李炎坤， 高黎明,3， 張樂樂,3， 吳雪晴， 劉軒辰， 祁 聞

（1.青海師范大學(xué)地理科學(xué)學(xué)院，青海 西寧 810008；2.青海師范大學(xué)青藏高原地表過程與生態(tài)保育教育部重點(diǎn)實(shí)驗(yàn)室，青海 西寧 810008；3.青海省人民政府-北京師范大學(xué)高原科學(xué)與可持續(xù)發(fā)展研究院，青海 西寧 810008）

降水是氣候系統(tǒng)中的一個(gè)重要參數(shù)，是水循環(huán)的重要組成部分，準(zhǔn)確的降水?dāng)?shù)據(jù)對理解區(qū)域乃至全球氣候變化和水循環(huán)過程具有重要意義［1-3］。目前，降水?dāng)?shù)據(jù)的獲取方式包括地面氣象站觀測、降雨雷達(dá)和衛(wèi)星遙感探測［4-6］。在這3種方法中，地面觀測獲取的降水量最為準(zhǔn)確，高密度分布的雨量站理論上可以獲取準(zhǔn)確的降水空間分布特征，然而在高海拔山區(qū)流域，由于觀測站點(diǎn)稀少且降水空間差異性大，準(zhǔn)確的獲取這些區(qū)域降水空間分布信息至今是一個(gè)挑戰(zhàn)［6-7］。降雨雷達(dá)通過回波強(qiáng)度對地面進(jìn)行降水預(yù)測，可以減小氣象站點(diǎn)以點(diǎn)代面的誤差，但其約束條件較多，適用性較差［4-5,8-9］。衛(wèi)星遙感探測具有覆蓋范圍廣、時(shí)空分辨率高和約束條件少的特點(diǎn)，能夠彌補(bǔ)地面觀測的不足［10-11］。隨著遙感技術(shù)的發(fā)展，不斷出現(xiàn)的衛(wèi)星降水產(chǎn)品在氣象水文研究領(lǐng)域得到了廣泛應(yīng)用［7,12-13］，如CMORPH［14］、GPCP［15］、TRMM［16-17］、PERSIANN-CDR［18］以及GPM IMERG［19］等。

然而，現(xiàn)有的遙感降水產(chǎn)品普遍分辨率低，難以滿足山區(qū)小流域的研究要求，因此對遙感降水產(chǎn)品的降尺度研究逐漸成為熱點(diǎn)。Elnashar等［20］利用Google Earth Engine 和Google Cloud Computing 對TRMM 月降水量進(jìn)行降尺度分析；范雪薇等［21］基于TRMM 數(shù)據(jù)在天山山區(qū)構(gòu)建主成分-逐步回歸模型，結(jié)果表明降尺度后的數(shù)據(jù)精度顯著優(yōu)于原始TRMM 3B43 數(shù)據(jù)；張寒博 等［22］對GPM IMERG 和TRMM 3B43數(shù)據(jù)進(jìn)行空間降尺度，以此對華中地區(qū)進(jìn)行降水時(shí)空變化分析和干旱監(jiān)測；李豪等［23］采用MGWR與Kriging相結(jié)合的方法，建立了MGWRK模型進(jìn)行降尺度，結(jié)果表明降尺度處理不能提高研究區(qū)數(shù)據(jù)精度；徐彬仁等［24］基于隨機(jī)森林算法對青藏高原TRMM降水?dāng)?shù)據(jù)進(jìn)行了空間統(tǒng)計(jì)降尺度研究；Ghorbanpour 等［25］利用5 種降尺度方法對烏爾米亞湖流域進(jìn)行降尺度評估。類似的降尺度研究還有很多，但總體上并沒有一個(gè)普適的降尺度標(biāo)準(zhǔn)。

