姬世保 杜軍凱 仇亞琴 劉歡 呂向林

摘?要：針對(duì)部分地區(qū)降水資料缺乏的問題，以德清縣為研究對(duì)象，提出了日尺度降水資料的插補(bǔ)方法，該方法通過對(duì)已有降水?dāng)?shù)據(jù)進(jìn)行時(shí)間尺度轉(zhuǎn)換和空間插值的方式插補(bǔ)出缺資料地區(qū)日降水?dāng)?shù)據(jù)。結(jié)果表明：①德清站插補(bǔ)結(jié)果中日降水強(qiáng)度、強(qiáng)降水量及連續(xù)有雨天數(shù)的誤差均小于3%，與直接用周邊站點(diǎn)的逐日數(shù)據(jù)對(duì)數(shù)據(jù)缺失站進(jìn)行插值相比，各站月降水?dāng)?shù)據(jù)與實(shí)測(cè)值的相關(guān)系數(shù)平均提高0.11，均方根誤差降低了42.3%;②將降水插補(bǔ)結(jié)果作為分布式水文模型的降水輸入時(shí)，徑流模擬效果得到了有效改善，1960—2018年模擬徑流量和實(shí)測(cè)徑流量系列的納什效率系數(shù)由0.62提高到0.87，相對(duì)誤差由-4.2%降至-2.3%;③日尺度降水插補(bǔ)結(jié)果的相關(guān)系數(shù)、5 d最大降水量及強(qiáng)降水量對(duì)研究區(qū)分布式水文模擬效果影響較大。

關(guān)鍵詞：降水插補(bǔ);缺資料地區(qū);降水極端事件;交叉驗(yàn)證;WEP-L模型;分布式水文模型

中圖分類號(hào)：TV214?文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1000-1379.2021.05.008

Abstract： Aiming at areas which have no sufficient precipitation data， an interpolation method of daily scale precipitation data was proposed. This method could obtain the daily precipitation in some deficient data areas by means of conversion of time scale and space transplantation of existing data. The results show that a） the error between the simple daily intensity， very wet days and consecutive wet days of the interpolation result of Deqing Station and the measured series is less than 3%， compared with the daily data of interpolation result which gained by surrounding stations directly， the correlation coefficient between the monthly precipitation of each station and the measured value is increased by 0.11 on average， and the RMSE is reduced by 42.3%; b） when the interpolation results are used as the input in distributed hydrological simulation， the runoff simulation effect has been effectively improved， the Nash coefficient is increased from 0.62 to 0.87， and the relative error is reduced from -4.2% to -2.3% during the period of 1960-2018 and; c） the correlation coefficient， the 5-day maximum precipitation and very wet days of daily interpolation result have a great influence to the distributed hydrological simulation in the study area.

Key words： precipitation interpolation; data-deficient regions; precipitation extreme events; cross-validation; WEP-L model; distributed hydrological simulation

1?前?言

降水?dāng)?shù)據(jù)對(duì)水涵養(yǎng)評(píng)價(jià)、災(zāi)害風(fēng)險(xiǎn)管理、水循環(huán)模擬、植被分布和生態(tài)演變等研究具有重要價(jià)值[1-3]?，F(xiàn)階段，我國(guó)氣象局管理的國(guó)家級(jí)氣象站基本保持在相對(duì)穩(wěn)定的2 200～2 400個(gè)[4-5]，平均密度為4 000～4 363 km2/站。胡慶芳[6]在贛江流域證實(shí)，當(dāng)氣象站網(wǎng)密度低于1 300 km2/站時(shí)，降水空間估計(jì)精度隨站網(wǎng)密度變化而急劇變化，因此相對(duì)于全國(guó)來講，測(cè)站不足、分布不均的問題仍然存在。另外，受自然條件及人為影響，水文站及雨量站停測(cè)、缺測(cè)、漏測(cè)現(xiàn)象時(shí)有發(fā)生[7]。已有資料時(shí)間序列的不一致性和不連續(xù)性給區(qū)域分布式水文模擬向精細(xì)化發(fā)展帶來了諸多困難，通常情況下，站點(diǎn)數(shù)量越多、分布越合理、代表性越強(qiáng)，區(qū)域降水插值的不確定性就越小[8-9]。

