TRMM卫星降水产品降尺度及其在湘江流域水文模拟中的应用

范田亿，张 翔，黄 兵，钱 湛，黄 略

TRMM卫星降水产品降尺度及其在湘江流域水文模拟中的应用

范田亿1,2，张 翔2，黄 兵1，钱 湛1，黄 略1

（1. 湖南省水利水电勘测设计规划研究总院有限公司，长沙 410007；2. 武汉大学水资源与水电工程科学国家重点实验室，武汉 430072）

高时空分辨率降水数据对准确刻画区域降水时空变化特征、精准模拟区域生态和水文过程具有重要的现实意义。以湘江流域为例，在考虑地理、地形和植被等多重要素的基础上，建立了基于地理加权回归法（Geographic Weighted Regression，GWR）的热带降雨测量卫星（Tropical Rainfall Measuring Mission，TRMM）降水降尺度模型，并采用比例指数法反演得到星地融合日降水Ⅰ、Ⅱ、Ⅲ三种产品，用来驱动土壤和水评估模型（Soil and Water Assessment Tool，SWAT），分析评估其在水文模拟中的应用潜力。结果表明：1）GWR降尺度后，在TRMM降水空间分辨率由0.25°提升至0.05°的同时，同气象站点观测月降水之间的决定系数（2）平均提升了0.33，均方根误差（RMSE）平均降低了43.30 mm，平均相对偏差（Average Relative Error，ARE）平均降低了38.71个百分点，表明该降尺度模型在湘江流域TRMM月降水降尺度研究中具有良好的适用性；2）与TRMM日降水量相比，星地融合日降水Ⅲ产品同气象站点观测日降水量的2提高了0.81，RMSE降低了10.27 mm，ARE降低了0.11个百分点，表明以气象站点观测日降水量作比例指数展布星地融合月降水是可行有效的；3）星地融合日降水Ⅲ产品在SWAT模型日、月径流模拟中的纳什效率系数最大，分别为0.79、0.93，相对误差最小，分别为0.12%、1.10%，水文模拟效果最优，可替代气象站点和TRMM卫星降水进行水文模拟。研究结果可为气象站点稀缺区域的高精度降水资料获取和高效水文模拟提供数据支撑和方法借鉴。

降水；遥感；TRMM；GWR；比例指数法；降尺度；水文模拟

0 引 言

精准地掌握降水的时空变化特征和获取高精度、高时空分辨率的降水数据对提高水文、气象模型模拟精度具有重要的现实意义[1-2]。作为传统的观测手段，气象站点观测的降水数据精度最高，但由于站点数量有限且空间分布不均，尤其是在地形条件复杂的地区，在研究中往往以点代面，用离散的点数据插值到整个面，在产生较大误差的同时给模型模拟带来了极大的不确定性。随着遥感技术的发展，卫星测雨由于覆盖范围广、时空连续性好、不受下垫面条件的限制，成为获取降水数据的重要手段[3]。

经过多年的发展，多种卫星降水产品相继推出，如TRMM（Tropical Rainfall Measuring Mission）[4]、GPM（Global Precipitation Measurement）、GSMaP（Global Satellite Mapping of Precipitation）、CMORPH（Climate Predication Centre Morphing Technique）[5]及PERSIANN-CDR（Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record）[6]等，其中TRMM由于集成了多源卫星数据，其降水产品不仅时空分辨率较高，且具有不同时效性，得到了广泛的应用[7]。但该数据0.25°（25.7 km）的空间分辨率较低，且诸多研究表明TRMM卫星降水精度存在较大的不确定性[8-10]，而降尺度方法可以有效弥补这一劣势，成为近年来的研究热点之一。

TRMM降尺度研究的内容主要包括辅助变量的选取、降尺度方法的选取与改进。其中辅助变量的选取主要依赖高程（DEM）且/或归一化植被指数（Normalized Difference Vegetation Index，NDVI）[11-13]。降尺度方法可以分为线性和非线性两大类[1]，与非线性方法相比，线性方法更易操作、便于求解且计算量较小，常用的线性方法主要包括多元线性回归法[13]、地理加权回归法（Geographic Weighted Regression，GWR）[14]、偏最小二乘法[15]、主成分-逐步回归法[16]等。大多数TRMM降尺度研究均不同程度地提高了TRMM降水的空间分辨率，但时间分辨率大多停留在月甚至是年[14,17-18]，且缺少在水文模拟中的应用研究，数据精度有待进一步验证。

为此，本研究以湘江流域作为研究区，为尽可能全面地解释降水，选取经度、纬度、DEM、坡度、坡向和NDVI作为辅助变量，选取能较好地考虑预测、结果变量之间非平稳关系的GWR构建了降尺度模型[19]，并利用提出的多种比例指数克服了时间尺度下延的问题，生成多种高时、空分辨率的融合降水产品供SWAT（Soil and Water Assessment Tool）径流模拟，以期为更有效地进行流域水文预报、水资源规划、自然灾害防治工作提供技术和数据支撑[2]。

