高海拔地区TRMM降水数据空间降尺度分析与模拟——以拉萨河为例

达瓦次仁，赵珂珂，古 玉，罗霄雨，次旺顿珠

(1.西藏自治区水文水资源勘测局日喀则水文水资源分局，西藏 日喀则 857099；2.北京师范大学水科学研究院，北京 100875；3.西藏自治区水文水资源水资源勘测局拉萨水文分局，西藏 拉萨 850032)

目前，高海拔山区约占全球陆地面积的1/4以上[1]，主要分布在高纬度和高海拔地区，气候寒冷，生态脆弱，对气候变化极为敏感[2]，高海拔区域已成为水文学、生态学和大气科学等研究的热点地区[3]。拉萨河是世界上海拔最高的河流之一，流域内海拔最高为7 112 m，超过4 500 m区域的面积有2.6万km2，占流域总面积的80%，流域内及周边有13个水文、气象站点，且均在海拔4 300 m以下(图1)。流域内大部分区域实测降水数据缺乏，借助卫星遥感数据可弥补传统气象观测的不足。国内外对各种遥感降水数据精度进行过评价，大多认为由美国NASA和日本JAXA联合发起的热带降雨测量任务(The Tropical Rainfall Measuring Mission，TRMM)开发的多卫星降水分析产品TMPA(TRMM Multi-satellite Precipitation Analysis)是同期精度最优的遥感降水估算数据[4-5]。

图1 拉萨河流域位置和站点分布

TMPA遥感降水估算产品受限于TRMM卫星所携带的降水雷达和微波成像仪的性能，最小空间分辨率为0.25°×0.25°，原始的TMPA恐难满足对中小流域的降水相关研究，一般要对其进行降尺度处理[6-8]。常用的降尺度方法分为统计降尺度和动力降尺度2种，动力降尺度是利用全球模式嵌套区域细网格模式得到局地大气结构的降尺度方法[9-10]，而统计降尺度的核心思想是利用经验方法构建大尺度变量与区域变量之间的线性或非线性关系，进而进行尺度间的转化[11]。Immerzeel等[12]建立了归一化植被指数NDVI和TRMM降水的最优指数回归模型，获得了利比亚半岛精度良好的1 km分辨率的年降水量数据。Duan等[13]通过建立NDVI与TRMM数据的二次多项式方程，构建了全局降尺度模型，并且加入站点实测数据对降尺度结果进行标定，在此基础上建立了月与年降水量的比例关系，实现对湿润和半干旱地区的月降水量数据的降尺度。Jia等[14]在Immerzeel研究的基础上，引入了高程因子，建立了TRMM数据与DEM及NDVI的多元回归关系。近年来机器学习算法也越来越多的应用到遥感降水的空间统计降尺度研究中[15-17]，为区域降水资料的获取提供了创新性的方法。本文用NDVI来反映植被的生长状态，构建降水与NDVI和流域温度的多元线性关系，从而基于高空间分辨率的NDVI产品和温度产品进行遥感降水的降尺度。

1 研究区概况

拉萨河位于西藏地区的中南部，雅鲁藏布江中游的左岸，流域在东经90°05′～93°20′、北纬29°20′～31°15′。拉萨河流域的海拔范围是3 481～7 112 m,拉萨河全长为551 km，是雅鲁藏布江最大的支流，流域面积3.3万km2，年均温5.3℃，1月平均气温0℃，7月平均气温17℃，极端气温-14℃和31℃；年温差小，日温差较大，辐射强度大。年均降雨量400～500 mm，受印度洋暖湿气流影响降水多集中在夏季(5—9月)，冬季干旱。下游河谷地带是西藏政治、经济、文化核心地带。

2 数据与方法

研究采用的数据包括2001—2015年水文、气象站点实测降水数据、TRMM 3B43V7月降水数据、MOD13C2归一化植被指数和MOD11C3近地表温度。TRMM 3B43V7数据分辨率为0.25°×0.25°，MOD13C2和 MOD11C3是空间分辨率为0.05°×0.05°的MODIS陆地3级标准数据产品。

主要采用三元线性回归[18]和反距离权重[19]等统计降尺度方法，将分辨率为0.25°×0.25°的TRMM 3B43V7数据进行空间降尺度到0.05°×0.05°。利用实测降水数据对TRMM 3B43V7进行适用性分析，主要采用的评价指标为相关系数(r)和偏差(Bias)，计算式分别为：

