A Methodological Framework to Retrospectively Obtain Downscaled Precipitation Estimates over the Tibetan Plateau

He, Kang; Ma, Ziqiang; Zhao, Ruiying; Biswas, Asim; Teng, Hongfen; Xu, Junfeng; Yu, Wu; Shi, Zhou

doi:10.3390/rs10121974

开放式访问第条

回顾性获取青藏高原降尺度降水量估算的方法框架

¹

浙江大学环境与资源科学学院农业遥感与信息技术应用研究所，杭州310058

²

北京大学地球与空间科学学院遥感与地理信息系统研究所，北京100871

^三

加拿大安大略省圭尔夫市东石头路50号圭尔夫大学环境科学学院N1G 2W1

⁴

杭州师范大学遥感与地球科学研究所，杭州310029

⁵

西藏农牧学院资源与环境系，林芝860000

^*

应向其发送信件的作者。

远程传感器。 2018,10(12), 1974;https://doi.org/10.3390/rs10121974

收到的提交文件：2018年11月8日/修订日期：2018年12月2日/接受日期：2018年12月3日/发布日期：2018年12月7日

（本文属于特刊遥感水循环：理论、传感器、数据和应用)

下载

浏览地物

版本注释

摘要

:

具有更高空间分辨率和更高质量的长期降水量估算在各个相关领域都是至关重要的，也是非常需要的。基于热带降雨测量任务（TRMM）多卫星降水分析（TMPA），研究了许多降尺度算法，以获得更精细分辨率（~1km）的降水数据。然而，由于TMPA的起始时间是1998年，因此本研究受到TMPA数据集的时间跨度的限制。在本研究中，提出了一种新的方法框架，该框架结合了小波相干和立方体理论，以回顾性地获得基于TMPA和地面观测的20世纪90年代青藏高原降尺度降水估计值（DS）。利用基于地面观测的小波相干分析方法，首次确定了目标年（1990年至1999年）和参考年（2000年至2013年）之间降水模式的相关性和相似性。在此之后，参考年的TMPA数据被视为相应目标年的参考，采用立方体模型和陆面变量缩小尺度，以获得目标年的DS。我们发现，DS显示出持续的趋势，这与地面观测结果吻合良好。此外，DS的性能优于TP上的气候灾害组红外站点降水（CHIRPS）数据。因此，该方法框架具有很大的潜力，可用于获取无法获取TMPA数据的20世纪90年代期间的降雨量估计值。

关键词：

青藏高原；小波相干；立体派；TMPA公司

图形摘要

1.简介

降水量通常被认为是水文、气象、气候变化等领域中最重要的变量之一[1]. 因此，在相关的科学和应用领域中，长期降水信息是非常需要的。监测和测量降水量和趋势是一个巨大的挑战，特别是在地形复杂的地区，例如青藏高原（TP）。TP是世界上最大的高原，平均海拔>4000米[2]由于其对气候变化的敏感性，该地区也被确定为研究世界气候波动的试点地区。自20世纪50年代以来，TP的温度一直在上升[三]自20世纪90年代以来，降雨量呈增加趋势[4]. 然而，由于恶劣的环境和复杂的地形，TP上的雨量计网络非常稀少[5]这使得很难获得高原上空间上明确的降水信息。此外，地形的强烈变化可能导致气候条件的局部变化，需要更多关于关键气候变量（即降雨量）的信息。因此，为了研究TP中的区域气候波动，需要更精细的分辨率（~1km）和更高精度的长期降水量估算。

使用雨量计测量值的传统基于点的空间插值用于生成高空间分辨率的降水数据集。然而，具有稀疏雨量计的复杂地形在使用空间插值获取降水信息时往往会导致很大的不确定性和误差[6]. 同时，地基雷达在空间上有限，在TP上几乎没有用处。因此，基于卫星的降水产品成为提供更大空间覆盖范围的降水估计的最佳来源。过去二十年来，基于卫星的降水产品，如热带降雨测量任务（TRMM）多卫星降水分析（TMPA）数据集得到了广泛应用。TMPA数据为雨量计稀少地区提供了有价值的降水信息。然而，TMPA数据的粗略空间分辨率（0.25°）限制了其在区域和盆地尺度上的应用[7]. 为了获得更精细的空间分辨率的降水量估计值，已经研究了许多结合一系列环境变量的降尺度算法[8,9,10,11]. 首次采用归一化差异植被指数（NDVI）与TMPA数据建立指数关系[8]. 考虑到地形的影响，基于数字高程模型（DEM）建立预测模型的回归克里格法由[9]. 在[10]，在多元线性回归模型中引入了NDVI和DEM，以缩小TMPA数据的规模。此外[11]提出了使用NDVI和DEM的地理加权回归（GWR）模型。同时，其他研究也证明了各种地表特征，例如地表温度（LST）[12]，地形因素[13,14]影响了降水的空间分布。因此，Ma等人[15,16]将一系列地表变量，包括NDVI、DEM、LST和其他地形因素，纳入空间数据挖掘算法中，以降低TMPA数据的规模。

然而，所有这些基于TMPA数据的降尺度方法都受到1998年后时间跨度的限制，因为TMPA数据可用，因此在调查TP气候变异性的一个非常重要的时期缺少信息。例如，据报道，自20世纪90年代以来，TP的降雨量呈增加趋势。因此，在TMPA发射前以精细的空间分辨率（~1km）获得降水量估计值至关重要，需要新的方法。

本研究旨在开发一个新的方法框架，该框架结合了小波相干性和立方体，以回顾性地获得基于20世纪90年代TMPA数据和地面观测的TP降尺度降水估计值（DS）。首先，基于地面观测，小波相干是一种强大的方法，可以检测1990年至1999年目标时段和2000年至2013年参考时段在不同时间尺度上降水量的内在相似性和相关性[17,18,19]. 然后，将参考年的TMPA数据作为相应目标年的参考，采用空间数据挖掘算法Cubist对其进行降尺度，以获得目标年的DS。本研究的主要目标是：（1）制定一个方法框架，以回顾性地获得20世纪90年代TP的DS；（2）根据地面观测评估DS的性能；和（3）比较DS和气候危害组红外降水站（CHIRPS）数据的性能。

2.材料和方法

2.1. 研究区域

TP是印度板块与欧亚大陆板块碰撞后形成的，是世界上最大、最高的高原，平均海拔4000米以上(图1). 由于其独特的地形和位置，TP具有复杂的气候条件[20]. 影响TP的两种主要大气环流模式[21]. 例如，印度季风盛行于高原中部和南部，导致这些地区夏季降雨量相对较大（>1000 mm/年）。而在冬季主要受西风带影响的北部和西部地区，降雨量较小（<200mm/年）。此外，旱季和雨季之间有明确的界限；约90%的年降水量发生在雨季（主要是3月至8月）[14].

