Comparisons of Spatially Downscaling TMPA and IMERG over the Tibetan Plateau

Ma, Ziqiang; He, Kang; Tan, Xiao; Xu, Jintao; Fang, Weizhen; He, Yu; Hong, Yang

doi:10.3390/rs10121883

开放式访问专题论文第条

青藏高原TMPA和IMERG空间降尺度比较

¹

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

²

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

³

美国俄克拉荷马大学土木工程与环境科学学院，诺曼，俄克拉何马州73019

^*

应向其发送信件的作者。

远程传感器。 2018,10(12), 1883;https://doi.org/10.3390/rs10121883

收到的提交文件：2018年10月25日/修订日期：2018年11月15日/接受日期：2018年11月16日/发布日期：2018年11月26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

:

准确的降水数据在水文、气象学和生态学等许多应用中至关重要。与地面观测相比，基于卫星的降雨量估算可以提供更多的空间信息来表征降雨量。在本研究中，首次评估了青藏高原地区全球降水测量（IMERG）和热带降水测量任务（TRMM）多卫星降水分析（TMPA）综合多卫星反演的卫星降水产品2015年，在年度和月度尺度上进行地面观测。其次，基于IMERG和TMPA数据，使用随机森林算法获得了年降尺度结果（~1km），并将降尺度结果与雨量计数据进行了检验。第三，在年度尺度上，使用分解算法获得月度降尺度结果。结果表明：（1）IMERG在年度和月度尺度上均优于TMPA；（2） IMERG几乎没有异常，而TMPA在TP中部和西部显示出大量异常值；（3）随机森林是一种很有前途的获取高分辨率降水数据的算法，具有更高的精度；（4）基于IMERG的降尺度结果比基于TMPA的结果具有更好的性能。

关键词：

降水;IMERG公司;TMPA公司;随机森林;缩小规模;青藏高原

1.简介

降水在全球水循环和能量交换中发挥着重要作用[1]. 准确的降水信息在水资源管理、天气预报以及灾害监测和控制等各种科学和应用领域都是非常需要的[2]. 目前，有三种独立的仪器来获取降水数据，包括仪表、天气雷达和卫星传感器[3]. 虽然雨量计的传统基于点的测量可以在点尺度上提供相对准确的降雨量值，但它们不适合提供连续的空间降雨量分布[4]. 天气雷达可以获得具有更精细时空分辨率的降雨数据。然而，由于各种来源的误差，如复杂地形中的波束阻塞和距离退化问题，气象雷达也存在缺点[5]. 而卫星遥感在以合理的时空分辨率和准确性提供全球降水量的综合估计方面具有巨大潜力。

几个项目，包括全球降水气候学项目（GPCP）[6,7,8]全球降水卫星制图（GsMaP）项目[9]和热带降雨测量任务（TRMM）[10,11,12]，计算了基于卫星的降水量估计值，并免费发布了具有不同时间和空间分辨率的各种降水产品，例如TRMM多卫星降水分析（TMPA）数据集[12]. 自1997年以来，TRMM携带了一台信号频率降水雷达（PR；13.8 GHz的Ku波段）和一台多通道TRMM微波成像仪（TMI；频率范围在10至85.5 GHz之间），提供了一系列降水产品[10]旨在提供“最佳”的卫星降水量估计[12]. TMPA数据已广泛应用于水文建模等各个领域[13]、洪水预报[14]和气候学[15]在过去二十年里。

随着TRMM的成功，由美国国家航空航天局（NASA）和日本宇宙航空研究开发机构（JAXA）共同努力，于2014年2月启动了全球降水测量（GPM）核心观测台。GPM核心天文台搭载了一台双频降水雷达（DPR；13.6 GHz的Ku波段和35.5 GHz的Ka波段）和一台圆锥扫描多通道GPM微波成像仪（GMI；频率范围在10至183 GHz之间）。与TRMM的仪器相比，GPM扩展了其传感器包，可以比TRMM传感器更准确地检测光和固体沉淀[2,16]. 许多研究检验了GPM降雨产品的准确性。在不同时空分辨率下，对中国大陆GPM（IMERG）和TMPA产品的多卫星综合检索系统的性能进行了评估[17]. 在印度东南部，验证了IMERG数据的准确性，并与TMPA和GsMaP数据进行了比较[18]. 在远东亚洲，IMERG和TMAP数据用于评估应用的地形和季节降水特征[19]. 这些研究主要表明，IMERG比TMPA数据更有能力提供更准确的降雨量估计数据。

然而，TMPA数据的空间分辨率过于粗糙（0.25°），无法满足一些研究的要求，尤其是在区域和盆地尺度上。因此，研究了许多将不同环境变量组合为辅助数据的降尺度模型，以得出1km尺度的降雨量估计值。对于低尺度TMPA数据，首次将TMPA与归一化差异植被指数（NDVI）之间的指数回归模型应用于[20]. 基于这种降尺度方法，引入NDVI和数字高程模型（DEM），开发了一种统计回归降尺度算法[21]. 回归kriging方法也被发现对低尺度TMPA数据是可行的[22]. 在中时[23]引入了一种考虑区域回归模型的降尺度算法，即地理加权回归（GWR）。最近，提出了一种空间数据挖掘算法，该算法引入了一系列地表变量（NDVI、昼夜地表温度（LST-d）、DEM等）[24,25]. 虽然IMERG的分辨率仍然太粗糙（0.1°），但重要的是要将IMERG数据降尺度为更精细的分辨率（~1km），以便在区域或盆地尺度上应用。许多研究评估了IMERG数据的质量和准确性，但很少关注IMERG的降尺度性能。

随机森林（RF）是从分类回归树（CART）发展而来的一种非参数统计回归算法。在本研究中，基于使用RF模型构建的非参数回归模型，探索了IMERG和TMPA数据，以获得1km尺度下的缩小结果。此外，进一步分析和比较了原始卫星降水量估算值（TMPA和IMERG）和降尺度结果，以揭示它们在不同空间尺度上的差异。

本研究的目的如下：（1）将年度和月度时间尺度上的TMPA和IMERG在TP上的质量与地面观测进行比较；（2）分别基于TMPA和IMERG数据获得缩小的结果（~1km）；以及（3）基于年度规模的结果生成月度缩小的结果。

2.材料和方法

2.1. 研究区域

TP位于中国西南部(图1)介于73°–104°E和26°–40°N之间。它是地球上最高的高原。TP的范围约为250万km²平均海拔>4000 m。由于复杂的地形和极高的海拔，TP上的降水呈现出显著的时空变化[26]. 从空间上看，大部分降水发生在高原中部和南部，西部和北部降水很少。在时间上，降雨量随季节变化而变化。由于印度季风的影响，春季和夏季的降水量约占全年降水量的90%，印度季风从海洋中带来大量的水汽。冬季，西风带影响高原西部，导致降雨量少。TP包括亚洲五大河流的上游，包括黄河、雅鲁藏布江、恒河、印度河和长江[27,28]为14亿多人提供水资源[29].