1 研究区概况

湘江隶属于长江流域的洞庭湖水系，是湖南省最大的河流，干流全长844 km，形成的流域介于110°51′～114°25′E，24°64′～28°56′N，是三面环山的长条形盆地，面积94 660 km2。流域内多是平原和丘陵，平均高程仅351 m，流域内DEM空间分布见图1。湘江流域夏季受西南、东南季风的影响，冬季受蒙古高压的控制[20]，光照充足、雨量丰沛，是典型的亚热带季风湿润气候，多年平均降水量高达1 450 mm，4－9月是全年降水的集中期，该时段降水量占全年降水量的70%左右，年平均气温介于17～20℃，多年平均径流量722×108m3，多年平均径流深815 mm[20]，多年平均蒸发量641 mm。

2 数据来源与研究方法

2.1 数据来源

2.1.1 气象站点数据

2006－2017年逐日气象站点数据（降水、温度、风速、湿度、日照时数）均来自国家气象科学数据中心（http://data.cma.cn/），站点分布情况见图1。

2.1.2 遥感数据

TRMM卫星降水产品是由美国Goddard中心提供的TRMM 3B42V7数据产品（https://disc.gsfc.nasa.gov/），是空间分辨率为0.25°×0.25°的逐日降水数据。NDVI数据采用NASA和美国地质调查局USGS共同构建的陆地产品分发中心LP DAAC网站上发布的MOD13A3v006版本的数据（https://lpdaac.usgs.gov/products/mod13a3v006/），是空间分辨率为1 km的逐月合成数据。DEM数据采用由美国航空航天局和国防部国家测绘局联合测量得到的空间分辨率为90 m的SRTM3数据（http://www.gscloud.cn/）。坡度和坡向数据由DEM数据在ArcGIS软件中生成。

2.2 降尺度方法

2.2.1 辅助变量的选取

降水作为大气过程的基本输出通量，受多种因素的影响，所以模型辅助变量的选取直接关系到降尺度效果。理想的辅助变量需要具备以下特征：一是与降水密切相关，能反映降水的变化[15]；二是空间分辨率小于0.05°，这是因为本文的目的是实现0.25°的TRMM卫星降水数据降尺度到0.05°（降尺度前后格点的空间分布图见图2）；三是获取途径快捷准确，且具有“面状数据”的特点和优势[21]。在以上选取原则的基础上，结合前人的研究成果[15,22]，从地理因素考虑，区域的经度越高，海陆距离会越小，发生降水概率越大，而纬度越低，温度和湿度会相对较高，区域更易产生降水[15]；从地形因素考虑，地形起伏可触发水汽对流活动，当低层水汽较为充沛时，地形能够促使水汽持续上升并控制暴雨中心的位置，从而形成丰沛的降水[22]；从植被因素考虑，水分是制约植被生长的关键要素，水分充足与否关系到植被的长势[15]。因此，选取影响降水分布和反映降水强弱的经度、纬度、DEM、坡度、坡向和NDVI六个因子作为降尺度模型的辅助变量。

2.2.2 因变量的选取

站点观测降水虽然分布不均匀、空间代表性不强，但观测精度最高，为最大限度地发挥站点观测数据的优势，将气象站点观测降水“嵌入”TRMM卫星降水网格中，即用气象站点观测的降水数据替代站点所在TRMM网格中的降水数据，形成一套“简单融合降水数据”作为降尺度模型的因变量。

2.2.3 降尺度模型的构建

诸多研究结果表明GWR在年、月尺度TRMM的空间降尺度研究中适用性较强[15,23]，所以本文选定GWR构建降尺度模型，将月尺度的TRMM卫星降水由0.25°提升至0.05°。GWR是一种变参数空间回归模型，其核心思想是通过局部加权最小二乘法估算每个位置因变量与自变量之间的参数来建立回归模型，GWR降尺度模型结构如下：

式中为研究区域降水格点的序号；为研究区内降水格点个数，在降尺度前=133，降尺度后=3 339；y为格点的简单融合降水量；(u,v)为格点的经纬度坐标；0(u,v)为格点的回归参数常数项；为辅助变量的序号；为辅助变量的个数；β(u,v) 为辅助变量在格点的回归参数系数项；x是格点处的辅助变量值；(u,v)为格点的残差。

GWR降尺度的具体步骤为：1）将辅助变量和简单融合降水量累加到月尺度；2）将月尺度辅助变量的空间分辨率分别重采样至0.25°和0.05°；3）将0.25°辅助变量和0.25°简单融合降水量代入公式（1）计算得到0.25°的回归参数系数项、常数项及残差，并将其重采样至0.05°；4）将0.05°辅助变量和对应的0.05°回归参数系数项、常数项和残差代回公式（1），得到降尺度结果即空间分辨率为0.05°的“星地融合月降水产品”。

