论文部分内容阅读
摘 要：基于黄河源区17个气象站1998—2015年逐日降水量资料，分析多源卫星降水数据（TMPA、RT、CMORPH和PERSIANN）在該地区的适用性，并在此基础上评估TMPA数据在水文模拟应用中的潜力。结果表明：PERSIANN数据精度最低，其次为CMORPH和RT，TMPA数据精度最高，其中PERSIANN和RT数据在该地区存在高估降水量的问题。利用气象站插值降水量和唐乃亥水文站1998—2013年逐月径流资料对分布式水文模型（VIC模型）进行参数率定，在此基础上采用精度最高的TMPA数据驱动VIC模型，进一步验证了TMPA在黄河源区分布式水文模拟应用中具有较高潜力，TMPA模拟的径流过程与基于地面气象站插值降水量模拟的径流过程精度基本相当。
关键词：TMPA;RT;CMORPH;PERSIANN;黄河源区
Abstract：The applicability of various remote sensing satellite precipitation data （TMPA， RT， CMORPH and PERSIANN） was estimated based on the daily precipitation data of 17 rainfall stations in the period of 1998-2015 for the source region of the Yellow River. The result shows that the data precision of TMPA is the highest， then is followed by CMORPH， RT and PERSIANN. Among the four datasets， PERSIANN and RT have a problem of overestimating precipitation in this area. Based on the measured rainfall and the observed streamflow of Tangnaihai Hydrometric Station from 1998 to 2013 and interpolated precipitation of weather station， the parameters of distributed hydrological model （VIC model） were determined. Then， the performance of the TMPA data was further verified. The result shows that TMPA has high potentiality for hydrological model. Based on the distributed hydrological model， the performance of the TMPA data is equivalent to that by using actual precipitation.
Key words： TMPA; RT; CMORPH; PERSIANN; source region of Yellow River
青藏高原地区地处我国西南部，是长江、黄河、澜沧江、怒江、雅鲁藏布江等的发源地，被称为“亚洲水塔”[1]。受地形、气候等条件的影响，青藏高原气象站点稀疏且分布极不均匀，这给青藏高原的水资源研究带来了极大挑战，而流域水文模型可通过有限实测降水数据反演径流过程。
在流域水文模拟中，降水是影响模型模拟精度的重要因素之一，模型的空间降水量输入主要是根据气象站实测雨量通过某一插值方法确定，但雨量站点的设立往往受地形、气候、经济、社会等方面的影响，观测到的雨量信息并不能完全代表流域降水特征。随着科技的飞速进步及计算机软硬件的发展，通过卫星探测云层信息反演的遥感卫星降水数据逐步被应用[2]，相对于单点观测数据，卫星降水数据具有时间和空间分辨率高、覆盖面积广的特点，虽然卫星降水数据是利用反演方式推求的，与实际降水仍存在一定的偏差，但其对缺乏资料流域的水文过程模拟与验证仍然具有十分重要的意义。
笔者以青藏高原气象站点分布相对较多且较为均匀的黄河源区为研究对象，基于实测降水资料，评估4种遥感卫星降水数据（TMPA、TRMM RT、CMORPH和PERSIANN）在黄河源区的适用性，以精度较高的遥感卫星降水数据结合分布式水文模型（VIC模型）评估其在黄河源区水文模拟中的应用。