2.2. 材料

2.2.1. 雨量計

本研究中使用的雨量计数据由第三极环境数据库提供(http://en.tpedatabase.cn/portal/MetaDataInfo.jsp？MetaDataId=249472). 该数据集提供了1979年至2015年TP及其周围地区的每日降雨量数据。我们获得了113个雨量站的降雨量记录，这些雨量站在TP上分布不均匀(图1). 本研究使用了2015年1月至2015年12月的日降雨量记录。通过累加日降雨量，计算出各站的月降雨量和年降雨量。

2.2.2. TRMM卫星降水数据集

TRMM于1997年11月通过美国国家航空航天局和日本宇宙航空研究开发机构的合作发射，用于监测和调查热带和亚热带降雨系统。TMPA使用两种不同类型的卫星传感器的输入。主要数据源来自与降水有关的微波传感器，包括TMI、专用传感器微波/成像仪（SSM/I）和专用传感器微波成像仪/测深仪（SSMIS）、地球观测系统用高级微波扫描辐射计（AMSR-E）、高级微波探测装置（AMSU）和微波湿度探测仪（MHS）。此外，TMPA的第二个主要数据源是地理红外（IR）数据。将从这些传感器收集到的降雨量信息进行组合，以生成降雨量估计值。TMPA 3B43第7版每月降水量产品免费发布，空间分辨率为

0.25 °

适用于全球50°N–50°S的纬度[12]. 本研究采用了2015年1月至2015年12月期间的TMPA 3B43 V7，该数据来自降水测量任务（PMM）网站(http://pmm.nasa.gov/data-access/downloads/trmm). 年降水量是通过累加一年中TMPA月降水量获得的。

2.2.3. IMERG卫星降水数据集

GPM是由NASA和JAXA共同努力于2014年2月27日启动的国际项目。它旨在提供新一代全球降水观测。IMERG是GPM的三级多卫星降水算法，它结合了从所有星座微波传感器获得的降水信息、基于红外的观测和月雨量数据[2]. IMERG使用2014年版本的Goddard轮廓算法（GPROF2014）计算GPM卫星星座上所有无源微波（PMW）传感器的降雨量估计值，这是与TMPA（GPROF1010）相比的重大改进之一[16,30]. GPM-3IMERGM“最终”V05B产品（以下简称IMERG），以空间分辨率估算全球月降雨量

0.1 °

，在本研究中使用。由于IMERG数据可从2014年3月获得，因此选择了第一个完整月份的年份（即2015年）。IMERG数据可在下载http://pmm.nasa.gov/data-access/downloads/gpm此外，通过总结一年中的月降雨量，获得了年IMERG降雨量。

2.2.4. NDVI数据集

NDVI通常用于确定植被生产力和分布[31,32]在年时间尺度上与降水量有很好的相关性[25,33,34]. 本研究采用了2015年1月至2015年12月的MOD13A3月度NDVI产品，空间分辨率为1km。MOD13A3是根据Terra卫星上的中分辨率成像光谱仪（MODIS）的红色和近红外波段的大气校正反射率得出的，可从以下网址下载：https://ladsweb.modaps.eosdis.nasa.gov/search网站/年NDVI值是通过该年每月NDVI的平均值获得的。

2.2.5. 陆地表面温度数据集

地面温度数据集是通过Terra和Aqua卫星上的MODIS传感器收集的。MODIS可以提供昼夜全球地表温度记录，误差控制在−1 K和1 K之间。MODIS11A2产品的空间分辨率为1 km，时间分辨率为80天(https://lpdaac.usgs.gov/dataset_discovery/modis/modismodis_products_table/mod11a2_v006). 2015年，共有45个8天周期，我们计算了TP的日间和夜间平均地表温度，以确定昼间（LST-d）和夜间（LST-n）的全年地表温度。

2.2.6. 地形数据集

航天飞机雷达地形任务（SRTM）是由国家地理空间情报局（NGA）和美国航天局（NASA）牵头的一个国际项目，于2000年2月启动。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，空间分辨率为1弧秒（~30米）。在本研究中，采用三弧秒（约90m）的数据集作为基本地形数据(http://srtm.csi.cgiar.org). 其他地形参数，包括坡度[35]，方面[36]，曲率[37]，辐射[38]、坡长和陡度（LS）[39]、地形湿度指数（TWI）[40]、多分辨率谷底平整度指数（MrVBF）[41]和地形坚固性指数[42]，来自DEM数据。曲率、辐射和粗糙度分别缩写为Curv、Radi和Rugg。

2.3. 方法

2.3.1. 随机森林

RF作为CART的扩展而开发，以提高CART模型的准确性和稳定性[43]. 为了在CART中进行回归，该模型搜索整个数据集（S）中每个预测值的每个不同值，以找到最佳预测值和用于将数据分为两组（S）的分割值₁和S₂)，使总误差平方和（SSE）最小化[44]:

S公司 S公司 电子 = \sum_{我 \in {S公司}_{1}} {(年_{我} - {\bar{年}}_{1})}^{2} + \sum_{我 \in {S公司}_{2}} {(年_{我} - {\bar{年}}_{2})}^{2}

（1）

哪里

{\bar{年}}_{1}

和

{\bar{年}}_{2}

表示S组训练集结果的平均值₁和S₂分别是。该过程在集合S内继续₁和S₂直到分割中的样本数量下降到某个阈值以下。

为了减少估计的方差，提出了bagging（bootstrap聚合的缩写）策略。装袋方法生成米引导原始数据的样本，并为每个引导样本训练树模型。然后使用每个模型生成新样本的预测，这些米对预测值进行平均，得到bagged模型的预测值。然而，由于预测因子和响应之间的潜在关系，套袋中的树并不是完全独立的。来自不同引导样本的树可能具有类似的结构，从而阻止装袋以最佳方式减少预测值的方差。开发了随机森林，通过在每次分割时随机选择预测因子来降低树的相关性。

随机森林算法的主要步骤如下。

（1）: 随机生成进入来自原始数据集的引导样本。未选择的元素称为“袋外”（OOB）样本。
(2): 对于每个分割，随机选择 $米_{t吨第页年}$ 原始预测值的预测值，并从中选择最佳预测值 $米_{t吨第页年}$ 对数据集进行分区的预测器。此外， $米_{t吨第页年}$ 是模型的调整参数。
（3）: 通过平均预测值预测新数据（OOB元素）进入树。
(4): OOB样本用于估计预测误差。错误率的OOB估计[45]计算如下：

$M（M） S公司 {电子}_{哦哦 b条} = \frac{1}{N个} \sum_{我 = 1}^{N个} {(年_{我} - {\hat{（f）}}_{哦哦 b条} [{X（X）}_{我}])}^{2}$

(2)

哪里 ${\hat{（f）}}_{哦哦 b条} [{X（X）}_{我}]$ 表示对我第个OOB预测。

随机森林可以提供变量重要性的度量。其中一种方法是，当特定的预测变量被随机排列且其他预测变量保持不变时，观察OOB估计误差的增加。误差越大，变量越重要。这些变量重要性值用于根据预测因子对模型的相对贡献对预测因子进行排序。随机森林模型是使用该包生成的随机森林在R中(https://cran.r-project.org/web/packages/randomForest网站/).