為減小因停測(cè)、缺測(cè)、漏測(cè)所致的降水插值的不確定性，首先需要根據(jù)實(shí)際情況對(duì)缺失站降水進(jìn)行插補(bǔ)展延，而后進(jìn)行空間插值。目前，降水時(shí)間序列的插補(bǔ)方法主要有頻率分析法[10]、水文相關(guān)法[11]、人工神經(jīng)網(wǎng)絡(luò)法[12]、貝葉斯線性回歸法[13]、逐步回歸法[14]等。現(xiàn)有研究在雨量站之間年、月尺度上的轉(zhuǎn)換及空間插值取得了一系列豐碩的成果[15-18]，但分布式水文模擬、洪水預(yù)報(bào)等往往需要面尺度的日降水?dāng)?shù)據(jù)，而對(duì)于部分地區(qū)，個(gè)別氣象站停測(cè)、缺測(cè)、漏測(cè)等現(xiàn)象導(dǎo)致一些不連續(xù)的降雨系列，如何充分利用僅存的降雨數(shù)據(jù)為水文模擬、洪水預(yù)報(bào)等提供服務(wù)，除借助遙感、雷達(dá)技術(shù)外，通過實(shí)測(cè)數(shù)據(jù)直接插補(bǔ)出面尺度日降水?dāng)?shù)據(jù)也是一個(gè)行之有效的辦法，然而目前對(duì)這方面的研究較少。另外，插補(bǔ)結(jié)果是否能夠捕捉降水極端事件、插補(bǔ)結(jié)果中的極端事件對(duì)降雨徑流關(guān)系造成何種影響以及插補(bǔ)過程中需要注意哪些統(tǒng)計(jì)特征參數(shù)等方面的研究很少。

針對(duì)部分地區(qū)年、月尺度降水資料部分時(shí)段缺測(cè)及日降水?dāng)?shù)據(jù)嚴(yán)重缺乏的問題，筆者提出了缺資料地區(qū)面尺度日降水?dāng)?shù)據(jù)的插補(bǔ)方法。該方法充分利用現(xiàn)有不同時(shí)空尺度下的資料，集成點(diǎn)到點(diǎn)的插補(bǔ)展延與點(diǎn)到面的空間插值方法，并以此為基礎(chǔ)插補(bǔ)出缺資料地區(qū)的面尺度日降水?dāng)?shù)據(jù)，最后以德清縣為例，對(duì)上述方法進(jìn)行多途徑、多尺度的檢驗(yàn)和應(yīng)用。

2?數(shù)據(jù)來源及方法

2.1?數(shù)據(jù)來源

以德清縣為研究區(qū)，該縣位于浙江省湖州市，地處浙江省北部、杭嘉湖平原西部，位于浙江省八大水系之一的東苕溪中游。選取研究區(qū)附近9個(gè)雨量站，雨量站中僅位于東部平原河網(wǎng)區(qū)的德清站有日降水?dāng)?shù)據(jù)，其他站點(diǎn)僅有月降水?dāng)?shù)據(jù)，且存在不同程度的缺測(cè)、漏測(cè)現(xiàn)象，缺測(cè)站點(diǎn)占比達(dá)77.8%。另外選取水文站1個(gè)、氣象站4個(gè)，在所有具有降水資料的站點(diǎn)中，有57.1%在研究區(qū)外，站點(diǎn)分布如圖1所示。

降水資料一部分來源于國(guó)家氣象局，另一部分來源于太湖流域水文年鑒，氣象資料來源于國(guó)家氣象局，水文資料來源于對(duì)河口水庫(kù)管理局，各站數(shù)據(jù)資料詳情見表1。