2.2. 材料

2.2.1. 地面观测

1954年至2013年的年降雨量记录由中国气象局提供(网址：http://data.cma.cn/). 由于复杂的地形和恶劣的环境条件，TP上可用的工作气象站稀疏且不均匀(图1). 大多数车站位于TP的南部和东部，主要位于中/低海拔。

2.2.2. 热带降雨测量任务（TRMM）多卫星降水分析（TMPA）数据集

通过美国国家航空航天局（NASA）和日本宇宙航空研究开发机构（JAXA）的共同努力，TRMM于1997年11月成功发射。TRMM配备了可见光和红外扫描仪、TRMM微波成像仪（TWI）和降水雷达（PR）等仪器，主要用于调查亚热带和热带地区的降水强度和分布。TMPA 3B43提供了从

50 ° 秒 到 50 ° N个

空间分辨率为0.25

°

[22]. 本研究采用2000年至2013年间的TMPA 3B43数据集，可从以下网址下载https://pmm.nasa.gov/data-access/downloads/trmm.

2.2.3. 气候危害组织“有站红外降水”（CHIRPS）

气候灾害组红外降水站（CHIRPS）是一个新的准全球（50°S–50°N）高分辨率(~

0.05 °

)具有多个时间尺度（日、五日和月）的降水数据集。CHIRPS数据使用TMPA 3B42版本7校准全球冷云持续时间（CCD）降雨量估计值，并融合来自各种来源的降水观测值，包括国家和区域气象服务[23,24]. CHIRPS的空间分辨率高于其他基于卫星的全球降水数据集，有利于在更精细的尺度上分析降水变化。在本研究中，采用了1990年1月至1999年12月期间CHIRPS数据库的月度数据(ftp://ftp.chg.ucsb.edu/pub/org/chg/products/CHIRPS-2.0).

2.2.4. 归一化植被指数（NDVI）数据集

NDVI通常用于描述植被的生产力和分布[25,26]. 各种研究人员广泛研究了NDVI与降雨量之间的关系[15,27,28]. NDVI数据集是从两种基于卫星的产品中获得的：（1）1990年至1999年期间，数据集来自全球库存监测和建模系统（GIMMS-NDVI3g）。GIMMS使用从高级甚高分辨率辐射计（AVHRR）传感器收集的信息生成全球NDVI数据集。最新版本的GIMMS-NDVI3g（3g.v1）的空间分辨率为

1 / 12 ° \times 1 / 12 °,

可在以下网址找到https://ecocast.arc.nasa.gov/data/pub/gimms/3g.v1/（2）2000年至2013年期间，数据集来自中分辨率成像光谱仪（MODIS）。MOD13A2是一个1 km空间分辨率的NDVI数据集，从https://ladsweb.modaps.eosdis.nasa.gov/搜索/.

2.2.5. 地表温度（LST）数据集

本研究使用了两种类型的地表温度（LST）数据集。MODIS提供的全球LST记录的误差控制在−1 K和1 K之间。MOD11A2产品在2000年至2013年期间用于本研究，该产品每八天以1 km的空间分辨率生成LST和辐射率数据。

1990年至1999年的LST数据采用分裂窗口法进行估算，如下所示[29].

{t吨}_{秒} = 0.32 {({t吨}_{4} - {t吨}_{5})}^{2} + 1.40 ({t吨}_{4} - {t吨}_{5}) + {t吨}_{4} + (57 - 5 w个) (1 - ε) - (161 - 30 w个) Δ ε + 0.83

(1)

哪里

{t吨}_{4}

和

{t吨}_{5}

通道4（10.3至11.3）的辐射温度

μ 米

)和通道5（11.5至12.5

μ 米

)AVHRR传感器。w个代表大气中水汽的体积，

ε

通过对通道4和通道5的发射率进行平均计算，以及

Δ ε

表示通道4和通道5之间的发射率差异。分裂窗口产生的LST估计误差可以控制在~

\pm

与现场数据相比为1 K[30,31]. 同时，分裂窗LST估计值与基于MODIS LST算法的估计值也表现出良好的一致性[32,33]. 在年尺度上，使用分裂窗口处理的LST数据的空间分辨率约为1.1 km。

2.2.6. 地形数据集

2000年2月，美国航天局与国家地理空间情报局合作成功启动了航天飞机雷达地形任务项目。SRTM项目提供了高分辨率DEM数据，空间覆盖范围从56°S到60°N。3弧-秒（约90 m）网格DEM是从http://srtm.csi.cgiar.org并在本研究中使用。

2.3. 方法

2.3.1. 小波相干

小波相干性是确定不同尺度下两个时间序列中模式的相关性和相似性的一种有用方法。对于两个独立的时间序列，n个和米，小波变换定义为

{W公司}_{t吨}^{n个} (秒)

和

{W公司}_{t吨}^{米} (秒)

.然后是交叉小波谱n个和米时间序列计算如下：

{W公司}_{t吨}^{n个 米} (秒) = {W公司}_{t吨}^{n个} (秒) {W公司}_{t吨}^{米 *} (秒)

(2)

在方程（2）中，*表示复共轭，t吨和秒分别表示时间指数和刻度。小波相干度的定义可以解释为平滑后小波系数的绝对值平方

{W公司}_{t吨}^{n个 米} (秒)

[34]:

{R（右）}_{t吨}^{2} (秒) = \frac{{| 秒 (秒^{- 1} {W公司}_{t吨}^{n个 米} (秒)) |}^{2}}{秒 (秒^{- 1} {| {W公司}_{t吨}^{n个} (秒) |}^{2}) * 秒 (秒^{- 1} {| {W公司}_{t吨}^{米} (秒) |}^{2})}

(3)

哪里秒是一个平滑操作符。为了确定小波相干结果的95%显著性水平，实施了蒙特卡罗方法。有关小波相干性的更详细描述和应用，请参阅[35,36]. 执行小波相干的MATLAB软件包可以在http://grinsted.github.io/wavelet-conherence/.

引入平均小波相干度（MWC）和显著相干面积百分比（PASC）两个指标来评价小波相干度的性能[37,38]. MWC和PASC分别表示所有尺度和周期的小波相干平均值和显著相干区域在整个小波域中的比例。较大的MWC和PASC表明两个时间序列中的模式在性质上更具相关性。

2.3.2条。立体派

在本研究中，使用Cubist构建了降雨量与一系列地表变量（包括NDVI、LST和地形指数）之间的预测模型。立体算法有两个主要特点：划分和建模。通过实现Cubist方法，将整个数据集划分为若干子集，并根据其地理相似性进行分组。对于每个单独的子集，通过应用逐步回归策略构建基于规则的模型。关于立体派方法的更多细节可以在其他地方找到，例如[15,16]. 在本研究中，立体派模型是使用该软件包生成的立体派在R中(https://cran.r-project.org/web/packages/Cubist/).