2.3.2. 年度规模的主要缩减步骤

RF用于在TP上以年度规模缩小TMPA和IMERG数据。缩小规模过程的主要步骤如下：

（1）: 将TMPA和IMERG月降雨量与年降雨量相加( $对_{T型 M（M）对 A类}^{0.25 °}, 对_{我 M（M）电子 R（右）克}^{0.1 °}$ ).
(2): 将陆地表面变量及其原始分辨率分别合并为0.1°和0.25°的分辨率。
（3）: 建立随机森林模型 $R（右） {F类}_{T型 M（M）对 A类}$ 0.25°和 $对_{T型 M（M）对 A类}^{0.25 °}$ ，并建立随机森林模型 $R（右） {F类}_{我 M（M）电子克 R（右）}$ 在0.1°和 $对_{我 M（M）电子 R（右）克}^{0.1 °}$ .
(4): 使用以下公式估算0.25°的年降雨量 $R（右） {F类}_{T型 M（M）对 A类}$ ，并使用 $R（右） {F类}_{我 M（M）电子反应堆}$ .
(5): 将残差映射为0.25°( $对_{第页 e（电子）秒我}^{0.25 °}$ )通过计算 $对_{T型 M（M）对 A类}^{0.25 °}$ 预计年降雨量为0.25°。同样，将残差映射为0.1°( $对_{第页 e（电子）秒我}^{0.1 °}$ )通过计算 $对_{我 M（M）电子 R（右）克}^{0.1 °}$ 预计年降雨量为0.1°。
(6): 获取残差( $对_{第页 e（电子）秒我}^{0.25 °}$ 和 $对_{第页 e（电子）秒我}^{0.1 °}$ )使用简单的样条张力插值器，在距离0.25°处1 km处。由于残差数据的间隔是有规律的，因此这种类型的数据通常使用样条插值。
(7): 生成1 km处的年降雨量估计值，称为剩余修正前的缩小结果，使用 $R（右） {F类}_{T型 M（M）对 A类}$ 和 $R（右） {F类}_{我 M（M）电子克 R（右）}$ 分别结合陆面变量。
(8): 将步骤（6）获得的1 km处的残差与步骤（7）获得的1km处残差校正之前的缩小结果相加，以最终获得残差校正后的缩小结果。

缩小比例的步骤如所示图2.

2.3.3。年降水量到月降水量的分解

考虑NDVI对降水响应的时滞[46]，我们使用了一种分解算法来获得每月缩小的结果。分解算法基于这样的假设，即月比率如方程（3）中所定义[47].

R（右） 一 t吨 我 哦_{我} = \frac{O（运行） 第页 克 S公司 一 t吨_对 第页 {e（电子）}_{我}}{\sum_{我 = 1}^{12} O（运行） 第页 克 S公司 一 t吨_对 第页 {e（电子）}_{我}}

（3）

分子

O（运行） 第页 克 S公司 一 t吨_对 第页 {e（电子）}_{我}

表示发生在我根据原始卫星降水量产品估计的第个月，分母表示年降水量。请注意

R（右） 一 t吨 我 哦_{我}

与原始卫星降水量数据相同，并通过样条插值将比值进一步插值到1km，这与降尺度年结果一致。然后，将月度比率（~1 km）乘以年度缩减结果，即可获得月度缩减结果。

2.3.4. 验证

验证统计，包括决定系数（R²)使用偏差、平均绝对误差（MAE）和均方根误差（RMSE）来评估原始卫星降水产品的性能，以及与雨量计观测到的降水估计值相比的降尺度结果。R²数值表示降水量估计值和地面观测值之间的线性关系强度，范围在0到1之间，最佳值为1。偏差表示过度或低估的程度，完美值为0。过高估计表示为正偏差，表明卫星值高于测量数据。MAE表示误差的平均大小，RMSE用于表示误差的分布。MAE和RMSE值越小，结果越准确。MAE和RMSE的完美分数都是0。

MAE公司 = \frac{\sum_{我 = 1}^{n个} | 对_{我} - {M（M）}_{我} |}{n个}

(4)

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

(5)

偏差 = \frac{\sum_{我 = 1}^{n个} 对_{我}}{\sum_{我 = 1}^{n个} {M（M）}_{我}} - 1

(6)

哪里

对_{我}

是卫星降水测量值；

{M（M）}_{我}

是雨量计站测得的降雨量；n个是样本总数。

3.结果

3.1. 使用年度和月度地面观测的原始结果和验证

图3a–c分别表示从TP的原始TMPA、重采样IMERG和原始IMERG得出的2015年的年降雨量图。在该地区，TMPA和IMERG数据以及重采样的IMERG都捕捉到了典型的东南-西北降水减少模式，这与年雨量计测量的模式一致图1TMPA和IMERG模式非常接近，因为它们使用了类似的传感器，包括IR和PMW传感器来检索降雨量。然而，相对于相邻像素，TMPA在TP的西部和北部出现了一些异常值。IMERG估计中没有出现这些异常，导致降水趋势更加持续。

为了比较原始TMPA数据与重采样IMERG以及原始IMERG数据的性能，我们根据2015年TP上113个雨量站的地面观测结果验证了这些产品。图4a显示了地面观测和原始TMPA数据之间的验证散点图

0.25 °

分辨率。图4b、 c演示在

0.25 °

分辨率和原始IMERG数据

0.1 °

分辨率，分别与地面观测值进行比较。与地面观测相比，这两种卫星降水产品通常高估了TP上的降水量。与地面观测结果（R²~0.67，偏差~22.40%）。IMERG显示提高了精确度（R²~0.74，偏差~12.23%）

0.1 °

分辨率。重采样的IMERG数据也优于原始TMPA数据，R²~0.73，偏差~12.40%，在相同的空间分辨率下

0.25 °

.

图5显示了113个雨量计、原始TMPA、重采样IMERG和原始IMERG的月平均降雨量。TMPA和IMERG均成功捕获了年内降水动态，6月、7月、8月和9月（称为雨季）降水量较大，11月、12月、1月和2月（简称为旱季）降水量较少。IMERG估计值优于TMPA估计值，因为其值更接近地面测量的降水量。

表1以月为单位给出了统计结果。TMPA和IMERG产品在雨季表现较好，在旱季表现较差。在旱季，降水量较低，降水持续时间较短，这使得PWM传感器的检测更加复杂。在旱季，IMERG的表现略好于TMPA，R值相对较高²偏差、MAE和RMSE值分别较低。改进的一个可能原因可能是IMERG（DPR和GMI）上配备的扩展传感器比TMPA（PR和TMI）上的传感器更为精确，从而能够更准确地检测光和固体降水。解释为什么IMERG在旱季表现优于TMPA的另一个可能的原因是不同的PWM恢复。IMERG采用了GPROF2014，而TMPA采用的是GPROF2010。GPROF2014本质上是贝叶斯的，使用“动态”检测阈值，与GPROF2010的回归和相对“静态”检测阈值相比。因此，GPROF2014导致的“错误”警报少得多。在雨季，TMPA和IMERG与R的地面观测结果吻合良好²值约为0.70。IMERG在偏差约10%、MAE~22mm和RMSE~32mm时仍比TMPA准确（偏差约20%、MAE~25mm、RMSE~37mm）。重新转换到重新采样的IMERG数据

