基于机器学习与星地融合的西南高山峡谷区全球降水测量日降水产品降尺度研究

　　 摘要:

高质量的网格化降水数据对水文、气象和生态学等的研究至关重要。然而,高山峡谷区域因地形起伏剧烈、局地气候效应显著,导致降水空间分布复杂,同时受季风、水汽输送和地形影响,降水呈现明显的季节性和年际波动。因此,仅依赖稀疏站点插值得到的网格化降水数据可靠性不高。卫星降水产品虽能提供大范围观测,但分辨率低且存在偏差,无法直接应用于具有显著时空异质性的高山峡谷区。为此,融合站点观测数据对卫星降水产品进行降尺度已成为获取这些区域准确降水信息的有效方法。研究选择先利用站点数据对卫星降水产品进行校正,再通过随机森林(RF)、极限梯度提升树(XGBoost)和长短期记忆网络(LSTM)机器学习算法进行降尺度,最终将西南高山峡谷区全球降水测量(GPM)日降水产品的空间分辨率从0.1°提升至0.01°(约为1 km)。研究结果表明:(1)利用站点观测数据对GPM原始降水产品进行校正对降尺度研究具有积极作用;(2)3种降尺度结果均保留了GPM降水图原有的空间分布格局,显著改善了降水的空间细节,并且可以在不降低精度的情况下有效地提高降水产品的空间分辨率,整体精度为LSTM>RF>XGBoost>GPM;(3)地理位置(经度和纬度)和气象因子(水汽、LST和风向)是影响研究区域降水降尺度最重要的因素。研究为地形复杂且站点匮乏的地区提供了一种有前景的高质量网格化降水数据生成方案。