云兆得，杜 飛，胡慶芳，2，王銀堂，2

（1.南京水利科學(xué)研究院水文水資源與水利工程科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210029；2.長江保護(hù)與綠色發(fā)展研究院，江蘇 南京 210098）

1 概述

降水是最基本的氣象水文要素，同時(shí)也是水循環(huán)和能量循環(huán)過程的關(guān)鍵要素，具有強(qiáng)烈的時(shí)空變異性［1］。然而基于現(xiàn)有觀測方式中所獲取的降水信息并不能完全準(zhǔn)確地展現(xiàn)降水時(shí)空分布特征，如地表雨量站網(wǎng)監(jiān)測，受限于雨量站空間分布和自身監(jiān)測情況等，無法表征降水空間的連續(xù)性和異質(zhì)性。天氣雷達(dá)、衛(wèi)星遙感反演等空間雨量監(jiān)測，盡管時(shí)空連續(xù)性更強(qiáng)，覆蓋范圍更廣，但局地誤差相對明顯，無法直接運(yùn)用于流域尺度研究中［2］。因此，國際上廣泛開展了降水融合研究，將遙感反演降水與地表站網(wǎng)雨量信息相融合。

目前，降水融合按照基本原理包括全局和局部融合2種方法。全局方法通常假定地表雨量與柵格降水之間的關(guān)系不隨空間位置的變化而改變，故其計(jì)算相對簡單，但融合結(jié)果較為平滑，在低時(shí)間尺度的降水融合中易丟失強(qiáng)降水信息，代表性方法主要有全局回歸法和平均偏差校正法［3］。然而受下墊面、降水類型等多重因素的影響，不同空間位置的遙感反演估計(jì)降水與地表雨量之間存在非平穩(wěn)空間關(guān)系，因此考慮空間非平穩(wěn)性的局部方法逐步發(fā)展成為主流融合技術(shù)。這類融合技術(shù)主要涉及了地質(zhì)統(tǒng)計(jì)學(xué)［4］、最優(yōu)插值［5］等方法，通過考慮多元影響變量（經(jīng)緯度、高程等）對“真實(shí)”空間降水進(jìn)行估計(jì)［6］。

江蘇省太湖流域受梅雨、臺風(fēng)和局地性強(qiáng)對流天氣影響，汛期暴雨多發(fā)，獲取長時(shí)間序列高精度的空間降水信息有利于對流域降水過程的認(rèn)識。本文采用普通克里金法（Ordinary Kriging，OK）［7］空間降尺度處理后的MSWEP日降水?dāng)?shù)據(jù)作為背景場，開展了基于地理加權(quán)回歸（Geographically Weighted Regression，GWR）［8］方法的MSWEP與地表站網(wǎng)雨量資料的降水融合研究。解析降水融合數(shù)據(jù)相對于原始MSWEP數(shù)據(jù)的精度改善情況，分析降水融合數(shù)據(jù)對于降水空間變異性的刻畫能力。

2 研究方法

2.1 降水融合方法

本文采用OK方法將MSWEP的1979—2019年日降水?dāng)?shù)據(jù)的空間分辨率由0.1°×0.1°降尺度至0.01°×0.01°。OK方法假定空間降尺度柵格估計(jì)降水量與原始柵格降水量滿足一定關(guān)系，通過擬合計(jì)算求解權(quán)重系數(shù)，得到MSWEP降尺度雨量場。

以降尺度雨量場作為背景場，基于GWR方法構(gòu)建“加法模式”，開展了MSWEP與52個(gè)雨量站實(shí)測資料的降水融合，即對降水誤差場進(jìn)行估計(jì)，本文中選取經(jīng)度和緯度作為影響變量。后續(xù)計(jì)算中，采用AIC信息準(zhǔn)則法（Akaike Information Criterion）對帶寬進(jìn)行優(yōu)選，并通過Gauss截尾函數(shù)作為自適應(yīng)空間權(quán)函數(shù)計(jì)算權(quán)重。

2.2 精度評價(jià)方法

以地表雨量站觀測數(shù)據(jù)為基準(zhǔn)，采用分類指標(biāo)和定量指標(biāo)評價(jià)降水融合數(shù)據(jù)的精度。分類指標(biāo)用于反映數(shù)據(jù)對日降水事件是否發(fā)生的判別能力，定量指標(biāo)用于反映數(shù)據(jù)對降水量值的準(zhǔn)確性。

分 類指標(biāo)［9］包括 探 測 率POD（Probability of Detection）、誤報(bào)率FAR（False Alarm Ratio）和Heidke技巧評分HSS（Heidke Skill Score），取0.1 mm/d作為有雨或無雨的判斷閾值。定量指標(biāo)包括平均誤差ME（Mean Error）、平均絕對誤差MAE（Mean Absolute Error）、相對偏差RBIAS（Relative Bias）、絕對偏差A(yù)RBIAS（Absolute Relative Bias）、均方根誤差RMSE（Root Mean Square Error）和相關(guān)系數(shù)CC（Correlation Coefficient）。