1 研究区域、数据及方法
1.1 研究区域
黄河源区地理位置介于东经95.5°—104.1°、北纬32.1°—36.2°之间，地处青藏高原的东北部，流域平均高程在4 000 m以上，流域面积为121 972 km2。虽然其流域面积仅占黄河流域总面积的16.2%，但其产流量占流域总径流量的35%，是黄河流域重要的产流区，被称为“黄河水塔”。
1.2 数据资料及处理
本研究涉及的基础数据包括流域内及周边17个气象站点（见图1）逐日降水量资料、遥感降水数据（TMPA数据、RT数据、CMORPH数据、PERSIANN数据）和唐乃亥水文站逐月径流资料。
（1）气象站降水数据来自国家气象局，资料系列为1998—2015年。
（2）逐3 h TRMM 3B42V7（TMPA、RT）数据来自于NSAA（美国宇航局），资料系列分别为1998—2015年（TMPA）和2000—2015年（RT），空间范围为北纬50°—南纬50°、西经180°—东经180°，分辨率为0.25°×0.25°。TRMM数据融合包括DMSP（美国防卫气象卫星计划）上的微波成像专用传感器（SSMI）、Aqua卫星上的改进的微波扫描辐射器（AMSR）、NOAA系列卫星上的高级微波探测器（AMSU）以及TRMM本身自带的微波成像仪（TMI）等多个微波数据源，数据质量相对较高。其中TMPA数据基于气象站月降水数据进行了修正，而RT则无修正。基于3 h数据逐网格累计平均得到研究区域日、月和年降水数据。 （3）逐3 h CMORPH（V1.0）数据来自于NOAA（美国海洋与大气管理局），资料系列为1998—2014年，数据空间范围为北纬60°—南纬60°、西经180°—东经180°，分辨率为0.25°×0.25°。虽然其数据源与TRMM大致相同，但其是根据红外降水数据建立的数值模型，利用微波数据进行空间插值获得的，降水的时间和空间分布取决于微波反演数据，并不依赖于红外数据的数值，其对红外降水信息的利用方式更为间接也更为复杂。逐日、月和年数据处理方法同上。
（4）逐3 h PERSIANN数据也来自于NOAA，资料系列为2000—2015年，空间范围为北纬60°—南纬60°、西经180°—东经180°，分辨率为0.25°×0.25°。PERSIANN数据属于热红外/可见光（IR/VIS）数据，数据源与TRMM近似，利用人工神经网络，以TMI、SSMI和AMSU等微波数据对模型参数进行率定，以热红外数据（IR）驱动模型反演出一套数据。逐日、月和年数据处理方法同上。
（5）唐乃亥站水文资料来自黄委水文局，资料系列为1998—2013年。
為与卫星数据进行比较分析，且方便驱动水文模型，基于17个气象站降水资料，采用反距离插值法将单站雨量数据插值至网格，并由逐日雨量逐步累加至逐月和逐年。
1.3 研究方法
采用统计学方法（相关系数CC和相对误差Er）评估卫星降水数据的精度，并利用气象站观测降水量和唐乃亥站实测径流量率定VIC模型参数，在此基础上评估卫星降水对流域径流模拟的精度（模型精度评价采用纳什效率系数NSE和相对误差Er），各评判指标的计算公式如下：
1.4 VIC模型
VIC模型是由华盛顿大学研发的一种基于参数空间格网化的分布式水文模型[3]。该模型既考虑了大气、植被、土壤之间的物理交换过程，反映土壤、大气和植被之间的水热状态变化和水热传输，又考虑了次网格植被、土壤分布不均匀性对产汇流的影响，弥补了传统水文模型对热量过程描述不足的问题。VIC模型是目前主要水文模型中考虑寒区水文特性（冻土、积雪）比较全面的综合性水文模型之一，近年来在水文模拟[4]、水资源管理[5]、气候变化[6]、水文预报[7]以及再分析降水资料在水文模拟中的应用[8]等方面得到了广泛的应用，具有很高的灵活性和适用性。
模型构建所需的植被数据来自美国马里兰大学发布的植被数据库（空间分辨率1 km×1 km），土壤数据来自联合国粮农组织发布的全球土壤数据库（空间分辨率为1/12°×1/12°）。
综合考虑计算机计算能力和运行时间，且考虑后期气候模式的运行，搭建黄河源区（1/12）°×（1/12）°模型架构。当采用卫星降水驱动模型时，采用邻近网格法将卫星降水网格数据的空间分辨率（0.25°×0.25°）转换为（1/12）°×（1/12）°。
2 结果分析
2.1 降水特征统计分析