2.2?插補(bǔ)方法

首先，本著“資料質(zhì)量較好、實(shí)測(cè)年限較長(zhǎng)且面上分布均勻”的原則選取參證站，根據(jù)參證站的資料借助相關(guān)分析法插補(bǔ)出缺測(cè)站年降水?dāng)?shù)據(jù)。其次，將年降水?dāng)?shù)據(jù)分配到月，再將月尺度數(shù)據(jù)降尺度到日，最后通過改進(jìn)的距離平方反比法（DRDS法）[19]進(jìn)行空間插值。本文所提出的“面尺度日降水的插補(bǔ)方法”不同于傳統(tǒng)分離式點(diǎn)與點(diǎn)間的插補(bǔ)展延和點(diǎn)與面之間的空間插值，其特點(diǎn)在于系統(tǒng)地進(jìn)行降水“點(diǎn)—面”關(guān)系轉(zhuǎn)化，最大限度地利用已有實(shí)測(cè)降水?dāng)?shù)據(jù)，插補(bǔ)方法具體步驟如下。

（1）對(duì)缺測(cè)站點(diǎn)年降水?dāng)?shù)據(jù)進(jìn)行插補(bǔ)。找出滿足條件的站點(diǎn)作為參證站，建立設(shè)計(jì)站和參證站年降水?dāng)?shù)據(jù)之間的相關(guān)關(guān)系，并根據(jù)相關(guān)關(guān)系插補(bǔ)出缺測(cè)年降水?dāng)?shù)據(jù)。

（2）年尺度到月尺度的轉(zhuǎn)換。根據(jù)參證站年降水?dāng)?shù)據(jù)和月降水?dāng)?shù)據(jù)之間的關(guān)系，將設(shè)計(jì)站年降水?dāng)?shù)據(jù)分配到月。

（3）月尺度到日尺度的轉(zhuǎn)換。選擇距設(shè)計(jì)站最近且具有完整日尺度降水?dāng)?shù)據(jù)的站點(diǎn)作為參證站，按照參證站點(diǎn)降水月值和日值之間的關(guān)系，計(jì)算出設(shè)計(jì)站日降水量。

式中：Pr為參證站年降水量，mm;Pd為設(shè)計(jì)站年降水量，mm;γ為系數(shù);c為常數(shù);i為月份;αi為i月降水占全年的比例;Pdi為設(shè)計(jì)站i月降水量，mm;Pri為參證站i月降水量，mm;Pjd為設(shè)計(jì)站第j天降水量，mm;Pjr為參證站第j天降水量，mm;βj為第j天降水占當(dāng)月的比例;j為逐月第j天;s為逐月最后一天。

整個(gè)降水系列的插補(bǔ)及驗(yàn)證過程如圖2所示。

2.3?插補(bǔ)結(jié)果檢驗(yàn)方法

對(duì)插補(bǔ)結(jié)果進(jìn)行多途徑、多尺度的檢驗(yàn)，檢驗(yàn)的方式有直接檢驗(yàn)和間接檢驗(yàn)兩種，檢驗(yàn)的指標(biāo)有相關(guān)系數(shù)、均方根誤差、平均相對(duì)偏差、納什效率系數(shù)、相對(duì)誤差，檢驗(yàn)的內(nèi)容有極端降水指標(biāo)、降水日值、降水月值以及降水徑流模擬效果。

對(duì)有實(shí)測(cè)日降水?dāng)?shù)據(jù)的站點(diǎn)采用直接檢驗(yàn)法，即直接比較插補(bǔ)結(jié)果的特征值及降水過程和實(shí)測(cè)系列的差異。日尺度插補(bǔ)結(jié)果的檢驗(yàn)，主要檢驗(yàn)極端降水指標(biāo)。世界氣象組織（WMO）在1998—2001年氣候變化監(jiān)測(cè)會(huì)議上提出代表氣候變化的一套極端氣候指數(shù)，其中有27個(gè)指數(shù)作為核心指數(shù)被廣泛使用，包含16個(gè)極端溫度指標(biāo)和11個(gè)極端降水指標(biāo)[20]。綜合考慮指標(biāo)重復(fù)性和各指標(biāo)在研究區(qū)的適用性，選取其中6個(gè)極端降水指標(biāo)（見表2）代表研究區(qū)內(nèi)極端降水情況。日降水強(qiáng)度代表測(cè)站控制區(qū)內(nèi)降水的總體水平，5 d最大降水量代表連續(xù)5 d內(nèi)的最大降水水平，年降水總量代表控制區(qū)內(nèi)降水的總體水平，強(qiáng)降水量代表降水極端程度，連續(xù)無雨天數(shù)代表測(cè)站控制區(qū)干旱水平，連續(xù)有雨天數(shù)代表控制區(qū)濕潤(rùn)水平。

