楊春華 鄭莉 黃河清 雷波 楊碩 劉建輝 張明陽 段秋宴

（1.重慶市生態(tài)環(huán)境科學研究院，重慶 401147；2.重慶市第八中學，重慶 400030；3.中國科學院亞熱帶農業(yè)生態(tài)研究所，湖南 長沙 410125；4.重慶市渝北區(qū)生態(tài)環(huán)境監(jiān)測站，重慶 401120）

引言

氣象數(shù)據(jù)廣泛應用于氣象、環(huán)境、農業(yè)、林業(yè)等諸多領域［1-4］，離散氣象觀測數(shù)據(jù)的空間化是其得以應用的關鍵［5-9］。獲取空間化氣象要素，一般可利用衛(wèi)星遙感數(shù)據(jù)反演和空間插值等手段。衛(wèi)星遙感數(shù)據(jù)反演能獲取空間分辨率較高的氣象要素，但當前僅能獲取部分氣象要素，且只能獲取衛(wèi)星過境時刻的數(shù)據(jù)［10］，因此通過空間插值獲取空間化氣象數(shù)據(jù)仍是當前比較主流的方法之一。氣象觀測資料作為一種空間數(shù)據(jù)，蘊含著復雜的非線性動力學機制，在時空分布上具有紛雜多變的時空特征［11］，因此氣象數(shù)據(jù)空間插值方法一直是研究的熱點［12-13］。

氣象要素空間插值目前已有一系列方法，主要可歸納為整體插值法、局部插值法、混合插值法（整體插值法和局部插值法綜合）3類［14-15］。一般多采用局部擬合方法，即用鄰近未知點的少數(shù)已知樣點的特征值來估算該未知點的特征值，只考慮內插區(qū)域的局部特性而不受其他區(qū)域的影響［16］。眾多插值方法中，基于地質統(tǒng)計技術的克里金法和薄盤光滑樣條函數(shù)法較為通用，這些技術建模只將空間分布作為觀測數(shù)據(jù)的函數(shù)而不需要先驗知識和物理過程，能提高插值準確度［17-20］。然而大量研究表明，不同插值方法存在各自的優(yōu)劣［21-25］，氣象要素變化十分復雜，區(qū)域內不同插值方法結果會有較大區(qū)別［12］，同一插值方法在不同區(qū)域也會表現(xiàn)出不同差異。因此，并不存在一種插值方法適用于所有氣象要素，應根據(jù)特定的環(huán)境區(qū)域選取適宜的插值方法及參數(shù)［26-29］。

重慶地處大巴山斷褶帶、川東褶皺帶和川湘黔隆起褶皺帶三大構造單元交匯處的山區(qū)，周邊區(qū)域海拔為5—3064 m，地形起伏大，地貌類型復雜多樣。該區(qū)域地形大勢由南北向長江河谷傾斜，東北部、東部、南部為大巴山山地、巫山山地、武陵山地、大婁山余脈構成的盆周中低山區(qū)，中北部為平行嶺谷區(qū)，西部為川中丘陵區(qū)。區(qū)域內陡峻的山地和復雜多變的自然環(huán)境，使之成為第四紀冰川時期生物的優(yōu)良避難地，珍稀瀕危和中國特有動植物物種極為豐富，尤其渝東北和渝東南更是位于中國17個具有全球意義的生物多樣性保護關鍵區(qū)域內。大巴山、武陵山兩個生物多樣性優(yōu)先保護區(qū)和舉世聞名的三峽庫區(qū)均位于此，是長江上游重要生態(tài)屏障。特殊山地環(huán)境決定了氣象要素空間分布的顯著異質性，加之生態(tài)地位突出而獨特，因此對其開展深入研究尤為重要。

本研究在重慶及周邊山地區(qū)域3.615×105km2的空間范圍，主要考慮高程因素，采用薄盤光滑樣條函數(shù)法、反距離加權法、普通克里金和協(xié)同克里金4種常用方法，分別從年、月兩種尺度對氣溫、降水和太陽總輻射三個氣象要素進行空間插值，以期對比分析復雜地形地貌條件下空間數(shù)據(jù)最優(yōu)插值方法，為重慶山地區(qū)域生態(tài)環(huán)境動態(tài)變化研究和提升區(qū)域生態(tài)評估精度提供科學參考。