青海湖流域位于青藏高原東北部，是重要的生態(tài)屏障［26-27］。流域內(nèi)國家氣象局公開數(shù)據(jù)的氣象站點(diǎn)僅有1 個(gè)，對青海湖流域的水文研究造成很大限制［2,28-29］。張樂樂等［2］在青海湖流域及周邊地區(qū)通過精度驗(yàn)證評價(jià)了TRMM 3B42V7、CMORPH、PERSI?ANN、PERSIANN-CDR 遙感降水資料，結(jié)果表明TRMM數(shù)據(jù)記錄的降水量最為準(zhǔn)確，精度最好，更適用于青海湖流域及周邊地區(qū)。然而，TRMM 數(shù)據(jù)由于空間分辨率低（0.25°×0.25°），難以滿足小流域尺度水文過程研究需求。因此，有必要通過降尺度獲取更高分辨率的降水?dāng)?shù)據(jù)。

因青海湖流域氣象站點(diǎn)稀少，本研究將研究范圍擴(kuò)大到包含周圍20個(gè)氣象站點(diǎn)的區(qū)域，并以此作為研究區(qū)，選用多元線性回歸模型（Multivariable Linear Regression，MLR）、主成分-逐步回歸模型（Principal Component Stepwise Regression，PCSR）和克里金插值法（Kriging）對TRMM 3B43 數(shù)據(jù)進(jìn)行降尺度，并利用研究區(qū)內(nèi)20 個(gè)氣象站點(diǎn)的實(shí)測數(shù)據(jù)，從年、季、月尺度對降尺度結(jié)果進(jìn)行精度評價(jià)。本研究的主要目的是選出最合適的青海湖流域TRMM 3B43數(shù)據(jù)降尺度方法，為流域開展高分辨率生態(tài)、水文過程模擬提供數(shù)據(jù)支撐。

1 研究區(qū)與數(shù)據(jù)方法

1.1 研究區(qū)概況

青海湖流域位于36°15′～38°20′N，97°50′～101°20′E之間，流域面積約29661 km2，湖泊面積約為4400 km2。青海湖流域南至青海南山，西至阿木尼尼庫山，東至日月山，北至大通山，形成一個(gè)完整的封閉型高原內(nèi)陸盆地。整個(gè)流域呈西北-東南走向，地勢西北高東南低［30-32］。因青海湖流域氣象站點(diǎn)稀少，研究區(qū)劃定范圍擴(kuò)大到包含周圍20 個(gè)氣象站點(diǎn)的區(qū)域，經(jīng)緯度范圍為35°～39°N，97°～103°E（圖1）。研究區(qū)地形以高原為主，地勢整體西高東低，海拔1330～5663 m，西北和西南整體海拔均在4000 m 以上。研究區(qū)降水量特征表現(xiàn)為季節(jié)分布不均，夏季降水量占主導(dǎo)地位且較為集中，其次是春秋季，冬季最少［33-34］。

圖1 研究區(qū)位置及氣象站點(diǎn)分布Fig.1 Location of the study area and distribution of meteorological sites

1.2 數(shù)據(jù)來源與預(yù)處理

TRMM 3B43降水?dāng)?shù)據(jù)來源于NASA網(wǎng)站（https://search.earthdata.nasa.gov），空間分辨率為0.25°×0.25°，時(shí)間分辨率為月尺度，覆蓋范圍在全球南北緯50°之間，時(shí)間為1979年至今，本研究選取的數(shù)據(jù)年份為2010—2019 年。TRMM 數(shù)據(jù)為NetCDF 格式，處理時(shí)首先要借助ArcGIS 進(jìn)行格式、投影轉(zhuǎn)換。TRMM 3B43原始降水?dāng)?shù)據(jù)的單位為mm·h-1，乘以每個(gè)月的小時(shí)數(shù)即可得到月降水量。

DEM 數(shù)據(jù)采用SRTMDEM 90 m 分辨率原始高程數(shù)據(jù)，數(shù)據(jù)來源于地理空間數(shù)據(jù)云（http://www.gs?cloud.cn/search）。坡度和坡向數(shù)據(jù)由DEM 數(shù)據(jù)生成。并通過裁剪、重采樣獲得研究區(qū)0.25°和0.01°分辨率的高程數(shù)據(jù)，并基于ArcGIS水文分析工具得到了研究區(qū)0.25°和0.01°分辨率的坡度和坡向數(shù)據(jù)。

