基于TRMM降水数据的空间降尺度模拟

本研究以黑河流域为例,通过在不同空间尺度上建立降水与影响因素的关系并选择最优尺度以此进行降尺度,建立了基于地理加权回归（GWR）与高精度曲面建模方法（HASM）相结合的跨尺度统计降尺度方法,对TRMM降水数据进行了降尺度模拟。最后,结合站点观测数据采用交叉验证法对降尺度结果进行了验证。结果表明,与传统的降尺度方法相比,考虑最优尺度的降尺度方法在一定程度上提高了降尺度结果的精度,同时表明对跨尺度过程中产生的误差进行修正可进一步提高结果精度。本研究所提出的方法可用于粗分辨率降水数据的降尺度模拟,可为站点稀疏地区或地形复杂地区高分辨率高精度降水数据的获取提供方法上的支持。     

结合TRMM数据的区域降水高精度曲面建模研究

高精度曲面建模方法（High Accuracy Surface Modeling, HASM）,从理论上解决了传统方法在插值过程中峰值削平和边界震荡等问题。其模拟精度相对于经典插值方法有很大提高,已成功应用于人口密度、土壤属性,以及气候要素等领域的空间制图。然而,由于地面气象站点数量和分布的限制,使得HASM仅依靠站点数据难以得到高精度的空间降水估计数据,因此,本文以地貌与气候类型复杂多样的我国中西部地区2010年年降水量空间分布模拟为例,采用混合插值法进行HASM区域降水模拟。结果表明,TRMM作为背景场的HASM模拟的年降水量精度,在全局和局部明显优于IDW、Spline和Kriging等经典插值方法的结果,作为背景场的HASM模拟精度,MAE和RMSE分别为125.15 mm和155.80 mm,其他方法最好的模拟结果比其误差值分别高出53.6%和54.5%;其模拟误差在不同子区域都较小;各种方法在平原的精度都高于山区的精度。     

改进的HASM-AD算法及在空间变量模拟的应用分析

高精度曲面建模(HASM)可以显著提高空间曲面模拟的精度,但是计算速度低限制了该模型的进一步应用。为了提高HASM模型的计算效率,本文对HASM-AD算法作了改进,通过在计算过程中为采样点添加索引,避免了计算过程中对采样点信息的重复查找操作;同时,在遍历独立计算单元时实时计算第一类、第二类基本量及克式符号,避免了全局存储上述变量所需要的额外内存消耗。数值试验表明,由于将全局线性方程组求解问题转化为局部独立计算单元(5×5栅格)内的方程组求解,改进的HASM-AD算法显著提高了计算效率,同时降低了模型运行过程中的内存消耗。最后,本文以全国陆地降水空间分布模拟分析作为实例,验证改进的HASM-AD算法模拟精度及计算效率,模拟结果表明,改进的HASM-AD算法模拟结果精度优于其他HASM算法(以HASM-PCG为例),并且计算效率优势更为明显,实现全国10km分辨率的降水分布模拟耗时仅为4s。表明改进的HASM-AD算法提高了计算速度,并且适于大尺度的空间变量模拟应用。     

东北地区TRMM数据降尺度的GWR模型分析

利用东北地区2000-2010年93个气象站点观测数据作为“真实值”,对TRMM降水数据进行精度验证,发现研究区TRMM降水数据与观测数据之间具有明显的线性相关性,且TRMM降水数据数值偏大于观测值,表明TRMM降水数据在东北地区具有一定的可信度。对东北地区多年平均、2001、2010年的TRMM数据,进行GWR模型降尺度研究,得到1 km的新降水数据,并与全局OLS回归模型进行对比。结果表明：（1）相比全局OLS回归模型,GWR模型的降尺度结果可获得更好的R与RMSE,说明GWR模型更适用于东北地区TRMM数据的降尺度研究;（2）东北地区GWR模型的降尺度分析结果与观测数据之间的相关系数在0.44-0.97之间,且分布较分散;（3）经过降尺度的TRMM降水数据,在空间分辨率上有较大提高,能更真实地反映研究区的降水特征,为该数据小尺度的应用研究奠定基础。     