3 研究區(qū)概況

3.1 研究區(qū)域

太湖流域位于長三角核心地帶，是著名的江南水鄉(xiāng)，地勢低洼，受梅雨、臺風(fēng)和局地性強(qiáng)對流天氣影響，汛期暴雨多發(fā)。本文研究區(qū)域?yàn)樘饔虻慕K省部分，即“江蘇省太湖流域”。研究范圍包括蘇州、無錫、常州、鎮(zhèn)江市全部及南京市部分區(qū)域，面積約19 399 km2，約占整個(gè)太湖流域面積的52.6%。研究區(qū)域內(nèi)地形以平原為主，山丘區(qū)主要分布在茅山和宜溧山區(qū)一帶。根據(jù)地形和水系特征，研究區(qū)域又分為湖西區(qū)、武澄錫虞區(qū)、陽澄淀泖區(qū)和太湖區(qū)4個(gè)水利分區(qū)。

3.2 數(shù)據(jù)資料

（1）站點(diǎn)雨量。為保證地表逐日雨量資料的數(shù)據(jù)質(zhì)量，對數(shù)據(jù)連續(xù)性較差或日降水資料缺測較多的站點(diǎn)予以剔除，最后篩選了1979—2019年期間具有比較完整的日降水量記錄的52個(gè)雨量站點(diǎn)，單站平均控制面積約373 km2。

（2）MSWEP雨量。本文采用的MSWEP數(shù)據(jù)為2.0版本［10］。該數(shù)據(jù)時(shí)間分辨率為3 h，空間分辨率為0.1°×0.1°。由于地表站網(wǎng)觀測資料為日降水?dāng)?shù)據(jù)，先將MSWEP降水?dāng)?shù)據(jù)累加為日降水資料，然后再通過江蘇省太湖流域的流域邊界進(jìn)行掩膜提取得到。

4 結(jié)果分析

4.1 點(diǎn)尺度精度

為便于表述，本文將空間分辨率為0.1°×0.1°的MSWEP原始數(shù)據(jù)記作MSWEPOrigin，將降水融合數(shù)據(jù)記作MSWEPOK-GWR。首先從點(diǎn)尺度開展了MSWEPOrigin和MSWEPOK-GWR的精度評價(jià)。圖1和圖2分別為1979—2019年江蘇省太湖流域52個(gè)雨量站實(shí)測日降水量與其相應(yīng)空間位置的MSWEPOrigin和MSWEPOK-GWR柵格降水量及誤差散點(diǎn)圖。

由圖1（a）可知，MSWEPOrigin在江蘇省太湖流域顯著低估了降水，平均誤差、平均絕對誤差、均方根誤差分別為-0.2 mm、2.3 mm、7.0 mm，相對偏差和絕對偏差分別為-7.0%、71.0%。且MSWEPOrigin和站點(diǎn)雨量相關(guān)關(guān)系一般，方差解釋相對能力較弱，相關(guān)系數(shù)為0.7，R2僅為0.5。由圖2（a）可知，當(dāng)雨量站實(shí)測日降水量超過一定幅度時(shí)，MSWEPOrigin誤差與日降水量呈顯著負(fù)相關(guān)關(guān)系。而當(dāng)?shù)乇砣战邓繛榱銜r(shí)，由于MSWEPOrigin存在一定誤報(bào)，其誤差值可能也較大。故在江蘇省太湖流域，MSWEPOrigin對地表降水具備一定的解釋能力，但其誤差較為明顯，可能源于數(shù)據(jù)自身精度有限，也可能源于MSWEP柵格單元降水量和站點(diǎn)雨量空間尺度的不匹配性。

圖1 MSWEPOrigin和MSWEPOK-GWR與地表雨量的日降水量散點(diǎn)分布

圖2 MSWEPOrigin和MSWEPOK-GWR與地表雨量的日降水量誤差散點(diǎn)分布

相 較 于 圖1（a），圖1（b）中 經(jīng) 融 合 后 的MSWEPOK-GWR的定量精度得到了明顯的提升，總體上降低了對日降水量的低估程度，其中平均誤差、平均絕對誤差和均方根誤差指標(biāo)分別改善了0.2 mm、1.0 mm、2.7 mm，相對偏差和絕對偏差分別改善了8.0%、31.5%?？梢婋S著柵格和站點(diǎn)降水的匹配性增強(qiáng)，MSWEPOK-GWR的誤差削減顯著，同時(shí)MSWEPOrigin和實(shí)測日降水量的相關(guān)性和方差解釋能力也進(jìn)一步提升，相關(guān)系數(shù)和R2均達(dá)到0.80以上。盡管圖2（b）中兩者的負(fù)相關(guān)關(guān)系已不甚明顯，但是降水事件的誤報(bào)仍然存在。