(1)

(2)

(3)

计算结果见表1。站点海拔低于4 000 m时，TRMM 3B43V7的偏差值较大，4 000 m以上时，偏差值较小。基于实测降水量的计算得到的偏差(Bias)可知，TRMM 3B43V7高估研究区降水，约为29%(各站点偏差的平均值)。相关系数r均大于0.9，呈现出显著正相关关系。

表1 实测站点信息及其对应TRMM 3B43V7网格降水评价结果

将0.05°×0.05°的NDVI和MOD13C3地表温度数据，分别重采样到0.25°×0.25°。考虑到植被的生长对降水存在一定时间的滞后[20]，且在数据处理过程中发现，将月时间尺度的MOD13C2 NDVI。将TRMM3B43V7作为因变量，NDVI、考虑滞时的NDVI和地表温度作为解释变量，建立三元线性回归模型。图2为三元线性回归模型预测降水与遥感估测降水两者拟合度R2的空间分布，流域内90%以上的地区拟合度在0.6以上。

图2 三元线性回归模型拟合度的空间分布

三元线性回归模型的4个主要参数是NDVI的系数、考虑滞时的NDVI的系数、地表温度的系数和截距，为常数。图3为采用反距离权重法插值得到的空间分辨率为0.05°×0.05°的3种模型参数的分布。归一化植被指数NDVI的数值范围始终在[-1，1][21]，用来反演高数值量级降水时的系数会较大，但无论是NDVI的系数还是考虑滞时的NDVI的系数，数值都集中在[0，400]，较大或较小值所占的面积比例较小。对于数值较大的气温变量来说，系数相对较小。

a)NDVI系数

b)考虑滞时NDVI的系数

c)温度系数

3 结果分析

通过构建的三元线性回归模型，可得到拉萨河流域0.05°×0.05°的降尺度降水数据，见图4。海拔5 500 m以上区域，植被覆盖度低，多年平均NDVI值小于0.1。高海拔地区在圆圈中所占面积较小，邻近网格海拔急速降低，且植被长势相对较好，因此，出现局部NDVI系数非渐进变化即突变的情况，导致圆圈区域降水量变化幅度大。另外，反距离权重法作为全局插值算法，会出现“孤岛”状况。实际上，海拔5 500 m以上区域仅占流域面积的6%，且由图3可看出，相对低海拔地区网格参数变化较小，降尺度结果可信度较强。

用实测站降水数据来评价TRMM 3B32V7降尺度结果(表2)。与表1相比，降水与实测站数据的相关系数有所减小，但幅度不大，整体正相关性较好。偏差值虽有所减小，但局部也有增大现象。

图4 2001—2015年降尺度TRMM多年平均降水量

表2 TRMM 3B32V7降尺度后的评价结果

根据实测降水数据进行修正后的TRMM降尺度结果见图5、6。最终得到的降水产品也存在局部极端降水的情况，但所占面积比例较小，且大部分出现在NDVI值较小的区域，即海拔5 500 m以上的区域。流域内年平均降水在300～500 mm和500～800 mm之间的网格占比最大，降尺度结果较为可信。

a)拉萨水文站

b)拉萨气象站

c)旁多

d)唐加

e)羊八井

f)当雄

g)墨竹工卡

图6 修正后的多年平均降水结果(mm)

4 结论

此研究基于对高海拔山区-拉萨河流域的高分辨率降水数据的需求，构建了原始分辨率为0.25°×0.25°的全球降水产品TRMM 3B43V7遥感降水估值与NDVI 、考虑滞时的NDVI和地表气温三者之间的回归模型，通过将模型参数进行插值降尺度，进而得到研究区分辨率为0.05°×0.05°TRMM 3B32V7降尺度降水产品。在研究过程中主要得到以下结论。

a)根据偏差计算，拉萨河流域内TRMM 3B43V7降水量超出实测降水29%，但其与实测降水有较高的正相关关系，在该流域有较好的应用。

b)NDVI、考虑滞时的NDVI和温度3种因子作为解释变量，建立TRMM 3B43V7降尺度模型，在研究区得到较好的应用结果。

c)在高海拔且高程变化较大的区域，降尺度结果存在较大的不确定性。但在地表植被覆盖较好的区域，降尺度结果较为可信。