多源遥感数据的降水空间降尺度研究——以川渝地区为例

大量研究表明,通过传统地面气象站点实测的单点数据,不能有效地反映降水的空间变化特征。目前,以遥感数据获取的降水产品已得到了广泛的应用,但在地形地势复杂区域,遥感降水产品的空间分辨率与数据精度等方面仍然存在着极大的不足。因此,本文以四川重庆(川渝)地区为例,通过建立降水产品降尺度算法,以实现降水产品的降尺度估算,提高降水数据的空间分辨率。依据在不同尺度下(0.25°、0.50°、0.75°和1.00°),TRMM 3B43、地理因子,以及MOD13A3(NDVI)之间存在的相关关系,构建了多元回归模型。通过对比这4种尺度下的回归模型,选择其中精度最高的作为最终的降尺度算法,然后再把这种降尺度算法应用到1 km分辨率下进行降水估算。进一步,以区域差异分析(GDA)和区域比率分析法(GRA)对降尺度估算的降水数据进行校正,并结合部分地面气象站点实测的降水数据进行验证。验证结果表明:降尺度算法是可靠的,能有效提升降水产品的空间分辨率,同时GDA和GRA校正方法能减小误差,进一步提升降水估算的精度,满足区域地表过程应用的需求。     

结合HASM和GWR方法的省级尺度近地表气温估算

卫星遥感反演得到的地表温度可用于近地表气温的估算,但现有方法的估算精度仍有进一步提升的空间。为了获取空间上连续且精度较高的近地表气温,本研究以四川省为例,首次将高精度曲面建模（HASM）用于遥感和气温实测数据的融合,并将综合了气温、地表温度、海拔、坡度、坡向的地理加权回归（GWR）拟合结果作为HASM模型的初始温度场,进而采用此种结合HASM和GWR的求解算法（HASM-GWR）,融合MOD11C3地表温度产品与190个气象台站的气温实测数据,开展省级尺度近地表气温估算,并通过比较HASM-GWR、GWR以及普通线性回归（OLS）3种方法的估算精度,评估各模型对近地表气温的估算效果。结果表明,相比于传统估算模型,采用HASM-GWR数据融合方法能有效提高近地表气温的估算精度。采用该方法的近地表气温估算残差,72%介于-1~1 ℃,90%介于-2~2 ℃;且与GWR和OLS模型相比,估算结果的均方根误差（RMSE）分别降低了25.42%和39.83%。     

中国气温与降水的时空变化趋势分析

如何对离散分布的气象台站观测数据进行高精度曲面模拟,为生态系统及服务功能时空变化趋势模拟及其综合评估提供高质量、高分辨率的空间气候数据,以满足栅格层次上的生态系统过程模型、生态系统格局模型及生态系统综合评估模型的参数需求,一直是存于生态学界的难点问题.在对全国1964一2007年的752个气象台站长期观测的气温和降水数...     

基于OCO-2卫星观测模拟高精度XCO2的空间分布

本文首次基于OCO-2卫星观测数据,采用高精度曲面建模（High Accuracy Surface Modeling, HASM）的方法来模拟大范围高精度的二氧化碳柱浓度（XCO₂）的空间分布。首先,探讨分析HASM方法应用于模拟OCO-2卫星观测XCO₂的空间分布的可行性。从2014年9月至2015年8月OCO-2观测的12个月的XCO₂数据中,分别随机选取其各个月90%的XCO₂数据用于空间插值,剩余10%作为精度验证点。自验证结果表明,12个月的平均绝对值误差为0.34 ppm。由此可见,HASM适用于模拟OCO-2卫星观测XCO₂的空间分布。然后,采用HASM对OCO-2在2014年9月至2015年8月的各个月观测数据进行空间插值,获取空间分辨率为0.5°×0.5°的各个月均值XCO₂的空间分布,同时基于地基观测TCCON( Total Carbon Column Observing Network)站的XCO₂数据对HASM模拟结果进行交叉验证。验证结果表明,HASM模拟的XCO₂与TCCON站对应观测数据相比,其平均绝对值误差为0.81 ppm,相关系数为0.88。因此,HASM在模拟OCO-2卫星观测的XCO₂空间分布上具有很大的优势。     