2.2.4 比例指数法

采用比例指数法将星地融合月降水产品展布到日尺度[24]，具体步骤如下：1）计算 TRMM/简单融合/气象站点降水的逐日降水量占当月降水量的比例，并将其制成相应的矢量文件；2）采用反距离加权法（Inverse Distance Weight，IDW）对矢量文件进行插值，得到0.05°的比例矢量数据；3）用星地融合月降水量乘以TRMM/简单融合/气象站点的0.05°的比例矢量数据，分别得到星地融合日降水Ⅰ/Ⅱ/Ⅲ产品。对本文涉及到的所有卫星降水产品进行总结，结果见表1。

表1 卫星降水产品总结

注：TRMM为热带降雨测量卫星；GWR为地理加权回归法。下同。

Note: TRMM is tropical rainfall measuring mission; GWR is geographic weighted regression. Same as below.

2.3 精度评价方法

留一交叉验证法是一种没有任何前提假设、直接估计误差的模型精度验证方法，应用普遍、操作简单，行之有效[25]，本文以单个气象站的全部月降水数据为单元划分成15个样本，依次减少1个样本，使用剩余的样本作为训练样本进行GWR建模，然后代入该样本，估算该样本降尺度后的降水量，重复15次，得到15个气象站点处的星地融合月降水量。然后以气象站点观测降水量作为真值，提取气象站点所在网格处的卫星降水量，选取决定系数（2）、均方根误差（RMSE）和平均相对偏差（Average Relative Error，ARE）作为精度评价指标，分析星地融合月降水和星地融合日降水Ⅰ/Ⅱ/Ⅲ的精度。

选用相关系数（）、纳什效率系数（Nash-Sutcliffe Efficiency Coefficient, NSE）和相对误差（Relative Error, Re）作为目标函数，定量评价不同来源降水驱动下SWAT径流模拟效果。

2.4 SWAT模型建模

构建SWAT模型需要的土地利用和土壤类型数据分别采用中国科学院资源环境科学数据中心的2010年土地利用类型数据集（http://www.resdc.cn/）和寒区旱区科学数据中心的中国土壤数据集（v1.1）（http://data.casnw.net/portal/），降水数据分别是逐日气象站点观测降水量、TRMM卫星降水量、简单融合降水量和星地融合日降水Ⅱ、Ⅲ，气温、风速、湿度等数据直接从气象站获取。

利用长江水利委员会水文局提供的湘潭站2006－2017年逐日、逐月流量对SWAT模型进行率定和验证，预热期为2006－2008年，率定期为2009－2014年，验证期为2015－2017年。以、NSE和Re作为评价模型模拟效果的目标函数，一般认为，≤0.60时，一致性较差；0.60<≤0.80时，一致性良好；>0.80时，一致性很好；0≤NSE≤0.54时，拟合程度较低；0.540.65时，拟合程度很高；15%<|Re|≤25%，系统偏差较大；10%<|Re|≤15%，系统偏差较小；|Re|≤10%，系统偏差很小[26]。

3 结果与分析

3.1 降水精度评估

3.1.1 月降水量精度评估

图3是GWR降尺度前、后TRMM月均降水量的空间分布情况。从图中可知：1）TRMM卫星降水产品空间分辨率低，同一栅格覆盖面积较大，无法反映栅格内部降水的空间异质性，而降尺度后的TRMM降水产品空间分辨率得以大大提升，空间分布更加精细化，格点之间均匀过渡，分布光滑，能更好地刻画流域内降水的空间分布特征；2）整体上TRMM月均降水量在降尺度前、后的空间分布特征基本一致，呈现东北、西南部偏高和中部、北部偏低的空间分布特征，个别区域存在明显的差异，尤其是在南岳站、长沙站、株洲站和桂东站附近，这是由于用气象站点观测降水代替了所在TRMM网格处的降水再进行回归降尺度，而这些站点的观测月降水量明显高于TRMM网格处月降水量的缘故。

表2是GWR降尺度前、后TRMM月降水量的数据精度评价结果。从中可以看出，降尺度前所有月份的决定系数均大于0.38，表明TRMM月降水量与气象站点观测月降水量在各个月份均有较强的相关性。经GWR降尺度后，所有月份的决定系数均不小于0.80，与降尺度前相比，2平均提高了0.33，表明GWR降尺度可以显著提高所有月份的TRMM卫星降水量同气象站点观测降水量之间的相关程度。

表2 降尺度前后TRMM月降水量精度评价结果统计

注：ARE为平均相对偏差。

Note: ARE is average relative error.