0.25 °

分辨率，统计结果非常接近原始IMERG的0.1

°

从而提供了比TMPA更准确的降雨量估算

0.25 °

根据这些评估，我们得出结论，IMERG数据在准确性方面优于TMPA数据，在年度尺度上消除了异常。

3.2. 使用随机森林的降尺度过程中的主要结果

Ntree和

米_{t吨 第页 年}

是影响RF模型预测性能的关键参数。为了确定参数的最佳选择，应用了等式（2）中定义的OOB错误率。OOB错误率是对装袋模型提供的预测性能的内部估计。OOB误差值通常与从交叉验证或测试集获得的预测性能评估密切相关。此外，使用OOB错误率可以减少调谐RF模型所需的计算时间。

RF受到保护，不会过盈[43]如果为森林建造大量树木，模型不会受到不利影响。图6a、 b表示OOB错误

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

当进入从900增加到1500。为了平衡精度和计算负担，最终选择1000作为进入对于两者

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

.

要指定

米_{t吨 第页 年}

的参数

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

，我们测试了以下五个值

米_{t吨 第页 年}

范围从2到10，每个独立生成1000个树模型

米_{t吨 第页 年}

值。的OOB错误箱线图

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

呈现于图7a、 b）。中央框的上边缘和下边缘是第一和第三个四分位数（分别为25%和75%）。方框内的带符号和圆圈分别表示OOB误差的中值和平均值。对于

R（右） {F类}_{T型 M（M） 对 A类}

，当

米_{t吨 第页 年}

从2增加到6，然后从6增加到10。对于

R（右） {F类}_{我 M（M） 电子 R（右） 克}

，OOB错误减少

米_{t吨 第页 年}

从2增加到8。因此，ntree=1000和

米_{t吨 第页 年}

=6用于建立模型并缩小TMPA数据的比例，entree=1000和

米_{t吨 第页 年}

=8用于建立模型，并在TP上缩小IMERG数据。

图8a、 b证明了变量在

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

分别是。这表明NDVI、DEM、LST-d和LST-n是建立随机森林模型的主要因素，这些因素影响了年降水量的空间格局和数量。年首次探索了影响TP降水空间分布的主导因子的空间分布[25]. 在以草地和草甸为主的TP中部和东北部（容易受降水影响），NDVI是最重要的因子。西北部和西部地区的主导因子为LST-d和LST-n，这两个地区的气温较低，海拔较高，这些地区的降水可能受到热力和动力机制的影响。在东南部地区，地形对降水的影响最大。地形降雨通常发生在东南部，从山谷到海拔100至4000米的大山，地形变化很大。

3.3. 使用地面观测的缩小结果和验证

使用基于TMPA和IMERG数据的随机森林模型，在1km分辨率下的年度缩小结果显示于图9b、分别为c。我们还获得了基于TMPA的0.1°下的缩小结果，该结果显示在图9a.基于TMPA和IMERG的降尺度结果均捕捉到了与原始TMPA、原始IMERG和标准降水量相比的年降水量的空间分布，显示出从南到北、从西到东的递减趋势。值得注意的是，基于缩小尺度结果的TMPA数据显示了TP西部和北部的相邻降水图，删除了原始TMPA数据中出现的异常。基于IMERG数据的缩小后的结果仍然显示出连续变化和逐渐趋势，没有异常值。

降尺度结果的性能通过地面观测进行了验证。与地面观测相比，这两个缩小尺度的结果仍然高估了降雨量，但正偏差减小，程度更低。MAE和RMSE值也下降，R²与相应的卫星产品相比，缩小后的结果中的值增加了，这表明缩小后结果的准确性提高了。图10a显示了基于10 km分辨率的TMPA数据的缩小结果的验证，而图10b、 c显示了基于TMPA和IMERG数据的缩小后的结果在1km处分别与地面观测值的验证。基于1km IMERG的缩小结果具有最佳性能（R²~0.86，偏差~7.73%），与原始IEMRG数据（R²约0.74，偏差约12.23%）。与原始TMPA数据（R²~0.67，偏差~22.40%），而基于1 km处TMPA的缩小结果（R²约0.82，偏差约11.63%）的表现优于基于TMPA数据（R²~0.77，偏差~14.13%）。将原始IMERG数据与基于TMPA的缩小后的10 km分辨率结果进行比较后，它们的性能与使用R的地面观测结果非常接近²~0.75，偏差~13%。

基于中引入的分解算法第3.3节，获得了基于TMPA和IMERG的每月缩小的结果。表2以月为单位展示了统计结果。基于1km IMERG的降尺度结果显示，R为月尺度时的最佳精度²~0.82，雨季和R期间偏差~7%²旱季约0.62，偏差约10%。基于TMPA在1km处的降尺度结果也与雨季期间的地面观测结果一致（R²~0.79和偏差~10%），在旱季表现相对较差（R²~0.58和偏差~15%）。根据10 km分辨率下TMPA的缩小结果进行重新分级，性能相当于10 km处的原始IMERG数据，但优于10 km处原始TMPA数据

0.25 °

通常，基于TMPA和IMERG的降尺度结果的准确性在每个月都优于原始卫星降水产品。

4.讨论

4.1. TP内陆水体异常

在原始TMPA 3B43数据中，在TP的西部和北部观察到系统异常。这些现象也发现于[25,48,49]. 他们得出结论，基于卫星的降水量估算中TP内部的系统异常主要受一些水体的影响。内陆水体的分布如所示图11c.它来自全球湖泊和湿地数据库（GLWD）（下载自：https://www.worldwildlife.org/publications/global-lakes-and-wetlands-database-large-lake-polygons-level-1). 系统异常的空间分布与内陆水体的空间分布非常接近。我们进一步调查了与雨量计或其邻近雨量计相比异常所涵盖的降雨量估计值。对位于水体附近的七个异常的位置进行了分析，如所示图12.