闽浙赣地区GPM IMERG降水产品降尺度建模与比较分析

针对目前的技术手段下难以直接获得大范围高精度精细化降水空间分布的问题,本文以闽浙赣地区为研究范围,选用GPM IMERG降水产品,综合应用地面实测降水数据以及水汽与植被指数数据,基于地理加权回归（GWR）法构建了基于水汽因子的降尺度模型,同时基于最小二乘（OLS）法构建了基于水汽因子与植被指数的对比模型,将降水产品的分辨率从0.1°提升至1 km,最终获得2015年闽浙赣地区各月精细化降水空间分布,使用验证站点实测数据进行验证。结果表明：① 构建的 3个降尺度模型中,GWR模型与2种OLS模型相比,拟合优度分别提升了102.9%和93.9%,模型降尺度结果整体优于2种OLS模型,且月际差异小,稳定性更高;2种OLS模型中,采用了水汽因子的模型拟合效果有8个月份更优;② 融合多源数据的GWR降尺度模型获得的结果在研究区内是可靠的,与GPM降水产品相比,在提升空间分辨率的同时,平均相对误差与均方根误差月均分别下降了42%和32%,精度明显改善。     

基于WRF和统计方法的气温空间尺度分析

WRF模式作为一个中尺度气候模式,其分辨率从几米到几千公里,其自身的双向嵌套特征也为进行动力尺度下推提供了有力条件。本文利用WRF模式和传统的统计方法对研究区的气温进行尺度下推。首先,通过动力下推得到不同分辨率下的气温空间分布,并选取15个气象站点进行点对点验证,为了更明显观察不同尺度间的差异,对不同尺度的输出与ANUSPLIN插值结果进行比对,结果显示动力尺度下推中,分辨率越高模拟效果越好。其次,我们采用传统的统计下推方法,从27km下推到3km分辨率,并与WRF和ANUSPLIN插值在该尺度的结果进行对比分析,结果显示统计下推结果的趋势与动力下推的插值结果是一致的,但具有明显的马赛克效果,通过分析认为,这与统计方法的尺度下推只考虑高程信息的变化对气温的影响,而未考虑其他因素有关,如若在下推时加入更多的变量,如对温度有较大影响的坡度、坡向、土地覆被类型等因素,综合分析不同尺度之间的关系,会使下推结果有所改善。     

利用三元组稀疏矩阵技术改进HASM算法——以全球平均气温模拟为例

 采用预处理共轭梯度法(PCG)进行求解的高精度曲面建模(HASM)算法的计算过程需要大量矩阵计算,采用稀疏矩阵方式可以压缩存储空间。三元组稀疏矩阵存储是较为传统的稀疏矩阵存储结构,这种存储结构的稀疏矩阵技术已被广泛使用。根据HASM-PCG的特点,本文通过改进三元组稀疏矩阵的部分计算方式,调整HASM-PCG算法中的部分计算顺序,从而舍弃部分不需要存储的非零元素,提高了计算效率。根据全球1998-2008年的近3000个气象观测台站的气温观测数据,以及全球DEM数据,对20世纪末至21世纪初的11年来5、6、7、8月份的全球平均气温进行数字模拟。数值结果表明,采用改进的三元组稀疏矩阵技术有效地提高了HASM方法的模拟效率。     

Spatial downscaling of climate variables using three statistical methods in Central Iran

Spatial downscaling methods are widely used for the production of bioclimatic variables(e.g. temperature and precipitation) in studies related to species ecological niche and drainage basin management and planning. This study applied three different statistical methods, i.e. the moving window regression(MWR), nonparametric multiplicative regression(NPMR), and generalized linear model(GLM), to downscale the annual mean temperature(Bio1) and annual precipitation(Bio12) in central Iran from coarse scale(1 km × 1 km) to fine scale(250 m ×250 m). Elevation, aspect, distance from sea and normalized difference vegetation index(NDVI) were used as covariates to create downscaled bioclimatic variables. Model assessment was performed by comparing model outcomes with observational data from weather stations. Coefficients of determination(R2), bias, and root-mean-square error(RMSE) were used to evaluate models and covariates. The elevation could effectively justify the changes in bioclimatic factors related to temperature and precipitation. Allthree models could downscale the mean annual temperature data with similar R2, RMSE, and bias values. The MWR had the best performance and highest accuracy in downscaling annual precipitation(R2=0.70; RMSE=123.44). In general, the two nonparametric models, i.e. MWR and NPMR, can be reliably used for the downscaling of bioclimatic variables which have wide applications in species distribution modeling.     