图2为黄河源区多源卫星降水和气象站插值降水多年平均降水量的空间分布。从图2中可以看出，基于气象站插值的年降水量具有显著空间不均匀性，呈现自东南向西北逐渐减少的趋势，东南部年降水量超过600 mm，而在西北部年降水量仅在200～300 mm之间。与气象站插值降水空间分布相比，各卫星降水数据的空间分布存在较大差异，CMORPH和TMPA能够较好地展现流域降水自东南向西北逐渐减少的趋势，但在西部地区CMORPH低估气象站插值降水，其年降水量仅在200 mm以下，而在东南地区两者略高估气象站插值年降水量;RT和PERSIANN年降水量空间变化较小，年降水量均在1 000 mm以上，远大于气象站插值的年降水量。
图3为不同降水数据在黄河源区的年际变化过程。CMORPH和TMPA数据，尤其是TMPA数据，降水过程与气象站插值降水的年际过程基本一致，Er仅为0.5%，CC可达0.99，虽然CMORPH基本能够重现气象站插值降水的年际变化过程，但在2006年及2012—2013年间差异较大，Er和CC分别为-8.2%和0.84;对于PERSIANN和RT数据而言，除2008年PERSIANN与气象站插值降水较为一致外，其他年份均远远高估降水量，Er均在85%以上。
图4为黄河源区多源降水数据季节分布。表1为不同降水数据在黄河源区季节和年降水量统计。从图4、表1可以看出，基于气象站插值的降水主要发生在夏秋季节，其降水量占全年降水量的79%，且降水自东南向西北逐步递减。就卫星降水而言，总体上卫星降水能够重现气象站插值降水在时间和空间上的变化趋势，但各数据间差异显著：CMORPH和TMPA在夏秋季节的精度较高，其CC值要高于冬春季，而PERSIANN和RT则反之;从降水量来看，除RT之外，CMORPH和PERSIANN存在夏季低于而秋冬季高于气象站插值降水量的现象，尤其是PERSIANN数据冬季的相对误差甚至在100%以上，对于RT数据而言，年内各季节降水量均高于气象站插值降水量，且春秋季的Er值大于夏冬季节。对于TMPA数据而言，无论是在年际还是年内，其精度均最高，能够较好重现气象站插值降水的年际和年内过程，TMPA多年平均降水量为531 mm，略高于气象站插值的年均降水量，相对误差为0.5%。究其原因可能是TMPA数据在RT数据的基础上基于实际月降水量进行了总量控制，在一定程度上能够反映实际发生的情况。
2.2 水文模型模拟评估
从4种卫星降水数据的评估结果来看，TMPA降水数据不论是在时间还是在空间上均能较好地重现气象站插值降水的变化过程，精度最高。因此，本节利用VIC模型进一步评估了TMPA数据在水文模拟应用中的潜力，其中VIC模型的参数由气象站插值降水驱动模型并以唐乃亥水文站实测逐月径流过程（1998—2013年）确定，进而利用TMPA数据驱动水文模型进一步评估基于TMPA数据的径流模拟精度。 图5为基于TMPA数据和气象站插值降水利用VIC模型模拟的逐月径流过程与唐乃亥实测月径流过程的对比。图6为黄河源区唐乃亥站模拟与实测径流年内过程。从图5、图6可以看出，黄河源区径流（1998—2013年）的年内过程呈“肥胖单峰型”，其中5—10月为丰水期，径流量占全年径流总量的79%，12月—次年3月为枯水期，仅占全年径流总量的21%。从模型模拟结果来看，模拟径流在5—6月均有不同程度的高估，而在7—9月则存在低估，但相对于利用气象站插值降水模拟的径流过程，基于TMPA数据模拟的精度在夏秋季节有所提高，相对误差分别由5.3%和3.2%降至2.1%和2.2%，而冬春季TMPA数据模拟的精度有所降低，相对误差分别由13.2%和10.7%升至22.8%和22%，但总体而言，TMPA数据基本上与基于气象站插值降水的模拟结果相当，NSE分别为0.85和0.82，Er分别为4.1%和2.9%。因此，TMPA数据在黄河源区具有良好的适用性，可为青藏高原其他资料匮乏的相似气候区的水文水资源研究提供一定的借鉴。
3 结 论
（1）多源卫星降水与地面气象站插值降水在时间和空间上的对比分析表明，PERSIANN和RT降水数据极大高估了降水量，而TMPA和CMORPH数据则接近气象站插值的年降水量。就总体精度而言，PERSIANN数据精度最低、TMPA数据精度最高。
（2）在模型参数一致的情况下，TMPA数据模拟的径流过程与气象站插值降水模拟的精度基本相当，在一定程度上能够重现实际径流的年际和年内变化过程，TMPA数据在径流模拟上具有较大的应用潜力。
参考文献：
[1] IMMERZEEL W W， VANBEEK L P H， BIERKENS M F P. Climate Change will Affect the Asian Water Towers[J].Science，2010，328：1382-1385.