2.3.3. Mann–Kendall趋势测试

本研究中使用了顺序Mann-Kendall（SQ-MK）检验来确定显著趋势的近似起点[39,40]. 同时，该测试也可以反映趋势的波动[41,42]. 时间序列中的总趋势和突变时间估计如下。

对于收集的时间序列降水数据

{第页}_{1}, {第页}_{2}, {第页}_{三}, \dots, {第页}_{t吨}

，时间序列(

秒_{n个}

)根据他们的收集顺序如下：

秒_{n个} = \sum_{我 = 1}^{n个} {k个}_{我}, (n个 = 2, 三, \dots, t吨)

（4）

在哪儿，

{k个}_{我} = {\begin{matrix} + 1, {第页}_{我} > {第页}_{j个} \\ 0, {第页}_{我} \leq {第页}_{j个} \end{matrix}, (j个 = 1, 2, 三 \dots, 我)

(5)

哪里

{第页}_{我}

和

{第页}_{j个}

降水量是多少次

我

和

j个

和累进统计(

U型 {F类}_{(秒_{n个})}

)定义为：

U型 {F类}_{(秒_{n个})} = \frac{[秒_{n个} - E类 (秒_{n个})]}{\sqrt{五 一 第页 (秒_{n个})}}, (n个 = 2, 三 \dots, t吨)

(6)

E类 (秒_{n个})

和

五 一 第页 (秒_{n个})

表示

秒_{n个}

，分别作为方程（7）和（8）进行计算。

E类 (秒_{n个}) = \frac{t吨 (t吨 + 1)}{4}

(7)

五 一 第页 (秒_{n个}) = \frac{t吨 (t吨 - 10) (2 t吨 + 5)}{72}

(8)

U型 {F类}_{(秒_{n个})}

就是前序

U型 {F类}_{(秒_{n个})}

会导致曲线(UF公司)从0开始（当n个= 1). 然后在反向数据序列中进行了类似的分析。运用这种方法

U型 {B类}_{(秒_{n个})}

可通过以下公式计算：

{\begin{matrix} U型 {B类}_{(秒_{n个})} = - U型 {F类}_{(秒_{{n个}^{'}})} \\ {n个}^{'} = t吨 + 1 - n个 \end{matrix}, ({n个}^{'}, n个 = 1, 2, 三 \dots, t吨)

(9)

对于所有人

U型 {B类}_{(秒_{n个})}

，曲线设计为UB公司.

秒_{n个}

可以认为是零假设下的正态分布。本研究的置信区间为

\pm 1.96 (第页 = 0.05)

，表示如果

U型 F类

大于1.96，在95%置信水平下，该趋势被认为是显著的。负面消息

U型 F类

反映出下降趋势，而

U型 F类

代表了时间序列中的增加趋势。十字路口

U型 F类

和

U型 B类

曲线表示降水时间序列中趋势的近似突变时间。

2.3.4. 校准和验证

由于DS本质上是一种间接降水量估算，因此应评估并纠正估算的区域偏差和随机误差[43]. 因此，选择了一部分雨量计来校准估算值，而其余的观测站则用于独立评估估算值的性能(图1). 校准用量规是根据其位置和记录的降雨量选择的。在评估中应用了四个比较指数，包括决定系数（R²)偏差、均方根误差（RMSE）和Nash–Sutcliffe效率（NSE）。

{R（右）}^{2} = {(\frac{\sum_{我 = 1}^{n个} ({G公司}_{我} - \bar{G公司}) \times ({P（P）}_{我} - \bar{P（P）})}{\sqrt{\sum_{我 = 1}^{n个} {({G公司}_{我} - \bar{G公司})}^{2}} \times \sqrt{\sum_{我 = 1}^{n个} {({P（P）}_{我} - \bar{P（P）})}^{2}}})}^{2}

（10）

偏差 = \frac{\sum_{我 = 1}^{n个} {P（P）}_{我}}{\sum_{我 = 1}^{n个} {G公司}_{我}} - 1

(11)

RMSE公司 = \sqrt{\frac{\sum_{我 = 1}^{n个} {({P（P）}_{我} - {G公司}_{我})}^{2}}{n个}}

(12)

NSE公司 = 1 - \frac{\sum_{我 = 1}^{n个} {({P（P）}_{我} - {G公司}_{我})}^{2}}{\sum_{我 = 1}^{n个} {({G公司}_{我} - \bar{G公司})}^{2}}

(13)

{P（P）}_{我}

是降雨量估计值；

{G公司}_{我}

和

\bar{G公司}

分别是基于地面观测的年值和年平均值；

我

和n个分别是指数和比较对总数。

R²反映了降雨量估计值和地面观测值之间线性关系的强度，范围在0到1之间，最佳值为1。偏差衡量估计值被高估（正值）或低估（负值）的趋势，完美值为0。RMSE表示误差估计的大小，与地面观测相比，RMSE越小意味着估计越可靠。NSE公司[44]，范围为−

\infty

到1，测量残差与降水观测值相比的方差大小，NSE的理想值为1，而负值表示降水估计较差。

2.3.5. 20世纪90年代回顾性获取降水量估算（~1km）的主要步骤

主要步骤描述如下：

(1): 基于地面观测数据，首次将小波相干应用于不同时间尺度的目标时段（1990年至1999年）和参考时段（2000年至2013年）之间降水量的内在相似性和相关性检测(图2). 目标年和相应的参考年是在MWC和PASC值最大时确定的。
(2): 所有陆地表面特征，包括年平均LST数据、年平均NDVI和地形参数，总计为0.25 $°$ 根据2000年至2013年原始空间分辨率的相应数据。然后，在TMPA数据和基准年的地表变量之间建立立体模型，空间分辨率为0.25 $°$ .
(3): 在1990年至1999年的目标年中，首次获得了~1km处的地表变量。就NDVI而言，我们使用简单的样条张力插值器将GIMMS NDVI（1/12°）插值到~1km处的NDVI中，该插值器通常适用于常规空间数据[7]，在本研究中。在ArcGIS 10.2软件中进行插值之前，网格化GIMMS NDVI数据已转换为基于点的格式(https://www.esri.com/en-us/home（英文）). DS是通过在步骤（1）确定的相应参考年中，将步骤（2）中生成的立方体模型应用于目标年的地表变量而获得的(图2).
（4）: 校准数据用于校正步骤（3）中获得的目标年份中的DS。起初，通过将地面观测值与DS进行比较，使用普通克里金技术将基于点的比率插值到网格估计值（~1km）中[13]. 此外，通过将网格化比率乘以步骤（3）中获得的无量规校准的DS，可以获得最终的量规校准DS。
(5): 通过验证站评估了DS在~1km分辨率下的性能。同时，还通过相同的验证站对CHIRPS的性能进行了评估，并与有/无仪表校准的DS进行了比较(图2).