改进的DisTrad模型在地形起伏区地表温度空间分辨率提升的应用

DisTrad（Disaggregation procedure for radiometric surface temperature）模型是常用于遥感地表温度空间分辨率提升的主要模型之一。DisTrad模型常面向空间范围有限、地形相对平坦的研究区域,且常选用植被参数（如植被指数或植被覆盖度等）作为关键参数。然而在空间范围较大、地形起伏地区,地表温度的空间变异可能无法完全通过植被参数解释。本研究选取四川盆地及毗邻地区为研究区,通过模拟数据研究DisTrad模型在地形起伏区地表温度空间分辨率提升中的适用性。数字高程模型（Digital Elevation Model,DEM）、归一化差值植被指数（Normalized Difference Vegetation Index,NDVI）等参数,采用滑动窗口逐步回归,将空间分辨率为6km的地表温度提升至空间分辨率为1km。研究结果表明,改进的模型在平原及海拔较低的高原地区提升获得的地表温度空间分辨率具有较高精度,均方根误差（Root Mean Square Error,RMSE）为0.5K左右;在地形起伏较大的地区,RMSE为4K,验证了改进的模型提升的可行性。     

基于GPU的HASM动态模拟与实时渲染方法

 基于微分几何曲面论的高精度曲面模拟(high accuracy surface modeling, HASM)需要大量的复杂密集计算,在CPU上模拟极为耗时,使得在现有的硬件条件下,实时动态模拟曲面并实时可视化极具挑战性。论文提出了GPU加速的HASM方法,充分利用现代显示适配器(graphic processor unit, GPU)技术,运用GPU最新发展起来的并行计算能力,使用并行化的预处理共轭梯度方法解算曲面,完成曲面模拟,并同时利用GPU的高速缓存架构,对渲染操作进行充分优化,以实现高效实时可视化。HASM需要的有限差分离散和高速解算操作,均充分利用现代GPU架构,所具有的多处理器和众多的流处理器所产生的强大并行计算能力,可视化也用GPU高速缓存技术和三角条带方法进行充分优化。数值实验和实际项目区高程模拟实验均表明, 在GPU为NVIDIA quadro 2000和CPU为DualCore Intel Core 2 Duo E8400的硬件配置下,GPU并行化的曲面模拟方法比普通方法速度提高了约10倍,使得动态模拟与可视化算法可以达到交互式的帧速及实时可视化的要求。     

Responses of river runoff to climate change based on nonlinear mixed regression model in Chaohe River Basin of Hebei Province,China

Taking the nonlinear nature of runoff system into account,and combining auto-regression method and multi-regression method,a Nonlinear Mixed Regression Model (NMR) was established to analyze the impact of temperature and precipitation changes on annual river runoff process. The model was calibrated and verified by using BP neural network with observed meteorological and runoff data from Daiying Hydrological Station in the Chaohe River of Hebei Province in 1956–2000. Compared with auto-regression model,linear multi-regression model and linear mixed regression model,NMR can improve forecasting precision remarkably. Therefore,the simulation of climate change scenarios was carried out by NMR. The results show that the nonlinear mixed regression model can simulate annual river runoff well.     

基于LSTM神经网络的青藏高原月降水量预测

青藏高原的降水量预测不仅为该地区水资源合理规划利用提供依据,同时对中国及周边国家气候变化研究有着重要的意义。论文利用1990—2016年青藏高原降水量数据,采用长短期记忆神经网络（LSTM）对青藏高原月降水量进行预测,主要包括：① 使用青藏高原86个测站1990—2013年的月降水资料,预测各个测站2014—2016年的月降水量,并与传统的RNN、NAR、SSA和ARIMA预测模型相比,平均决定系数R²分别提高了0.07、0.15、0.13和0.36,均方根误差（RMSE）和平均绝对误差（MAE）表现更低;② 分析了降水量预测精度的空间分布特征,将各模型的R²在青藏高原地区内插值,分析R²的空间分布特征,发现所有模型降雨稀少的干旱地区和降雨多的湿润地区R²较低,在气候稳定、降水规律性明显的地区R²较高,且LSTM模型R²≥0.6的空间范围远大于传统模型;③ 分析了不同预测长度对各模型预测精度的影响,发现所有模型会随着预测长度增加而预测精度降低,但在不同的预测长度下LSTM预测的RMSE值都低于其他模型。