[2] 刘元波，傅巧妮，宋平，等.卫星遥感反演降雨研究综述[J].地球科学进展，2011，26（11）：1162-1172.
[3] XU L， LETTENMAIER D P， WOOD E， et al. A Simple Hydrologically Based Model of Land Surface Water and Energy Fluxes for General Circu-Lation Models[J].Journal of Geophysical Research， 1994， 99（D7）： 14415-14428.
[4] 陈宏，尉英华，王颖，等.基于VIC水文模型的滦河流域径流变化特征及其影响因素[J].干旱气象，2017，35（5）：776-783.
[5] 朱悦璐，畅建霞.基于VIC模型构建的综合干旱指数在黄河流域的应用[J].西北农林科技大学学报（自然科学版），2017，45（2）：203-212.
[6] 金君良，何健，賀瑞敏，等.气候变化对淮河流域水资源及极端洪水事件的影响[J].地理科学，2017，37（8）：1226-1233.
[7] 吴志勇，郑宁，冒云，等.基于VIC模型和地貌单位线的中小水库入库预报研究[J].水电能源科学，2017，35（10）：21-24.
[8] 高瑞，穆振侠，彭亮，等.CFSR、ERA-Interim再分析降水数据在高寒山区径流模拟中的适用性[J].水电能源科学，2017，35（9）：8-12.
【责任编辑 张 帅】
关键词：TMPA;RT;CMORPH;PERSIANN;黄河源区
Abstract：The applicability of various remote sensing satellite precipitation data （TMPA， RT， CMORPH and PERSIANN） was estimated based on the daily precipitation data of 17 rainfall stations in the period of 1998-2015 for the source region of the Yellow River. The result shows that the data precision of TMPA is the highest， then is followed by CMORPH， RT and PERSIANN. Among the four datasets， PERSIANN and RT have a problem of overestimating precipitation in this area. Based on the measured rainfall and the observed streamflow of Tangnaihai Hydrometric Station from 1998 to 2013 and interpolated precipitation of weather station， the parameters of distributed hydrological model （VIC model） were determined. Then， the performance of the TMPA data was further verified. The result shows that TMPA has high potentiality for hydrological model. Based on the distributed hydrological model， the performance of the TMPA data is equivalent to that by using actual precipitation.