NDVI 數(shù)據(jù)采用MODIS數(shù)據(jù)MOD13A3產(chǎn)品，數(shù)據(jù)來源于NASA 網(wǎng)站（https://search.earthdata.nasa.gov），空間分辨率為1 km，時(shí)間分辨率為月尺度，數(shù)據(jù)下載年份為2010—2019 年。處理時(shí)首先運(yùn)用ENVI 進(jìn)行圖像拼接、異常值處理、格式轉(zhuǎn)換，再在ArcGIS中進(jìn)行投影轉(zhuǎn)換和研究區(qū)裁剪。

氣象站點(diǎn)觀測降水?dāng)?shù)據(jù)采用中國氣象數(shù)據(jù)網(wǎng)（http://data.cma.cn），在本研究區(qū)內(nèi)共有20個(gè)氣象觀測站點(diǎn)，分別為托勒、野牛溝、祁連、德令哈、剛察、門源、烏蘭、都蘭、共和、西寧、貴德、民和、興海、貴南、同仁、茶卡、烏鞘嶺、武威、永昌、山丹（圖1）。本研究選取的降水觀測數(shù)據(jù)時(shí)間尺度與TRMM 數(shù)據(jù)一致，觀測數(shù)據(jù)的時(shí)間分辨率為日，通過疊加可以獲取月、季節(jié)和年尺度的降水?dāng)?shù)據(jù)，研究期內(nèi)數(shù)據(jù)無缺測。

1.3 研究方法

降尺度方法選用多元線性回歸模型（MLR）、主成分-逐步回歸模型（PCSR）和普通克里金插值法（Kriging）。其中Kriging 方法可以在ArcGIS 軟件中直接實(shí)現(xiàn)。MLR通過2個(gè)或2個(gè)以上的影響因素作為自變量來解釋因變量的變化，以此建立影響因子與自變量的回歸模型。降水的形成受到多種因素的影響［35］，本文選取經(jīng)度、緯度、高程、坡度、坡向和歸一化植被指數(shù)（NDVI）作為影響因子，建立與TRMM降水?dāng)?shù)據(jù)的回歸模型，一般方程如下：

式中：y為TRMM 降水?dāng)?shù)據(jù)；a0～a6表示回歸系數(shù)；x1～x6表示回歸因子；k表示降水殘差值。

PCSR 方法可以將多個(gè)影響因子轉(zhuǎn)化成幾個(gè)獨(dú)立因子進(jìn)行分析。在保證信息最大化的前提下對原來的影響因子進(jìn)行處理，并在處理過程中剔除不顯著的解釋變量，以此來提高研究效率并使信息更為精確［21］。本文通過構(gòu)建PCSR模型建立TRMM數(shù)據(jù)與影響因子的方程，進(jìn)行降尺度空間轉(zhuǎn)換，模型構(gòu)建如下：

式中：Y為TRMM 降水量降尺度后的數(shù)據(jù)；b～b3表示主成分回歸系數(shù)；X1～X3表示主成分回歸因子；（b+b1X1+b2X2+b3X3+???）表示由PCSR 回歸得到的降水回歸值；K表示降水殘差值。

具體步驟如下：將DEM 數(shù)據(jù)、經(jīng)緯度、NDVI 處理到相同0.25°分辨率下，運(yùn)用Matlab軟件將各數(shù)據(jù)所有柵格中心像元點(diǎn)的數(shù)值進(jìn)行匯總；通過Matlab、SPSS 計(jì)算得到回歸系數(shù)，匯總得到0.25°分辨率降水預(yù)測回歸值和降水殘差；采用普通克里金法對降水殘差進(jìn)行插值，得到0.01°分辨率殘差數(shù)據(jù)；將0.25°分辨率下得到的回歸系數(shù)代入到0.01°分辨率下的回歸因子中，并加上高分辨率殘差數(shù)據(jù)，最終得到0.01°分辨率下TRMM降水量降尺度數(shù)據(jù)，實(shí)現(xiàn)降尺度的轉(zhuǎn)換。

1.4 精度評價(jià)