1 資料與方法

1.1 數(shù)據(jù)來源與處理

重慶區(qū)域水熱條件好、年際變化不明顯，因此選取1999年、2018年較長時間間隔氣象數(shù)據(jù)，研究正常、自然年份下插值方法的適用性。兩個年份月值氣象數(shù)據(jù)來自于國家氣象信息中心和重慶市氣象局，其中氣溫和降水要素1999年有163個國家氣象站點（圖1），2018年區(qū)域站點加密后共285個站點。太陽總輻射要素來源于國家氣象信息中心“中國國家地面站太陽總輻射估算值數(shù)據(jù)集（V1.0）”，1999年和2018年站點數(shù)分別為162個、165個。利用月值數(shù)據(jù)獲取年均溫、年降水量、年太陽總輻射，運用ANUSPLIN軟件先將氣象數(shù)據(jù)通過SPSS軟件處理成標準ASCII格式。高程數(shù)據(jù)來源于CGIAR-CSI SRTM中國區(qū)域數(shù)據(jù)（http：//srtm.csi.cgiar.org/），首先在GIS軟件中對其進行拼接、裁剪，然后將其重采樣為250 m，投影轉換為UTMZONE48，最后將其轉成ASCII格式作為協(xié)變量參與插值。

圖1 研究區(qū)高程及1999年氣象站點分布Fig.1 Elevation and distribution ofmeteorological stations w ithin the studied region

1.2 空間插值方法

1.2.1ANUSPLIN（ANUS）

澳大利亞科學家Hutchinson基于薄盤樣條理論編寫了針對氣候數(shù)據(jù)曲面擬合的專用軟件ANUSPLIN［30-31］，它允許引進多元協(xié)變量線性子模型，自動確定模型系數(shù)，可平穩(wěn)處理二維以上的樣條，可引入多個影響因子作為協(xié)變量［32］。其理論模型公式為

式（1）中，Zi為空間i處待插值點氣象要素值；xi為d維樣條的獨立變量，是位置i處周邊已知站點氣象要素值；f為關于xi的未知光滑函數(shù)；yi為獨立協(xié)變量（本研究為高程）；b為獨立協(xié)變量系數(shù)；ei為隨機誤差。

光滑函數(shù)f和系數(shù)b利用控制點求得，將Zi設置在控制點上，根據(jù)周邊其他已知控制點插值該點，通過最小二乘來確定

式（2）中，Jm（f）是函數(shù)f（xi）的粗糙度測度函數(shù)，定義為函數(shù)f的m階偏導（Anus稱樣條次數(shù)）；ρ是正的光滑參數(shù)，在數(shù)據(jù)保真度與曲面粗糙度之間起平衡作用，通常由廣義交叉驗證GCV（Generalized cross validation）最小化來確定，也可用最大似然法GML（Generalised max likelood）或期望真實平方誤差MSE（expected true square error）最小化確定［31，33］。

本方法各氣象要素均以DEM作為協(xié)變量，根據(jù)GCV最小和Signal小于觀測站點一半的原則選取最優(yōu)模型。通過對樣條次數(shù)從2—6分別嘗試，樣條次數(shù)取3時，GCV最小，因此本研究樣條次數(shù)取3?？紤]到降水隨機性強且值域范圍大的特點，對原始數(shù)據(jù)進行平方根變換降低數(shù)據(jù)值域范圍［33］，太陽總輻射也參照降水進行平方根變換。

1.2.2反距離加權（Inverse DistanceWeighted，IDW）

IDW由Shepard最早提出并發(fā)展起來［34］，其估計值由研究區(qū)內樣本點實測值加權決定，而權重由距離決定，樣本點離待插點越近影響越大，反之越小。公式為［15］

式（3）中，Z（x0）為x0處預測值；z（xi）為xi處觀測值；n為預測中使用的周圍站點數(shù)；di0為預測點x0與各已知樣點xi間距離；p為距離的冪次數(shù)。