進(jìn)一步研究雨量站相應(yīng)MSWEPOrigin和MSWEPOK-GWR柵格時(shí)序降水的分類和定量精度指標(biāo)，從中可知除異常值外，MSWEPOrigin相應(yīng)柵格的探測率為0.9～1.0，誤報(bào)率為0.3～0.4，技巧評分為0.5～0.7，可見MSWEPOrigin在江蘇省太湖流域?qū)τ杏晔录穆﹫?bào)率較小，然而對有雨事件的誤報(bào)率相對較高。相對于MSWEPOrigin，MSWEPOK-GWR相應(yīng)柵格的3種分類指標(biāo)并未得到明顯改善，其3種分類指標(biāo)分別介于0.9～1.0、0.2～0.5、0.4～0.8之間，說明采用這一降水融合方法可能無法有效改善降水分類指標(biāo)的精度。

定量精度指標(biāo)則恰恰相反，MSWEPOrigin的平均誤差、平均絕對誤差、均方根誤差分別為-0.4～0.0 mm、1.8～2.3 mm、5.5～7.7 mm，而MSWEPOK-GWR的3種指標(biāo)分別介于-0.2～0.2 mm、0.7～1.7 mm、2.7～4.6 mm，可見相較于前者，后者相應(yīng)柵格降水的定量誤差得到了不同程度的削減，整體水平提高較為顯著。MSWEPOrigin的相對偏差和絕對偏差分別為-12.9%～1.3%、57.4%～71.3%，而MSWEPOK-GWR分別為-5.5%～7.7%、21.6%～54.6%，且MSWEPOK-GWR的相對偏差和絕對偏差和中位數(shù)相較前者更接近于0，可見后者相應(yīng)柵格降水的偏差也得到一定的糾正。同時(shí)，相較于MSWEPOrigin，MSWEPOK-GWR的相關(guān)系數(shù)也由原始的0.70以上提升至0.87，相關(guān)程度進(jìn)一步增強(qiáng)。綜上，盡管MSWEPOK-GWR的分類指標(biāo)精度并未顯著提升，但實(shí)現(xiàn)了定量誤差的大幅削減和相關(guān)性提升。

4.2 雨量場對比

本文進(jìn)一步以1987年汛期單日降水的降水空間分布為例，解析降水融合數(shù)據(jù)對降水空間變異性的刻畫效果。由分析可知，1987年6月1日江蘇省太湖流域總體呈現(xiàn)降水由中部湖西區(qū)、武澄錫虞區(qū)和太湖區(qū)交界地區(qū)向四周遞減的空間格局。然而由于丟失部分強(qiáng)降水信息，降水空間分布無法表征這一特性，反而呈現(xiàn)了降水由西部湖西區(qū)到東部陽澄淀泖區(qū)逐漸降低的空間格局，這說明MSWEPOrigin對雨量場空間變異性的刻畫能力嚴(yán)重不足。在對站網(wǎng)雨量資料進(jìn)行融合過程中發(fā)現(xiàn)，MSWEPOK-GWR可有效融合兩者的信息，所刻畫的雨量場更加接近真實(shí)情況，突顯了降水空間分布特性，并且相對于MSWEPOrigin，MSWEPOK-GWR的雨量場更為連續(xù)和細(xì)化。

5 結(jié)語

通過開展1979—2019年江蘇省太湖流域的MSWEP與地表站網(wǎng)日降水資料的融合研究，解析了降水融合數(shù)據(jù)較MSWEP原始數(shù)據(jù)的精度改善情況。

（1）MSWEP對江蘇省太湖流域日降水量總體上存在低估現(xiàn)象，雨量場空間變異性的刻畫能力嚴(yán)重不足，平均絕對誤差、相關(guān)系數(shù)等各項(xiàng)定量精度指標(biāo)較差，方差解釋能力相對較弱。

（2）MSWEP日降水與站網(wǎng)降水融合后，雨量場更為連續(xù)和細(xì)化，空間變異性刻畫能力明顯增強(qiáng)，誤差大幅減小，與地表雨量的相關(guān)性也顯著增強(qiáng)，各項(xiàng)定量指標(biāo)精度均得到顯著提升。

（3）降水融合數(shù)據(jù)的探測率和誤報(bào)率等分類精度指標(biāo)，特別是日降水事件的誤報(bào)率情況還需進(jìn)一步改善。

本文僅開展考慮經(jīng)度和緯度2種影響變量的非連續(xù)性日降水融合研究，今后有必要在此基礎(chǔ)上繼續(xù)開展考慮下墊面等影響要素的單日及小時(shí)以下尺度的連續(xù)性降水融合研究，以進(jìn)一步提升降水融合數(shù)據(jù)的精度水平。