選擇2010—2019年年均、季均和月份的降尺度數(shù)據(jù)，通過ArcGIS提取研究區(qū)范圍內(nèi)20個(gè)氣象站點(diǎn)的值，與降水實(shí)測值進(jìn)行精度評價(jià)，采用相關(guān)系數(shù)（CC）、均方根誤差（RMSE）和相對偏差（Bias）評價(jià)降尺度結(jié)果［5,29］。其中CC 的取值范圍為［-1,1］，CC值越接近1，說明格點(diǎn)數(shù)據(jù)與觀測降水?dāng)?shù)據(jù)的一致性越高。RMSE的取值范圍為［0,+∞），值越接近0，表示格點(diǎn)降水?dāng)?shù)據(jù)越準(zhǔn)確。Bias的取值范圍為［-1,1］值，取值越接近0，表示格點(diǎn)降水?dāng)?shù)據(jù)與觀測降水?dāng)?shù)據(jù)偏離程度越小。

2 結(jié)果與分析

2.1 青海湖流域降水空間分布特征

利用MLR、PCSR 和Kriging 方法對TRMM 數(shù)據(jù)降尺度，并通過不同時(shí)間尺度處理，得到青海湖流域2010—2019 年年平均和春、夏、秋、冬4個(gè)季節(jié)平均降水量的空間分布（圖2）。圖2a～圖2d 給出了TRMM原始數(shù)據(jù)以及3種降尺度方法得到的青海湖流域范圍內(nèi)年平均降水量空間分布。從結(jié)果來看，經(jīng)過降尺度之后得到的年平均降水量與原始TRMM數(shù)據(jù)的空間分布一致,降水量高值區(qū)主要分布于青海湖北部，低值區(qū)主要集中在青海湖西部及西北部。從降水量的取值范圍來看，Kriging降尺度降水量最大值與TRMM數(shù)據(jù)保持一致，MLR降尺度降水量最大值略高于TRMM 數(shù)據(jù)，而PCSR 降尺度降水量最大值略低于TRMM數(shù)據(jù)，此外，3種降尺度數(shù)據(jù)的降水量最小值均低于TRMM數(shù)據(jù)。

圖2 青海湖流域降尺度結(jié)果空間分布Fig.2 Spatial distribution map of downscaling results in Qinghai Lake Basin

由圖2e～圖2t 可知，經(jīng)過降尺度之后得到的季均降水量與TRMM 數(shù)據(jù)的空間分布一致。其中，春、夏、秋季空間分布與年均降水空間分布類似，而冬季降水量高值區(qū)分布在青海湖南部與西北部，低值區(qū)分布在青海湖流域中部。

為了進(jìn)一步給出青海湖流域及周邊區(qū)域不同海拔降水量的差異，按照500 m 間隔在研究區(qū)劃分出了9 個(gè)海拔梯度，并統(tǒng)計(jì)了每個(gè)海拔梯度的年平均降水量（圖3）。其中，5300～5663 m海拔范圍內(nèi)空間較少，因此將最后2 類合并為4800～5663 m 一級。結(jié)果表明，隨著海拔的增高，研究區(qū)年平均降水量整體上呈現(xiàn)先升高后降低的趨勢。在1330～2800 m，降水量隨著海拔的升高不斷增加，在2800～3300 m，降水量隨著海拔的升高有小幅下降，在3300～3800 m 海拔范圍內(nèi)，降水量隨海拔的升高而增加并達(dá)最大值，當(dāng)海拔在3800～4800 m，降水量隨海拔的增加不斷降低，在海拔高于4800 m 后，除MLR降水量隨著海拔上升而小幅增加外，其余降水量均呈下降趨勢。

圖3 研究區(qū)海拔劃分(a)及降水量隨海拔的變化(b)Fig.3 The elevation division of the study area(a)and the change of precipitation with elevation(b)

2.2 降尺度模型評價(jià)與對比

為了對降尺度模型進(jìn)行精度驗(yàn)證，本文主要利用研究區(qū)域內(nèi)20 個(gè)氣象站點(diǎn)的年均、季均、月降水量進(jìn)行對比驗(yàn)證分析。運(yùn)用ArcGIS 中的提取分析工具，提取各站點(diǎn)降尺度后的年、季、月數(shù)據(jù)，并計(jì)算CC、RMSE、Bias 3種評價(jià)指標(biāo)。