很明显，TMPA数据倾向于高估内陆水体的降雨量，平均偏差约为78%。相比之下，IMERG数据与地面观测结果非常吻合（偏差约10%）。PMW反演可能是异常的主要来源，TMPA产品（GPROF2010）中PMW反演的不足导致系统性高估。IMERG采用最新版本的Goddard轮廓算法（GPROF2014）计算GPM卫星上所有PMW传感器的降雨量估计值，同时提供了更一致的水体降雨量估计值。对于GPROF 2014，根据所有SSM/I频率的月发射率对表面类型进行分类。内陆水体被视为独立类，并在贝叶斯模型中进行训练，这有助于估计水体上方的降雨量。因此，与TMPA产品相比，IMERG产品中使用的统一和更新的PMW算法提高了对水体的降雨量估计。改进水体降水量估算的另一个可能原因是，IMERG使用了GMI，其分辨率比TRMM中配备的TMI要好得多，因此可以更好地识别内陆水体。

对于基于TMPA数据和IMERG数据的月降尺度结果（使用随机森林算法和月分解算法），我们还计算了相同七个站点的异常降雨量估计值。结果如所示图13基于TMPA数据和1km分辨率的IMERG数据的降尺度结果与雨量计吻合良好。基于TMPA的缩小结果和基于IMERG的缩小结果的偏差分别为~12%和8%。基于TMPA和IMERG的降尺度结果也消除了异常，这表明随机森林是一种有效的方法，可以在消除系统异常的情况下，以合理的精度提高空间分辨率。

4.2. 空间分辨率与地面观测降水量估算精度的关系

虽然降水量估算的准确性随着更精细的空间分辨率而提高，但根据表1和表2在本研究中，这并不意味着空间分辨率越细，精度越高。在中时[50]在科罗拉多河下游流域（LCRB），随着空间分辨率的降低，卫星降水产品的性能更好。卫星产品的空间分辨率和精度之间的关系可能会受到雨量计网络密度的影响。例如，在像LCRB这样的地区，有密集的雨量计网络，这使得可以在各种分辨率下对IMERG产品的性能进行详细评估。而在TP中，雨量计网络稀少且构造较差，因此不适合研究空间分辨率与遥感产品精度之间的关系。通常，为了比较基于点的测量（雨量计）和网格估计值之间的差异，应取位于同一像素的雨量计的降雨量估计值的平均值，然后与相应的像素值进行比较。放大后，一个像素中将包含更多仪表，因此每个仪表的估计误差可能会被抵消或减轻。这可能是解释为什么遥感产品的性能在空间分辨率下降后有所改善的原因之一。应进一步研究空间分辨率与卫星产品精度之间的关系，尤其是在测量网络粗糙的地区。

4.3. 未来研究

在本研究中，使用雨量计测量的降雨量来评估原始TMPA和IMERG数据的性能，以及基于卫星降水产品的降尺度结果。然而，由于恶劣的环境和复杂的地形，TP上的雨量计分布稀疏且不均匀。大多数压力表位于北部和东部以及中低海拔地区，而很少压力表位于TP西部和高海拔地区[51]. 因此，在TP西部的未测量区域和高海拔区域，评估可能不具有代表性和合理性。虽然雷达降水数据也被广泛用作“地面实况”值来评估卫星降水数据的质量，但TP上的雷达网络并不健全。到目前为止，只有四个工作雷达站，如所示图14此外，其他不足，如波束阻塞和距离退化，导致雷达降水在TP上毫无用处。因此，TP非常需要更可靠的地面参考数据。

首先，本研究评估了TMPA和IMERG的绩效，并分别在年度和月度时间尺度上比较了基于TMPA和IMERG的缩小后的结果。然而，在极端降雨条件下，卫星降水产品的性能可能会有所不同，这些极端降雨条件发生在气象尺度（例如小时尺度）上[52]. 获取具有更高空间分辨率和精确度的降水量估计值对于捕捉极端降雨事件非常重要，这对洪水灾害预防具有重要意义。因此，应开发额外的降尺度技术，特别是针对较高的时间尺度（每小时或半小时），以提高我们对极端降雨事件期间降水活动的理解。

5.结论

在本研究中，我们重点对TMPA和IMERG数据进行降尺度处理，以在年尺度上生成具有更精细空间分辨率（~1km）的降水量估算，并应用分解算法以获得基于年尺度的月降尺度结果。原始卫星降水产品（TMPA和IMERG）和缩小后的结果均根据地面观测进行了评估。本研究的主要结论如下：

（1）: IMERG数据在年和月尺度上提供了比TMPA数据更准确的降水量估计。此外，与TMPA数据相比，IMERG数据不再存在系统性异常。
(2): RF算法证明了降低TMPA和IMERG尺度的潜力，以获得比TP更高的空间分辨率和合理精度的降水量估计值。
（3）: 在年度和月度尺度上，基于IMERG的缩小尺度结果比基于TMPA数据的结果表现出更好的性能。

相关领域对降水资料的空间分辨率和精度要求很高。然而，在某种程度上，只有分辨率较高但精度较低的降水数据是无用的，反之亦然。IMERG数据表明，研究人员在全球范围内获得更精细的空间分辨率和更高精度的降水量估计值具有巨大潜力。此外，在本研究之后，我们还发现RF算法可以作为一种替代方法来提高粗卫星产品的空间分辨率和精度。

作者贡献

概念化，Z.M.、K.H.和Y.H。；方法论，Z.M.、K.H.和J.X。；软件、J.X.、X.T.和W.F。；验证，J.X.，X.T.，W.F.，Y.H。；形式分析，Z.M.、K.H、J.X.、X.T.和W.F。；调查，Z.M.、K.H、J.X.、X.T.、W.F.和Y.H。；资源，J.X.、X.T.、W.F.和Y.H。；数据管理，K.H、J.X.、X.T.、W.F.和Y.H。；编写初稿，Z.M.、K.H.和X.T。；写作审核和编辑，Z.M.、K.H、J.X.、X.T.、W.F.、Y.H.和Y.H。；可视化、K.H、J.X.、X.T.、W.F.和Y.H。；监理，Z.M.，Y.H。；项目管理，Z.M.，Y.H。；融资收购，Z.M.，Y.H。

基金

本研究得到了国家自然科学基金（91437214、71461010701和41471430）、科技部重点项目（2013CB036406）和中国博士后科学基金（2018M630037）的资助。

致谢

作者对美国国家航空航天局（NASA）降水测量任务（PMM）、一级大气档案与分发系统（LAADS）分布式主动档案中心（DAAC）、陆地过程（LP）分布式主动存档中心（DAAP）和CGIAR空间信息联盟（CSI）表示感谢用于提供数据集，以及第三极环境数据库（TPE），为我们提供感兴趣领域的测量数据。