IDW插值中距離的冪次數(shù)和搜索范圍一般均取默認值2和12，同時為便于與其他研究成果比較［15］，本研究取默認值。

1.2.3普通克里金（Ordinary Kriging，OK）

OK是利用區(qū)域化變量的原始數(shù)據(jù)和變異函數(shù)的結構特點，對未知樣點進行線性無偏、最優(yōu)估計的一種方法［35］。計算公式為

式（4）中，Z（x0）為未知點預測值；Z（xi）為未知點周圍氣象站點觀測值；ω為第i個已知站點對未知點的權重；N為已知氣象站點數(shù)量。

賦權重時OK不僅考慮距離，而且通過變異函數(shù)和結構分析，考慮已知樣本點的空間分布及與未知樣本點的空間方位關系［36］。ArcGIS軟件中OK半變異函數(shù)取默認值球面模型，搜索半徑取可變方式下的默認值12，為便于比較，本研究跟大多數(shù)研究一樣取此默認值。

1.2.4協(xié)同克里金（Co-Kriging，CK）

CK基本原理同OK，但它把區(qū)域化變量的最佳估值方法從單一屬性發(fā)展到二個以上的協(xié)同區(qū)域化屬性。溫度、降水等要素經(jīng)常受海拔影響，本研究將海拔作為第二屬性引入。公式表示為［15］

式（5）中，Z（x0）為x0點預測值；Z（xi）為第i站點測量值；y（x0）為x0點高程；N為已知氣象站點個數(shù)；mY、mZ為高程和氣象數(shù)據(jù)的全局平均值；ω、σ為協(xié)同克里金插值權重系數(shù)。

為便于與OK比較，選擇默認球面模型作為變異函數(shù)理論模型，搜索范圍同樣取默認值12，即預測點鄰近的12個站點。

1.3 結果檢驗

采用交叉驗證方法對預測結果進行對比分析，將原始樣本數(shù)據(jù)集分為兩部分：一部分作為“訓練集”，另一部分作為“驗證集”［13］。用訓練集樣本進行全范圍插值，將插值結果與“驗證集”站點（不參與插值）觀測數(shù)據(jù)對比。插值站點數(shù)量越多，插值結果精度越高［37］，因此本研究將總樣本數(shù)的90%用于“訓練”，10%用于“驗證”。驗證站點設置以空間分布均勻性為主，同時考慮海拔（圖1）。使用平均絕對誤差（Mean Absolute Error，MAE）、平均相對誤差（Magnitude of Relative Error，MRE）和均方根誤差（Root Mean Square Error，RMSE）作為插值結果檢驗標準。MAE估算估計值可能的誤差范圍，MRE反映估計誤差相對于觀測數(shù)據(jù)的大小，RMSE反映利用樣點（氣象臺站）數(shù)據(jù)的估值靈敏度和極值效應［38］。表達式分別為

式（6）—式（7）中，Zio為第i站點觀測值；Zie為第i站點估計值；n為“驗證集”點位數(shù)。

2 結果分析

2.1 氣溫

研究區(qū)1999年平均氣溫四種方法插值結果見圖2。從目視效果看，四種插值結果在空間分布上大體一致，總體均呈現(xiàn)出氣溫在北部及中部、西南角落低，其余高的趨勢。ANUS因有高程作為協(xié)變量，結果與DEM表現(xiàn)出較高一致性，可反映復雜地形下溫度的空間差異；CK也考慮了DEM，但“組團”現(xiàn)象明顯且結果不如ANUS細膩；OK未考慮其他因子，結果表現(xiàn)出“魚鱗”斑塊狀，因OK利用周圍已知點，結合半方差分析建立統(tǒng)計模型，在站點少且氣象要素空間異質性大的區(qū)域容易產生這種現(xiàn)象；IDW明顯出現(xiàn)因高溫或低溫形成的“牛眼”現(xiàn)象。2018年空間分布規(guī)律（圖略）與1999年總體一致，但因站點數(shù)量更多，空間異質性增大，“牛眼”現(xiàn)象更明顯。

