《表1 贵州省典型年份TRMM降水量及TRMM降尺度降水量与观测降水量的验证指标Tab.1 Validation indicators between TRMM precipitation, Pcal

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于GWR模型的贵州喀斯特山区TRMM 3B43降水资料降尺度分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

利用GWR方法对贵州地区2001—2015年的TRMM降水数据进行降尺度，精度总体上较高，误差也得到进一步降低，但在降水偏多的空间和时间尺度上仍存在较大误差（图6、表1）。以往研究表明，降尺度算法的性能可以由2个因素确定:（1）回归模型用重新采样的地表参数解释卫星降水数据集的能力；（2）原始卫星降水数据集的准确性[17-19]。考虑到GWR方法尝试通过局部回归参数来描述降水和地形起伏度之间的空间变化关系，在一些地区可以较好地根据重采样RDLS对原始TRMM进行回归预测。说明，如果TRMM可以被重采样的RDLS进行准确预测，TRMM的精度是GWR降尺度算法中的主要误差源，即TRMM传感器对降水的灵敏度、下垫面环境的复杂度和TRMM降水的反演算法精度。另外，Pcal的RMSE、MAE在典型年份的消长趋势与TRMM原始数据的消长趋势较为一致（表1），多年平均逐月降尺度误差曲线与原始数据误差曲线相关性较好（图8），均能在一定程度上说明TRMM的精度是GWR降尺度算法中的主要误差源。然而，尽管地形起伏度与降水的非平稳空间关系得到实现，但仍不能准确地模拟一些地区的降水。如图3（d）和图4（b）所示，GWR模型在某些地方产生了非常低的局部回归决定系数R2Local，表明该区域的降水与地形起伏弱相关或无关（在背风坡上地形起伏对降水的积极关系可能不存在）；除了隆升降水效应外，地形起伏对降水的另一重要影响是对空气流动的影响，这在该模型中无法充分体现；同时，诸如植被、温度等影响降水的因素尚未被考虑[34-35]，这些因素都不利于GWR降尺度模型的解释和预测能力，从而导致降尺度结果的不确定性。