利益冲突

作者声明没有利益冲突。

工具书类

基德，C。；Huffman，G.全球降水测量。美托洛尔。申请。 2011,18, 334–353. [谷歌学者] [交叉参考]
Hou，A.Y。；卡卡尔，R.K。；Neeck，S。；阿扎巴津，A.A。；库默罗，C.D。；小岛，M。；奥基，R。；Nakamura，K。；Iguchi，T.全球降水量测量任务。牛市。Am.Meteorol公司。Soc公司。 2014,95, 701–722. [谷歌学者] [交叉参考] [绿色版本]
Li，Z。；Yang，D。；Hong，Y.长江流域高分辨率多传感器混合全球降水产品的多尺度评估。J.水文学。 2013,500, 157–169. [谷歌学者] [交叉参考]
爪哇马德，S。；Yatagai，A。；Kawamoto，H。；Nodzu，M。；Jamali，J.比较伊朗上空TRMM_3b42的高分辨率每日网格化降水数据和卫星降雨量估计。高级地质科学。 2010,25, 119–125. [谷歌学者] [交叉参考] [绿色版本]
维拉里尼，G。；Krajewski，W.F.《基于单极化雷达的降雨量估算中不同不确定性来源的审查》。调查。地球物理学。 2009,31, 107–129. [谷歌学者] [交叉参考]
霍夫曼，G.J。；阿德勒，R.F。；阿金，P。；Chang，A。；费拉罗，R。；Gruber，A。；Janowiak，J。；麦克纳布，A。；鲁道夫，B。；美国施耐德。全球降水气候学项目（GPCP）联合降水数据集。牛市。Am.Meteorol公司。Soc公司。 1997,78，5-20。[谷歌学者] [交叉参考] [绿色版本]
霍夫曼，G.J。；阿德勒，R.F。；莫里西医学博士。；Bolvin，D.T。；柯蒂斯，S。；乔伊斯·R。；Mcgavock，B。；Susskind，J.《多卫星观测的一度日分辨率全球降水量》。水文气象杂志。 2001,2, 36–50. [谷歌学者] [交叉参考] [绿色版本]
霍夫曼，G.J。；阿德勒，R.F。；Bolvin，D.T。；Gu，G.改进全球降水记录：GPCP 2.1版。地球物理学。Res.Lett公司。 2009,36, 153–159. [谷歌学者] [交叉参考]
久保田，T。；Shige，S。；Hashizume，H。；Aonashi，K。；北高桥。；塞托，S。；Hirose，M.Gsmap项目使用卫星微波辐射计绘制的全球降水图：制作和验证。IEEE传输。地质科学。远程传感器。 2007,45, 2259–2275. [谷歌学者] [交叉参考]
库默罗，C。；辛普森，J。；O.蒂勒。；巴恩斯，W。；A.T.C.Chang。；斯托克，E。；Adler，R.F.热带降雨测量任务（TRMM）在轨两年后的状态。J.应用。美托洛尔。 2000,39, 1965–1982. [谷歌学者] [交叉参考] [绿色版本]
库默罗，C。；巴恩斯，W。；Kozu，T。；Shiue，J。；Simpson，J.热带降雨测量任务（TRMM）传感器包。J.大气。海洋。Technol公司。 1998,15, 809–817. [谷歌学者] [交叉参考]
霍夫曼，G.J。；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》。水文气象杂志。 2007,8, 38–55. [谷歌学者] [交叉参考]
Li，X.H。；张，Q。；Xu，C.Y.，TRMM卫星降雨驱动分布式水文模型用于鄱阳湖流域新疆流域水平衡计算的适用性。J.水文学。 2012,426–427, 28–38. [谷歌学者] [交叉参考]
李，L。；Y.Hong。；Wang，J。；阿德勒，R.F。；Policelli，F.S。；哈比卜，S。；Irwn博士。；科尔姆，T。；Okello，L.对非洲维多利亚湖Nzoia盆地业务洪水预报系统基于TRMM的实时多卫星降水分析的评估。自然危害 2009,50, 109–123. [谷歌学者] [交叉参考]
伊斯兰，M。；Uyeda，H.使用TRMM确定孟加拉国降雨量的气候特征。遥感环境。 2007,108, 264–276. [谷歌学者] [交叉参考]
霍夫曼，G.J。；Bolvin，D.T。；Braithwaite，D。；Hsu，K。；乔伊斯·R。；谢，P.P。GPM综合多卫星GPM检索（IMERG）算法理论基础文档（Atbd）4.4版; PPS，NASA/GSFC：美国华盛顿特区，2014年；第30卷。
唐·G。；马，Y。；Long，D。；钟，L。；Hong，Y.在多时空尺度下对中国大陆GPM Day-1 IMERG和TMPA Version-7遗留产品的评估。J.水文学。 2016,533, 152–167. [谷歌学者] [交叉参考]
Prakash，S。；米特拉，A.K。；Aghakouchak，A。；刘，Z。；诺鲁齐，H。；Pai，D.S.《基于GPM的季风主导地区多卫星降水量估算的初步评估》。J.水文学。 2016,556, 865–876. [谷歌学者] [交叉参考]
Kim，K。；Park，J。；Baik，J。；Choi，M.使用GPM IMERG和TRMM 3b42评估远东亚洲的地形和季节特征。大气。物件。 2017,187, 95–105. [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]
贾，S。；朱伟。；吕，A。；Yan，T.基于NDVI和DEM的柴达木盆地TRMM降水统计空间降尺度算法。遥感环境。 2011,115, 3069–3079. [谷歌学者] [交叉参考]
滕，H。；施，Z。；马，Z。；Li，Y.利用TRMM降水和高程回归克里格法估算浙江省空间降尺度降水。《国际遥感杂志》。 2014,35, 7775–7794. [谷歌学者] [交叉参考]
徐，S。；吴，C。；Wang，L。；Gonsamo，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]
马，Z。；周，Y。；胡，B。；Liang，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]
马，Z。；施，Z。；周，Y。；徐，J。；于伟（Yu，W.）。；Yang，Y.一种去除系统异常影响的青藏高原TMPA 3B43 V7数据降尺度空间数据挖掘算法。遥感环境。 2017,200, 378–395. [谷歌学者] [交叉参考]
郭振华。；刘，X.M。；肖，W.F。；王J.L。；基于GIS的中国气候资源区划与综合评价。资源。科学。 2007,29, 2–9. [谷歌学者]
林，Z。；Zhao，X.青藏高原温度和降水变化的空间特征。科学。中国Ser。D地球科学。 1996,39, 442–448. [谷歌学者]
姚，T。；汤普森，L。；杨伟（Yang，W.）。；于伟（Yu，W.）。；高，Y。；郭，X。；Yang，X.青藏高原及其周边地区不同的冰川状态与大气环流。自然气候。更改 2012,2, 663–667. [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] [公共医学]
霍夫曼，G.J。；Bolvin，D.T。；Nelkin，E.J.GPM综合多卫星检索（IMERG）技术文档。NASA/GSFC代码 2015,612, 47. [谷歌学者]
肖J.F。；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.北美鸟类区系的丰度、物种丰富度和能量可用性。全球经济。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量。J.干旱环境。 1997,35, 195–214. [谷歌学者] [交叉参考]
Iwasaki，H.利用GSMAP降水数据和JRA-25/JCDAS温度数据对蒙古草原NDVI的预测。J.干旱环境。 2009,73，557–562页。[谷歌学者] [交叉参考]
S.D.沃伦。；M.G.霍曼。；Auerswald，K。；Mitasova，H.《使用数字高程数据确定坡度的方法评估》。卡特纳 2004,58, 215–233. [谷歌学者] [交叉参考]
熊，J。；Zhang，J.基于DEM的坡向提取算法比较分析——以黄土丘陵沟壑区研究为例。远程传感器信息。 2007,22, 53–57. [谷歌学者]
陈，S。；Y.Hong。；曹琦。；Gourley，J.J。；柯斯特特，体育。；Yong，B。；Tian，Y.中国地区两个连续的V6和V7 TRMM多卫星降水分析性能的相似性和差异性。《地球物理学杂志》。Res.大气。 2013,118, 13,060–13,074. [谷歌学者] [交叉参考]
Ruiz-Arias，J.A。；托瓦尔·佩斯卡多，J。；Pozo-Vázquez，D。；Alsamamra，H.基于Dem的模型的比较分析，以估算山地的太阳辐射。国际地理杂志。信息科学。 2009,23, 1049–1076. [谷歌学者] [交叉参考]
张，H.M。；Yang，Q.K。；Liu，Q.R。；郭，W.L。；基于GIS的区域坡度长度和坡度陡度因子提取算法。计算。工程师。 2010,36, 246–248. [谷歌学者]
瑟伦森，R。；Seibert，J.Dem分辨率对地形指数计算的影响：TWI及其分量。J.水文学。 2007,347, 79–89. [谷歌学者] [交叉参考]
Gallant，J.C。；Dowling，T.I.绘制沉积区用谷底平坦度的多分辨率指数。水资源。物件。 2003,39, 1347. [谷歌学者] [交叉参考]
穆克吉，S。；穆克吉，S。；R.D.加格。；Bhardwaj，A。；Raju，P.《地形指数与地形粗糙度和Dem网格间距的关系评估》。J.地球系统。科学。 2013,122, 869–886. [谷歌学者] [交叉参考]
Breiman，L.随机森林。机器。学习。 2001,45, 5–32. [谷歌学者] [交叉参考] [绿色版本]
布雷曼，L。；弗里德曼，J。；斯通，C.J。；奥申，R.A。分类和回归树; 华兹华斯：美国加利福尼亚州贝尔蒙特，1984年。[谷歌学者]
卡特勒，A。；卡特勒，D.R。；史蒂文斯，J.R.兰登森林。在集成机器学习; Zhang，C.，Ma，Y.，编辑。；施普林格：波士顿，马萨诸塞州，美国，2012年；第157-175页。[谷歌学者]
西北部Immerzeel。；基罗兹，R.A。；De Jong，S.M.使用SPOT VGT-S10 NDVI时间序列的调和分析了解西藏的降水模式和土地利用相互作用。《国际遥感杂志》。 2005,26, 2281–2296. [谷歌学者] [交叉参考]
段，Z。；Bastiaanssen，W.G.M.第7版TRMM 3B43降水产品与新的降尺度-校准程序相结合的首次结果。遥感环境。 2013,131, 1–13. [谷歌学者] [交叉参考]
唐·G。；Long博士。；Hong，Y.，TRMM降水估算中亚洲高山内陆水体的系统异常：GPM时代不再存在问题？IEEE地质科学。遥感快报。 2016,13, 1762–1766. [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]
Omranian，E。；Sharif，H.O.德克萨斯州科罗拉多河下游流域全球降水测量（GPM）卫星降水产品评估。J.Am.水资源。协会。 2018,54, 882–898. [谷歌学者] [交叉参考]
马振强。；Xu，Y.P。；彭杰。；陈，Q.X。；Wan，D。；He，K。；施，Z。；Li，H.Y.，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》。 2018,38, 3891–3907. [谷歌学者] [交叉参考]
Omranian，E。；全球降水测量（GPM）如何捕捉飓风？案例研究：飓风哈维。远程传感器。 2018,10，1150年。[谷歌学者] [交叉参考]