3.结果

3.1. 青藏高原降水的变化趋势与突变

图3显示了

U型 F类

和

U型 B类

在1954年至2013年期间，使用基于雨量计地面观测结果的SQ–MK测试。这个

U型 F类

和

U型 B类

曲线于1984年相交，而且相交处在置信区间内，这表明1984年TP上的降水模式发生了变化。这个

U型 F类

曲线代表了降水量的总体趋势。根据

U型 F类

曲线上，1954~2013年TP降水量的时间变化可大致分为三个时期。1954年至20世纪60年代末，降水量的变化在第一阶段出现波动。第二个时期是1970年至80年代初，降水量变化呈下降趋势。在第三个时期（1984年以后），降水量变化呈现出急剧增加的趋势，1990年以来的增加趋势被认为是显著的，因为

U型 F类

曲线超过95%置信水平。因此，本研究集中在1990年至1999年期间，TP上方的降雨量有显著增加的趋势。

3.2. 降水模式的年际相关性和相似性

1990年目标年和2000年至2013年参考年的降水模式的相关性和相似性如所示图4根据变化的总体趋势，时间尺度分为四组：极短周期（<8天）、短周期（8-32天）、中周期（32-64天）和长周期（>64天）。在极短期和短期时间尺度上，目标年和参考年的降水模式相关性不强，尽管在一些离散时间内观察到了一些显著的相关性。在中期尺度上，1990年和2006年的降水模式从年中到年末呈现出显著的相关性。此外，1990年和2006年降水模式的统计相关性在长期尺度上比在中期尺度上显著得多(图4). 因此，基准年2006年的降水模式被认为是代表1990年降水模式的最佳参考。

在不同时间尺度上，对目标年（1990年）和参考年（2000年至2013年）降水模式相关性的定量评估显示在表1根据1990年和2006年长期（>64天）降水模式的相关性，确定了MWC（~0.70）和PASC（~40.00%）的最大值，这与图4考虑到MWC（0.49）和PASC（27.02%）的最大平均值，1990年和2006年降水模式相关性的强度优于其他参考年。

图5a显示了基于TP地面观测平均值的1990年（蓝线）和2006年（红线）的降水变化曲线。两年的降水格局在全年表现出相似的特征和趋势，如干湿季交替、特定时期的降水峰谷。1990年和2006年之间降水量的相对差异显示在图5b.总的来说，这种差异在日尺度上几乎是全年随机分布的，这表明降水差异没有任何特定的模式。因此，小波相干方法可以确定目标年和参考年两种降水模式之间的内在相似性，并显示出较强的相关性。

此后，对1991年至1999年各目标年和2000年至2013年相应参考年的降水模式的相关性和相似性进行了匹配。基于1991年至1999年目标年及其相应参考年降水模式相关性的小波相干结果如所示图6与1990年的情况类似，在非常短的周期尺度（<8天）和短周期尺度（8-16天）的离散周期中检测到的降水模式的相关性也很有限。然而，在长周期时间尺度（>64天）上，相关性很强，表明在双月尺度上，两个独立年份的降水模式具有很好的相关性。

表2展示了1991年至1999年目标年和2000年至2013年参考年不同时间尺度降水模式相关性的定量评估。根据中给出的小波相干结果图6目标年和相应参考年的降水模式相关性最强的是长周期（>64天）。此外，就MWC值（>0.79）和PASC值（>39.16%）而言，长时间尺度（>64天）的MWC和PASC的值大于短时间尺度的值。总的来说，在所有尺度上，MWC和PASC的平均值分别大于0.42%和19.58%。

3.3. 回顾性缩减结果和验证

基于小波相干和立方体算法，我们回顾性地获得了1990年至1999年期间TP上的DS，分辨率约为1km。此外，还介绍和评估了1990年至1999年的CHIRPS数据，以便与DS的性能进行比较。CHIRPS的数据的空间模式由1990至1999年降水量估计值的平均值确定，如所示图7a、而未进行仪表校准的DS和进行仪表校准的DS的空间模式如所示图7b、 c）。CHIRPS数据和DS数据都显示了TP上类似的降水趋势。然而，显而易见的是，CHIRPS数据在西南TP的一小部分地区提供了相对较大的降雨量估计值，年降雨量约为800-1000 mm/年，而DS的年降雨量低于600 mm/年。由于CHIRPS数据的粗分辨率（~5km），CHIRPS的空间模式显示出明显的空间划分。由于更精细的空间分辨率（~1km），在TP上，DS的空间趋势从东南到西北逐渐变化。

为了比较无雨量计校准和有雨量计校正的DS与CHIRPS数据的性能，我们根据1990年至1999年期间的地面观测结果验证了这些降水产品。CHIRPS数据的验证如所示图8a、同时图8b、 c分别显示了无雨量计校准和有雨量计标定的DS的验证。一般来说，CHIRPS数据表现最差（R²三种降水产物中约0.53，偏差约5.58%，NSE约0.49，RMSE约202.84mm）。无量规校准的DS优于CHIRPS数据，相关性更大，误差更低（R²约0.75，NSE约0.57，RMSE约173.28毫米）。带有仪表校准的DS提高了精确度（R²约0.80，偏差约10.03%，NSE~0.71和RMSE~143.06 mm），与未进行仪表校准的情况相比。

表3显示了1990年至1999年期间TP上CHIRPS数据（有雨量计校准和无雨量计校正的DS）与地面观测的验证结果。CHIRPS数据表现相对较差，相关性较小，误差较大（R²在0.41至0.62之间变化，NSE在0.26至0.62，RMSE在162.42 mm至255.12 mm之间波动）。与CHIRPS数据相比，无量规校准的DS表现出更好的性能（R²>0.70，NSE>0.49）。在1990年至1999年期间，带仪表校准的DS的精度优于CHIRPS和不带仪表校准的DS（R²~0.80，NSE~0.80和RMSE~120毫米）。

图9a显示了从CHIRPS、未经计量校准的DS和经计量校准的DS获得的年平均降水量的空间分布，而图9b–e展示了R的空间分布²1990年至1999年，CHIRPS数据的偏差、RMSE和NSE、无规范校准DS和有规范校准DS与地面观测的对比。总的来说，CHIRPS和DS在没有和有量规校准的情况下都能很好地捕捉到TP以上各站年降水量的空间分布。从评价指标来看，所有降水产品都与南部和东部TP的地面观测结果显示出较好的一致性，而南部和北部TP的降水相对较大，但西部和北部TP表现较差，降水相对较小。考虑到降雨量估计值和地面观测值与R之间的强相关性，带量规校准的DS显示出最佳性能²大多数站点的值甚至>0.8，而R²CHIRPS数据值可接受（R²>0.6），但在北部和西南部显著下降（R²~ 0.2). 与CHIRPS数据相比，经过校准的DS的偏差和RMSE值也有所下降，尤其是在喜马拉雅山脉附近的地区。通过量规校准，DS的NSE值也有所改善。这些结果表明，在TP上，与CHIRPS数据和未经规范校准的DS相比，经规范校准后的DS提供了更可靠的降雨量估计。