對(duì)有實(shí)測(cè)月尺度降水?dāng)?shù)據(jù)的站點(diǎn)，只檢驗(yàn)其月尺度降水?dāng)?shù)據(jù)，采用交叉驗(yàn)證法[21]進(jìn)行檢驗(yàn)。交叉驗(yàn)證是依次減少一個(gè)樣本點(diǎn)，然后使用其余的樣本進(jìn)行建模，再通過模型估算該樣本點(diǎn)的相關(guān)結(jié)果，最后計(jì)算模型估算結(jié)果相對(duì)于實(shí)測(cè)值的誤差。本文選擇相關(guān)系數(shù)（ρXY）、均方根誤差（RMSE）及平均相對(duì)偏差（ARE）3項(xiàng)指標(biāo)綜合判斷插補(bǔ)結(jié)果的合理性，其中相關(guān)系數(shù)、均方根誤差和平均相對(duì)偏差的計(jì)算方法如下：

式中：X為實(shí)測(cè)系列值;Y為插補(bǔ)系列值;Cov（X，Y）為X、Y系列的協(xié)方差;D（X）、D（Y）分別為X系列與Y系列的方差;N為實(shí)測(cè)站點(diǎn)個(gè)數(shù);Pauti為第i個(gè)站點(diǎn)的實(shí)測(cè)降水量;Paut-為所有實(shí)測(cè)站點(diǎn)的平均降水量;Ci︿為第i個(gè)站點(diǎn)的插值結(jié)果;ρXY、RMSEj、AREj分別為第j次驗(yàn)證的相關(guān)系數(shù)、均方根誤差和平均相對(duì)偏差。

對(duì)于無實(shí)測(cè)日降水?dāng)?shù)據(jù)但是有實(shí)測(cè)徑流數(shù)據(jù)的站點(diǎn)，可通過間接的方法檢驗(yàn)降水插補(bǔ)結(jié)果的合理性。間接方法是以水文模型為載體，通過水文模擬效果間接地判斷降水插補(bǔ)結(jié)果的合理性，模擬效果的好壞由相對(duì)誤差和納什效率系數(shù)來判斷。

3?插補(bǔ)結(jié)果檢驗(yàn)

3.1?直接檢驗(yàn)

3.1.1?日尺度插補(bǔ)結(jié)果檢驗(yàn)

研究區(qū)有5個(gè)站點(diǎn)有逐日實(shí)測(cè)降水?dāng)?shù)據(jù)，其中4個(gè)在研究區(qū)外，僅作為插補(bǔ)的參證站，不做進(jìn)一步驗(yàn)證，只針對(duì)研究區(qū)內(nèi)有逐日資料的德清站進(jìn)行日尺度插補(bǔ)結(jié)果的檢驗(yàn)。檢驗(yàn)之前首先利用除德清站外其他站的資料插補(bǔ)出德清站所在位置的逐日降水?dāng)?shù)據(jù)，然后和實(shí)測(cè)值進(jìn)行對(duì)比驗(yàn)證。為檢驗(yàn)插補(bǔ)方法的實(shí)用性，設(shè)計(jì)了兩套插補(bǔ)方案。方案A：直接用周邊有逐日降水?dāng)?shù)據(jù)的站點(diǎn)對(duì)數(shù)據(jù)缺失站進(jìn)行插值，插值方法統(tǒng)一采用DRDS法;方案B：借助上文提出的“面尺度日降水的插補(bǔ)方法”插補(bǔ)出缺失站降水?dāng)?shù)據(jù)。最后使用Rclimdex軟件計(jì)算德清站不同方案下插補(bǔ)結(jié)果的多年平均年降水量、日降水強(qiáng)度、5 d最大降水量、強(qiáng)降水量、連續(xù)無雨天數(shù)和連續(xù)有雨天數(shù)6個(gè)指標(biāo)，不同插補(bǔ)方案下極端降水指標(biāo)多年平均值見表3。

