论文部分内容阅读
降水的季节性时空分布研究对东北地区的生态保护和农业生产具有重要意义。为获取高时空分辨率的降水分布,需对分辨率较低的TRMM产品做降尺度处理。因此,本文基于植被指数、地形因子与降水的相关性,采用深度学习、多元线性回归和随机森林三种算法构建模型,将2009—2018年10a平均1、4、7、10月TRMM 3B43产品降尺度至0.01°（约1km）,并填补TRMM未覆盖的50°N以上地区,获取东北地区季节性降水时空分布。最后本文使用站点实测数据进行精度校正,并研究降尺度模型预测降水在全国范围内的精度与适用性。研究主要结论如下:（1）深度学习降尺度模型预测降水相对实测降水的拟合度和精度要优于多元线性回归和随机森林,可有效获得东北地区各季节较高空间分辨率与精度的降水分布,模型整体拟合度和精度表现较好（R2=0.814～0.933,RMSE=2.389mm～16.98mm,MRE=10.16%～77.22%）。校正后全局降水精度进一步提升（R2=0.853～0.956,RMSE=0.931mm～16.20mm,MRE=7.782%～31.91%）,其中,基于高斯函数的普通Kriging插值法校正效果要优于IDW插值法,校正后降水能够更准确地反映研究区域内的降水空间分布。（2）深度学习降尺度模型在东北地区的预测精度有季节性差异,4月和10月模拟效果较好(R24月=0.933,R210月=0.907),1月和7月相对稍差(R21月=0.829,R27月=0.814)。通过降尺度模型填补了TRMM卫星原始数据未覆盖的50°N以上地区,结果发现由1月到10月,决定系数R2呈增大趋势,4、7、10月份的模拟精度相对较好,1月最差。对东北平原的模型精度进行研究,发现与东北地区全局精度相比,东北平原在1月份降尺度前后决定系数R2整体有提升,7月份降尺度前后精度略有下降。（3）全国各地理分区模型预测降水与站点降水的精度相比TRMM数据整体得到较大提升（R2平均提升23.4%,RMSE、MRE平均降低19.0%、16.6%）。在华中、西南地区适用性较好（R2=0.710～0.925）,各月模型在拟合度、偏差和相对误差上都有较好的表现和可靠度;华东、华南、东北地区模型降水季节性差异较大,华北和西北地区模型降水适用性相对较差,其中华北地区各月份模型拟合度一般,西北地区各月份模型误差较大。