Key words： TMPA; RT; CMORPH; PERSIANN; source region of Yellow River
青藏高原地区地处我国西南部，是长江、黄河、澜沧江、怒江、雅鲁藏布江等的发源地，被称为“亚洲水塔”[1]。受地形、气候等条件的影响，青藏高原气象站点稀疏且分布极不均匀，这给青藏高原的水资源研究带来了极大挑战，而流域水文模型可通过有限实测降水数据反演径流过程。
在流域水文模拟中，降水是影响模型模拟精度的重要因素之一，模型的空间降水量输入主要是根据气象站实测雨量通过某一插值方法确定，但雨量站点的设立往往受地形、气候、经济、社会等方面的影响，观测到的雨量信息并不能完全代表流域降水特征。随着科技的飞速进步及计算机软硬件的发展，通过卫星探测云层信息反演的遥感卫星降水数据逐步被应用[2]，相对于单点观测数据，卫星降水数据具有时间和空间分辨率高、覆盖面积广的特点，虽然卫星降水数据是利用反演方式推求的，与实际降水仍存在一定的偏差，但其对缺乏资料流域的水文过程模拟与验证仍然具有十分重要的意义。
笔者以青藏高原气象站点分布相对较多且较为均匀的黄河源区为研究对象，基于实测降水资料，评估4种遥感卫星降水数据（TMPA、TRMM RT、CMORPH和PERSIANN）在黄河源区的适用性，以精度较高的遥感卫星降水数据结合分布式水文模型（VIC模型）评估其在黄河源区水文模拟中的应用。
1 研究区域、数据及方法
1.1 研究区域
黄河源区地理位置介于东经95.5°—104.1°、北纬32.1°—36.2°之间，地处青藏高原的东北部，流域平均高程在4 000 m以上，流域面积为121 972 km2。虽然其流域面积仅占黄河流域总面积的16.2%，但其产流量占流域总径流量的35%，是黄河流域重要的产流区，被称为“黄河水塔”。
1.2 数据资料及处理
本研究涉及的基础数据包括流域内及周边17个气象站点（见图1）逐日降水量资料、遥感降水数据（TMPA数据、RT数据、CMORPH数据、PERSIANN数据）和唐乃亥水文站逐月径流资料。
（1）气象站降水数据来自国家气象局，资料系列为1998—2015年。
（2）逐3 h TRMM 3B42V7（TMPA、RT）数据来自于NSAA（美国宇航局），资料系列分别为1998—2015年（TMPA）和2000—2015年（RT），空间范围为北纬50°—南纬50°、西经180°—东经180°，分辨率为0.25°×0.25°。TRMM数据融合包括DMSP（美国防卫气象卫星计划）上的微波成像专用传感器（SSMI）、Aqua卫星上的改进的微波扫描辐射器（AMSR）、NOAA系列卫星上的高级微波探测器（AMSU）以及TRMM本身自带的微波成像仪（TMI）等多个微波数据源，数据质量相对较高。其中TMPA数据基于气象站月降水数据进行了修正，而RT则无修正。基于3 h数据逐网格累计平均得到研究区域日、月和年降水数据。 （3）逐3 h CMORPH（V1.0）数据来自于NOAA（美国海洋与大气管理局），资料系列为1998—2014年，数据空间范围为北纬60°—南纬60°、西经180°—东经180°，分辨率为0.25°×0.25°。虽然其数据源与TRMM大致相同，但其是根据红外降水数据建立的数值模型，利用微波数据进行空间插值获得的，降水的时间和空间分布取决于微波反演数据，并不依赖于红外数据的数值，其对红外降水信息的利用方式更为间接也更为复杂。逐日、月和年数据处理方法同上。
（4）逐3 h PERSIANN数据也来自于NOAA，资料系列为2000—2015年，空间范围为北纬60°—南纬60°、西经180°—东经180°，分辨率为0.25°×0.25°。PERSIANN数据属于热红外/可见光（IR/VIS）数据，数据源与TRMM近似，利用人工神经网络，以TMI、SSMI和AMSU等微波数据对模型参数进行率定，以热红外数据（IR）驱动模型反演出一套数据。逐日、月和年数据处理方法同上。
（5）唐乃亥站水文资料来自黄委水文局，资料系列为1998—2013年。