從表3可以看出，兩套方案插補(bǔ)結(jié)果相差較大的極端降水指標(biāo)有強(qiáng)降水量及連續(xù)有雨天數(shù)，方案A強(qiáng)降水量與連續(xù)有雨天數(shù)的誤差分邊是方案B的3.4倍與59.2倍。方案B中，6個(gè)極端降水指標(biāo)中插補(bǔ)誤差絕對(duì)值最大的是5 d最大降水量，為-12.24%，其余指標(biāo)誤差都在10%以內(nèi)，其中，日降水強(qiáng)度、強(qiáng)降水量及連續(xù)有雨天數(shù)的插補(bǔ)誤差都不到3%。和實(shí)測(cè)系列相比，方案B插補(bǔ)結(jié)果偏大的有日降水強(qiáng)度、年降水量、強(qiáng)降水量及連續(xù)有雨天數(shù)，偏小的有5 d最大降水量和連續(xù)無雨天數(shù)，反映出極端降水事件較強(qiáng)的兩個(gè)指標(biāo)分別是5 d最大降水量和強(qiáng)降水量，兩者一個(gè)偏小，一個(gè)偏大。

方案B誤差較小的原因：首先是其充分發(fā)揮了研究區(qū)內(nèi)所有的實(shí)測(cè)降水?dāng)?shù)據(jù);其次是所用空間插值方法不僅考慮了插值距離，同時(shí)還考慮了參證站與插補(bǔ)站之間的相關(guān)性。方案B在降低降水資料點(diǎn)到點(diǎn)的插補(bǔ)展延誤差的同時(shí)還考慮了降水的空間變異性，與方案A相比略有優(yōu)勢(shì)，但與實(shí)測(cè)值相比仍存在誤差。究其原因，可能有以下幾點(diǎn)：①插補(bǔ)用的是改進(jìn)的距離平方反比法，該方法和其他空間插值方法相比，雖然考慮了降水的空間變異性，但仍會(huì)有一定的誤差;②插補(bǔ)結(jié)果是控制站點(diǎn)所在子流域的面降水量，而實(shí)測(cè)數(shù)據(jù)是控制站點(diǎn)的點(diǎn)降水量，另外，子流域劃分本身就有一定的不確定性，它和水系提取的精度及匯流累計(jì)數(shù)的大小等都有關(guān)系，因此用點(diǎn)的數(shù)據(jù)檢驗(yàn)面的數(shù)據(jù)也會(huì)造成一定的誤差。

3.1.2?月尺度插補(bǔ)結(jié)果檢驗(yàn)

所選站點(diǎn)中共有9個(gè)站點(diǎn)有月尺度降水?dāng)?shù)據(jù)，分別是菱湖站、對(duì)河口水庫(kù)站、紅旗水庫(kù)站、和睦橋站、李村站、莫干山站、上皋塢站、上朗站、埭溪站，對(duì)于此類站點(diǎn)，只能檢驗(yàn)其月尺度插補(bǔ)結(jié)果的合理性，檢驗(yàn)的具體過程如下：①選取14個(gè)具有降水資料的站點(diǎn)作為樣本點(diǎn);②選擇需要檢驗(yàn)的站點(diǎn)，然后用余下的13個(gè)站點(diǎn)建立日降水估算模型，得到面尺度日降水?dāng)?shù)據(jù);③提取出檢驗(yàn)站所在位置逐月降水?dāng)?shù)據(jù)并和該站實(shí)測(cè)值進(jìn)行比較。

累計(jì)交叉驗(yàn)證9次，得到各站插補(bǔ)結(jié)果和實(shí)測(cè)值的平均相關(guān)系數(shù)為0.94、均方根誤差為30.3 mm、平均相對(duì)偏差為87.9%。為更直觀、全面地反映上述9個(gè)站點(diǎn)的插補(bǔ)效果，引入泰勒?qǐng)D[21]，圖3為9個(gè)插補(bǔ)站驗(yàn)證結(jié)果的泰勒?qǐng)D。

