jù)集,研究構(gòu)建的融合校正模型能夠用于整個(gè)研究區(qū)的衛(wèi)星降水校正。

    圖6 降水?dāng)?shù)據(jù)集一致性評價(jià)結(jié)果Fig.6 Evaluation of the consistency of precipitation datasets

    3.3 海河流域面降水分析

    海河流域氣象站點(diǎn)、原始衛(wèi)星降水和多源融合校正數(shù)據(jù)集2001—2019年平均降水空間分布如圖7所示。分析原始衛(wèi)星產(chǎn)品及多源融合數(shù)據(jù)集在海河流域的空間分布情況不難發(fā)現(xiàn),原始衛(wèi)星降水產(chǎn)品不能很好地識別位于平原中部的低降水量中心,高估平原區(qū)降水,這與圖6(a)、圖6(d)結(jié)果一致;相較于2種原始數(shù)據(jù),IG- F捕捉的降水空間分布與地表站點(diǎn)更為一致,且不存在明顯高估的情況。融合數(shù)據(jù)集顯示海河流域東北、東南、西南、中部偏西降水較多,在西北和中部偏東降水較少,降水空間分布差異較大。

    進(jìn)一步分析圖6可以發(fā)現(xiàn),海河流域各降水分區(qū)的降水存在以下分布規(guī)律:

    (1) 平原區(qū)高程變化不明顯,降水空間分布主要受海洋、氣壓帶和風(fēng)帶影響,與其空間位置參數(shù)存在明顯關(guān)系。圖6(a)、圖6(d)顯示位置參數(shù)等值線121°—123°區(qū)間內(nèi)存在1個(gè)明顯的降水低值區(qū),與圖4中的降水等值線分布位置一致,說明設(shè)定的位置參數(shù)變量能夠較好地描述平原區(qū)降水空間分布。

    (2) 山區(qū)迎風(fēng)坡降水與高程關(guān)系密切,高程升高易成云致雨。圖6(b)、圖6(e)顯示海河流域山區(qū)迎風(fēng)坡高程500 m以下的降水較多,但在高程500~1 000 m間存在1個(gè)降水低值區(qū),之后隨高程升高降水再次增加。

    (3) 山區(qū)背風(fēng)坡降水與高程同樣具有緊密聯(lián)系,背風(fēng)坡因地形阻擋,氣流下沉增溫難以成云致雨,所以降水較少。圖6(c)、圖6(f)顯示背風(fēng)坡在高程1 200~1 600 m間存在1個(gè)降水低值區(qū),主要分布在背風(fēng)坡山谷內(nèi),顯示出與迎風(fēng)面不同的降水特征。

    圖7 海河流域2001—2019年多年平均降水量空間分布Fig.7 Spatial distribution of annual precipitation in Haihe River basin from 2001 to 2019

    3.4 海河流域降水資源評價(jià)

    計(jì)算不同數(shù)據(jù)源下海河流域2001—2019年多年平均面降水量(表1),顯示融合校正數(shù)據(jù)集的多年平均面降水量為515.2 mm,相較于2種原始產(chǎn)品IMERG- F和GSMaP- G分別小4.4%和3.6%,較水資源公報(bào)數(shù)據(jù)大1.7%。水資源公報(bào)顯示海河流域水資源量占降水資源量的比(產(chǎn)流系數(shù))為17.3%,若將原始產(chǎn)品IMERG- F和GSMaP- G顯示的降水值作為海河流域降水資源量進(jìn)行計(jì)算,產(chǎn)流系數(shù)將分別降低為16.2%和16.4%。綜上,若用衛(wèi)星降水原始數(shù)據(jù)進(jìn)行流域管理,會(huì)高估海河流域降水量,低估產(chǎn)流系數(shù)。