从表2中可以看出，降尺度前1－12月的RMSE介于31.40～80.32 mm，表明TRMM月降水量的误差整体水平偏高，且RMSE较大值集中在4－9月，这是由于该时期是全年强降雨的集中期，而TRMM卫星雷达对强降水的信号捕捉能力较差[27]。经GWR降尺度后，RMSE介于4.03～12.83 mm，与降尺度前相比，RMSE平均降低了43.30 mm，其中4－9月的降低幅度更大，说明GWR降尺度可以在显著降低TRMM卫星降水误差整体水平的同时，弥补TRMM卫星对强降水捕捉不力的缺陷。

从表2中可以看出，降尺度前1－12月的ARE介于25.51%～63.02%，表明TRMM月降水量明显偏离气象站点降水量，而且冬季的ARE明显偏高，原因在于冬季的主要降水形式是降雪，而TRMM卫星难以捕捉降雪[28]。经GWR降尺度后，ARE介于2.31%～10.74%，与降尺度前相比，ARE平均降低了38.71个百分点，且冬季ARE偏高的现象得以有效改善，表明GWR降尺度可以显著减小TRMM卫星降水量对气象站点观测降水的偏离程度，同时有助于弥补TRMM卫星对冬季降雪捕捉不力的缺陷。

综上所述，考虑了多个陆表环境变量的GWR降尺度模型有助于弥补TRMM卫星降水对强降水、降雪捕捉不力的缺陷，能够显著提升TRMM卫星降水在月尺度方面的数据精度，适用性较好，其原因是植被、地理、地形等综合要素可以充分解释降水[1]，且GWR考虑了降水的空间异质性，将局部参数的拟合结果加权至采样点，建立了强鲁棒性的局部回归函数[21]。

3.1.2 日降水量精度评估

对多源日降水产品进行精度评估，结果见图4。从图4a可以看出，TRMM日降水量精度评价指标RMSE、ARE和2分别为12.83 mm、1.46%和0.14，表明虽然TRMM日降水量的误差整体水平不高，但相关性极弱，且线性拟合线明显位于1:1线下方，表明TRMM日降水量明显低估了气象站点日降水量。

星地融合日降水Ⅰ、Ⅱ、Ⅲ的数据精度评价结果见图4b～4d。对比图4a和图4b发现，星地融合日降水Ⅰ的数据精度与TRMM日降水量相比无明显改善，不予采纳。对比图4a和图4c、4d发现，星地融合日降水Ⅱ、Ⅲ的数据精度较TRMM日降水量有了较为明显的改善，2分别提高了0.54、0.81，RMSE分别降低了6.44、10.27 mm，ARE分别降低了0.17、0.11个百分点，表明以简单融合、气象站点观测降水作比例指数展布星地融合月降水产品的方法是可行的。

3.2 水文模拟效用评估

由于气象站点数量有限且分布不均，不能很好地刻画流域内降水的空间分布特征，所以单以气象站点观测降水数据作为真值对卫星降水数据进行精度评价存在一定的局限性[2]。而流域出口径流大小及径流过程不仅可以反映流域内降水量的多少，同时也可以反映流域内降水的时空分布特征[29]。此外，由于分布式水文模型在构建之初考虑了流域内下垫面和水文要素的空间异质性，所以本文分别用气象站点观测降水、TRMM卫星降水、简单融合降水和星地融合日降水Ⅱ、Ⅲ五种降水数据驱动SWAT模型，从日、月两个时间尺度对五种降水数据在湘江流域径流模拟中的适用性进行了评估，并间接检验其数据精度[30]。表3是不同降水产品驱动SWAT模型模拟湘潭站日、月径流时，相应的模型敏感性参数及其最佳值。

表3 SWAT敏感性参数及最佳值

注：参数CN2、SOL_AWC、SOL_K和SOL_BD对应数值为其参数变化百分比。

Note: The values corresponding to the parameters CN2, SOL_AWC, SOL_K, and SOL_BD refer to the relative change of each initial parameter value.

3.2.1 日径流的模拟效用评估

图5给出了五种降水驱动SWAT模型模拟湘潭站日径流与实测日径流过程曲线，并进行了数据精度评价。从中可以看出，气象站点观测降水、TRMM卫星降水、简单融合降水、星地融合日降水Ⅱ、Ⅲ驱动SWAT模型模拟日径流得到的均大于0.80，NSE均大于0.65，表明五种降水模拟的日径流与实测日径流过程的一致性和吻合程度非常高，均可以很好地反映实测日径流的多年变化特征，但气象站点观测和星地融合日降水Ⅲ的NSE最大，反映了这两种降水数据的拟合结果最优。气象站点观测降水、TRMM卫星降水、简单融合降水、星地融合日降水Ⅱ、Ⅲ驱动SWAT模型模拟日径流得到的Re依次是11.27%、6.86%、6.73%、−1.70%和0.12%，表明与实测日径流相比，五种降水的径流模拟结果均存在不同程度的偏差，但星地融合日降水Ⅲ的偏离程度最小。综上所述，在日尺度下，星地融合日降水Ⅲ的径流模拟效果最优，可替代气象站点和TRMM降水进行日尺度的水文模拟。