2.2.1 年降水量評價(jià) 從圖4中可以看出，TRMM原始數(shù)據(jù)與觀測數(shù)據(jù)的CC 和RMSE 值為0.83 和69.59；MLR、PCSR和Kriging降尺度數(shù)據(jù)與觀測數(shù)據(jù)的CC 值分別為0.86、0.85 和0.85，RMSE 值分別為73.39、65.61和65.19。從這個(gè)結(jié)果來看，3種降尺度數(shù)據(jù)得到的降水量與觀測數(shù)據(jù)的一致性均優(yōu)于原始TRMM 數(shù)據(jù)，其中MLR 數(shù)據(jù)的CC值最優(yōu)。PCSR與Kriging 數(shù)據(jù)的RMSE值優(yōu)于TRMM，但MLR 數(shù)據(jù)差于TRMM 數(shù)據(jù)。此外，Kriging 數(shù)據(jù)的Bias 值優(yōu)于TRMM原始數(shù)據(jù)，PCSR數(shù)據(jù)沒有變化，而MLR則差于TRMM 原始數(shù)據(jù)。綜合來看，在年尺度上基于Kriging 方法得到的降水?dāng)?shù)據(jù)精度最優(yōu)，其次為PC?SR數(shù)據(jù)，MLR數(shù)據(jù)精度最差。

圖4 實(shí)測降水量與TRMM數(shù)據(jù)及其降尺度數(shù)據(jù)年均散點(diǎn)圖Fig.4 Annual average scatter plot of measured precipitation and TRMM data and its downscaled data

為了討論TRMM 及其降尺度結(jié)果空間分布與氣象站實(shí)際降水空間分布的一致性，以氣象站點(diǎn)年均降水量為參考，計(jì)算了各站點(diǎn)的CC、RMSE 和Bi?as，并以100.7°E 將其劃分為西部地區(qū)和東部地區(qū)，以此得到年尺度上東、西部地區(qū)的精度評價(jià)箱線圖對比（圖5和圖6）。在空間上，TRMM及3種降尺度數(shù)據(jù)均顯示東部地區(qū)的CC 值較高，RMSE 值較小，表明該地區(qū)格點(diǎn)數(shù)據(jù)與實(shí)測降水更一致，數(shù)據(jù)的誤差在此區(qū)域更??；圖5 中的Bias 顯示在研究區(qū)西側(cè)的各數(shù)據(jù)均低估了降水，研究區(qū)東側(cè)格點(diǎn)數(shù)據(jù)高估了大多數(shù)站點(diǎn)的降水。由圖6結(jié)果表明，TRMM及3種降尺度數(shù)據(jù)的CC 值在東部地區(qū)均高于西部地區(qū)，RMSE 和|Bias|值在東部地區(qū)低于西部地區(qū)。綜上所述，TRMM 及3 種降尺度數(shù)據(jù)在東部地區(qū)精度最優(yōu)。

圖5 年尺度上TRMM、MLR、PCSR和Kriging的CC(a～d)、PCSR(e～h)和Bias(i～l)的空間分布Fig.5 Spatial distribution of CC(a-d),PCSR(e-h)and Bias(i-l)of TRMM,MLR,PCSR and Kriging on yearly scale

圖6 年尺度上TRMM及3種降尺度數(shù)據(jù)在東西部地區(qū)的精度評價(jià)箱線圖對比Fig.6 Comparison of boxplots for accuracy evaluation of TRMM and three types of downscaled data in the eastern and western regions on the annual scale