    3.5 多源融合變量影響分析

    2種衛(wèi)星產(chǎn)品IMERG- F和GSMaP- G在中國大陸地區(qū)降水表達(dá)的表現(xiàn)優(yōu)于其他降水產(chǎn)品[33],并且通常認(rèn)為多衛(wèi)星產(chǎn)品融合可提高結(jié)果的可靠性[34]。本文選用IMERG- F和GSMaP- G生成的融合數(shù)據(jù)集IG- F的表現(xiàn)也證實(shí)了這一點(diǎn)。同時(shí),在無協(xié)變量的情況下,衛(wèi)星產(chǎn)品融合存在ERMS誤差增大的現(xiàn)象(增加至48.25 mm),加入?yún)f(xié)變量后,r從0.93上升到0.94,ERMS從48.25 mm下降到19.18 mm,多源融合月尺度試驗(yàn)方案評價(jià)結(jié)果見表2。因此,研究認(rèn)為加入氣象要素、植被因子等作為協(xié)變量能夠有效地改善融合結(jié)果。

    盡管本研究已通過增加協(xié)變量因子提高了數(shù)據(jù)融合的可靠性,但選取的協(xié)變量因子仍然較為有限,忽略了土壤含水量等因素。恰當(dāng)?shù)娜谌雲(yún)f(xié)變量仍是此類方法今后研究的重點(diǎn)之一。

    表1 不同數(shù)據(jù)源及方法計(jì)算的海河流域2001—2019年降水資源量

    表2 多源融合月尺度試驗(yàn)方案評價(jià)結(jié)果

    4 結(jié) 論

    為準(zhǔn)確評價(jià)海河流域降水資源量及其空間分布,本研究提出了海河流域衛(wèi)星降水產(chǎn)品融合校正框架,并利用多源數(shù)據(jù)融合生成了2001—2019年降水?dāng)?shù)據(jù)集,評價(jià)了海河流域降水資源量。主要結(jié)論如下:

    (1) 衛(wèi)星降水產(chǎn)品原始數(shù)據(jù)在海河流域存在一定高估,本研究生成的多源融合降水?dāng)?shù)據(jù)集在有無站點(diǎn)柵格上的評價(jià)結(jié)果均優(yōu)于原始衛(wèi)星降水產(chǎn)品。

    (2) 海河流域降水存在3個(gè)較為明顯的空間分區(qū)及其分布規(guī)律。海河流域平原區(qū)降水與空間位置參數(shù)關(guān)系明顯,在位置參數(shù)中值區(qū)存在明顯降水低值區(qū);山區(qū)迎風(fēng)坡和背風(fēng)坡降水均與高程關(guān)系明顯,在迎風(fēng)坡高程500~1 000 m、背風(fēng)坡高程1 200~1 600 m存在降水低值區(qū)。

    (3) 多源融合數(shù)據(jù)集IG- F顯示海河流域2001—2019年多年平均面降水量為515.2 mm,合降水資源量1 639.4億m3,較2種原始衛(wèi)星產(chǎn)品分別小4.4%和3.6%,較水資源公報(bào)數(shù)據(jù)大1.7%。

    猜你喜歡
    海河柵格校正
    《海河水利》2021年總目次
    海河水利(2021年6期)2021-12-28 11:10:18
    基于鄰域柵格篩選的點(diǎn)云邊緣點(diǎn)提取方法*
    一種臨近海河的超深地下室新型防水體系
    劉光第《南旋記》校正
    國學(xué)(2020年1期)2020-06-29 15:15:30
    一類具有校正隔離率隨機(jī)SIQS模型的絕滅性與分布
    機(jī)內(nèi)校正
    破冰開河
    支點(diǎn)(2016年3期)2016-03-21 13:01:12
    不同剖面形狀的柵格壁對柵格翼氣動(dòng)特性的影響
    基于CVT排布的非周期柵格密度加權(quán)陣設(shè)計(jì)
    一種基于eNode B的主動(dòng)式頻偏校正算法
    蒙阴县| 武定县| 韶关市| 罗定市| 来宾市| 丰原市| 遂溪县| 鄂伦春自治旗| 苏尼特左旗| 黑水县| 建平县| 双城市| 义乌市| 兴和县| 大方县| 辽阳市| 新和县| 尼勒克县| 浦北县| 巫山县| 静乐县| 宁武县| 汾西县| 丽水市| 北碚区| 武穴市| 荥阳市| 化德县| 昭觉县| 凤庆县| 平阴县| 蒲江县| 竹溪县| 思南县| 平安县| 铁岭市| 米易县| 离岛区| 祥云县| 田林县| 新乡县|