3.2.2 月径流的模拟效用评估

图6给出了湘潭站的实测月径流和五种降水驱动SWAT模型模拟的月径流曲线，并进行了模拟结果精度评价。从图中可以看出，气象站点观测降水、TRMM卫星降水、简单融合降水、星地融合日降水Ⅱ、Ⅲ驱动SWAT模型模拟月径流得到的都接近1，NSE均大于0.65，表明在月尺度下，五种降水的模拟结果均可以很好地捕捉实测径流过程曲线的变化特征，但简单融合降水和星地融合日降水Ⅲ的NSE最大，拟合效果最好。气象站点观测降水、TRMM卫星降水、简单融合降水、星地融合日降水Ⅱ、Ⅲ驱动SWAT模型模拟月径流得到的Re分别为7.07%、1.73%、1.25%、−1.94%和1.10%，表明与实测月径流相比，五种降水的径流模拟结果均存在不同程度的偏差，但星地融合日降水Ⅲ的偏离程度最小。综上所述，在月尺度下，星地融合日降水Ⅲ的径流模拟效果最优，可替代气象站点和TRMM降水进行月尺度的水文模拟。

4 讨 论

本文利用GWR和比例指数法不仅大幅提高了TRMM卫星降水数据的空间分辨率和数据精度，还成功克服了时间尺度下延的问题，但降尺度过程中重采样和插值方法也会产生误差，有待进一步对比分析[20]。本文将气象站点观测降水数据“嵌入”TRMM卫星降水中进行了空间降尺度，有效地发挥了站点观测降水数据精度高的优势，丰富了降水数据资料库。但由于收集到的气象数据资料有限，导致“嵌入”优势的渲染辐射范围受到一定的限制（图3）。此外。降尺度方法极大地依赖辅助变量的分辨度和精度，普适性有待进一步检验[31]。值得注意的是，各降水产品驱动的SWAT模型均在各自最优参数下进行校验（表3），因此，参数对模拟结果的补偿效应值得进一步分析[32]。

5 结 论

本文以湘江流域作为研究区，将气象站点观测降水“嵌入”热带降雨测量卫星（Tropical Rainfall Measuring Mission，TRMM）降水网格中，选取经度、纬度、DEM、坡度、坡向和归一化植被指数（Normalized Difference Vegetation Index，NDVI）作为辅助变量，构建了地理加权回归法（Geographic Weighted Regression，GWR）降尺度模型，并利用比例指数法生成多种高时、空分辨率的融合降水产品供土壤和水评估模型（Soil and Water Assessment Tool，SWAT）径流模拟，挖掘其在水文模拟中的应用潜力，结果表明：

1）月尺度上，TRMM卫星降水同气象站点观测降水之间的相关性较强，但误差整体水平偏高，尤其是在4－9月，且偏离程度较大，特别是在冬季；日尺度上，TRMM卫星降水同气象站点观测降水之间的相关性极弱，且TRMM卫星降水明显低估了气象站点观测降水，TRMM卫星降水在湘江流域的数据精度有待提升。

2）GWR在湘江流域TRMM卫星月降水的降尺度研究中具有良好的适用性，GWR降尺度后TRMM的空间分辨率由0.25°提高到0.05°的同时，数据精度也得到了大幅度的提升，2平均提高0.33，RMSE平均降低43.30 mm，ARE平均相对偏差（Average Relative Error, ARE）平均降低38.71个百分点，同时揭示出在月尺度上，地理、地形和植被等综合因素对降水具有良好的解释能力。

3）降尺度后，TRMM卫星月降水在4－9月的RMSE明显减小，冬季的ARE明显降低，表明考虑降水空间异质性的GWR降尺度模型有助于弥补TRMM卫星对降雪、强降水捕捉不力的缺陷。

4）星地融合日降水Ⅱ、Ⅲ产品的数据精度较TRMM有了较为明显的改善，2分别提高0.54、0.81，RMSE分别降低了6.44、10.27 mm，ARE分别降低0.17、0.11个百分点，表明以简单融合日降水量、气象站点观测日降水量作比例指数，对星地融合月降水量进行展布的方法可行有效。

5）星地融合日降水Ⅲ驱动SWAT模型模拟的径流与实测径流拟合程度最高、偏离程度最小，可替代气象站点和TRMM卫星降水进行日、月径流模拟，在为模型高效模拟径流带来了优质降水数据的同时，丰富降水数据资料库，还可为资料缺乏地区获得可靠的降水数据来源提供技术支撑。

[1] 宁珊，张正勇，刘琳，等. TRMM偏最小二乘降尺度降水模型在新疆不同地貌的适应性[J]. 农业工程学报，2020，36(12)：99-109.