為与卫星数据进行比较分析，且方便驱动水文模型，基于17个气象站降水资料，采用反距离插值法将单站雨量数据插值至网格，并由逐日雨量逐步累加至逐月和逐年。
1.3 研究方法
采用统计学方法（相关系数CC和相对误差Er）评估卫星降水数据的精度，并利用气象站观测降水量和唐乃亥站实测径流量率定VIC模型参数，在此基础上评估卫星降水对流域径流模拟的精度（模型精度评价采用纳什效率系数NSE和相对误差Er），各评判指标的计算公式如下：
1.4 VIC模型
VIC模型是由华盛顿大学研发的一种基于参数空间格网化的分布式水文模型[3]。该模型既考虑了大气、植被、土壤之间的物理交换过程，反映土壤、大气和植被之间的水热状态变化和水热传输，又考虑了次网格植被、土壤分布不均匀性对产汇流的影响，弥补了传统水文模型对热量过程描述不足的问题。VIC模型是目前主要水文模型中考虑寒区水文特性（冻土、积雪）比较全面的综合性水文模型之一，近年来在水文模拟[4]、水资源管理[5]、气候变化[6]、水文预报[7]以及再分析降水资料在水文模拟中的应用[8]等方面得到了广泛的应用，具有很高的灵活性和适用性。
模型构建所需的植被数据来自美国马里兰大学发布的植被数据库（空间分辨率1 km×1 km），土壤数据来自联合国粮农组织发布的全球土壤数据库（空间分辨率为1/12°×1/12°）。
综合考虑计算机计算能力和运行时间，且考虑后期气候模式的运行，搭建黄河源区（1/12）°×（1/12）°模型架构。当采用卫星降水驱动模型时，采用邻近网格法将卫星降水网格数据的空间分辨率（0.25°×0.25°）转换为（1/12）°×（1/12）°。
2 结果分析
2.1 降水特征统计分析
图2为黄河源区多源卫星降水和气象站插值降水多年平均降水量的空间分布。从图2中可以看出，基于气象站插值的年降水量具有显著空间不均匀性，呈现自东南向西北逐渐减少的趋势，东南部年降水量超过600 mm，而在西北部年降水量仅在200～300 mm之间。与气象站插值降水空间分布相比，各卫星降水数据的空间分布存在较大差异，CMORPH和TMPA能够较好地展现流域降水自东南向西北逐渐减少的趋势，但在西部地区CMORPH低估气象站插值降水，其年降水量仅在200 mm以下，而在东南地区两者略高估气象站插值年降水量;RT和PERSIANN年降水量空间变化较小，年降水量均在1 000 mm以上，远大于气象站插值的年降水量。
图3为不同降水数据在黄河源区的年际变化过程。CMORPH和TMPA数据，尤其是TMPA数据，降水过程与气象站插值降水的年际过程基本一致，Er仅为0.5%，CC可达0.99，虽然CMORPH基本能够重现气象站插值降水的年际变化过程，但在2006年及2012—2013年间差异较大，Er和CC分别为-8.2%和0.84;对于PERSIANN和RT数据而言，除2008年PERSIANN与气象站插值降水较为一致外，其他年份均远远高估降水量，Er均在85%以上。
图4为黄河源区多源降水数据季节分布。表1为不同降水数据在黄河源区季节和年降水量统计。从图4、表1可以看出，基于气象站插值的降水主要发生在夏秋季节，其降水量占全年降水量的79%，且降水自东南向西北逐步递减。就卫星降水而言，总体上卫星降水能够重现气象站插值降水在时间和空间上的变化趋势，但各数据间差异显著：CMORPH和TMPA在夏秋季节的精度较高，其CC值要高于冬春季，而PERSIANN和RT则反之;从降水量来看，除RT之外，CMORPH和PERSIANN存在夏季低于而秋冬季高于气象站插值降水量的现象，尤其是PERSIANN数据冬季的相对误差甚至在100%以上，对于RT数据而言，年内各季节降水量均高于气象站插值降水量，且春秋季的Er值大于夏冬季节。对于TMPA数据而言，无论是在年际还是年内，其精度均最高，能够较好重现气象站插值降水的年际和年内过程，TMPA多年平均降水量为531 mm，略高于气象站插值的年均降水量，相对误差为0.5%。究其原因可能是TMPA数据在RT数据的基础上基于实际月降水量进行了总量控制，在一定程度上能够反映实际发生的情况。