3.4. 特定站点降水量估算的比较

根据中给出的评估结果图9，我们发现，基于CHIRPS和DS的降水量估计值与TP有显著差异，例如，在A区和B区，这可以在图1A区有四个验证站，即盖泽、普兰、拉齐和尼拉尔，海拔高度>3800 m。A区盖泽站、普兰站、拉子站和尼拉尔站的年平均降水量分别为156.5 mm/年、131.4 mm/年，362.1 mm/年和551.8 mm/年。B区分布着另外四个验证站，包括小灶霍站、德令哈站、格尔木站和诺木洪站，B区为海拔~2800m的盆地地区。小灶伙、德令哈、格尔木和诺木洪记录的年平均降雨量分别为29.2mm/年、173.0mm/年、51.8mm/年和43.3mm/年。

图10说明了基于地面观测以及从CHIRPS和DS获得的降水估计值对上述八个站点的年降水量进行的比较。CHIRPS数据对位于A区的四个站点的降水量捕捉不足。可以看出，CHIRPS数据倾向于大大高估A区各站的降水量，这表明CHIRPS的数据无法恰当地捕获年降水量，并提供了A区不利的降水信息。与CHIRPS数据相比，从DS获得的降水量估计值与盖泽和尼拉尔站的地面观测值更加吻合。而在B区，CHIRPS和DS在德令哈站的表现都是合理的，但CHIRPS数据高估了1996年和1997年的降雨量。此外，DS很好地捕捉了德令哈站的年降水量，如1992年和1998年的降水峰值，这表明DS的准确性更好。总体而言，DS在特定站点的A区和B区优于CHIRPS数据。

4.讨论

4.1. 框架的改进和局限

在本研究中，我们试图回顾性地获得1990年至1999年TP的降雨量估计值（~1km）。与CHIRPS数据相比，通过该框架获得的降雨量估计值与地面观测值相比具有合理的性能。小波相干证明了它能够揭示两个独立年份降水模式的相关性和相似性。同时，Cubist是一种新的空间数据挖掘算法，用于缩小基于卫星的粗降水数据的规模[14,15]. Cubist算法考虑了降雨量和地表变量之间的非平稳关系。同时，当考虑大量预测变量时，Cubist也表现强劲。此外，Cubist生成的线性模型是可解释的[14]而其他机器学习算法，如随机森林和人工神经网络，则不具备这种能力。因此，该方法框架结合了小波相干性和立方体，在20世纪90年代无法获取TMPA数据的时期，在获得降水量估计方面具有很大潜力。

然而，该框架生成的DS的准确性也受到几个误差源的影响。首先，确定了目标年（1990年至1999年）和最佳参考年（2000年至2013年）之间降水模式的相关性和相似性。但是，参考年的周期可能不足以检测“最佳”年份，在该年份中，TMPA和Cubist模型被追溯应用以获得DS。例如，2006年的降水模式被选为参考，以获得1990年和1997年目标年的降水量估计值。此外，为了获得约1km分辨率的降水量估计值，20世纪90年代还需要具有更精细分辨率（约1km）和更高精度的地表变量。例如，扩展到20世纪90年代的NDVI和LST数据集有限。在本研究中，对空间分辨率为1/12°的GIMMS NDVI 3g数据进行插值，以获得~1km NDVI数据，这可能会导致DS中不可避免的不确定性。此外，校准数据的选择也可能影响降水量估算的准确性[45,46].

4.2. 回顾性降尺度结果在相关领域的可能应用

在土壤科学、生态学和水平衡研究等各个相关领域，迫切需要具有更精细的空间分辨率（~1km）和更高精度的长期降水量估算[47,48,49,50]. 本研究中获得的DS可用于预测土壤性质，如土壤有机碳[47,48]在TP多年冻土中大量储存，对气候变化敏感。尽管TP提供了水资源，支持中国和东南亚的巨大生态系统以及下游14亿以上人口[49]之前的研究发现了不同的气候变化模式，仍然需要更精细的空间分辨率和更准确的长期降水量估算[51]例如，在调查降水和冰川的变化模式时。

5.结论

在这项研究中，提出了一种新的方法框架，将小波相干和立方相结合，以回顾性地获得1990年至1999年TP上的DS。同时，还纳入了校准程序。使用地面观测对DS的性能进行了评估。本研究的主要结果如下：（1）1984年在TP上检测到降水模式的突变，1990年后降水量有显著增加趋势；（2）带仪表校准的DS在TP上显示出从东南到西北的连续趋势；（3）与CHIRPS数据相比，采用规范校准的DS与地面观测结果更加吻合。因此，本研究中开发的方法框架可以作为一种替代方法，在20世纪90年代回顾性地获得缩小规模的结果。

作者贡献

概念化，K.H.，Z.M.，Z.S。；方法学，K.H.、Z.M.、R.Z.、A.B.和Z.S。；软件、K.H.、R.Z.、A.B.、H.T。；验证，K.H.、R.Z.、H.T.、W.Y。；形式分析，K.H.，R.Z.，H.T.，J.X。；调查、K.H.、Z.M.、R.Z.、A.B.、H.T.、J.X.、W.Y.和Z.S。；资源、K.H.、Z.M.、R.Z.、H.T.、W.Y。；数据管理，K.H，R.Z，H.T.，A.B。；书面原稿编制，K.H.、Z.M.、R.Z.、A.B.、H.T。；《写作评论与编辑》，K.H.、Z.M.、R.Z.、A.B.、H.T.、J.X.、W.Y.、Z.S。；可视化，K.H，R.Z.，H.T.，J.X。；监理，Z.M.，H.T.，Z.S。；项目管理，Z.S。；融资收购，Z.S。

基金

本研究得到了国家自然科学基金（41571339、41461063、41661061）和中央高校基本科研业务费（2016XZZX004-02）的资助。中国博士后科学基金（No.2018M630037）。

致谢

所有作者都要感谢Aslak Grinsted提供MatLab软件包来执行小波相干分析，感谢Max Kuhn提供Cubist软件包源以在R中生成Cubist模型。本研究中获得的青藏高原上的回顾性降尺度降水量估计值（~1 km），在免费提供http://agri.zju.edu.cn:6060/DataShare/Index.aspx.