年尺度上，1999年和2018年年均氣溫MAE、MRE、RMSE均以ANUS最優(yōu)（表1）。月尺度上ANUS優(yōu)勢同樣明顯，MAE（℃）月均值1999年為ANUS（0.37）＜IDW（0.55）＜CK（0.58）＜OK（0.61），2018年為ANUS（0.43）＜IDW（0.74）＜CK（0.80）＜OK（0.87）；MRE（%）月均值1999年為ANUS（2.79）＜IDW（3.92）＜CK（4.07）＜OK（4.23），2018年為ANUS（3.20）＜IDW（5.83）＜CK（6.32）＜OK（6.69）；RMSE（℃）月均值1999年為ANUS（0.45）＜IDW（0.93）＜CK（0.95）＜OK（0.97），2018年為ANUS（0.52）＜IDW（0.97）＜CK（1.05）＜OK（1.08）。各月MAE、MRE、RMSE均以ANUS最小，其他為IDW＜CK＜OK但差別不大（表略）。不同時間尺度以及年內不同月份間觀測值均差異較大，MAE和RMSE缺乏可比性，因此用MRE比較不同尺度插值效果（降雨和太陽總輻射，下同）。兩年中最高氣溫均出現(xiàn)在5—9月，此時MRE全年最?。∕AE和RMSE處于最大），表明低氣溫月份插值結果誤差更大。四種方法1999年MRE月均值為3%—4%，平均3.75%，年尺度MRE在3%左右，平均3.03%；2018年MRE月均值為3%—7%，平均5.51%，年尺度MRE為2%—5%，平均3.68%。四種方法均表現(xiàn)出插值精度年尺度優(yōu)于月尺度，因此，本研究區(qū)時間尺度越小插值誤差越大。

綜上，研究區(qū)氣溫最優(yōu)插值方法為ANUS。通過ANUS，氣溫1999年的月、年尺度平均MRE分別為2.79%、1.86%，2018年分別為3.20%、2.03%。

圖2 1999年研究區(qū)年均氣溫ANUS（a）、CK（b）、OK（c）和IDW（d）插值結果Fig.2 Interpolation results of annual average air temperature based on methods of ANUS（a），CK（b），OK（c），and IDW（d）in the studied area in 1999

表1 研究區(qū)年均氣溫不同插值方法對比Table 1 Comparison of different interpolation methods for annual average air tem perature in the studied area

2.2 降水

從目視效果看，研究區(qū)降水量1999年四種插值結果在空間分布上大體一致，都呈現(xiàn)出降水量北部區(qū)域低、其余尤其是東南緣高的分布趨勢（圖3）。因降水值域范圍跨度大，顯示效果上OK“魚鱗”效應和IDW“牛眼”現(xiàn)象均有所減弱。2018年降水量空間分布規(guī)律（圖略）與1999年基本一致，但站點數(shù)量更多，異質性增大，“魚鱗”和“牛眼”現(xiàn)象更明顯。

年尺度上1999和2018年降水量MAE、MRE、RMSE均以IDW最優(yōu)，考慮了DEM的ANUS和CK并未顯示出優(yōu)越性（表2）。

月尺度上，四種方法MRE、MAE、RMSE變化規(guī)律與年尺度不盡相同（圖4）。

四種方法MAE（mm）月均值1999年為IDW（16.96）＜CK（17.46）＜ANUS（18.04）＜OK（18.26），2018年為IDW（19.88）＜CK（20.80）＜ANUS（21.63）＝OK（21.63）；MRE（%）1999年為CK（16.78）＜ANUS（17.24）＜IDW（17.42）＜OK（18.87），2018年為IDW（23.14）＜CK（23.82）＜ANUS（24.00）＜OK（24.74）；RMSE（mm）1999年為IDW（20.76）＜CK（21.80）＜ANUS（22.36）≈OK（22.38），2018年為IDW（26.41）＜CK（27.52）＜OK（28.78）＜ANUS（29.83）。圖4直觀反映出IDW各月MAE、MRE、RMSE整體最低，總體效果最好。

圖3 1999年研究區(qū)累積降水ANUS（a）、CK（b）、OK（c）和IDW（d）插值結果Fig.3 Interpolation results of cumulative precipitation based on methods of ANUS（a），CK（b），OK（c），and IDW（d）in the studied area in 1999

表2 研究區(qū)年均累積降水量不同插值方法對比Table 2 Com parison of different interpolation methods for annualmean cumulative precipitation in the studied area

圖4 1999年逐月降水MAE（a）、MRE（b）、RSME（c）和2018年逐月降水MAE（d）、MRE（e）、RSME（f）各月累積降水不同插值方法對比Fig.4 Com parison of MAE（a），MRE（b），and RSME（c）ofmonthly cumulative precipitation using different interpolation methods in 1999 and in 2018（d-f）

四種方法各種誤差在不同月份變化趨勢基本一致，兩年中4—9月降水量多時，MRE總體高于其他月份（MAE、RMSE更明顯），表明多降水月份插值結果誤差更大。1999年四種方法的MRE月均值為17%左右，平均17.58%，年尺度MRE為7.00%左右，平均7.41%；2018年MRE月均值為23%左右，平均23.93%，年尺度MRE在12%左右，平均11.75%（圖4）。以上表明，四種方法均表現(xiàn)出降水插值精度年尺度優(yōu)于月尺度，時間尺度越小誤差越大。