2.2 水文模型模拟评估
从4种卫星降水数据的评估结果来看，TMPA降水数据不论是在时间还是在空间上均能较好地重现气象站插值降水的变化过程，精度最高。因此，本节利用VIC模型进一步评估了TMPA数据在水文模拟应用中的潜力，其中VIC模型的参数由气象站插值降水驱动模型并以唐乃亥水文站实测逐月径流过程（1998—2013年）确定，进而利用TMPA数据驱动水文模型进一步评估基于TMPA数据的径流模拟精度。 图5为基于TMPA数据和气象站插值降水利用VIC模型模拟的逐月径流过程与唐乃亥实测月径流过程的对比。图6为黄河源区唐乃亥站模拟与实测径流年内过程。从图5、图6可以看出，黄河源区径流（1998—2013年）的年内过程呈“肥胖单峰型”，其中5—10月为丰水期，径流量占全年径流总量的79%，12月—次年3月为枯水期，仅占全年径流总量的21%。从模型模拟结果来看，模拟径流在5—6月均有不同程度的高估，而在7—9月则存在低估，但相对于利用气象站插值降水模拟的径流过程，基于TMPA数据模拟的精度在夏秋季节有所提高，相对误差分别由5.3%和3.2%降至2.1%和2.2%，而冬春季TMPA数据模拟的精度有所降低，相对误差分别由13.2%和10.7%升至22.8%和22%，但总体而言，TMPA数据基本上与基于气象站插值降水的模拟结果相当，NSE分别为0.85和0.82，Er分别为4.1%和2.9%。因此，TMPA数据在黄河源区具有良好的适用性，可为青藏高原其他资料匮乏的相似气候区的水文水资源研究提供一定的借鉴。
3 结 论
（1）多源卫星降水与地面气象站插值降水在时间和空间上的对比分析表明，PERSIANN和RT降水数据极大高估了降水量，而TMPA和CMORPH数据则接近气象站插值的年降水量。就总体精度而言，PERSIANN数据精度最低、TMPA数据精度最高。
（2）在模型参数一致的情况下，TMPA数据模拟的径流过程与气象站插值降水模拟的精度基本相当，在一定程度上能够重现实际径流的年际和年内变化过程，TMPA数据在径流模拟上具有较大的应用潜力。
参考文献：
[1] IMMERZEEL W W， VANBEEK L P H， BIERKENS M F P. Climate Change will Affect the Asian Water Towers[J].Science，2010，328：1382-1385.
[2] 刘元波，傅巧妮，宋平，等.卫星遥感反演降雨研究综述[J].地球科学进展，2011，26（11）：1162-1172.
[3] XU L， LETTENMAIER D P， WOOD E， et al. A Simple Hydrologically Based Model of Land Surface Water and Energy Fluxes for General Circu-Lation Models[J].Journal of Geophysical Research， 1994， 99（D7）： 14415-14428.
[4] 陈宏，尉英华，王颖，等.基于VIC水文模型的滦河流域径流变化特征及其影响因素[J].干旱气象，2017，35（5）：776-783.
[5] 朱悦璐，畅建霞.基于VIC模型构建的综合干旱指数在黄河流域的应用[J].西北农林科技大学学报（自然科学版），2017，45（2）：203-212.
[6] 金君良，何健，賀瑞敏，等.气候变化对淮河流域水资源及极端洪水事件的影响[J].地理科学，2017，37（8）：1226-1233.
[7] 吴志勇，郑宁，冒云，等.基于VIC模型和地貌单位线的中小水库入库预报研究[J].水电能源科学，2017，35（10）：21-24.
[8] 高瑞，穆振侠，彭亮，等.CFSR、ERA-Interim再分析降水数据在高寒山区径流模拟中的适用性[J].水电能源科学，2017，35（9）：8-12.
【责任编辑 张 帅】