图1。青藏高原（TP）测站空间分布和数字高程模型（DEM）。

图2。研究中使用的基于随机森林的降尺度算法的流程图。

图3。生成的降水图的空间分布(一)原始TRMM多卫星降水分析（TMPA）数据(

0.25 ° \times 0.25 °

)(b条)重采样IMERG数据(

0.25 ° \times 0.25 °

)和(c（c）)全球降水测量（IMERG）数据的原始综合多卫星检索(

0.1 ° \times 0.1 °

)，超过2015年的TP。

图3。生成的降水图的空间分布(一)原始TRMM多卫星降水分析（TMPA）数据(

0.25 ° \times 0.25 °

)(b条)重采样IMERG数据(

0.25 ° \times 0.25 °

)和(c（c）)全球降水测量（IMERG）数据的原始综合多卫星检索(

0.1 ° \times 0.1 °

)，超过2015年的TP。

图4。地面观测和(一)原始TMPA数据的空间分辨率为

0.25 °

; (b条)以空间分辨率重新采样的IMERG数据

0.25 °

; 和(c（c）)原始IMERG数据的空间分辨率为

0.1 °

年规模。

图4。地面观测和(一)原始TMPA数据的空间分辨率为

0.25 °

; (b条)以空间分辨率重新采样的IMERG数据

0.25 °

; 和(c（c）)原始IMERG数据的空间分辨率为

0.1 °

年规模。

图5。2015年1月至12月，TP的113个雨量计（灰色条）、原始TMPA（蓝线）、重新采样的IMERG（绿线）和原始IMERG（红线）的月平均降水量。

图6。以下各项的“袋外”（OOB）错误率变化图(一)

R（右） {F类}_{T型 M（M） 对 A类}

和(b条)

R（右） {F类}_{我 M（M） 电子 R（右） 克}

在不同的进入值。注：OOB错误表示装袋模型提供的“袋外”错误。

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

分别表示了基于TMPA数据和IMERG数据的随机森林模型。

图6。以下各项的“袋外”（OOB）错误率变化图(一)

R（右） {F类}_{T型 M（M） 对 A类}

和(b条)

R（右） {F类}_{我 M（M） 电子 R（右） 克}

在不同的进入值。注：OOB错误表示装袋模型提供的“袋外”错误。

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

分别表示了基于TMPA数据和IMERG数据的随机森林模型。

图7。OOB错误率变化的箱线图(一)

R（右） {F类}_{T型 M（M） 对 A类}

和(b条)

R（右） {F类}_{我 M（M） 电子 R（右） 克}

在不同的

米_{t吨 第页 年}

值。注：OOB误差表示装袋模型提供的“袋外”误差。

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

分别表示了基于TMPA数据和IMERG数据的随机森林模型。

图7。OOB错误率变化的箱线图(一)

R（右） {F类}_{T型 M（M） 对 A类}

和(b条)

R（右） {F类}_{我 M（M） 电子 R（右） 克}

在不同的

米_{t吨 第页 年}

值。注：OOB错误表示装袋模型提供的“袋外”错误。

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

分别表示了基于TMPA数据和IMERG数据的随机森林模型。

图8。变量的重要性顺序(一)

R（右） {F类}_{T型 M（M） 对 A类}

和(b条)

R（右） {F类}_{我 M（M） 电子 R（右） 克}

.注意：

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

分别表示了基于TMPA数据和IMERG数据的随机森林模型。

图8。变量的重要性顺序(一)

R（右） {F类}_{T型 M（M） 对 A类}

和(b条)

R（右） {F类}_{我 M（M） 电子 R（右） 克}

.注意：

R（右） {F类}_{T型 M（M） 对 A类}

和

R（右） {F类}_{我 M（M） 电子 R（右） 克}

分别表示了基于TMPA数据和IMERG数据的随机森林模型。

图9。生成的降水图的空间分布(一)基于0.1°TMPA数据的缩小结果(b条)基于1 km处TMPA数据和(c（c）)基于2015年TP上1km处IMERG数据的缩小结果。