綜上，研究區(qū)降水最優(yōu)插值方法為IDW。通過IDW，1999年降水的月、年尺度平均MRE分別為17.42%、6.87%，2018年分別為23.14%、11.20%。

圖5 1999年研究區(qū)太陽總輻射ANUS（a）、CK（b）、OK（c）和IDW（d）插值結果Fig.5 Interpolation results of total solar radiation based on methods of ANUS（a），CK（b），OK（c），and IDW（d）in the studied area in 1999

2.3 太陽總輻射

從目視效果看，研究區(qū)1999年四種插值結果空間分布上總體一致，太陽總輻射均呈西南及中部區(qū)域低，其余為東北緣高的分布趨勢（圖5）。太陽總輻射值域跨度較大，OK“魚鱗”效應和IDW“牛眼”現(xiàn)象均有所減弱。2018年空間分布規(guī)律（圖略）與1999年基本一致，站點數(shù)量一致使得“魚鱗”和“牛眼”現(xiàn)象也基本一致。

表3 研究區(qū)年均太陽總輻射不同插值方法對比Table 3 Com parison of different interpolation methods for annualmean total solar radiation in the studied area

年尺度下，兩個年份太陽總輻射誤差變化更加復雜，1999年3種誤差以IDW全面占優(yōu)，2018年以ANUS占優(yōu)為主（表3）。月尺度上，四種方法MAE、MRE、RMSE變化規(guī)律與年尺度基本一致。MAE（MJ）月 均 值1999年 為IDW（16.28）＜OK（16.49）≈CK（16.54）＜ANUS（17.05），2018年為ANUS（14.85）＜CK（16.08）＜IDW（16.34）＜OK（16.51）；MRE（%）月均值1999年為IDW（5.45）＜ANUS（5.82）＜OK（5.63）≈CK（5.65），2018年為ANUS（4.88）＜CK（5.27）≈IDW（5.29）≈OK（5.34）；RMSE（MJ）月均值1999年為IDW（20.77）＜CK（21.02）≈OK（21.05）＜ANUS（21.45），2018年為ANUS（18.44）＜CK（19.42）＜IDW（19.87）＜OK（20.13）。

不同月份四種方法的各種誤差波動趨勢基本一致（圖6）。1999年6—9月和2018年5—8月太陽總輻射較高，其MRE總體上位于全年最低（MAE、RMSE全年最大），全年太陽總輻射最低時（1月、2月、11月、12月）MRE最大，表明太陽總輻射值小的月份插值結果誤差更大。四種方法1999年太陽總輻射MRE月均值為5%—6%，平均5.64%；年尺度MRE為4%—5%，平均4.60%。2018年MRE月均值5%左右，平均5.19%；年尺度MRE為3%—4%，平均3.38%。四種方法插值精度均表現(xiàn)為年尺度優(yōu)于月尺度，表明研究區(qū)時間尺度越小結果誤差越大。

研究區(qū)2018年太陽總輻射最優(yōu)插值方法的年、月尺度基本均為ANUS，1999年雖為IDW，但值得注意的是四種方法差異極小。1999年月均值變化幅度MAE僅0.76 MJ、MRE僅0.37%、RMSE僅0.69 MJ（圖6），因此從誤差角度四種方法均可采用。但利用ANUS還可提供空間分布標準差、協(xié)變量誤差等一系列參數(shù)輔助判斷空間插值可靠性［10］，更重要的是它能同時對多個表面進行插值，尤其適合時間序列的氣象數(shù)據(jù)［32］，因此ANUS逐步成為空間插值的主要工具之一，越來越多地應用于山區(qū)［39］。

綜上，本研究太陽總輻射最優(yōu)插值模型采用ANUS方法。通過ANUS，太陽總輻射1999年的月、年尺度平均MRE分別為5.82%、4.60%，2018年分別為4.88%、3.03%。

圖6 1999年研究區(qū)太陽總輻射MAE（a）、RMSE（b）、MRE（c）和2018年太陽總輻射MAE（d）、RSME（e）、MRE（f）不同插值方法對比Fig.6 Comparison of MAE（a），MRE（b），and RSME（c）ofmonthly total solar radiation using different interpolation methods in 1999 and in 2018（d-f）