利益冲突

作者声明没有利益冲突。

工具书类

C.J.穆勒。；O’Gorman，P.A.关于降水对气候变化的区域反应的一个充满活力的视角。自然气候。青稞酒。 2011,1，266–271。[谷歌学者] [交叉参考]
中国：第三极。国家新闻 2008,454, 393–396. [谷歌学者] [交叉参考] [绿色版本]
刘，X。；Chen，B.近几十年来青藏高原气候变暖。国际气候杂志。 2000,20, 1729–1742. [谷歌学者] [交叉参考] [绿色版本]
张博士。；黄，J。；关，X。；陈，B。；Zhang，L.青藏高原可降水量和降水量的长期趋势来自卫星和地面测量。J.数量。光谱学。辐射。Transf公司。 2013,122, 64–71. [谷歌学者] [交叉参考]
马云（Ma，Y.）。；唐·G。；Long，D。；Yong，B。；钟，L。；Wan，W。；Hong，Y.GPM及其前身TRMM多卫星降水分析的相似性和误差相互比较，使用青藏高原上可用的最佳小时计量网络。远程传感器。 2016,8, 569. [谷歌学者] [交叉参考]
Kyriakidis，P.C.公司。；Kim，J。；Miller，N.L.，利用大气和地形特征，根据雨量计数据绘制降雨量的地理统计图。J.应用。美托洛尔。 2001,40, 1855–1877. [谷歌学者] [交叉参考]
马，Z。；Tan，X。；杨，Y。；陈，X。；Kan，G。；纪，X。；卢，H。；Long，J。；崔，Y。；Hong，Y.IMERG与基于IMERG的降尺度结果在赣江流域水文利用中的首次比较。水 2018,10, 1392. [谷歌学者] [交叉参考]
西北部Immerzeel。；Rutten，M.M。；Droogers，P.利用伊比利亚半岛植被响应对TRMM降水进行空间降尺度。遥感环境。 2009,113, 362–370. [谷歌学者] [交叉参考]
滕，H。；Shi，Z。；马，Z。；Li，Y.利用TRMM降雨量和海拔，通过回归克里格法估算中国东南部浙江省的空间降尺度降雨量。《国际遥感杂志》。 2014,35, 7775–7794. [谷歌学者] [交叉参考]
贾，S。；朱伟。；吕，A。；Yan，T.基于NDVI和DEM的中国柴达木盆地TRMM降水统计空间降尺度算法。遥感环境。 2011,115，3069–3079页。[谷歌学者] [交叉参考] [绿色版本]
徐，S。；吴，C。；Wang，L。；贡萨莫，A。；沈毅。；Niu，Z。一种新的基于卫星的月降水量降尺度算法，其降水量与地表特征之间存在非平稳关系。遥感环境。 2015,162, 119–140. [谷歌学者] [交叉参考]
陈，F.R。；刘，Y。；刘，Q。；Li，X.考虑空间异质性的TRMM 3B43降水的空间降尺度。《国际遥感杂志》。 2015,35, 3074–3093. [谷歌学者] [交叉参考]
方，J。；杜，J。；徐伟（Xu，W.）。；石，P.J。；李，M。；Ming，X.D.基于山区地形影响和气象条件的TRMM降水数据的空间降尺度。高级水资源。 2013,61, 42–50. [谷歌学者] [交叉参考]
Shi，Y。；Song，L.基于EVI和其他地理空间变量的青藏高原2001-2012年TRMM月降水量空间降尺度。山资源开发。 2015,35, 180–194. [谷歌学者] [交叉参考]
Ma，Z。；Shi，Z。；周，Y。；徐，J。；于伟（Yu，W.）。；Yang，Y.一种空间数据挖掘算法，用于降低青藏高原TMPA 3B43 V7数据的尺度，并消除系统异常的影响。遥感环境。 2017,200, 378–395. [谷歌学者] [交叉参考]
马，Z。；周，Y。；胡，B。；梁，Z。；Shi，Z.利用TMPA和地表特征对中国年降水量进行降尺度。国际气候杂志。 2017,37, 5107–5119. [谷歌学者] [交叉参考]
瓦肖，G。；De Silans，A.P。；巴拉巴林，P。；Vaucin，M.空间测量土壤水分概率密度函数的时间稳定性。土壤科学。美国社会期刊。 1985,49, 822–828. [谷歌学者] [交叉参考]
Biswas，A。；Si，B.C.丘状景观中土壤蓄水的时间稳定性的尺度和位置。J.水文学。 2011,408, 100–112. [谷歌学者] [交叉参考]
Sang，Y.F.小波变换在水文时间序列分析中的应用综述。大气。物件。 2013,122, 8–15. [谷歌学者] [交叉参考]
致胜，A。；库兹巴赫，J.E。；普雷尔，W.L。；Porter，S.C.中新世晚期以来亚洲季风的演变和喜马拉雅-青藏高原的阶段性抬升。自然 2001,411, 62–66. [谷歌学者] [交叉参考]
姚明，T。；汤普森，L。；杨伟（Yang，W.）。；于伟（Yu，W.）。；高，Y。；郭，X。；杨，X。；Duan，K。；赵，H。；徐，B。；等。青藏高原及其周边地区不同冰川状态与大气环流的关系。自然气候。青稞酒。 2012,2, 663–667. [谷歌学者] [交叉参考]
G.J.哈夫曼。；Bolvin，D.T。；内尔金，E.J。；沃尔夫，D.B。；阿德勒，R.F。；顾，G。；Y.Hong。；K.P.鲍曼。；Stocker，E.F.TRMM多卫星降水分析（TMPA）：精细尺度下的准全球、多年、组合传感器降水估计。J.水文气象。 2007,8, 38–55. [谷歌学者] [交叉参考]
芬克，C.C。；彼得森，P.J。；朗斯菲尔德，M.F。；佩德雷罗斯，D.H。；Verdin，J.P。；罗兰，J.D。；罗梅罗，B.E。；G.J.Husak。；迈克尔森，J.C。；Verdin，A.P.干旱监测的准全球降水时间序列。美国地质。Surv公司。数据序列。 2014,832, 4. [谷歌学者]
Funk，C。；彼得森，P。；兰斯菲尔德，M。；佩德雷罗斯，D。；Verdin，J。；Shukla，S。；Husak，G。；罗兰，J。；哈里森，L。；Hoell，A.气候危害站点的红外降水——监测极端情况的新环境记录。科学。数据 2015,2, 150066. [谷歌学者] [交叉参考]
肖，J。；Moody，A.植被活动趋势及其气候相关性：中国1982年至1998年。《国际遥感杂志》。 2004,25, 5669–5689. [谷歌学者] [交叉参考]
Evans，K.L。；新泽西州詹姆斯。；Gaston，K.J.北美鸟类的丰度、物种丰富度和能量可用性。手套。经济。生物地理。 2006,15, 372–385. [谷歌学者] [交叉参考]
Grist，J。；Nicholson，S.E。；Mpolokang，A.关于使用NDVI估算博茨瓦纳卡拉哈里的降雨场。J.干旱环境。 1997,35, 195–214. [谷歌学者] [交叉参考]
Iwasaki，H.使用GSMaP降水数据和JRA-25/JCDAS温度数据预测蒙古草原的NDVI。J.干旱环境。 2009,73, 557–562. [谷歌学者] [交叉参考]
Sobrino，J.A。；Raissouni，N.关于土地覆盖动态监测的遥感方法：在摩洛哥的应用。《国际遥感杂志》。 2000,21, 353–366. [谷歌学者] [交叉参考]
Sobrino，J.A。；Li，Z.L。；Stoll，医学博士。；Becker，F.陆地表面温度测定的分裂窗口技术的改进。IEEE传输。地质科学。远程传感器。 1994,32, 243–253. [谷歌学者] [交叉参考]
科尔·C。；Caselles，V.利用先进的超高分辨率辐射计数据计算地表温度的分翼算法：验证和算法比较。《地球物理学杂志》。Res.大气 1997,102, 16697–16713. [谷歌学者] [交叉参考] [绿色版本]
阿蒂塔尔，M。；Sobrino，J.A.从Meteosat 9数据估算LST的分翼算法：与原位数据和MODIS LST的测试和比较。IEEE地质科学。遥感快报。 2009,6, 122–126. [谷歌学者] [交叉参考]
朱利安，Y。；Sobrino，J.A.根据轨道漂移效应修正AVHRR长期数据记录V3估计的LST。遥感环境。 2012,123, 207–219. [谷歌学者] [交叉参考]
托伦斯，C。；韦伯斯特，P.J.ENSO季风系统的年代际变化。J.攀登。 1999,12, 2679–2690. [谷歌学者] [交叉参考]
托伦斯，C。；Compo，G.P.小波分析实用指南。牛市。Am.Meteorol公司。Soc公司。 1998,79，61–78。[谷歌学者] [交叉参考]
格林斯特德，A。；摩尔，J.C。；Jevrejeva，S.交叉小波变换和小波相干在地球物理时间序列中的应用。非线性过程。地球物理学。 2004,11, 561–566. [谷歌学者] [交叉参考] [绿色版本]
胡，W。；Si，公元前。；Biswas，A。；Chau，H.W.土壤含水量的时间稳定模式，但季节依赖性控制：来自小波分析的证据。水文学。过程。 2017,31, 3697–3707. [谷歌学者] [交叉参考]
赵，R。；Biswas，A。；周，Y。；周，Y。；Shi，Z。；Li，H.使用多小波相干识别土壤有机质变化的局部和尺度特定多元控制。科学。总环境。 2018,643, 548–558. [谷歌学者] [交叉参考]
R·斯奈尔斯。关于观测系列的统计分析; 气象组织技术说明，第415号；世界气象组织：瑞士日内瓦，1990年。[谷歌学者]
Matyasovsky，I.探测不同时间尺度上的气候突变。西奥。申请。气候。 2011,105, 445–454. [谷歌学者] [交叉参考]
平格尔，S.M。；哈雷，D。；Jat，M.K。；Adamowski，J.印度拉贾斯坦邦干旱和半干旱地区33个城市中心平均和极端降雨量及温度的时空趋势。大气。物件。 2014,138, 73–90. [谷歌学者] [交叉参考]
Nalley，D。；阿达莫夫斯基，J。；哈利勒，B。；Ozga-Zielinski，B.1967–2006年加拿大安大略省和魁北克省地表气温趋势检测，使用离散小波变换。大气。物件。 2013,132–133, 375–398. [谷歌学者] [交叉参考]
田，Y。；G.J.哈夫曼。；阿德勒，R.F。；Tang，L。；萨皮亚诺，M。；Maggioni，V。；Wu，H.日降雨量测量中的建模误差：加法还是乘法？地球物理学。Res.Lett公司。 2013,40, 2060–2065. [谷歌学者] [交叉参考] [绿色版本]
纳什，J.E。；Sutcliffe，J.V.《通过概念模型进行河流流量预测——第一部分——原理讨论》。J.水文学。 1970,10，282–290。[谷歌学者] [交叉参考]
马振强。；周立群（Zhou，L.Q.）。；于伟（Yu，W.）。；Yang，Y.Y。；H.F.滕。；Shi，Z.利用青藏高原的地面特征和地面观测改进TMPA 3B43 V7数据集。IEEE地质科学。遥感快报。 2018,99, 1–5. [谷歌学者] [交叉参考]
段，Z。；Bastiaanssen，W.G.M.First是第7版TRMM 3B43沉淀产品与新的降尺度校准程序相结合的结果。遥感环境 2013,131, 1–13. [谷歌学者] [交叉参考]
Sanchez，P.A。；阿哈迈德，S。；卡雷，F。；A.E.哈丁克。；亨佩尔，J。；慧星，J。；拉加切里，P。；McBratney，A.B。；新泽西州麦肯齐。；de Lourdes，M。；等。世界数字土壤地图。科学类 2009,325, 680–681. [谷歌学者] [交叉参考]
科洛芬斯坦，S.T。；赫马斯，D.R。；Johnson，W.C.美国中部大平原黄土衍生土壤气候序列中土壤有机碳和降水之间的关系。卡特纳 2015,133, 25–34. [谷歌学者] [交叉参考]
西北部Immerzeel。；Van Beek，L.P.公司。；比尔肯斯，M.F.气候变化将影响亚洲水塔。科学类 2010,328, 1382–1385. [谷歌学者] [交叉参考]
王，Y.Y。；Zhang，Y.Q。；Chiew，F.H.S。；T.R.麦克维卡。；张，L。；李海霞（Li，H.X.）。；秦，G.H.青藏高原东部干湿地区径流趋势对比。自然科学。代表。 2017,7, 1–7. [谷歌学者] [交叉参考]
马，Z。；Xu，Y。；彭杰。；陈，Q。；万，D。；他，K。；Shi，Z。；Li，H.以TRMM TMPA为特征的青藏高原及其周围地区的时空降水模式。《国际遥感杂志》。 2018,39，3891–3907。[谷歌学者] [交叉参考]