图10。地面观测和(一)基于10 km处TMPA数据的缩小结果；(b条)基于1 km处TMPA数据和(c（c）)以IMERG数据为基础，在年度范围内对1km处的结果进行了缩小。

图11。降水量估算值的空间分布(一)TMPA 3b43(b条)IMERG最终和(c（c）)全球湖泊和湿地数据库（GLWD）中的内陆水体。黑色圆圈代表异常位置。

图11。降水量估算值的空间分布(一)TMPA 3b43(b条)IMERG最终版本和(c（c）)全球湖泊和湿地数据库（GLWD）中的内陆水体。黑色圆圈代表异常位置。

图12。将原始TMPA 3B43数据（蓝线）和原始IMERG数据（红线）中涵盖内陆水体的异常月平均降雨量数据与七个雨量站的数据（黑线）进行比较。

图13。将基于TMPA数据（蓝线）和基于IMERG数据（红线）的缩小结果的缩小结果中覆盖内陆水体的异常月平均降雨量数据与七个雨量站的数据（黑线）进行比较。

图14。TP上雷达站的空间分布。

表1。决定系数（R²)与2015年每个月的地面观测数据相比，原始TMPA数据、重采样IMERG数据和原始IMERG资料的偏差、平均绝对误差（MAE）和均方根误差（RMSE）。

		1月	二月	三月	四月	五月	六月	七月	八月	九月	10月	十一月	12月
原始TMPA	R（右）²	0.57	0.56	0.48	0.51	0.53	0.67	0.68	0.67	0.74	0.48	0.37	0.39
	偏差（%）	6.29	46.54	65.57	14.30	29.40	16.86	19.59	18.35	21.25	47.02	81.07	53.79
	MAE（毫米）	4.20	4.18	7.98	14.75	20.19	27.45	22.53	31.45	23.98	10.71	3.75	2.20
	RMSE（毫米）	10.21	6.55	14.48	22.42	28	37.89	32.01	50.42	31.06	15.41	5.64	3.53
重采样IMERG	R（右）²	0.56	0.66	0.67	0.63	0.69	0.74	0.71	0.68	0.75	0.56	0.58	0.42
	偏差（%）	−13.02	19.78	32.75	−4.74	13.59	13.50	8.19	13.27	16.48	20.14	51.24	31.74
	MAE（毫米）	3.43	3.02	5.50	12.10	15.35	23.20	18.30	27.97	21	8.32	2.65	1.87
	RMSE（毫米）	9.96	5	9.84	19.60	19.79	30.67	27.30	42.45	28	11.27	3.50	3.20
原始IMERG	R（右）²	0.55	0.69	0.58	0.59	0.72	0.74	0.72	0.67	0.74	0.62	0.57	0.48
	偏差（%）	−12.53	17.59	38.85	−4.27	12.14	14.23	7.60	13.31	16.22	16.86	45.86	26.04
	MAE（毫米）	3.56	3.13	5.96	12.45	14.43	23.61	17.79	27.86	22.15	7.59	2.54	1.85
	均方根误差（mm）	10.10	5.32	12.97	20.72	18.70	31.25	26.47	43.01	28.22	10.62	3.43	3.59

表2。决定系数（R²)2015年每个月地面观测数据的偏差、平均绝对误差（MAE）和均方根误差（RMSE）。

		1月	二月	三月	四月	五月	六月	七月	八月	九月	10月	十一月	12月
缩小的结果	R（右）²	0.57	0.60	0.57	0.59	0.68	0.80	0.75	0.70	0.76	0.52	0.58	0.42
基于TMPA	偏差（%）	12.23	20.54	25.67	14.30	10.40	16.86	19.59	11.35	11.25	7.02	21.23	13.79
10 km处的数据	MAE（毫米）	3.79	3.77	7.20	13.31	18.22	24.77	22.33	23.38	21.64	9.67	3.38	1.99
	RMSE（毫米）	9.70	6.22	13.76	21.30	26.60	36	30.41	37.90	29.51	14.64	5.36	3.35
缩小的结果	R（右）²	0.58	0.68	0.63	0.63	0.79	0.82	0.81	0.77	0.79	0.68	0.60	0.46
基于TMPA	偏差（%）	10.76	14.93	22.75	13.23	7.45	11.27	13.44	7.26	11.96	6.48	20.23	8.47
1 km处的数据	MAE（毫米）	3.09	2.72	4.95	10.89	13.82	20.88	19.47	18.17	18.90	7.49	2.39	1.68
	RMSE（毫米）	8.96	5.50	8.86	17.64	17.81	27.60	24.57	28.21	25.20	10.14	3.15	2.88
缩小的结果	R（右）²	0.60	0.74	0.64	0.61	0.80	0.85	0.81	0.79	0.82	0.68	0.63	0.51
基于IMERG	偏差（%）	8.12	6.47	14.76	3.38	2.56	7.29	8.63	4.11	8.42	4.48	14.87	6.72
10km处的数据	最大允许偏差（mm）	2.01	3	4.66	8.80	10.11	15.12	15.33	13	12	5	2.10	1
	RMSE（毫米）	7.50	4.78	8.32	14.32	16.77	20.21	19.56	22	18.32	9.09	3.06	2.71

分享和引用

MDPI和ACS样式

马，Z。；He，K。；Tan，X。；徐，J。；方，W。；何毅。；Y.洪。青藏高原TMPA和IMERG空间降尺度比较。远程传感器。 2018,10, 1883.https://doi.org/10.3390/rs10121883

AMA风格

马Z，何凯，谭X，徐杰，方伟，何毅，洪毅。青藏高原TMPA和IMERG空间降尺度比较。遥感. 2018; 10（12）：1883年。https://doi.org/10.3390/rs10121883

芝加哥/图拉宾风格

马、自强、康和、小谭、徐锦涛、方伟珍、余和和杨红。2018年，“青藏高原TMPA和IMERG空间降尺度对比”遥感第10期，第12期：1883年。https://doi.org/10.3390/rs10121883

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

青藏高原TMPA和IMERG空间降尺度比较

摘要

1.简介

2.材料和方法

2.1. 研究区域

2.2. 材料

2.2.1. 雨量計

2.2.2. TRMM卫星降水数据集

2.2.3. IMERG卫星降水数据集

2.2.4. NDVI数据集

2.2.5. 陆地表面温度数据集

2.2.6. 地形数据集

2.3. 方法

2.3.1. 随机森林

2.3.2. 年度规模的主要缩减步骤

2.3.3。年降水量到月降水量的分解

2.3.4. 验证

3.结果

3.1. 使用年度和月度地面观测的原始结果和验证

3.2. 使用随机森林的降尺度过程中的主要结果

3.3. 使用地面观测的缩小结果和验证

4.讨论

4.1. TP内陆水体异常

4.2. 空间分辨率与地面观测降水量估算精度的关系

4.3. 未来研究

5.结论

作者贡献

基金

致谢

利益冲突

工具书类

分享和引用

文章指标

文章访问统计

更多信息

指导方针

MDPI计划

遵循MDPI