由圖3可見：各站相關(guān)系數(shù)介于0.84～0.99，均值為0.94;平均相對(duì)偏差介于83.2%～92.8%，均值為87.9%;均方根誤差介于14.9～51.4 mm，均值為30.3 mm。

從圖3可以看出上朗站交叉驗(yàn)證結(jié)果距真值點(diǎn)（德清站）最近，可見該站插補(bǔ)效果最好。上郎站所在位置海拔較低，受地形地貌等其他因素的影響相對(duì)較小，該站周圍站點(diǎn)密集，插值距離較近，這些因素都有利于該站降水的插補(bǔ)。

為了進(jìn)一步檢驗(yàn)插補(bǔ)結(jié)果的實(shí)用性，分別計(jì)算了方案A、B插補(bǔ)結(jié)果與實(shí)測(cè)系列在月尺度上的相關(guān)系數(shù)、均方根誤差及平均相對(duì)偏差，見表4。

由表4可見，就相關(guān)系數(shù)而言，方案B較方案A平均提高0.11，提高比例達(dá)13.3%，提高最顯著的是紅旗水庫(kù)站，達(dá)19.5%，最差的是對(duì)河口水庫(kù)站和德清站，僅為1.2%。從圖1可以看出大部分測(cè)站位于西部山區(qū)，而平原區(qū)僅有德清站一個(gè)，因此，德清站插補(bǔ)效果差的原因可能是其周圍站點(diǎn)稀少;就均方根誤差來看，10個(gè)站點(diǎn)的平均均方根誤差由方案A的52.5 mm減小到方案B的30.3 mm，降低了42.3%，極大地降低了月降水的插補(bǔ)誤差;而和相關(guān)系數(shù)和均方根誤差相比，方案B平均相對(duì)偏差僅降低1.4，差異相對(duì)較小。

3.2?間接檢驗(yàn)

為了對(duì)插補(bǔ)結(jié)果進(jìn)行多方驗(yàn)證，將A、B兩方案插補(bǔ)結(jié)果應(yīng)用于有徑流資料的對(duì)河口水庫(kù)站控制區(qū)分布式水文模擬，并選用WEP-L模型[22]進(jìn)行模擬，該模型是一款以“子流域套等高帶”為基本計(jì)算單元的流域分布式水文模型，模擬過程中需要參與率定的高敏感參數(shù)有分區(qū)臨界暴雨量、氣孔阻抗、土壤厚度、洼地儲(chǔ)流深、土壤飽和導(dǎo)水系數(shù)、河床滲透系數(shù)、含水層厚度以及坡面和河道的曼寧系數(shù)。

擬定模型率定期為1960—2000年，驗(yàn)證期為2001—2018年，不同時(shí)間段降水徑流模擬計(jì)算結(jié)果見表5，不同方案徑流模擬過程對(duì)比如圖4和圖5所示。

和方案A模擬結(jié)果相比，方案B納什效率系數(shù)由0.62提高到0.87，相對(duì)誤差由-4.2%降到-2.3%。究其原因，就插補(bǔ)結(jié)果多年月平均特征值來說，方案B多年月平均降水量為134.33 mm，方案A為134.31 mm，二者僅差0.02 mm，而在天然狀況下降水和徑流呈正相關(guān)，因此兩種方案下徑流模擬結(jié)果相對(duì)誤差的差異較小;方案B全系列降水的相關(guān)系數(shù)為0.94，方案A為0.83，由于方案B降水插補(bǔ)結(jié)果與實(shí)測(cè)系列相關(guān)性更好，更能體現(xiàn)出降水的動(dòng)態(tài)變化，因此其徑流模擬結(jié)果的動(dòng)態(tài)變化也更加接近實(shí)測(cè)系列。此外，從德清站日降水的驗(yàn)證結(jié)果中可以看出方案B插補(bǔ)結(jié)果能夠很好地捕捉到連續(xù)有雨天數(shù)、日降水強(qiáng)度及強(qiáng)降水量，這些指標(biāo)對(duì)產(chǎn)流有著重要影響，尤其是雨強(qiáng)，因此方案B下分布式水文模擬效果較好的原因亦可能是其對(duì)雨強(qiáng)信息的捕捉能力更好。

