高原气象

作者：周媛媛,杨晓辉,肖天贵

单位：<sup class=\"mag-xml-aff-label-sup added-by-sys\">1.</sup> 成都信息工程大学云南自然灾害防御技术研发中心，云南 昆明 650034","<sup class=\"mag-xml-aff-label-sup added-by-sys\">2.</sup> 成都信息工程大学大气科学学院，四川 成都 610225

关键词：多源降水数据,数据融合,宽度学习系统,经纬度信息

基金：云南省重点研发计划项目(202203AC100006),成都信息工程大学科研基金资助项目(KYTZ202220)

准确的降水量是精准预报降水引发的相关灾害的前提条件和基础， 因此， 获取准确的降水量显得十分必要。为此， 本研究搭建了一个基于宽度学习系统（Broad learning system， BLS）的多源降水融合模型， 以获取更准确的降水数据。以云南省为研究区域， 选用2014年4月至2017年12月的3B42V7、 IMERG、 GSMaP、 CMORPH、 PERSIANN卫星数据以及雨量计数据作为源数据， 加入经纬度信息， 进行多源数据融合。留一年交叉验证法（Leave-one-year-out cross validation， LOYOCV）用于验证所提融合模型的性能， 并使用相关系数（Pearson’s correlation coefficient， CC）、 均方根误差（Root-mean square error， RMSE）、 平均绝对误差（Mean absolute error， MAE）、 纳什效率系数（Nash-Sutcliffe coefficient of efficiency， NSE）和克林-古普塔效率系数（Kling-Gupta efficiency， KGE）等统计指标量化在不同时空尺度上的融合降水量的准确性。同时， 分别对比了基于支持向量机（Support vector machine， SVM）和深度神经网络（Deep neural network， DNN）的融合模型， 评估了经纬度信息在所提融合模型中的效力。在LOYOCV中， BLS融合降水的日平均CC、 RMSE、 MAE、 NSE均优于5个卫星产品。在时间尺度上， 融合降水能够捕捉实际雨量计降水的时间趋势， 且能较准确地估计2017年云南省的暴雨量； BLS融合降水在雨季（5 -10月）和干季（11月到次年4月）均优于5个卫星产品中表现最好的CMORPH降水产品。在空间尺度上， 相比5个卫星产品， BLS融合降水能在大部分地区表现出最高的CC、 NSE以及最小的RMSE、 MAE。BLS融合模型对实际降水的模拟能力高于SVM融合模型， 且相对于DNN模型用时更短、 更高效。此外， 经纬度信息的加入能提升融合降水的准确性。总之， 考虑了经纬度信息的基于BLS的多源降水融合模型能够提升云南省降水量的准确性， 在多源降水数据融合领域有一定的应用价值。

来源：2025年第2期

《高原气象》期刊编辑部

查看高原气象杂志2025年第2期