图1。青藏高原（TP）验证和校准用雨量计的分布。

图2。20世纪90年代，使用小波相干性和立方体方法获得~1km处回顾性降水量估计的流程图。

图3。基于1954年至2013年TP雨量计的年平均降雨量的Mann–Kendall检验。

图4。目标年（1990年）和参考年（2000年至2013年）降水模式的相关性和相似性。X轴表示全年的周期；Y轴表示时间尺度；95%置信水平显示为粗实线；颜色条表示相关性的强度。

图5。折线图(一)1990年的降水变化（蓝线）和2006年的变化（红线）；和(b条)1990年和2006年降水量的相对差异。

图6。目标年（1991年至1999年）和参考年（2000年至2013年）降水模式的相关性和相似性。X轴表示全年的周期；Y轴表示以天为单位的时间尺度；95%置信水平显示为粗实线；颜色条表示相关性的强度。

图6。目标年（1991年至1999年）和参考年（2000年至2013年）降水模式的相关性和相似性。X轴表示全年的周期；Y轴表示白天的时间尺度；95%置信水平显示为粗实线；颜色条表示相关性的强度。

图7。1990年至1999年TP年平均年降水量的空间格局(一)气候危害组红外降水站（CHIRPS），分辨率约5km(b条)在不进行雨量计校准的情况下，以约1km的分辨率进行降尺度降水量估算（DS）(c（c）)DS具有约1 km分辨率的雨量计校准。

图7。1990年至1999年TP年平均年降水量的空间格局(一)气候危害组红外降水站（CHIRPS），分辨率约5km(b条)在不进行雨量计校准的情况下，以约1km的分辨率进行降尺度降水量估算（DS）(c（c）)DS，雨量计校准分辨率约为1 km。

图8。1990年至1999年TP地面观测与(一)CHIRPS数据的分辨率约为5km；(b条)DS无仪表校准，分辨率约为1km；(c（c）)DS具有~1 km分辨率的仪表校准。