對(duì)比分析不同方案插補(bǔ)結(jié)果的極端降水指標(biāo)（見表6），5項(xiàng)指標(biāo)中差別較大的是5 d最大降水量和強(qiáng)降水量，就徑流模擬結(jié)果來看，將方案B插補(bǔ)結(jié)果作為模型的降水輸入時(shí)，徑流模擬效果更優(yōu)，間接說明方案B對(duì)極端降水事件把握得更為準(zhǔn)確。由于兩種方案的極端降水指標(biāo)中只有5 d最大降水量和強(qiáng)降水量差異明顯，而方案B降水徑流模擬結(jié)果又明顯優(yōu)于方案A，因此一定程度上可以說所選的極端降水指標(biāo)中5 d最大降水量和強(qiáng)降水量對(duì)徑流模擬效果影響較大。

為探究插補(bǔ)方法在不同時(shí)段的效果，分別分析了對(duì)河口水文站控制區(qū)1970—1980年及2010—2018年兩個(gè)時(shí)段在不同降水輸入（方案A、B降水插補(bǔ)結(jié)果）情況下的降水徑流模擬結(jié)果（見表7）。模擬結(jié)果顯示：1970—1980年，方案B較方案A的納什效率系數(shù)提高76.0%、相對(duì)誤差降低38.8%;2010—2018年，方案B較方案A納什效率系數(shù)提高38.5%、相對(duì)誤差降低27.7%。

4?結(jié)?語(yǔ)

借助14個(gè)水文氣象站不同時(shí)空尺度的數(shù)據(jù)，利用“面尺度日降水的插補(bǔ)方法”對(duì)研究區(qū)逐日降水?dāng)?shù)據(jù)進(jìn)行了插補(bǔ)，并對(duì)插補(bǔ)結(jié)果進(jìn)行了多途徑、多尺度的驗(yàn)證，最終得到以下結(jié)論。

（1）與直接用有逐日數(shù)據(jù)的站點(diǎn)對(duì)數(shù)據(jù)缺失站進(jìn)行插值相比，利用本文提出的面尺度日降水的插補(bǔ)方法對(duì)缺測(cè)站點(diǎn)降水?dāng)?shù)據(jù)進(jìn)行處理后，有效降低了研究區(qū)日尺度降水?dāng)?shù)據(jù)的插補(bǔ)誤差，使得各站平均相關(guān)系數(shù)提高了0.11，平均均方根誤差降低了42.3%。

（2）插補(bǔ)誤差最大的極端降水指標(biāo)是5 d最大降水量，達(dá)-12.24%，其余指標(biāo)誤差都在10%以內(nèi)，插補(bǔ)結(jié)果偏大的有日降水強(qiáng)度、年降水總量、強(qiáng)降水量及連續(xù)有雨天數(shù)，偏小的有5 d最大降水量和連續(xù)無雨天數(shù)。

（3）將插補(bǔ)后的降水作為分布式水文模擬的輸入值時(shí)，近60 a徑流模擬效果得到了有效改善，對(duì)河口水庫(kù)站納什效率系數(shù)由0.62提高到0.87，相對(duì)誤差由-4.2%降到-2.3%。

（4）在分布式水文模擬過程中發(fā)現(xiàn)，日尺度降水系列的相關(guān)系數(shù)、5 d最大降水量以及強(qiáng)降水量對(duì)徑流模擬影響較大。

參考文獻(xiàn)：

[1]?吳昌廣，林德生，周志翔，等.三峽庫(kù)區(qū)降水量的空間插值方法及時(shí)空分布[J].長(zhǎng)江流域資源與環(huán)境，2010，19（7）：52-58.

[2]?TEEGAVARAPU R S V， MESKELE T， PATHAK C S. Geo-Spatial Grid-Based Transformations of Precipitation Estimates Using Spatial Interpolation Methods[J]. Computers & Geosciences， 2012，40（3）：28-39.

[3]?趙林，武建軍，呂愛鋒，等.京津風(fēng)沙源區(qū)植被變化對(duì)降水的響應(yīng)規(guī)律研究[J].北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，46（5）：610-618.