Ning Shan, Zhang Zhengyong, Liu Lin, et al. Adaptability of precipitation estimation method based on TRMM data combined with partial least squares downscaling in different landforms of Xinjiang, China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(12): 99-109. (in Chinese with English abstract)

[2] 张华岩. 北江流域TRMM卫星与地面站点降水数据融合及径流模拟应用研究[D]. 武汉：华中科技大学，2019.

Zhang Huayan. Research on TRMM Satellite and Ground Precipitation Data Fusion and its Application to Runoff Simulation in Beijiang River Basin[D]. Wuhan: Huazhong University of Science and Technology, 2019. (in Chinese with English abstract)

[3] 李哲. 多源降雨观测与融合及其在长江流域的水文应用[D]. 北京：清华大学，2015.

Li Zhe. Multi-source Precipitation Observations and Fusion for Hydrological Applications in the Yangtze River Basin[D]. Beijing: Tsinghua University, 2015. (in Chinese with English abstract)

[4] Kummerow C, Barnes W, Kozu T, et al. The Tropical Rainfall Measuring Mission (TRMM) sensor package[J]. Journal of Atmospheric & Oceanic Technology, 1998, 15(3): 809-817.

[5] Joyce R J, Janowiak J E, Arkin P A, et al. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution[J]. Journal of Hydrometeorology, 2004, 5(3): 287-296.

[6] Sorooshian S, Hsu K L, Gao X, et al. Evaluation of PERSIANN system satellite-based estimates of tropical rainfall[J]. Bulletin of the American Meteorological Society, 2000, 81(9): 2035-2046.

[7] 王存光，洪阳. 卫星遥感降水的反演、验证与应用综述[J]. 水利水电技术，2018，49(8)：1-9.

Wang Cunguang, Hong Yang. Review on inversion, verification and application of satellite remote sensing of precipitation[J]. Water Resources and Hydropower Engineering, 2018, 49(8): 1-9. (in Chinese with English abstract)

[8] Su F, Hong Y, Lettenmaier D P. Evaluation of TRMM Multisatellite Precipitation Analysis (TMPA) and its utility in hydrologic prediction in the La Plata Basin[J]. Journal of Hydrometeorology, 2008, 9(4): 622-640.

[9] Semire F A, Mohd-Mokhtar R, Ismail W, et al. Ground validation of space-borne satellite rainfall products in Malaysia[J]. Advances in Space Research, 2012, 50(9): 1241-1249.

[10] Kenawy A M, Lopez-Moreno J I, McCabe M F, et al. Evaluation of the TMPA-3B42 precipitation product using a high-density rain gauge network over complex terrain in northeastern Iberia[J]. Global and Planetary Change, 2015, 133: 188-200.

[11] Immerzeel W W, Rutten M M, Droogers P. Spatial downscaling of TRMM precipitation using vegetative response on the Iberian Peninsula[J]. Remote Sensing of Environment, 2009, 113(2): 362-370.

[12] 马金辉，屈创，张海筱，等. 2001－2010年石羊河流域上游TRMM降水资料的降尺度研究[J]. 地理科学进展，2013，32(9)：1423-1432.

Ma Jinhui, Qu Chuang, Zhang Haixiao, et al. Spatial downscaling of TRMM precipitation data based on DEM in the upstream of Shiyang River basin during 2001－2010[J]. Progress in Geography, 2013, 32(9): 1423-1432. (in Chinese with English abstract)

[13] Jia S F, Zhu W B, Lyu A F, et al. A statistical spatial downscaling algorithm of TRMM precipitation based on NDVI and DEM in the Qaidam Basin of China[J]. Remote Sensing of Environment, 2011, 115(12): 3069-3079.

[14] Chen F R, Liu Y, Liu Q, et al. Spatial downscaling of TRMM 3B43 precipitation considering spatial heterogeneity[J]. International Journal of Remote Sensing, 2014, 35(9/10): 3074-3093.

[15] 杜军凯，贾仰文，李晓星，等. 基于TRMM卫星降水的太行山区降水时空分布格局[J]. 水科学进展，2019，30(1)：1-13.

Du Junkai, Jia Yangwen, Li Xiaoxing, et al. Study on the spatial-temporal distribution pattern of precipitation in the Taihang Mountain region using TRMM data[J]. Advances in Water Science, 2019, 30(1): 1-13. (in Chinese with English abstract)

[16] 范雪薇，刘海隆. 天山山区TRMM 降水数据的空间降尺度研究[J]. 自然资源学报，2018，33(3)：478-488.