图9。的空间分布(一)从CHIRPS（左栏）、未经量规校准的DS（中栏）和经量规校正的DS（右栏）获得的年平均降雨量(b条)R（右）², (c（c）)偏差(d日)RMSE、(e（电子）)1990年至1999年期间，在TP上，根据地面观测，CHIRPS的NSE、不带量规校准的DS和带量规校正的DS。

图9。的空间分布(一)从CHIRPS（左栏）、未经量规校准的DS（中栏）和经量规校正的DS（右栏）获得的年平均降雨量(b条)对², (c（c）)偏差(d日)RMSE(e（电子）)1990年至1999年期间，在TP上，根据地面观测，CHIRPS的NSE、不带量规校准的DS和带量规校正的DS。

图10。1990年至1999年，基于地面观测的平均年降雨量，以及从CHIRPS和DS获得的降雨量估计值，在A区和B区的特定站点。

表1。基于目标年（1990年）和参考年（2000年至2013年）降水模式相关性和相似性的小波相干统计结果。

	平均小波相干（MWC）					显著一致性百分比面积（PASC）（%）
	时间尺度					时间尺度
	<8天	8-32天	32–64天	>64天	所有天平	<8天	8-32天	32–64天	>64天	所有天平
1990–2000	0.34	0.41	0.42	0.53	0.42	12.07	18.40	16.71	5.55	14.93
1990–2001	0.31	0.33	0.29	0.42	0.34	8.80	8.12	5.98	5.33	7.60
1990–2002	0.29	0.33	0.22	0.36	0.30	7.01	4.68	1.32	0	4.10
1990–2003	0.28	0.27	0.32	0.64	0.37	7.17	1.49	9.19	20.21	11.05
1990–2004	0.24	0.22	0.42	0.31	0.30	3.63	1.12	17.58	1.47	4.85
1990–2005	0.28	0.28	0.38	0.43	0.34	7.46	3.22	2.22	0	3.91
1990年至2006年	0.34	0.39	0.53	0.70	0.49	10	15.89	36.22	40	27.02
1990–2007	0.38	0.36	0.43	0.51	0.42	15.58	7.36	9.26	4.66	10.63
1990–2008	0.33	0.32	0.32	0.31	0.32	8.88	7.91	8.54	0	7.10
1990–2009	0.34	0.34	0.29	0.46	0.36	8.38	6.79	3.88	4.94	7.44
1990–2010	0.31	0.32	0.42	0.21	0.31	5.45	8.63	12.55	0	6.81
1990年至2011年	0.38	0.34	0.35	0.41	0.37	14.58	8.31	1.49	0	7.65
1990–2012	0.34	0.33	0.46	0.52	0.41	10.58	11.49	25	4.61	12.75
1990–2013	0.32	0.39	0.38	0.32	0.35	8.98	12.75	13.97	0	9.57

表2。基于1991年至1999年目标年和2000年至2013年参考年降水模式相关性和相似性的小波相干统计结果。

表2。基于1991年至1999年目标年和2000年至2013年参考年降水模式相关性和相似性的小波相干性统计结果。

	MWC公司					PASC（%）
	时间尺度					时间尺度
	<8天	8-32天	32–64天	>64天	所有天平	<8天	8-32天	32–64天	>64天	所有天平
1991–2013	0.31	0.38	0.47	0.79	0.48	7.93	11.27	17.53	42.52	23.49
1992–2012	0.42	0.29	0.18	0.79	0.42	19.66	10.34	0.20	38.68	23.14
1993–2010	0.29	0.35	0.44	0.82	0.47	6.91	13.90	16.28	43.66	20.19
1994–2013	0.34	0.35	0.41	0.83	0.48	11.91	14.57	18.28	39.47	25.02
1995–2012	0.33	0.35	0.52	0.96	0.54	9.23	14.29	31.13	50	29.43
1996–2008	0.34	0.32	0.25	0.81	0.43	10.82	8.38	0.82	39.16	19.58
1997–2006	0.34	0.38	0.39	0.88	0.50	10.64	12.77	16.61	44.73	25.30
1998–2009	0.32	0.36	0.37	0.89	0.48	7.31	8.53	12.38	45.61	22.37
1999年至2011年	0.34	0.40	0.66	0.80	0.55	11.06	21.06	34.53	43.69	27.58

表3。1990年至1999年期间，CHIRPS数据的统计结果，即无量规校准和有量规校准的DS与地面观测的对比。

		1990	1991	1992	1993	1994	1995	1996	1997	1998	1999
呼啸声	R（右）²	0.42	0.49	0.49	0.53	0.50	0.62	0.41	0.56	0.61	0.58
	偏差（%）	5.65	5.96	4.19	5.72	2.81	3.30	4.20	3.65	7.62	4.29
	Nash–Sutcliffe效率（NSE）	0.26	0.48	0.49	0.52	0.48	0.62	0.35	0.59	0.55	0.41
	均方根误差（RMSE）（mm）	255.12	214.09	202.13	213.36	181.41	185.11	212.75	162.42	207.95	186.39
DS（无校准）	R（右）²	0.77	0.72	0.79	0.73	0.78	0.70	0.72	0.74	0.75	0.71
	偏差（%）	19.05	18.39	15.58	14.59	15.89	15.63	10.33	12.16	18.87	10.73
	NSE公司	0.63	0.56	0.75	0.74	0.74	0.60	0.69	0.72	0.49	0.65
	RMSE（毫米）	180.34	195.74	141	157.26	141.66	191.28	147.98	146.49	222.87	148.43
带校准的DS	R（右）²	0.83	0.79	0.84	0.81	0.85	0.79	0.80	0.83	0.84	0.79
	偏差（%）	14.29	13.79	11.69	10.94	5.41	11.72	7.74	1.62	14.15	8.05
	NSE公司	0.79	0.75	0.86	0.85	0.79	0.77	0.82	0.80	0.71	0.80
	RMSE（毫米）	135.26	146.81	115.75	117.95	114.39	143.47	110.99	119.87	167.16	111.33

分享和引用

MDPI和ACS样式

他，K。；马，Z。；赵，R。；Biswas，A。；滕，H。；徐，J。；于伟（Yu，W.）。；施，Z。回顾性获取青藏高原降尺度降水估算的方法框架。远程传感器。 2018,10, 1974.https://doi.org/10.3390/rs10121974

AMA风格

何K、马Z、赵R、比斯瓦斯A、滕H、徐J、余W、施Z。回顾性获取青藏高原降尺度降水估算的方法框架。遥感. 2018; 10(12):1974.https://doi.org/10.3390/rs10121974

芝加哥/图拉宾风格

何、康、马自强、赵瑞英、阿西姆·比斯瓦斯、滕红芬、徐俊峰、吴宇和周石。2018年，“回顾性获取青藏高原降尺度降水量估算的方法框架”遥感第10期，第12期：1974年。https://doi.org/10.3390/rs10121974

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单