2.2.2 季降水量評價(jià) 由圖7 可知，在數(shù)據(jù)精度方面，Kriging 數(shù)據(jù)在春季的CC、RMSE表現(xiàn)最好；從夏季來看，MLR數(shù)據(jù)的CC值表現(xiàn)最好，但RMSE及Bi?as均最差，PCSR與Kriging數(shù)據(jù)在RMSE與Bias值表現(xiàn)均較好；秋季的RMSE和Bias值中PCSR數(shù)據(jù)表現(xiàn)最好，但其CC值較差于Kriging 數(shù)據(jù)；TRMM 數(shù)據(jù)在冬季的CC、RMSE 和Bias 表現(xiàn)最好，Kriging 數(shù)據(jù)表現(xiàn)最差。此外，冬季的|Bias|值均為正值且較大，反映出4 種數(shù)據(jù)在冬季偏離程度均較大，且均大于實(shí)測降水量。以往研究表明，在站點(diǎn)尺度上，普遍認(rèn)為雨量筒獲取的降水量最為準(zhǔn)確［36］，然而雨量筒獲取的降雨量受很多因素的影響，如自身誤差、安裝位置、蒸散發(fā)和降水類型等［37-38］。其中，降水類型按照氣溫劃分，主要可分為液態(tài)降水、混合降水和固態(tài)降水，在寒冷的青海湖及周邊地區(qū)固態(tài)降水占有很大比重，而雨量筒對固態(tài)降水的捕捉率最差［39］，造成該地區(qū)冬季的實(shí)測降水量低于實(shí)際降水量。因此，在冬季固態(tài)降水觀測誤差本身比較大，可能是冬季TRMM數(shù)據(jù)及3種降尺度數(shù)據(jù)的Bias值為正值且比較大的原因。綜合來看，春季的Kriging數(shù)據(jù)精度最優(yōu)，在夏季PCSR 與Kriging 數(shù)據(jù)精度基本持平，在秋季PCSR數(shù)據(jù)最好，而冬季的TRMM數(shù)據(jù)表現(xiàn)最佳。

圖7 TRMM數(shù)據(jù)及降尺度季均數(shù)據(jù)精度對比Fig.7 Accuracy comparison between TRMM data and downscaled quarterly average data

2.2.3 月降水量評價(jià) 運(yùn)用提取分析工具提取了2010—2019 年各個(gè)站點(diǎn)12 個(gè)月的TRMM 數(shù)據(jù)、MLR、PCSR 及Kriging 降尺度數(shù)據(jù)。將2010—2019年的月氣象站點(diǎn)數(shù)據(jù)降水量作為自變量，TRMM 數(shù)據(jù)與3 種降尺度降水?dāng)?shù)據(jù)作為因變量，得到散點(diǎn)圖（圖8）。從圖8可以看出，TRMM數(shù)據(jù)與實(shí)測數(shù)據(jù)相關(guān)系數(shù)CC 為0.89，均方根誤差RMSE 為17.51，相對誤差Bias 為-0.03；MLR 降尺度數(shù)據(jù)與實(shí)測數(shù)據(jù)CC為0.90，RMSE 為17.36，Bias 為-0.10；PCSR 降尺度數(shù)據(jù)與實(shí)測數(shù)據(jù)CC 為0.89，RMSE 為17.21，Bias為-0.03；Kriging降尺度數(shù)據(jù)與實(shí)測數(shù)據(jù)CC為0.72，RMSE為27.75，Bias為-0.02。從相關(guān)系數(shù)CC來看，MLR降尺度數(shù)據(jù)同實(shí)測降水?dāng)?shù)據(jù)相關(guān)性最好，其次為PCSR 與TRMM 數(shù)據(jù)，Kriging 數(shù)據(jù)同實(shí)測降水?dāng)?shù)據(jù)相關(guān)性最差。從均方根誤差RMSE 來看，TRMM數(shù)據(jù)和3種降尺度結(jié)果與實(shí)測降水值的接近程度表現(xiàn)為PCSR＞MLR＞TRMM＞Kriging。從相對誤差Bias來看，|Bias|表現(xiàn)為Kriging＜PCSR=TRMM＜MLR。此外，通過各散點(diǎn)數(shù)據(jù)與y=x線進(jìn)行對比，發(fā)現(xiàn)可以看出，PCSR與MLR數(shù)據(jù)集中程度相近，其次為TRMM數(shù)據(jù)，Kriging 數(shù)據(jù)離散程度最高，精度最差。綜合來看，在月尺度上PCSR數(shù)據(jù)精度較好，Kriging數(shù)據(jù)精度最差。