Fan Xuewei, Liu Hailong. Spatial downscaling of TRMM precipitation data in Tianshan Mountains[J]. Journal of Natural Resources, 2018, 33(3): 478-488. (in Chinese with English abstract)

[17] Chen H, Guo J, Xiong W, et al. Downscaling GCMs using the Smooth Support Vector Machine method to predict daily precipitation in the Hanjiang Basin[J]. Advances in Atmospheric Sciences, 2010, 27(2): 274-284.

[18] 曾昭昭，王晓峰，任亮. 基于GWR模型的陕西秦巴山区TRMM降水数据降尺度研究[J]. 干旱区地理，2017，40(1)：26-36.

Zeng Zhaozhao, Wang Xiaofeng, Ren Liang. Spatial downscaling of TRMM rainfall data based on GWR model for Qinling-Daba Mountains in Shaanxi Province[J]. Arid Land Geography, 2017, 40(1): 26-36. (in Chinese with English abstract)

[19] Foody G M. Geographical weighting as a further refinement to regression modelling: An example focused on the NDVI-rainfall relationship[J]. Remote Sensing of Environment, 2003, 88(3): 283-293.

[20] Zeng Q, Chen H, Xu C Y, et al. Feasibility and uncertainty of using conceptual rainfall-runoff models in design flood estimation[J]. Hydrology Research, 2016, 47(4): 701-717.

[21] Chen C, Zhao S H, Duan Z, et al. An improved spatial downscaling procedure for TRMM 3B43 precipitation product using Geographically Weighted Regression[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(9): 4592-4604.

[22] 文迁，谭国良，罗嗣林. 降水分布受地形影响的分析[J]. 水文，1997(S1)：64-66.

[23] 李琼，魏加华，安娟，等. 基于地形因子的TRMM 3B43降水数据在黄河源区的融合校正研究[J]. 应用基础与工程科学学报，2018，26(6)：1147-1163.

Li Qiong, Wei Jiahua, An Juan, et al. Correcting the TRMM 3B43 precipitation over the source region of the Yellow River based on Topographical factors[J]. Journal of Basic Science and Engineering, 2018, 26(6): 1147-1163. (in Chinese with English abstract)

[24] Duan Z, Bastiaanssen W G M. First results from Version 7 TRMM 3B43 precipitation product in combination with a new downscaling-calibration procedure[J]. Remote Sensing of Environment, 2013, 131: 1-13.

[25] 范永东. 模型选择中的交叉验证方法综述[D]. 太原：山西大学，2013.

Fan Yongdong. A Summary of Cross-Validation in Model Selection[D]. Taiyuan: Shanxi University, 2013. (in Chinese with English abstract)

[26] 胡胜. 基于SWAT模型的北洛河流域生态水文过程模拟与预测研究[D]. 西安：西北大学，2015.

Hu Sheng. Simulation and Prediction Research of the Ecohydrological Process Based on SWAT Model in Beiluo River Basin[D]. Xi’an: Northwest University, 2015. (in Chinese with English abstract)

[27] 刘小婵. TRMM降水数据的空间降尺度研究[D]. 长春：东北师范大学，2015.

Liu Xiaochan. Spatial Downscaling of TRMM Precipitation Data[D]. Changchun: Northeast Normal University, 2015. (in Chinese with English abstract)

[28] 成业. 基于多时空分辨率降水数据的黄河源区径流模拟研究[D]. 北京：中国地质大学（北京），2017.

Cheng Ye. The Runoff Simulation Study in the Source Region of Yellow River Base on the Multiple Spatial and Temporal Resolution of Precipitation Data[D]. Beijing: China University of Geosciences (Beijing), 2017. (in Chinese with English abstract)

[29] 陈华，霍苒，曾强，等. 雨量站网布设对水文模型不确定性影响的比较[J]. 水科学进展，2019，30(1)：34-44.

Chen Hua, Huo Ran, Zeng Qiang, et al. Comparative study on the influence of rain-gauge network on the uncertainty of hydrological modeling[J]. Advances in Water Science, 2019, 30(1): 34-44. (in Chinese with English abstract)

[30] 孙乐强，郝振纯，王加虎，等. TMPA 卫星降水数据的评估与校正[J]. 水利学报，2014，45(10)：1135-1146.

Sun Yueqiang, Hao Zhenchun, Wang Jiahu, et al. Assessment and correction of TMPA products 3B42RT and 3B42V6[J]. Journal of Hydraulic Engineering, 2014, 45(10): 1135-1146. (in Chinese with English abstract)

[31] 赵娜，焦毅蒙. 基于TRMM降水数据的空间降尺度模拟[J]. 地球信息科学学报，2018，20(10)：20-27.