[4]?SHEN Y， XIONG A Y. Validation and Comparison of a New Gauge-Based Precipitation Analysis over Mainland China[J]. International Journal of Climatology， 2016， 36（1）： 252-265.

[5]?王丹，王愛慧.1901—2013年GPCC和CRU降水資料在中國(guó)大陸的適用性評(píng)估[J].氣候與環(huán)境研究，2017，22（4）：446-462.

[6]?胡慶芳.基于多源信息的降水空間估計(jì)及其水文應(yīng)用研究[D].北京：清華大學(xué)，2013：118-119.

[7]?郭彥，林秀芝，侯素珍，等.基于EMD和BP算法的降水?dāng)?shù)據(jù)插補(bǔ)[J].水資源與水工程學(xué)報(bào)，2015，26（2）：16-21.

[8]?GIRONS L M， WENNERSTOM H， NORDéN L A， et al. Location and Density of Rain Gauges for the Estimation of Spatial Varying Precipitation[J].Geografiska Annaler： Series A， Physical Geography， 2015， 97-103.

[9]?李妮娜，李建.中國(guó)西南復(fù)雜地形區(qū)降水觀測(cè)年際變化代表性問題初步分析[J].高原氣象，2017，36（1）：119-128.

[10]?高文義，郭海華.用頻率分析方法對(duì)年降水量系列插補(bǔ)延長(zhǎng)的探討[J].吉林水利，2008（3）：3-4.

[11]?TEEGAVARAPU R S V， RAMESH S V. Estimation of Missing Precipitation Records Integrating Surface Interpolation Techniques and Spatio-Temporal Association Rules[J]. Journal of Hydroinformatics， 2009， 11（2）： 133.

[12]?田琳，王龍，余航，等.基于BP神經(jīng)網(wǎng)絡(luò)的缺測(cè)降水?dāng)?shù)據(jù)插補(bǔ)[J].云南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2012，27（2）：281-284.

[13]?劉田，陽(yáng)坤，秦軍，等.青藏高原中、東部氣象站降水資料時(shí)間序列的構(gòu)建與應(yīng)用[J].高原氣象，2018，37（6）：1449-1457.

[14]?陳福容，任立良，楊邦，等.基于逐步回歸分析的雨量信息插補(bǔ)計(jì)算和應(yīng)用[J].水電能源科學(xué)，2009，27（2）：7-10.

[15]?TEEGAVARAPU R S V. Use of Universal Function Approximation in Variance-Dependent Surface Interpolation Method： an Application in Hydrology[J]. Journal of Hydrology， 2007， 332（1）： 16-29.

[16]?Eischeid J K， Pasteris P A. Creating a Serially Complete， National Daily Time Series of Temperature and Precipitation for the Western United States[J]. Journal of Applied Meteorology， 2000， 39（9）： 1580-1591.

[17]?SHEN S S P， DZIKOWSKI P， LI G， et al. Interpolation of 1961-97 Daily Temperature and Precipitation Data onto Alberta Polygons of Ecodistrict and Soil Landscapes of Canada[J]. Journal of Applied Meteorology， 2001， 40（12）： 2162-2177.

[18]?王志良，黃珊，陳海濤.黃河流域水文數(shù)據(jù)插補(bǔ)方法比較及應(yīng)用[J].人民黃河，2020，42（7）：14-18.

[19]?王喜峰，周祖昊，賈仰文，等.幾何插值法在大尺度長(zhǎng)系列降雨插值中的比較和改進(jìn)[J].水電能源科學(xué)，2010，28（12）：1-3.

[20]?TSAI C H， KOLIBAL J， LI M. The Golden Section Search Algorithm for Finding a Good Shape Parameter for Meshless Collocation Methods[J].Engineering Analysis with Boundary Elements， 2010， 34（8）： 738-746.

[21]?TAYLOR K E. Summarizing Multiple Aspects of Model Performance in a Single Diagram[J]. Journal of Geophysical Research， 2001， 106（D7）： 7183.

[22]?賈仰文，王浩，倪廣恒，等.分布式流域水文模型原理與實(shí)踐[M].北京：中國(guó)水利水電出版社，2005：113.

【責(zé)任編輯?張?帥】