圖8 TRMM原始月降水量、降尺度月降水量與實(shí)測月降水量散點(diǎn)圖Fig.8 Scatter plot of TRMM original monthly precipitation,downscaled monthly precipitation and measured monthly precipitation

2.3 海拔對TRMM及其降尺度數(shù)據(jù)的影響分析

以往研究表明，海拔是影響山地降水的重要因素，隨著海拔的升高，降水量一般呈上升的趨勢，但遙感數(shù)據(jù)往往無法準(zhǔn)確表達(dá)降水的變化［40］。為此將各站點(diǎn)海拔按照由低到高的順序與其對應(yīng)的格點(diǎn)數(shù)據(jù)精度評價(jià)指標(biāo)進(jìn)行統(tǒng)計(jì)（圖9）。結(jié)果表明，CC 值與RMSE 值隨著海拔的升高沒有明顯的變化趨勢，且波動較大，說明海拔對研究區(qū)內(nèi)TRMM 及其降尺度數(shù)據(jù)的影響不大；隨著海拔的升高，Bias值由正轉(zhuǎn)負(fù)，整體呈下降趨勢，表明TRMM 數(shù)據(jù)隨著海拔的升高逐漸出現(xiàn)低估降水的現(xiàn)象，這與盧新玉等［35］、李瓊等［41］研究結(jié)果是一致的。綜上所述，在1330～3800 m 海拔范圍內(nèi)，研究區(qū)降水量隨著海拔的升高而逐漸增加，因此在降水量較多的山區(qū)對流性降水占總降水比率較高，而TRMM 數(shù)據(jù)微波降水率反演時(shí)對對流性降水有一定程度低估［42-43］，導(dǎo)致降水量較高的山區(qū)出現(xiàn)低估降水的現(xiàn)象。

圖9 各站點(diǎn)海拔與格點(diǎn)數(shù)據(jù)精度評價(jià)指標(biāo)統(tǒng)計(jì)Fig.9 Statistics of the accuracy evaluation indicators of the altitude and grid data of each station

3 結(jié)論

本文以青海湖流域及周邊區(qū)域作為研究區(qū)域，選取經(jīng)緯度、坡度、坡向、DEM、NDVI 作為影響因子，對2010—2019年間的TRMM數(shù)據(jù)進(jìn)行降尺度處理，通過構(gòu)建多元線性回歸模型（MLR）、主成分-逐步回歸模型（PCSR）和普通克里金插值法（Kriging）進(jìn)行降尺度研究，并運(yùn)用CC、RMSE、Bias 作為評價(jià)指標(biāo)進(jìn)行精度驗(yàn)證和對比分析，得到以下結(jié)論：

（1）TRMM 及3 種降尺度數(shù)據(jù)與氣象站點(diǎn)數(shù)據(jù)在青海湖流域及周邊區(qū)域得到降水空間分布具有一致性。年均及春、夏、秋季的降水量均表現(xiàn)為北部高，西部及西北部低，而冬季降水量表現(xiàn)為南部與西北部高，中部低。此外，研究區(qū)降水量隨著海拔的增高，以3800 m為界整體上呈現(xiàn)先升高后降低的趨勢。

（2）在精度評價(jià)方面，PCSR降尺度數(shù)據(jù)在青海湖流域及周邊區(qū)域表現(xiàn)更為準(zhǔn)確。從年尺度上來看，Kriging精度表現(xiàn)最好，在空間上TRMM及3種降尺度數(shù)據(jù)在東部地區(qū)精度最優(yōu)；在季尺度上，數(shù)據(jù)精度表現(xiàn)為PCSR＞Kriging＞TRMM＞MLR；在月尺度上，PCSR數(shù)據(jù)精度最好。

（3）研究區(qū)內(nèi)TRMM 及3 種降尺度數(shù)據(jù)受海拔影響較小，但隨著海拔的升高，TRMM及其降尺度數(shù)據(jù)逐漸出現(xiàn)低估降水的現(xiàn)象，其可能原因在于降水的低估與微波降水率反演時(shí)對對流性降水的低估有關(guān)。