Zhao Na, Jiao Yimeng. Downscaling of TRMM satellite precipitation data[J]. Journal of Geo-information Science, 2018, 20(10): 20-27. (in Chinese with English abstract)

[32] 谭丽丽，黄峰，乔学瑾，等. TRMM在海河流域南系的降水估算精度评价及其对SWAT模型的适用性[J]. 农业工程学报，2020，36(6)：132-141.

Tan Lili, Huang Feng, Qiao Xuejin, et al. Evaluation of TRMM satellite-based rainfall data in southern Haihe River basin and suitability for SWAT model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(6): 132-141. (in Chinese with English abstract)

Downscaling of TRMM satellite precipitation products and its application in hydrological simulation of Xiangjiang River Basin

Fan Tianyi1,2, Zhang Xiang2, Huang Bing1, Qian Zhan1, Huang Lue1

(1.,,.,.,410007,; 2.,,430072,)

Precipitation data with a high temporal and spatial resolution is of great practical significance to accurately characterize the spatiotemporal changes of regional precipitation in ecological and hydrological processes. However, traditional meteorological station observations cannot meet the high requirements of data acquisition. The purpose of this research was to deal with the time-scale extension in Tropical Rainfall Measuring Mission (TRMM) downscaling, particularly for a higher spatial resolution of TRMM satellite precipitation products under continuous observation and wide coverage. A variable parameter spatial regression model, Geographic Weighted Regression (GWR), was selected for the spatial downscaling of annual and monthly TRMM. Specifically, the parameters were estimated between the dependent and the independent variables at each location via the local weighted least squares method. The study area was taken as the Xiangjiang River in the Dongting Lake water system of the Yangtze River Basin in Hunan Province of China. The specific procedure was as follows. The precipitation data of meteorological stations was first embedded into the TRMM satellite precipitation grid. Then the longitude, latitude, digital elevation models were selected, with the slope, aspect, and normalized difference vegetation index as auxiliary variables. Finally, a TRMM satellite precipitation downscaling model was established using GWR and multiple factors, such as geography, topography, and vegetation. In addition, a variety of scale indexes were used to invert for three products of satellite-ground fusion daily precipitation I, II, and III. The precipitation input data were selected to drive the SWAT distributed hydrological model, further to evaluate the application potential in hydrological simulation. The coefficient of determination, root mean squared error, and average relative error were used to quantitatively evaluate the accuracy of TRMM data before and after downscaling. Moreover, the relative error and Nash-Sutcliffe coefficient of efficiency were also used to quantitatively evaluate SWAT simulation. The results showed that the spatial resolution of TRMM precipitation increased from 0.25° to 0.05°, while the coefficient of determination between the monthly precipitation observed by the meteorological station increased by 0.33 on average, and the root mean square error decreased by 43.30 mm on average, and the average relative deviation decreased by 38.71 percentage points on average after the GWR downscaling, indicating excellent applicability in the TRMM downscaling. Compared with the TRMM daily precipitation, the coefficient of determination between the satellite-ground fusion daily precipitation III product and the meteorological station observation daily precipitation increased by 0.81, the root mean square error decreased by 10.27 mm, and the average relative deviation decreased by 0.11 percentage points, indicating that it was feasible and effective for the meteorological station observation daily precipitation as a proportional index to spread the satellite-ground fusion monthly precipitation. The satellite-ground fusion daily precipitation III product presented the largest Nash efficiency coefficient, the smallest relative error, and the best hydrological simulation effect in the soil and water assessment tool’s daily and monthly runoff. It infers to replace meteorological stations with the TRMM satellite precipitation for hydrological simulation. The finding can provide potential support to high-precision precipitation data acquisition and efficient hydrological simulation in scarce areas of meteorological stations.

precipitation; remote sensing; TRMM; GWR; proportional index method; downscaling; hydrological simulation

范田亿，张翔，黄兵，等. TRMM卫星降水产品降尺度及其在湘江流域水文模拟中的应用[J]. 农业工程学报，2021，37(15)：179-188.doi：10.11975/j.issn.1002-6819.2021.15.022 http://www.tcsae.org

Fan Tianyi, Zhang Xiang, Huang Bing, et al. Downscaling of TRMM satellite precipitation products and its application in hydrological simulation of Xiangjiang River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(15): 179-188. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.15.022 http://www.tcsae.org

2021-03-15

2021-07-05

国家重点研发计划项目（2019YFC0408901）；湖南省自然科学基金项目（2020JJ5316）

范田亿，助理工程师，研究方向为遥感水文。Email：1723257974@qq.com

张翔，博士，教授，研究方向为城市、生态水文。Email：zhangxiang@whu.edu.cn

10.11975/j.issn.1002-6819.2021.15.022

P339

A

1002-6819(2021)-15-0179-10