3 結論與討論

（1）1999年和2018年重慶山地區(qū)域三個要素插值誤差氣溫較小，太陽總輻射其次，降水量較大。三個要素插值精度均為年尺度優(yōu)于月尺度，但月尺度上氣溫和太陽總輻射精度在高值月份優(yōu)于低值月份，降水相反。氣溫和太陽總輻射最優(yōu)插值方法均為ANUS。該方法下氣溫1999年和2018年月均MRE分別為2.79%、3.2%，年尺度MRE分別為1.86%、2.03%；太陽總輻射1999年和2018年月均MRE分別為5.82%、4.88%，年尺度MRE分別為4.6%、3.03%。降水最優(yōu)插值方法為IDW，該方法下1999年和2018年月均MRE分別為17.42%、23.14%，年尺度MRE分別為6.87%、11.20%。

（2）由于氣象因素較復雜，插值精度多受插值范圍和插值方法的影響，插值方法的影響較為常見。任璇等［12］在新疆用90個站點7月平均降水量為指標進行插值時，發(fā)現(xiàn)ANUS精度比CK提高了46.78%，比IDW提高了56.77%；插值范圍即采用比研究區(qū)更大范圍內的氣象觀測數(shù)據(jù)通?？商嵘?。譚劍波等［10］通過ANUS利用2010年96個氣象站點對青藏高原東南緣1.1646×106km2范圍插值時年降水和年均溫MRE分別為18%、4%，本研究區(qū)與青藏高原東南緣地理、氣象條件相似，主要差別是比譚劍波等［10］研究的外延范圍更大，利用1999年163個氣象站點在3.615×105km2范圍插值時，年降水和年均溫MRE分別達7.67%、1.86%，精度提升明顯。可見，引入比研究區(qū)更大范圍的氣象觀測數(shù)據(jù)是一種提升插值精度的有效方法。

（3）本研究氣溫和太陽總輻射的最優(yōu)插值方法為ANUS，降水為IDW。究其原因，氣溫影響因素較多，以海拔和地形影響最顯著［40］，太陽總輻射在山區(qū)受地形起伏的影響顯著，占比可達20%—30%［41］。ANUS對氣溫和太陽總輻射插值時均將DEM作為協(xié)變量，加之自身特殊的模擬算法，因而插值結果表現(xiàn)最優(yōu)。降水空間異質性更明顯，不確定性更大［42］，一方面，降水隨機性較大，不同方法插值結果均不盡理想［33］；另一方面，降水與海拔關系復雜且不穩(wěn)定，部分區(qū)域兩者存在一定相關性［43］，部分區(qū)域卻無明顯關系［44］。本研究ANUS和CK均引入DEM，但結果精度并無優(yōu)勢，表明本區(qū)域海拔因素對降水相關性不強，因此不考慮地形因素的IDW，結果反而表現(xiàn)更優(yōu)。

（4）2018年較1999年多用了108個重慶區(qū)域站加密，結果表明加密后站點密度效應對氣溫和降水的響應程度差異較大。氣溫對密度效應響應微弱，年尺度上呈微弱正效應，MRE僅增加0.3%，月尺度上呈微弱負效應，月均MRE僅降低了0.2%。降水對密度效應的響應相對明顯且均為負效應，年、月尺度MRE降幅分別達3.12%、4.68%。這與鄭小波等［45］在西南山地研究結果一致，即用于插值的臺站相對過多時，不一定會提高降水插值精度，這與復雜山地降水場空間分布的連續(xù)性較差有關；彭紅蘭等［46］在三江源地區(qū)的研究也表明，對數(shù)據(jù)來源不一致的站點，數(shù)據(jù)質量控制不好會大大降低插值精度。重慶共有區(qū)域站2000余個，本次研究僅從監(jiān)測數(shù)據(jù)是否異常、缺測等數(shù)據(jù)“可用性”方面選用了108個區(qū)域站，未從空間位置、海拔、坡向等對降水影響較大的因素綜合選取，加之降水事件自身隨機性大，引入重慶區(qū)域站可能導致精度下降。因此充分考慮數(shù)據(jù)自身質量，如何從影響降水的多個因素綜合選取區(qū)域站是其今后能否得到充分利用的關鍵。